Applied Data Analytics and Machine Learning in Python

Nach der Teilnahme an dem Hochschulpraktikum sind die Studierenden in der Lage, • die theoretischen Grundprinzipien des Machine Learning, speziell des Reinforcement Learning sowie Unsupervised Learning, aus anwendungsorientierter Sicht zu verstehen. • Python, sowie gängige Python-Frameworks, zur Datenanalyse und zum Machine Learning zu verwenden sowie geeignete Pipelines zur Datenauswertung selbstständig zu entwerfen und zu implementieren. Die Studierenden lernen die Python-typischen Online-Dokumentationen zu quelloffenem Code zu lesen, zu verstehen, den Code dahinter zu analysieren und gängige Python-Frameworks (z.B. Tensorflow, Keras, scikit-learn) anzuwenden. Das „Computational Thinking“ wird gestärkt. • komplexe Steuerungsprobleme, Big-Data und Machine Learning -Problemstellungen in einer geeigneten Darstellungsform (Ablaufplan, Zustandsdiagramme) zu verstehen und in Python zu implementieren. • bei einer gegebenen Problemstellung eine Steuerungsaufgabe für eine automatisierungstechnische Anlage als Reinforcement Learning Task zu modellieren und zu entwickeln. • Einsatz, Aufwand und Herausforderungen von Reinforcement Learning zur Entscheidungsfindung und Optimierung von automatisierungstechnischen Aufgabenstellungen abzuschätzen und kritisch zu bewerten.

Das Praktikum „Applied Data Analytics and Machine Learning in Python“ hat zum Ziel, grundlegende Fähigkeiten und Fertigkeiten im anwendungsorientierten Umgang mit Methoden des Machine Learning, des Data Mining sowie in der Python-Programmierung zu vermitteln. Hierfür werden zunächst grundlegende Python-Kenntnisse zur Syntax und gängigen Python-Frameworks aus den Bereichen Datenanalyse und Machine Learning gelehrt bzw. aufgefrischt. Es folgt eine Einführung in die Grundkonzepte, Methoden und Algorithmen des Machine Learning sowie der Modellierung. Das erlernte Hintergrundwissen wird anschließend auf anwendungsorientierte Problemstellungen aus den Bereichen Regelungstechnik, Prozesssteuerung sowie Qualitätsüberwachung übertragen, indem für verschieden komplexe Use Cases Lösungsansätze konzeptioniert, modelliert und implementiert werden.

Empfohlen, aber nicht verpflichtend, wird die erfolgreiche Teilnahme an den Vorlesungen „Grundlagen der modernen Informationstechnik“, „Automatisierungstechnik 2“, „Intelligent Systems and Machine Learning for Production Processes“ und „Höhere Mathematik“