Author: Elmar Rueckert

image_pdfimage_print

190.021 Einführung in die Datenmodellierung (4ECTS VU, WS)

Elmar Rueckert teaching_currentlectures

Note, this course is held in German, for English-speaking students there is an exercise group (Group E) in which the lecture part is repeated at the beginning of each unit.  

A course description in English can be found via MUOnline. 

Dieser Kurs wird durch ein online Buch zur Datenmodellierung unterstützt. Dieses Buch ist in der Entstehungsphase und wird während des Semesters mit Inhalten befüllt. 

Kursbeschreibung

Die Datenmodellierung spielt eine wesentliche Rolle in modernen Unternehmen. Unzählige Prozessdaten werden gespeichert und zur Prozessoptimierung, zur Qualitätssicherung oder zum Verbessern der Arbeitssicherheit verwendet.

Aber um welche Daten handelt es sich dabei, wie werden die Daten gespeichert und verarbeitet, und wie können damit die obigen Ziele, z.b. durch KI-Methoden erreicht werden? Diese Fragen werden in dieser Lehrveranstaltung behandelt. 

Ziele der Lehrveranstaltung (LV)

Das Ziel der LV ist die Vermittlung von Kompetenzen zur Datenmodellierung und nicht die Anwendung spezieller Tools.

Um das zu erreichen werden Konzepte (z.B. was sind Datenstörungen, wie erkennt man sie und wie können sie behoben werden) vermittelt und an Beispielen im HS interaktiv und eigenständig erprobt. Es ist keine Datenbankenvorlesung.  

Erworbene Kompetenzen

  • Grundlagen der Datenmodellierung kennen. Dazu gehören die unterschiedlichen Daten (quantitative und kategoriale Variablen) und Aufnahme/Modellierungsarten (z.B. Exceltabellen, Datenbanken, Arrays, etc.), Diskretisierungsgrundlagen (Nyquist-Shannon Theorem) und Informationstheorie-Grundlagen (Entropie der Daten).
  • Die Notwendigkeit von Kenntnissen zur Datenmodellierung durch Expertenvorträge aus der deutschsprachigen Industrie oder von Experten der MUL erkennen. Eingeladene Experten stellen ihre Daten, Modellierungsverfahren und die nötigen Kenntnisse der Mitarbeiter vor.  
  • Korrelationen erkennen und für Vorhersagen nützen.
  • Daten visuell aufbereiten können, z.b. mit online Tools wie Jupyter Notebooks, https://www.chartle.com,https://plotdb.com, oder unserem zukünftigen Research Data Management Repository (https://inveniordm.web.cern.ch).
  • Probleme wie Ausreißer, Störungen, fehlende Messwerte in Daten erkennen können und Lösungsstrategien anwenden können.
  • Unterschiedliche Datensatzformate und Zugriffsmöglichkeiten kennen, z.B.: online Datenbanken kennen und verarbeiten können (https://www.statista.com, https://trends.google.com/trends/, https://ourworldindata.org).
  • Eigene Datenmanagementsysteme erstellen können (SQLLite, mariadb, CSV, Excel) und mit Visualisierungstools verknüpfen können (graphana, Jupyter NB, etc).
  • Grundlagen der Statistik auf Daten anwenden können (Mittelwert, Median, Standardabweichung, Quantiles, Tests auf Normalverteilung der Daten, Korrelationen visualisieren).
  • Das Funktionsprinzip von maschinellen Lernmethoden auf Daten beschreiben können: Begriffe wie Vorhersagen, abhängige Variablen, erklärende Variablen erklären können.
  • Onlinetools (lineare- und nichtlineare Regressionen) zur Vorhersage anwenden können.

