Fakultät

Maschinenbau und Versorgungstechnik

Digitalisierung
industrieller Prozesse

Lehrveranstaltungsüberblick
Rechnerübung: Data Science

Dr. Christian Menden

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik
Copyright Dr. Christian Menden
- Darf nur im Rahmen der bestimmungsgemäßen Lehrveranstaltungen verwendet und vervielfältigt werden. Seite 1
Vorstellung
Lehrbeauftragter
Otto-Friedrich-Universität Bamberg
Seit 04/2020 Technische Hochschule Nürngerg Georg Simon Ohm
Fachhochschule Würzburg/Schweinfurt

Abteilungsleiter Analytics
Seit 12/2019 Fraunhofer IIS/SCS Nürnberg

Promotion Dr. rer. pol.

5 Jahre Otto-Friedrich-Universität Bamberg

Gruppenleiter Data Science & Optimization & Externer Doktorand

2 Jahre Fraunhofer IIS/SCS Nürnberg

Data Scientist & Externer Doktorand

1,5 Jahre Fraunhofer IIS/SCS Nürnberg

Wissenschaftlicher Mitarbeiter & Doktorand

2 Jahre Otto-Friedrich-Universität Bamberg

M.Sc. VWL (EES)

2 Jahre Otto-Friedrich-Universität Bamberg

Lecturer / Volunteer
4 Monate Mountains of the Moon University, Fort Portal, Uganda
Dr. Christian Menden
1 Jahr
Stucturing & Sales
Deutsche Bank, Global Markets Frankfurt & London
Telefon 0911 58061-9540 (Fraunhofer)
christian.menden@th-nuernberg.de
B.A. BWL (Finance & Investments)
3 Jahre Europäische Fachhochschule Rhein/Erft Brühl

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 2
Agenda
Lehrveranstaltungsüberblick

• Prüfungsleistung

• Themenüberblick

• Übungskonzept

• E-Learning

• Literatur

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 3
Prüfungsleistung
Schriftliche Prüfung (100% der Modulnote)
Dauer: 90 min
Inhalt: Vorlesung, Übung und begleitende Literatur
Sprache: Deutsch
Aufbau: Offene Fragen
Termin: Prüfungszeitraum Sommersemester

Erfolgreiche Teilnahme an der Rechnerübung (mE/oE)

Erfolgreiche Bearbeitung der Data-Science-Projektaufgabe (Upload im E-Learning-Portal)
im Rahmen des Rechnerübung.

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 4
Themenüberblick der Vorlesung
• Einführung
Digitalisierung Digitalisierung
• Industrie 4.0

• Operative Effizienz
Verbesserung
Unternehmen Anwendungen
• Effizienz • Neue Geschäftsmodelle
• Effektivität
• Qualität
• Internet der Dinge
Internet der Dinge
• Kommunikation

• Datenquellen, Datentypen
Datenräume
• Informationsmodelle

Re
• Anwendungsfälle c
Üb hne
Data Science un r-
• Handlungsfelder g

• Herausforderungen
datengetriebene Prozesse Umsetzung
• Neue Rolle des Menschen

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 5
Rechnerübung
Ziel der Rechnerübung ist der Erwerb grundlegender Kenntnisse und
Fähigkeiten zur Generierung von Erkenntnissen aus Daten
• Grundbegriffe: Künstliche Intelligenz (KI) und Maschinelles Lernen (ML)
• Vorgehen: Workflow einer ML Anwendung
• Software R: Einarbeitung, Basisfunktionen, ML Softwarebibliotheken
• Deskriptive-Verfahren: Theorie, Implementierung, Beispiel, Übungsaufgaben
• Clustering-Verfahren: Theorie, Implementierung, Beispiel, Übungsaufgaben
• Klassifikations-Verfahren: Theorie, Implementierung, Beispiel, Übungsaufgaben
• Regressions-Verfahren: Theorie, Implementierung, Beispiel, Übungsaufgaben
• Eigenständige Bearbeitung eines Übungsbeispiels (àTestat mE/oE)
• Ausblick: Spezialrichtung, aktuelle Forschung im ML z. B. AutoML

