Data Mining und Maschinelles Lernen

• Data Mining nach dem CRISP-Vorgehensmodell
• Datenaufbereitung und -evaluation, Generierung von Attributen
• Statistische Analysen
• Ausgewählte Maschinelle Lernverfahren, insbesondere in den Bereichen Klassifikation, Regression, Clustering
• Modellvalidierung / Evaluierung von Lernverfahren
• Praktische Umsetzungen mit geeigneten Tools / Software-Bibliotheken
  

• Die Studierenden lernen grundlegende Vorgehensweise sowie Techniken und Verfahren für die automatisierte Analyse von Daten kennen.
• Die Studierenden können die Datenqualität in Bezug auf das Analyseziel einschätzen und wissen, wie Daten geeignet aufzubereiten sind.
• Sie haben einen Überblick über die verschiedenen grundlegenden Problemstellungen im Maschinellen Lernen und haben ein vertieftes Verständnis für die typischen Standardmethoden für diese Anforderungen.
• Sie sind damit in der Lage, reale Datenanalyseprobleme zu erkennen und die dafür richtigen Methoden auszuwählen und anzuwenden.
• Die Studierenden wenden die erworbenen Kenntnisse exemplarisch z.B. in den Bereichen Werkstoffgruppen und prozessbezogene Struktur-Eigenschaftsbeziehungen und Werkstoffdatengewinnung an.
  

Die Bewerberinnen und Bewerber haben einen qualifizierten Hochschulabschluss (Bachelor oder Diplom) mit einer Regelstudienzeit von mindestens 7 Semestern und 210 Credits auf ingenieurwissenschaftlichem, technischem oder technisch naturwissenschaftlichem Gebiet mit materialwissenschaftlichem bzw. werkstofftechnischem Bezug oder mit einem Bezug auf vertiefte Informatik-Anwendungen von mindestens drei Jahren Dauer sowie eine qualifizierte einschlägige Praxistätigkeit von mindestens einem Jahr nachzuweisen. Hierbei wird insbesondere Wert daraufgelegt, dass die Bewerber*innen bereits in Unternehmen oder in Forschungsinstitutionen tätig waren und dort selbstständig Aufgaben und Projekte mit materialwissenschaftlichem bzw. werkstofftechnischem Bezug oder mit einem Bezug auf vertiefte Informatikanwendungen bearbeitet haben.

• Materialinformatik