17

IDS-Teil1 (Fach) / Kernfragen (Lektion)

Diese Lektion wurde von Emre93 erstellt.

Lektion lernen

zurück  |  weiter 1 / 1

• Durch welche Disziplinen ist das Industrial Data Science geprägt? Wie sind die Querschnittsverbindungen des Industrial Data Science geprägt? ·         Informatik                            Statistik                                          Maschinelles Lernen ·         Informatik                            Ingenieurswiss.                                      Digitale Fabrik Statistik                                          Ingenieurswiss.                                          Six Sigma
• - In welchen Bereichen des Alltags ist Data Science eingebunden? ·         Sprachassistenten wie Siri (Apple), Cortana (Microsoft), Alexa (Amazon) ·         DeepL – Übersetzer ·         Spielanalysen beim Sport Wahlhelfer
• - Wie unterscheidet sich Data Mining von Machine Learning? ·         Data Mining: ist definiert als der Prozess des Auffindens von Mustern in Daten. Der Prozess läuft automatisch ab. Machine Learning: Künstliche Generierung von Wissen aus Erfahrung, indem Lernalgorithmen aus Beispielen ein Modell entwickeln. ML ist ein Muster bereits gegeben und bei DM wird eins gesucht
• - Welche Anwendungsfelder für Data Science bestehen im industriellen Umfeld? Qualitsanalyse, Kundenanalyse, Engpassvorhersage, Umsatzvorhersage, Preissteuerung, Angebotssteuerung 
• Ziele Data Science im industriellen Umfeld ·         Erhöhung der Operational Excellence von kundenzentrierten Prozessen ·         Erhöhung der Operational Excellence von internen Prozessen ·         Aufspüren neuer Geschäftsmodelle ·         Umsetzen neuer Geschäftsmodelle Zur Beobachtung des Marktes
• - Welche Verfahrensklassen des Data Science werden unterschieden? ·         Überwachtes Lernen Ø  Historische Daten vorhanden, in denen das Resultat bekannt ist Ø  Analyse der Daten zum Lernen einer Funktion, die diese Zuordnung beschreibt Ø  Vorhersage von zukünftigen Ereignissen Klassifikation: Naive Bayes, Logistische Regression, k Nearest Neighbor, Support Vector Machine, Entscheidungsbaum, Random Forest, Gradient Boosted Tree Regression: Lineare Regression, Generalisierte Lineare Modelle, Nichtlineare Regression, Regressionsbaum, Support Vector Regression, LASSO)   ·         Unüberwachtes Lernen (Clusteranalyse / Assoziationsanalyse) Ø  Historische Daten vorhanden, in denen das Resultat unbekannt ist Ø  Analyse der Daten zum Entdecken von Mustern in den Daten Ø  Bilden von Gruppen ähnlicher Objekte (Clustering) Clusteranalyse: Agglomerative Verfahren, Partionierende Verfahren, Fuzzy Clustering, Selbstorganisierte Karten, Dichtebasierte Verfahren Assoziationsanalyse: Korrelationsanalysen, Assoziations-/ Warenkorbanalyse  
• - Welche Phasen werden innerhalb des Produktlebenszyklus unterschieden und wie sind diese definiert? - Produktplanung - Produktentwicklung - Produktvorbereitung- Einführungsphase - Wachstum und Reifephase - Sättigungsphase - Verfallphase
• - Welche Beispiele für die Digitalisierung der Produktion können Sie nennen? ·         Digitale Assistenzsysteme ·         Simulation und Fabrikdigitalisierung ·         Planungs- und Steuerungssysteme ·         Smart Logistics
• - Über welche Bereiche erstreckt sich der Wirkungskreis der Digitalen Fabrik? Planung, Forschung, Entwicklung, Einkauf, Verkauf,Produktion
• - Wonach unterscheiden sich Datentypen des Data Science? ·         Alpha-Numerische Daten ·         Textdaten ·         Bilddaten ·         Audiosignaldaten
• Anzeige
• - Welche Charakteristika von Big Data können Sie benennen? ·         Volumen Ø  Terabyte Ø  Aufzeichnungen Ø  Transaktionen Ø  Tabellen, Ordner ·         Verfahrensgeschwindigkeit Ø  Losgröße Ø  Fast-Echtzeit Ø  Echtzeit Ø  Datenströme ·         Vielfalt Ø  strukturiert Ø  unstrukturiert Ø  halbstrukturiert  
• - Nach welchen Prinzipien können Sensoren klassifiziert werden? ·         Messprinzipien ·         Aufgaben ·         Wirkprinzipien Messgröße
• - Welche Aufgaben umfasst die Datenaufbereitung von Rohdaten im Wesentlichen? ·         Erstellung der Datensätze : Sortieren, Formatieren, Digitaliseren der Rohdaten ·         Kommentierung der Datensätze: Einfügen von Metainformationen in den Datensatz ·         Datenbereinigung: Irrelevante Daten löschen, Doppelte Löschen, Umgang mit fehlenden Daten ·         Datentransformation: Zusammfügen von Variabeln, Niveu-degression und -progression
• - Wie können Daten, Informationen und Wissen unterschieden werden? ·         Daten (Rohmaterial): Daten sind kontextfreie Angaben, die aus interpretierten Zeichen bzw. Signalen bestehen ·         Informationen (strukturierte Daten): Informationen sind Daten, die (i.d.R. durch den Menschen) kontextbezogen interpretiert werden und (insbesondere prozesshaft) zu Erkenntnisgewinn führen Wissen (verarbeitete und anwendbare Informationen): Die Gesamtheit der Kenntnisse und Fähigkeiten, die Individuen zur Lösung von Problemen einsetzen. Wissen stützt sich auf Daten und Informationen und ist im Gegensatz zu diesen jedoch immer an Personen gebunden.
• - Welche Formen der Datenanalyse können sie benennen? DeskriptivBeschreibung der Daten einer ausgewählten Stichprobe oder GrundgesamtheitInferenziellRückschluss anhand einer Stichprobe auf die Eigenschaften einer nicht erhobenen GrundgesamtheitExplorativEntdeckung unbekannter Zusammenhänge zwischen verschiedenen VariablenKonfirmatorischÜberprüfungen von Zusammenhängen (Bestätigung oder Widerlegung von Vermutungen)
• - Was sind die bedeutenden Anwendungsfälle von Data Science in der Industrie? ·         Qualitätsanalysen und -verbesserungen ·         Produktionsprozessoptimierung ·         Verbesserung der Produktionsplanung ·         Analyse von Fehlersymptomen ·         Vorausschauende Instandhaltung ·         Verbesserung der Energieeffizienz
• - Welche Systematiken zur Durchführung von Data Mining Projekten gibt es? ·         Der SEMMA-Prozess ·         Knowledge Discovery in Databases (KDD) ·         Knowledge Discovery in Industrial Databases (KDID) ·         Cross-Industry Standard Process for Data Mining (CRISP-DM)

zurück  |  weiter 1 / 1