Schwerpunktthemen

  • Grundlagen der Datenmodellierung (Prozesse -> Sensoren -> Daten -> Variablen)
  • Grundlagen der Datenspeicherung (Diskretisierung, Nyquist-Shannon Theorem, Datenspeicherungsarten)
  • Imformationstheorie-Grundlagen (Entropie der Daten)
  • Grundlagen der Datenanalyse (Ausreißer, Störungen, fehlende Messwerte)
  • Grundlagen Statistik zur Datenanalyse (Ziele, Werkzeuge, Auswertungsbeispiele)
  • Ausgewählte Beispiele zur Datenmodellierung (lineare/nicht-lineare Regression, neuronale Netze)

Unterrichtsformat

Die LV baut auf vier Säulen auf:

  1. Grundlagenvermittlung per Frontalunterricht im Hörsaal mit interaktiven Elementen.
  2. Praktische Übungen in Gruppen in Computerräumen. Hier werden Jupyter Notebooks, Exceltabellen und online Tools zur Datenmodellierung verwendet.  
  3. Expertenvorträge zur Datenmodellierung aus Unternehmenssicht (was ist der Stand der Technik im Unternehmen, was müssen Studierende beherrschen, wenn sie bei diesen Unternehmen arbeiten wollen).
  4. Expertenvorträge zu weiterführenden Inhalten an der Montanuniversität (Wo und wie wende ich im Laufe des Studiums die Kenntnisse an, z.B. Machine Learning, IoT, etc.).

Links and Ressourcen

Empfohlene Fachliteratur

  • Jiawei, Han, and Kamber Micheline. Data mining: concepts and techniques. Morgan kaufmann, 2006. ISBN 978-0-12-381479-1.
    Link: https://myweb.sabanciuniv.edu/rdehkharghani/files/2016/02/The-Morgan-Kaufmann-Series-in-Data-Management-Systems-Jiawei-Han-Micheline-Kamber-Jian-Pei-Data-Mining.-Concepts-and-Techniques-3rd-Edition-Morgan-Kaufmann-2011.pdf
  • Keim, Daniel, Kai-Uwe Sattler, and AG Technologische Wegbereiter. “Von Daten zu KI.” Intelligentes Datenmanagement als Basis für Data Science und den Einsatz Lernender Systeme. Whitepaper aus der Plattform Lernende Systeme, München. Abgerufen am 05.09.2024.
    Link: https://www.plattform-lernende-systeme.de/files/Downloads/Publikationen/AG1_Whitepaper_Von_Daten_zu_KI.pdf
  • Ilyas, I. F., & Chu, X. (2019): Data Cleaning. ACM Press. ISBN:978-1-4503-7152-0

Ort und Zeit

  • Vorlesungen und Expertenvorträge: HS 1 Studienzentrum
    • jede Woche am Montag (11:00-13:00), ab dem 10.11.2025
    • jede Woche am Donnerstag (11:00-12:00), ab dem 20.11.2025
  • Übungen: Es gibt 4 Gruppen zur Auswahl mit unterschiedlichen Zeiten. Alle Gruppen werden auf Englisch abgehalten.
    • Gruppe 1: Montag (16:00-18:00) CR Hilbert [Juki]
    • Gruppe 2: Montag (18:00-20:00) CR Hilbert [Juki]
    • Gruppe 3: Dienstag (14:00-16:00) CR Hilbert [Melanie]
    • Gruppe 4: Dienstag (16:00-18:00) CR Hilbert [Niko]
 

Notwendiges Vorwissen

Keine. 

Folien und Unterlagen

Folgende Termine sind für die LV vorgesehen. Jedoch gilt die Liste als vorläufig und nicht alle Termine werden benötigt.  

Benotung

Die Benotung erfolgt immanent. Insgesamt können 100 Punkte durch aktives Mitarbeiten, Übungsblätter und durch Prüfungen erworben werden. Die Punkte werden über Moodle verwaltet und können jederzeit eingesehen werden. 

Die finale schriftliche Prüfung wird über Moodle abgehalten. 

Details zur Benotung werden in der ersten Vorlesungseinheit vorgestellt, d.h. am 10.11.2025. 

Benotungsschema: 0-49,9 Punkte (5), 50-65,9 Punkte (4), 66-79 Punkte (3), 80-91 Punkte (2), 92-100 Punkte (1).

