Beschreibung:

Die Vorlesung ist eine vertiefende Veranstaltung im Bereich Data Analytics, welche den Fokus auf Erkennung, Verarbeitung und Nutzung von Kontext (Maschinen-, Nutzer-,Umgebungsinformationen,…) in Softwaresystemen legt.

Anwendungsbeispiele kontextsensitiver Systeme sogenannte Cyberphysical Systems in industriellen Anwendungen (Industrie4.0), kontextgewahre SmartPhone Apps wie Google Now, lokationsgewahre Werbung, das intelligente Haus, oder ERP-Systeme, welche Entscheidungen durch Realweltinformationen optimieren, und so implizit mit Menschen und Umwelt interagieren.

Allen gemein ist, dass sie durch die massenhafte, automatisierte Analyse von Zeitreihen und Sensorinformationen die Diskrepanz zwischen Realwelt und IT-System verringern. Durch die Nutzung von Kontext in der Interaktion von Mensch zu Mensch, aber eben auch von Maschine zu Maschine und Mensch zu Maschine sowie vice versa, kann die explizite Kommunikation stark optimiert werden.

Die Vorlesung soll ein Einblick in die aktuelle Forschung und Entwicklung schaffen sowie einen Einblick in den zur Umsetzung notwendigen Technologie-Stack schaffen. Basis der Vorlesung sind Methoden des Maschinellen Lernens und der Datenanalyse, der Fokus liegt jedoch auf dem System und der konkreten Applikation. Ziel der Vorlesung ist es das notwendige Vorgehen bei Entwicklung und Entwurf kontextsensiver Anwendungen zu vermitteln. Hierzu sollen Industrie-Beispiele aus dem Smart Data Innovation Lab (www.sdil.de) herangezogen werden. Neben essentiellen Grundlagen, wird daher insbesondere ein domänenübergreifende Sicht über Methoden, Verfahren und Rahmenwerke gegeben.

Begleitend zur Vorlesung wird das gleichnamige Praktikum angeboten, welches die Lehrinhalte anhand der Anwendung von Technologien aus dem Bereich Machine Learning Algorithmen, Predictive Analytics und Smart/Big Data Technologien sowie Datensätzen aus realen Anwendungen praktisch vertieft. Die gleichzeitige Teilnahme am Praktikum wird empfohlen.

Lehrinhalt:

Kontextsensitivität (englisch: Context-Awareness) ist die Eigenschaft einer Anwendung sich situationsgemäß zu verhalten. Beispiele für aktuelle kontextsensitive Systeme sind mobile Apps, die ihrer Ausgabe anhand der Nutzungshistorie, der Lokation und mit Hilfe der eingebauten Sensorik auf die Umgebungsbedingungen anpassen.

Kontext (wie auch in der zwischenmenschlichen Kommunikation) ist Grundlage einer effizienteren Interaktion zwischen Rechnersystemen und ihren Nutzern, idealerweise ohne explizite Eingaben. Kontexterkennung unterstützt außerdem in verschiedensten Systemen komplexe Entscheidungen durch Vorhersagen auf Basis großer Datenmengen. Die verschiedenen Facetten des Kontextbegriffes, die für das Verständnis kontextsensitiver Systeme gebraucht werden wie sensorischer, Anwendungs-, und Nutzerkontext, werden in der Vorlesung erläutert und ein allgemeiner Entwurfsansatz für Kontextverarbeitung abgeleitet.

Wissen über den aktuellen und voraussichtlichen Kontext erhält ein System, indem es Zeitserien und Sensordatenströme kontinuierlich vorverarbeitet und über prädiktive Analysen klassifiziert. Zur Erstellung geeigneter Modelle werden verschiedenste Methoden des maschinellen Lernens in der Vorlesung vorgestellt. Im Fokus der Vorlesung steht der Entwurf, Implementierung und Integration einer vollständigen, effizienten und verteilten Verarbeitungskette auf der Basis geeigneter "Big Data"-Ansätze. Geeignete technische Lösungsansätze für große Datenbestände, zeitnahe Verarbeitung, verschiedene Datentypen, schützenswerten Daten und Datenqualität werden mit Bezug auf das Anwendungsfeld diskutiert. Die Vorlesung vermittelt weiterhin Wissen und Methoden in den Bereichen Sensorik, sensorbasierte Informationsverarbeitung, wissensbasierte Systeme und Mustererkennung, intelligente, reaktive Systeme.

Arbeitsaufwand:

Der Gesamtarbeitsaufwand für diese Lerneinheit beträgt ca. 120 Stunden (4.0 Credits).

Aktivität

Arbeitsaufwand

Präsenzzeit: Besuch der Vorlesung

15 x 90 min

22 h 30 min

Vor- / Nachbereitung der Vorlesung

15 x 90 min

22 h 30 min

Literatur erarbeiten

14 x 45 min

10 h 30 min

Selbständige Übungen

14 x 45 min

10 h 30 min

Foliensatz 2x durchgehen

2 x 12 h

24 h 00 min

Prüfung vorbereiten

30 h 00 min

SUMME

120 h 00 min

Arbeitsaufwand für die Lerneinheit " Kontextsensitive Systeme''

Lernziele:

Ziel der Vorlesung ist es, Kenntnisse über Grundlagen und weitergehende Methoden und Techniken zu kontextsensitiven Systemen in vermitteln.

Nach Abschluss der Vorlesung können die Studierenden

• das Konzept von Kontext erörtern und verschiedene für die Informationsverarbeitung durch Menschen und Computer relevante Kontexte aufzählen
• kontextsensitive Systemen anhand verschiedener Kriterien kategorisieren und unterscheiden
• Aus Methoden zur Erfassung, Vernetzung, Merkmalsextraktion, Klassifikation und Adaption sinnvoll zu Kontextanhand einer Referenzarchitektur konkrete technische Implementierungen durch existierende Komponenten ableiten
• die Leistungsfähigkeit konkreter kontextsensitiver Systemen anhand von experimentell ermittelter Metriken bewerten und vergleichen
• Probleme der Skalierung von Datenanalysemethoden im praktischen Anwendungsfall durch Einsatz von Big Data Architekturen addressieren
• Selbst für anhand gegebener Anforderungen neue kontextsensitive Systeme unter Einsatz existierender "Sensor", "Machine Learning" und "Big Data"-Komponenten entwerfen.

Earley, Seth. "Analytics, Machine Learning, and the Internet of Things." IT Professional 1 (2015): 10-13. (

Schilit, Bill, Norman Adams, and Roy Want. "Context-aware computing applications." Mobile Computing Systems and Applications, 1994. WMCSA 1994. First Workshop on. IEEE, 1994.

Abowd, Gregory D., et al. "Towards a better understanding of context and context-awareness." Handheld and ubiquitous computing. Karlsruhe, 1999.