Einführung in Data Science und Machine Learning (WiSe 2025/26)

Modulbeschreibung

Maschinenbau, Bachelor (PO-2023)

Eindeutige ModulnummerMaschB-1700-M
Modulnummer / Modulcode14-P-DSML
ModulnameEinführung in Data Science und Machine Learning
Art des ModulsPflicht
Lernergebnisse, Kompetenzen, Qualifikationsziele

Die Studierenden überblicken grundsätzliche Konzepte des Umgangs mit Daten, der datenbasierten Modellierung sowie der Identifikation von Modellparametern durch lernbasierte Strategien.

Sie haben Ihre Kenntnisse im Bereich der linearen Algebra vertieft. Hierauf aufbauend haben sie wichtige Methoden zur Analyse und Dimensionsreduktion von Daten kennengelernt und können diese Methoden für grundsätzliche Datenanalysen anwenden. Sie haben darüber hinaus Grundlagen der Stochastik kennengelernt und können diese zur Datenanalyse einsetzen. Darüber hinaus verstehen sie insbesondere die Grundzüge der Bayes'schen Statistik und deren Anwendung im Zusammenhang mit maschinellem Lernen.

Aufbauend auf diesen Grundlagen haben sie elementare Methoden der Klassifikation sowie Regression kennengelernt und kennen grundlegende Begriffe zu Neuralen Netzen. 

Im Rahmen der Veranstaltung haben die Studierenden Grundlagen zur Datenanalyse sowie zum Maschinellen Lernen erworben. Sie können auf dieser Basis Vor- und Nachteile  unterschiedlicher Ansätze beurteilen und problemabhängige geeignete Klassen von Ansätzen auswählen. Das Gelernte ist eine Basis für weiterführende Veranstaltungen in diesem Themengebiet.

Lehrveranstaltungsarten3 SWS VL (45 Std.), 1 SWS HÜ (15 Std.), 2 SWS Ü (30 Std.), Selbststudium (90 Std.)
Lehrinhalte
  1. Einführung
    1. Daten, Modelle
    2. Lernen (überwacht / nicht überwacht)
  2. Grundlagen der Stochastik
    1. Grundbegriffe (Zufallsvariable, Verteilung, Verteilungsdichte,...)
    2. Momente
    3. Rechenregeln
    4. Normalverteilung
    5. Satz von Bayes
  3. Lineare Algebra und Daten
    1. Eigenwertanalyse: Hauptachsentransformation, Kovarianzmatrix,...
    2. PCA / SVD
    3. Niedrigrangapproximation
  4. Klassifikation
    1. Dichtebasierte Verfahren (k-means)
    2. Hierarchische Clusteranalyse (Dendrogram)
  5. Lineare Regression
    1. Least-Squeares-Verfahren
    2. Maximum Likelihood
  6. Neuronale Netze
    1. Grundlagen
    2. einlagige Netze zur Funktionsapproximation
    3. Perzeptron (einlagig, XOR-Problem, hiddenlayer)
    4. Lernen (re-inforcement, back-propagation)
Titel der LehrveranstaltungenEinführung in Data Science und Machine Learning
Lehr- und Lernmethoden (Lehr- und Lernformen)Vorlesungen zur Vermittlung theoretischer Grundlagen sowie rechnergestützte Übungen im Computerpool des CEC (Computational Engineering Center) zur Anwendung und Vertiefung der Inhalte. Studienleistungen dienen der selbstständigen Übung und Festigung der vermittelten Inhalte.
Verwendbarkeit des ModulsB.Sc. Maschinenbau
B.Sc. Mechatronik
Dauer des Moduls1 Semester
Häufigkeit des Angebotesjährlich im Wintersemester
SpracheDeutsch
Empfohlene (inhaltliche) Voraussetzungen für die Teilnahme am ModulMathematik 1-3 
Grundlagen der Informatik - Einführung in die Programmierung
Modellbildung und Simulation
Voraussetzungen für die Teilnahme am Modulkeine
Studentischer ArbeitsaufwandVL: 45 Std., HÜ: 15 Std., Ü: 30 Std., Selbststudium: 90 Std.
StudienleistungenStudienleistung S1: semesterbegleitende Bearbeitung von bis zu 4 Übungsaufgaben (Rechen- und Programmieraufgaben). Zum Bestehen müssen mind. 75% der max. erreichbaren Punkte erreicht werden.
Voraussetzung für Zulassung zur Prüfungsleistungkeine
PrüfungsleistungenKlausur 120 Min.
Anzahl Credits (ECTS)6 cp
LehreinheitMaschinenbau
Modulverantwortliche/rProf. Dr.-Ing. Yousef Heider
LehrendeProf. Dr.-Ing. Yousef Heider
MedienformenVorlesungs- und Übungsfolien, rechnergestützte Arbeitsumgebungen (PC, Jupyter Notebooks), Beamer, Lernplattform Moodle zur Bereitstellung von Materialien und Aufgaben, digitale Quizformate zur Lernkontrolle.
Literatur
  • Folien der Vorlesung
  • Deisenroth, Faisal, Ong: "Mathematics for Machine Learning", Cambridge University Press, 2020
  • Strang: "Linear Algebra and Learning from Data", Wellesley Cambridge Press, 2019
  • Bishop: "Pattern Recognition and Machine Learning", Springer, 2006
  • Goodfellow, Bengio, Courville: "Deep Learning", The MIT Press, 2016
  • Kroll: "Computational Intelligence", de Gruyter, 2016
  • Fröchte: "Maschinelles Lernen", Hanser, 2021
  •