Industrial Data Science

Studienrichtung "Industrial Data Science"

Motivation

Data Science bezeichnet generell die Extraktion von Wissen aus Daten und trägt heute als Querschnittswissenschaft zu fast jedem Fachgebiet bei. Insbesondere in der Industrie bieten sich hier neue Chancen im Sinne einer digitalen Transformation: das Unternehmen wird in Produktentwicklungs‐ und Managementprozessen zunehmend datengetrieben und kann damit schnell und flexibel auf neue Situationen im Markt reagieren. Kurz gesagt, aus aktuellen und historischen Daten werden Handlungsempfehlungen für die Steuerung von Unternehmensprozessen abgeleitet. Natürlich muss man dazu einerseits die Semantik von Daten im jeweiligen Anwendungsfeld genau verstehen, andererseits geht es aber auch darum generelle Zusammenhänge in meist unübersichtlichen und oft verrauschten Datenmengen aufzudecken. Ein wesentliches Problem ist hier zudem die Notwendigkeit, aus verhältnismäßig kleinen Datenmengen statistisch signifikante Ergebnisse abzuleiten, wie z.B. in der Produktionstechnik, wo man oft aus sehr wenigen Messungen stark generalisieren muss.

Qualifikationsziele

Die Studienrichtung Industrial Data Science beschäftigt sich mit der Vermittlung und kompetenten Anwendung von Techniken und Theorien aus den Fächern der Informatik und der mathematischen Statistik, einschließlich des maschinellen und statistischen Lernens, sowie der Signalverarbeitung und der Mustererkennung. Im Rahmen der Studienrichtung Industrial Data Science erlangen Studierende also wesentliche Fertigkeiten, um aus semantisch reichen Datenmengen Informationen zu extrahieren und daraus Handlungsempfehlungen abzuleiten, die Unternehmen befähigen effizienter zu arbeiten. Insbesondere geht es um ein tieferes Verständnis von Algorithmen und Werkzeugen zur Ableitung von Hypothesen, welche statistisch überprüft und so als verlässliche Entscheidungsgrundlage aufbereitet werden können. Des Weiteren werden Fertigkeiten für das Einbringen von Domänenwissen in datengetriebenes Lernen vermittelt und um Garantien für das spätere Verhalten von Prozessen auch unter dynamischer Einbindung gelernter Information geben zu können.

Beschreibung

Die Inhalte der Studienrichtung Industrial Data Science sind eine methodisch grundlegende Pflichtveranstaltung zur Mustererkennung, sowie Wahlpflichtveranstaltungen aus den Gebieten der Robotik, Nachrichtentechnik, IT‐Sicherheit und Informationssysteme. In der Masterarbeit soll dann ein aktuelles Thema in einem der Fachgebiete mit Methoden der Industrial Data Science bearbeitet werden, oft auch mit praktischer Anwendung in klar definierten industriellen Prozessen im Unternehmen.

Organisatorisches

Federführung:
Prof. Dr. Wolf‐Tilo Balke, Institut für Informationssysteme (IfIS)
Prof. Dr. Konrad Rieck, Institut für Systemsicherheit
Prof. Dr. Jochen Steil, Institut für Robotik und Prozessinformatik (IRP)

Turnus

Der Beginn ist in jedem Semester möglich.

Inhalte

Für den erfolgreichen Abschluss des Masterstudienganges Informatik sind 120 LP notwendig. Wenn die Studienrichtung Industrial Data Science gewählt wird, müssen mindestens 70 LP wie folgt erbracht werden:

Pflichtveranstaltungen (insgesamt 35 LP)

  • Mustererkennung (5 LP)
  • Masterarbeit (30 LP) ‐ in einem Fachgebiet der Studienrichtung

Wahlpflichtveranstaltungen (insgesamt 35 LP)

  • Projektarbeit (15 LP) ‐ in einem Fachgebiet der Studienrichtung
  • Seminar (5 LP) ‐ in einem Fachgebiet der Studienrichtung

aus dem Bereich Robotik

    • Grundlagen Maschinelles Lernen [Master] (5 LP)
    • Roboterlernen (5 LP)
    • Prozessinformatik (5 LP)
    • Embedded Intelligence (5 LP)

aus dem Bereich Informationssysteme

    • Wissensbasierte Systeme und deduktive Datenbanksysteme (5 LP)
    • Information Retrieval & Web Search (5 LP)
    • Data Warehousing & Data‐Mining‐Techniken (5 LP)

aus dem Bereich IT‐Sicherheit

    • Maschinelles Lernen in der IT‐Sicherheit (5 LP)
    • Praktikum Intelligente Systemsicherheit (5 LP)

aus dem Bereich Nachrichtentechnik

  • Sprachdialogsysteme (Spoken Language Processing) (5 LP)
  • Deep Learning Lab (5 LP)