Mathematische Grundlagen der Smart Data Analyse

Digitalisierung ist die 4. industrielle Revolution auf der Basis informationstechnisch miteinander verbundener Komponenten mit mechanischen und elektronischen Teilen. Eine ganz entscheidende Bedeutung nehmen dabei die erzeugten Daten ein. Qualifizierung auf dem Gebiet der ingenieurmäßigen Analyse großer Datenmengen - genannt Smart Data - ist ein wesentlicher Schlüssel um riesige Potenziale zu heben und wettbewerbsfähig zu bleiben.

In diesem Seminar werden die mathematischen Grundlagen für die Methoden zur Informationsextraktion aus großen Datenmengen vermittelt und deren Anwendung im Unternehmen anhand von Beispielen illustriert.

• Im Seminar werden die wesentlichen mathematischen Methoden für eine intelligente Datenanalyse dargestellt. Der Fokus liegt auf der Nachvollziehbarkeit der Algorithmik.
• Eingebaut in die Darstellungen und Herleitungen der mathematischen Grundlagen sind Exkurse zu Visualisierungen der Analysen und beispielhafte Implementierungen von Algorithmen mit Python sowie Verweise auf Anwendungen. Die Smart Data Analyse umfasst Methoden aus den Wissensbereichen des maschinellen Lernens, der künstlichen Intelligenz und des Data Minings.

Die vermittelten mathematischen Methoden betreffen ausgewählte Verfahren aus folgenden Gebieten:

• Fourier Reihe und Fourier Transformation
• Datenreduktion
• Schätzverfahren
• Maschinelles Lernen

Hinweis: Im Seminar wird nicht die Nutzung und Bedienung kommerzieller Software erläutert, um ein spezifisches Anwendungsproblem zu lösen. Zudem können leider keine mitgebrachten Smart Data Projekte bearbeitet werden.

Dieses Seminar können Sie auch als Wahlpflichtmodul innerhalb des Zertifikatslehrgangs „Fachingenieur Data Science VDI“ buchen.

Top-Themen

• Die wichtigsten Datenanalyse-Verfahren für Anwendungen im
  Ingenieurbereich
• Verfahren zur Klassierung von Daten und mögliche Analysemethoden
• Umgang mit zensierten Daten und Verfahren zur Schätzung der dahinter liegenden Verteilungsfunktionen
• Entscheidende ingenieurgemäße Methoden zur intelligenten Analyse
  kleiner und großer Datenmengen
• Möglichkeiten zur Visualisierung komplexer Datenanalyse-Ergebnisse
• Big Data- bzw. Data Engineering-Methoden in der Produkt- und
  Prozessentwicklung sowie zur Zuverlässigkeitsabsicherung

Intelligente Datenanalyse am Beispiel der Zuverlässigkeitstechnik

Seminarmethoden

In diesem Seminar werden mit Ausnahme von Excel keine kommerziellen Software-Tools eingesetzt. Die Pilot-Implementierungen werden im Seminar überwiegend mit Python durchgeführt. Es werden hybride Lösungen (Toolchain aus verschiedenen Software-Modulen) zur Datenanalyse vorgestellt. Die Codes der Pilot Implementierungen werden auf Wunsch verfügbar gemacht unter CC BY-SA 4.0 Lizenz. Systemvoraussetzungen: Laptop mit Windows 10 oder höher; Verwendete Tools: Notepad++, Microsoft Excel, PAST, Python mit Spyder (Anakonda 3)

Zielgruppe

• Angesprochen sind bei diesem Seminar Smart Data Engineering:
• Ingenieure in Forschung, Entwicklung, Produktion, Marketing, Vertrieb und Qualitätssicherung die sich mit der Informationsextraktion aus Daten auseinandersetzen wollen und müssen
• Technikaffine Menschen mit Datenbezug und mit Interesse an mathematischen Methoden und Verfahren
• Daten-Eigner, die sich mit use- und business-cases in Unternehmen beschäftigen und die methodischen Daten-Analyse-Möglichkeiten verstehen wollen
• Als Voraussetzung sollten Sie mathematische Kenntnisse auf dem Niveau der allgemeinen Hochschulreife mitbringen.

Ihr Experte für smarte Datenanalyse: Prof. Dr.-Ing. Luy

Johann-Friedrich Luy hat in der Daimler Forschung Schlüsselkomponenten für den Einsatz in Automobilradaren entwickelt. Für seine Beiträge zur Hochfrequenz-Integration wurde er im Jahr 2000 zum Fellow des internationalen Ingenieurverbandes IEEE gewählt. Im Jahr 2007 wurde er zum Professor an der TU München in der Fakultät für Elektrotechnik und Informationstechnik berufen. In der Daimler AG hat er die Entwicklung von DataMining-Technologien mit SmartData und KI Methoden verantwortet. Die daraus entwickelten Zuverlässigkeitsprozesse zur präventiven Absicherung des Reifegrades sind heute weltweit in den Entwicklungsablauf integriert. In 2018 hat er das Start-up COREPROG engineering gegründet.

Veranstaltung buchen