Praktikum: Smart Data Analytics

  • Typ: Praktikum (P)
  • Semester: SS 2018
  • Zeit: 16.04.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1


    23.04.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1

    30.04.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1

    07.05.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1

    14.05.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1

    28.05.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1

    04.06.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1

    11.06.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1

    18.06.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1

    25.06.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1

    02.07.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1

    09.07.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1

    16.07.2018
    14:00 - 15:30 wöchentlich
    07.07 SR 222 07.07 Vincenz-Prießnitz-Straße 1


  • Dozent:


  • SWS: 4
  • LVNr.: 24895
VoraussetzungenEmpfehlungen:

Das Praktikum ist idealerweise begleitend zur Vorlesung Kontextsensitive Systeme (24658) zu belegen.

Beschreibung

Hinweis: Das Praktikum findet inhaltlich integriert mit der Vorlesung "Kontextsensitive Systeme" statt (LV-Nr. 24658), weshalb empfohlen wird, beide Veranstaltungen parallel zu besuchen.

Kontextsensitivität (englisch: Context-Awareness) ist die Eigenschaft einer Anwendung, sich situationsgemäß zu verhalten, hierzu ist eine komplexe Verarbeitungskette auf Basis von Sensorinformationen notwendig.

Das Praktikum findet vorlesungsbegleitend statt und ermöglicht die praktische Vertiefung des Forschungsbereich Kontextsensitive Systeme.

Weitere Informationen unter Pervasive Computing Systems.

Lehrinhalt

Kontextsensitivität wird oftmals als Schlüsselkomponente intelligenter Software bezeichnet. Systeme, die den Kontext ihrer Nutzer erkennen und verarbeiten können, können Dienste optimal und idealerweise ohne explizite Eingaben der Nutzer erbringen (siehe auch Beschreibung zur Vorlesung 24658)

Im Praktikum werden Techniken, Methoden und Software der Kontexterfassung und -verarbeitung als Basis von Smart Data Analytics vertieft. Im Fokus steht vorallem die im Smart Data Innovation Lab verwendete Hardware und Software (industriell genutzte Systeme wie SAP HANA und SAP HANA Vora, IBM SPSS und Big Insights, Software AG Terracotta und Apama aber auch insbesodere Open Source Software zur Datenanalyse wie Jupyther/iPython Notebooks und scikit-learn).

Die praktischen Aufgaben finden im Umfeld aktueller wissenschaftlicher Arbeiten sowie aktueller Plattformen und Technologien statt. Das Praktikum ist forschungsorientiert und orientiert sich thematisch an aktuellen Projekte am Smart Data Innovation Lab am KIT. Dabei sollen insbesondere Einblicke in aktuelle Problemstellungen in der industriellen Anwendung gewährt werden. Ziel ist es auf Basis von konkreten Anwendungsbeispielen in Gruppen innovative, effiziente und praxisorientierte Lösungsansätze zu erarbeiten und als technologische Demonstratoren wissenschaftlich zu präsentieren.

Die Teilnehmerinnen und Teilnehmer werden bei der Durchführung von den wissenschaftlichen Mitarbeiterinnen und Mitarbeitern unterstützt und erhalten Zugang zu den notwendigen Datenquellen und Großrechnern.

Kurzbeschreibung

Im Praktikum werden Techniken, Methoden und Software der Kontexterfassung und -verarbeitung als Basis von Smart Data Analytics vertieft. Im Fokus steht vor allem die im Smart Data Innovation Lab verwendete Hardware und Software (industriell genutzte Systeme wie z.B. SAP HANA und IBM Watson aber auch insbesondere Open Source Software zur Datenanalyse wie Spark, scikit-learn und Jupyter/iPython Notebooks) sowie Nutzung von Sensordaten und Zeitserien in wirtschaftlich-relevanten Anwendungen.

 Bewertet wird die praktische Lösung von Aufgaben die als Übungsblätter verteilt werden. Des Weiteren wird ein beispielhaftes Anwendungsproblem aus dem Analyticsbereich während des Praktikums mit Teilnahme an Wettbewerben (z.B.Kaggle o.Ä.) gelöst. In dieser Phase wird an das CRISP-DM Vorgehensweise angelehnt, was während des Praktikums erläutert wird. Vorwissen im Bereich Data-Mining/Machine-Learning ist vorausgesetzt. 

Arbeitsbelastung

Der Gesamtarbeitsaufwand für diese Lerneinheit beträgt ca. 180 Stunden (6.0 Credits).

Aktivität

Arbeitsaufwand

Präsenzzeit: Präsentation/Diskussion

15 x 45 min

11 h 15 min

Persönliche Nachbereitung der Folien/Aufgaben

15 x 30 min

7 h 30 min

Individuelle Präsentation eines für die Implementierung relevanten wiss. Artikels

30 h 0 min

Praktische Bearbeitung der Aufgaben in Gruppe und individuell

15 x 8h

120 h 0 min

Ergebnisse dokumentieren und für Präsentation aufbereiten

15 x 45 min

11 h 15min

SUMME

180 h 00 min

Arbeitsaufwand für die Lerneinheit " Praktikum: Kontextsensitive ubiquitäre Systeme''

ZielgruppeStudenten im Diplom- oder Master-Studiengang Informatik

Studenten im Diplom- oder Master-Studiengang Informationswirtschaft

Ziel

Nach Abschluss des Praktikums können die Studierenden

  • neue kontextsensitive Systeme unter Einsatz existierender "IoT", "Machine Learning" und "Big Data"-Komponenten implementieren
  • existierende Komponenten und Algorithmen im Bereich Maschine Learning, Data Mining und Big Data auswählen und anpassen
  • Datensätze aufbereiten und hierzu geeignete Verfahren identifizieren
  • durch Experimente verschiedene Verfahren und Parametrisierungen bewerten und vergleichen
  • durch Analyse der experimentellen Ergebnissen Verfahren und Verarbeitungsketten anwendungsspezifisch verbessern
  • explorative Konzepte der Smart Data Innovation als "Data Analyst" bzw. "Data Scientist" selbständig anwenden
PrüfungDie Erfolgskontrolle wird in der Modulbeschreibung erläutert.