Bachelor: Introduction to Data Science in Materials Science and Engineering

Ein Beispiel dafür, wie maschinelles Lernen und large language Modelle genutzt werden können, um das Verhalten von Zellen als Reaktion auf Biomaterialien vorherzusagen. Übernommen und angepasst unter einer CC-BY-4.0-Lizenz aus Helmholz et al., Computational and Structural Biotechnology Journal (2025). https://doi.org/10.1016/j.csbj.2025.06.023

Entfesseln Sie die Kraft der Daten! Diese Vorlesung nimmt Sie mit auf eine spannende Reise durch die grundlegenden Methoden, die die moderne Materialforschung antreiben. Von mathematischen Grundlagen über lineare und polynomielle Regression, Optimierungstechniken, Entscheidungsbäume, Random Forests, Support Vector Machines, Neuronale Netze bis hin zu Unsupervised Learning und Dimensionsreduktion – Sie lernen alle zentralen Werkzeuge kennen.

Am Ende der Vorlesung werden Sie
✨ die grundlegenden Methoden der Data Science verstehen,
✨ wissen, wie man sie auf wissenschaftliche Fragestellungen der Materialwissenschaft und Werkstofftechnik anwendet,
✨ beurteilen können, welche Methoden für welche Aufgaben geeignet sind und diese vergleichen können,
✨ alle Techniken praktisch in Python implementieren können und
✨ in der Lage sein, die Ergebnisse sicher zu interpretieren und auszuwerten.

Machen Sie mit und entdecken Sie, wie datengetriebene Ansätze die Zukunft der Materialwissenschaft gestalten! 

Lern- und Qualifikationsziele

  • Die Studierenden sind mit gängigen Methoden der Data Science vertraut und in deren praktischer Anwendung in der Materialwissenschaft und im Ingenieurswesen erprobt.
  • Die Studierenden sind in der Lage die Nützlichkeit der verschiedenen Methoden für eine gegebene Anwendung zu bewerten und zu vergleichen.
  • Die Studierenden sind in der Lage die erlernten Methoden in Python für eine gegebene Fragestellung zu implementieren und daraus Schlüsse zu ziehen.

Inhalt der Lehrveranstaltung

  1. Mathematische Grundlagen (Wiederholung)
  2. Lineare Regression
  3. Optimierung und Kosten
  4. Logistische Regression
  5. k nächste Nachbarn
  6. Entscheidungsbäume und Random Forests
  7. Support Vector Machines
  8. Neuronale Netze
  9. Dimensionsreduktion
  10. Design of Experiment
  11. Ausblick in Deep Learning

Hinweise

  • Die Prüfungsleistung ist eine mündliche Prüfung mit Vortrag und Abgabe eines Berichts
  • Die Vorlesung wird auf Englisch gehalten
  • Kenntnisse entsprechend der Module „Mathematik für Ingenieure 1-3“ und „Einführung in die Programmierung“ empfehlenswert