Seminar

Mathematische Grundlagen der Smart Data Analyse

mit Teilnahmebescheinigung

Sinnbild für Big Data, Datentunnel, Datenanalyse — Bildquelle: © iStock.com - nadla

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.

Beschreibung Programm Zielgruppe Seminar-
leiter Seminar-
methoden Kontakt

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:

Programm als PDF herunterladen

Programmablauf

	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 Daten- reduktion 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

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.

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.