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 6
Themenüberblick der Rechnerübung
Ziel - Qualitätsprüfung von Leiterplatten

Datensatz
1
Machine
Learning
Datensatz
2
…

Datensatz
n

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 7
Themenüberblick der Rechnerübung
• Artificial Intelligence (AI)
• Machine Learning (ML)
Data Science Grundbegriffe • Deep Learning (DL)
• Data Science
• Analytics

Datensatz
1 Supervised
Datenimport Visualisierung Daten- Deskriptive Unsupervised Learning Optimierung GUI Deployment
bereinigung Analyse Learning
Regression
Datensatz
2

Klassifikation
…

Datensatz
n

Data Science Pipeline

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 8
Themenüberblick der Rechnerübung
1 • Artificial Intelligence (AI)
• Machine Learning (ML)
Data Science Grundbegriffe • Deep Learning (DL)
• Data Science
• Analytics

6
Datensatz
1 Supervised
Datenimport Visualisierung Daten- Deskriptive Unsupervised Learning Optimierung GUI Deployment
bereinigung Analyse Learning
Regression
Datensatz
2

Klassifikation
…

Datensatz
n

2 3-4 5 7 8 9

Data Science Pipeline

10 - 11
Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 9
Ziele der Veranstaltung

• Überblick über Machine Learning Verfahren

• Erfahrungen in R Programmierung

• Eigenständige Analyse von Daten

• Vollständige Data Science Pipeline erlernen und eigenständig umsetzen

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 10
Übungskonzept

• Theorie

• Implementierung in R

• Beispiel mit Produktionsbezug

• Hausaufgabe
• Besprechung der letzten Hausaufgaben und Fragemöglichkeiten

• Vorstellung der neuen Hausaufgaben

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 11
E-Learning-Portal
• Bereitstellung aller Kursunterlagen (Vorlesung, Rechnerübung)
• Abwicklung der gesamten Kommunikation (Forum, Kursnachrichten)
Startseite à Kurse à Fakultäten à MBVS à Gölzer, Philipp à DIGIP (Kurspasswort: DIGIP22)

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 12
Literatur
• James, G., Witten, D., Hastie, T. & Tibshirani, R. (2017), An introduction to statistical learning: With
applications in R, Springer texts in statistics, 8 edn, Springer, New York, Heidelberg, Dordrecht and London.

• Wickham, H. (2019), Advanced R, The R series, 2 edn.

• Matloff, N. (2011), The Art of R Programming: A Tour of Statistical Software Design, 1 edn., No Starch Press

• Döbel, I., Leis, M., Molina Vogelsang, M., Neustroev, D., Petzka, H., Riemer, A., Rüping, S., Voss, A.,
Wegele, M. & Welz, J. (2018), Maschinelles Lernen: Eine Analyse zu Kompetenzen, Forschung und
Anwendung, Technical report, München.

• VDMA Software und Digitalisierung (2018), Quick Guide - Machine Learning im Maschinen- und
Anlagenbau, available at:
https://sud.vdma.org/documents/15012668/26742261/!VDMA%20Quick%20Guide_Machine%20Learning_1
535375434182.pdf/f82a3951-ee87-d9f2-7702-1d20644c2349

• Bischl, B., Scheipl, F., Seibold, H., Bothmann, L., Schalk, D., Molnar, C., Pielok, T., (2021), Introduction to
Machine Learning (I2ML), available at: https://introduction-to-machine-learning.netlify.app

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 13
 Vielen Dank für
die Aufmerksamkeit

Technische Hochschule Nürnberg – Fakultät Maschinenbau und Versorgungstechnik Dr. Christian Menden Seite 14