Mathematische Grundlagen der Smart Data Analyse
Veranstaltungsnummer: 02SE390
- 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
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.
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
Aufbauend auf den in der Automobil-Industrie gewonnen Erfahrungen bei der Aufbereitung und Analyse von Daten werden Ihnen in diesem Seminar die mathematischen Grundlagen zur Analyse aus großen Datenmengen vermittelt. Die Beispiele illustrieren die Anwendung der Big Data/Smart Data-Methoden und sind auf andere Industrie-Bereiche übertragbar. Im Detail lernen Sie mit dieser Weiterbildung Methoden zur intelligenten Analyse kleiner und großer Datenmengen mit folgendem Programmablauf kennen:
1. Tag 10:00 bis ca. 18:00 Uhr
2. Tag 08:30 bis ca. 16:30 Uhr
Einführung und Begriffsbestimmungen
- Was Smart Data, Big Data und KI miteinander zu tun haben
- Warum methodisches Know-How zentral für die Informations-
gewinnung ist
Informationsextraktion aus großen Datenmengen:
Kundenzentrierte Datenanalyse
- Begrenzte bzw. unvollständige Daten von Produkten im Kunden-
einsatz: Wie werden zensierte (“abgeschnittene”) Datenmengen behandelt? - Diskussion der wichtigsten Verteilungsfunktionen und ihrer Eigenschaften
- Parameterschätz-Verfahren für Verteilungsfunktionen für den Fall zensierter Daten
- Anwendungsbeispiele aus der Zuverlässigkeitsabsicherung mit Entwicklungs- und Felddaten
Mindestabsicherung von Zuverlässigkeit und Qualität
- Auswirkungen des Pareto-Prinzips auf den Testaufwand
- Analyse vorliegender Daten und Ermittlung der
Ungleichverteilungskoeffizienten - Minimal-Absicherungsziele als Untergrenze für den Testaufwand
Analyse der Daten aus der Nutzungsphase der Produkte
- Daten in Form von Zeitreihen oder als Ereignis-Kollektive:
Auswahl einer geeigneten Analysemethode - Auswertung großer Mengen zeitabhängiger Daten durch
Fourier-Transformationen - Verfahren zum Handling großer Datenmengen und zur
Datenreduktion bei klassierten Daten - Zählverfahren zur Bildung von Kollektiven und Matrizen aus
Zeitfunktionen: Klassendurchgang, Spitzenwert und Rainflow-Verfahren, inkl. Pilot-Implementierung in Python - Korrelationsverfahren: Auffindung dominierender Einflüsse
durch Hauptkomponenten-Analysen - Anwendungsbeispiele mit Daten zur Kundensegmentierung
Erzeugung signifikanter Informationen auch mit begrenzten (Kunden-)Datenmengen
- Schätzen der Parameter einer zufälligen Stichprobe mit der Maximum Likelihood Methode
- Aussagen über ein Vertrauensintervall gewinnen mit dem
Bootstrap Verfahren - Illustration des Vorgehens an Beispielen
Visualisierung und Interpretation der Ergebnisse
- Balken-/Säulendiagramme und Histogramme: Beeinflussung der Darstellung durch Aufteilung der Werte auf die Intervalle des Wertebereiches
- Tortendiagramme: Vollkreis und Kreisringe
- Netzdiagramme zur Bewertung unterschiedlicher Aspekte auf derselben Bewertungsskala
- Heat-Map: Darstellung mehrerer Datensätze und Erkennung von Wechselwirkungen
- Kissendiagramm: Pseudodreidimensionale Elemente für
vereinfachte Erkennung von Clustern und Strukturen - Box-Whisker-Plot für einen schnellen Überblick über die
Verteilung von Daten
Anwendungsbeispiele Smart Data Analytics Engineering
- Zuverlässigkeitsabsicherung sowie Anomalie-Erkennung
technischer Systeme, u.a.
- Vorbeugende Instandhaltung
- Maschinen-Ausfall-Prädiktion
- Frühwarnsysteme
- Energieverbrauchsmuster
- Qualitätsüberwachung
- NVH Analysen
- Ausführliche Darstellung von Anwendungsbeispielen
- Zuverlässigkeitsabsicherung eines alternativen Antriebs und Konsequenzen für das Geschäftsmodell
- Anomalie-Erkennung zur Ausfallvorhersage im Maschinenbau
Seminarmethoden
Datenanalyse: Beispiele mit Python
In diesem Seminar werden keine kommerziellen Software-Tools eingesetzt. Die Pilot-Implementierungen werden im Seminar mit Python durchgeführt. Wenn Sie auf Ihrem Notebook/Tablet Python 3.7 geladen haben und auch Anaconda installiert ist, können Sie die Beispiele nachvollziehen. Ferner werden die Codes der Pilot Implementierungen verfügbar gemacht. Die Beispiel-Veranschaulichung ist grundsätzlich aber auch mit anderer Software möglich.
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
Weitere Hotelpartner :
