Python for Engineering Data Analysis - From Machine Learning to Visualization

Worum geht's

Du lernst Python als Werkzeug für ingenieurwissenschaftliche Datenanalyse kennen: Daten erfassen, bereinigen, visualisieren und einfache Modelle erstellen. Am Ende kannst du typische Labor- und Forschungsdaten mit Python analysieren, 2D/3D-Darstellungen erzeugen und die Möglichkeiten sowie Grenzen einfacher statistischer und ML-Methoden einschätzen.

Was du danach kannst

algorithmische Probleme mit Python lösen
grundlegende Aufgaben der Datenanalyse und Statistik anwenden
Python-Werkzeuge zur 2D- und 3D-Visualisierung nutzen
verschiedene Methoden zur Datenmodellierung verstehen (z.B. lineare Regression, neuronale Netzwerke)
Möglichkeiten und Einschränkungen der Methoden erkennen

Aus was das Modul besteht

Tutorienwöchentliche Übungen zur praktischen Anwendung und Betreuung
AbschlussprojektAnwendung eines größeren Teils der Methoden auf eine selbstgewählte Forschungsaufgabe

Lehrmethode

Inverted Classroomtheoretische Grundlagen werden vorbereitet und im Tutorium praktisch angewandt
elektronische Materialien (Präsentationen, Videoaufzeichnungen)Unterstützung des Selbststudiums und Vorbereitung auf Übungen
Übungsaufgaben und HausaufgabenEinüben der praktischen Anwendung
DozentenbetreuungFragen klären und Hilfe bei Implementierung bieten

Solltest du schon können

IN8009: Algorithmen und Datenstrukturenempfohlen
EI00110: Computertechnik und Programmierenempfohlen

Prüfung

HausaufgabenAbschlussprojektBericht

Die Modulprüfung besteht aus Hausaufgaben (10 Aufgaben, Gewichtung 2/3) und einem Abschlussprojekt (Bericht ~2–4 Seiten, Gewichtung 1/3). Beide Teile müssen bestanden werden. Im Bericht stellst du die Problemstellung vor, beschreibst die verwendeten Methoden und präsentierst Ergebnisse mit aussagekräftigen Grafiken. Es werden keine speziellen Hilfsmittel oder Dauer angegeben.

Literatur

Python 3 documentation - https://docs.python.org
A. Sweigart - Automate the Boring Stuff with Python - https://automatetheboringstuff.com
A.I.J. Forrester et al. - Engineering Design via Surrogate Modelling: A Practical Guide (2008) - https://onlinelibrary.wiley.com/doi/book/10.1002/9780470770801

Termine

PraktikumPython for Engineering Data Analysis - From Machine Learning to Visualization5 Gruppen zur Wahl

ADi.10:00–12:00
00.5901.049, Computerpool (5901.EG.049)
13× · 20.10.–02.02.
- 20.10.
- 27.10.
- 03.11.
- 17.11.
- 24.11.
- 01.12.
- 08.12.
- 15.12.
- 22.12.
- 12.01.
- 19.01.
- 26.01.
- 02.02.
BDi.14:00–16:00
00.5901.049, Computerpool (5901.EG.049)
14× · 20.10.–02.02.
- 20.10.
- 27.10.
- 03.11.
- 10.11.
- 17.11.
- 24.11.
- 01.12.
- 08.12.
- 15.12.
- 22.12.
- 12.01.
- 19.01.
- 26.01.
- 02.02.
CDo.10:00–12:00
00.5901.049, Computerpool (5901.EG.049)
13× · 22.10.–04.02.
- 22.10.
- 29.10.
- 05.11.
- 12.11.
- 19.11.
- 26.11.
- 10.12.
- 17.12.
- 07.01.
- 14.01.
- 21.01.
- 28.01.
- 04.02.
DMi.10:00–12:00
00.5901.049, Computerpool (5901.EG.049)
13× · 21.10.–03.02.
- 21.10.
- 04.11.
- 11.11.
- 18.11.
- 25.11.
- 02.12.
- 09.12.
- 16.12.
- 23.12.
- 13.01.
- 20.01.
- 27.01.
- 03.02.
EMi.14:00–16:00
00.5901.049, Computerpool (5901.EG.049)
14× · 21.10.–03.02.
- 21.10.
- 28.10.
- 04.11.
- 11.11.
- 18.11.
- 25.11.
- 02.12.
- 09.12.
- 16.12.
- 23.12.
- 13.01.
- 20.01.
- 27.01.
- 03.02.

Aus dem laufenden Semester, unverbindlich. Von mehreren Gruppen besucht man eine; der Stundenplan schlägt automatisch die mit den wenigsten Überschneidungen vor.

Filter