Bei einer Gesamtpunktzahl von bis zu 79 % KANN (!) auch eine zusätzliche mündliche Leistungsüberprüfung erforderlich sein, wenn der positive Leistungsnachweis nicht eindeutig ist. In diesem Fall werden Sie informiert, sobald die Noten bekannt gegeben werden. Wenn Sie bereits eine Note über MU online erhalten haben, werden Sie nicht zu einer weiteren mündlichen Leistungskontrolle eingeladen.

Literatur

190.017 Advanced Machine and Deep Learning (5SH IL, WS)

Elmar Rueckert teaching_currentlectures

Course Content & Topics

Theoretical and practical aspects of computing and learning with neural networks. Examination of the most commonly used algorithms for deep learning. From a practical point of view, different learning algorithms and types of neural networks are implemented and applied to artificial and real-world problems.

Initially, the selected methods are developed in 5-6 lecture units. Students then select a machine learning method and apply it independently. The project work is accompanied by weekly tutorials with tips and tricks. Finally, the project results are discussed in a written report and finally presented for 10-15 minutes. The grade is based on the quality of the code, the report and the final short presentation.

Learning Objectives

After successfully completing the integrated course, students will be able to:

  • describe and apply basic concepts and commonly used architectures of deep learning.
  • explain in detail how deep neural networks are designed and trained in supervised and unsupervised learning scenarios.
  • describe the advantages of different neural network models and algorithms, as well as their relationship to important machine learning concepts such as generalization and regularization.
  • apply the acquired practical skills in the implementation and application of state-of-the-art deep learning methods to solve various problems.

Location & Time

Location: TBD. Starting in November, lectures are planned to be held in HS 3 Studienzentrum (35SZ02211).

Time: TBD. 

Grading

Immanent examination character. Details will be presented in the first lecture unit.

* Active participation: 0-10 bonus points for active participation.

* Task sheets: 0-30 points for independent work on theoretical aspects.

* Project submissions:
– The implementation (Python code) will be graded 0-30 points.
– The report is assessed with 0-20 points.
– The slides, the final presentation and the discussion are awarded 0-20 points.

* Grading scale: 0-49.9 points (5), 50-65.9 points (4),66-79 points (3), 80-91 points (2), 92-100 points (1)

(With an overall result of up to 79%, an additional oral performance review MAY (!) also be prescribed if the positive performance record is not clear. In this case, you will be informed as soon as the grades are released. If you have already received a grade via MU online, you will not be invited to another oral examination).

Prerequisites

Literature

– Ian Goodfellow, Yoshua Bengio and Aaron Courville, “Deep Learning”, 2016.
– Christopher M Bishop, “Pattern Recognition and Machine Learning”, 2006.

After Business Trip Paperwork

Elmar Rueckert wiki_phds

New Obligation: Submit along comparitive offers

(This starts from 30 July 2024)

You are required to submit a comparative analysis of the prices for your trip along with other documents for claims.

Documents to submit and print in hard copy:

  • Conference/summer school schedule
  • Transport ticket (flight/intercity train/city train/bus)
  • Registration fee
  • Spesenabrechnung/Reisekostennachweis (from SAP)
  • Accomodation
  • Comparative analysis of the prices (only be paid 50% of the flight costs, if this document is not submitted along)

New Obligation: Monthly data entry for öbb tickets

(This starts from 26 Jun 2024)

You can find the entry form at here: https://cloud.cps.unileoben.ac.at/index.php/s/GTFTrT8btK7mMtW

Procedure to submit paperwork to Financial Department

Published on 21 May 2024

Update 1 on 26 Jun 2024

Update 2 on 30 July 2024

1. Login into SAP

At your SAP, click on “Meine Reisen und Spesen”.

2. Click on your desired Trip

In my case, I will show example in Austria.

 

Click “Welter” to proceed.

3. At the Main Page with 4 steps

Step 1: Verify every information especially Kontierung (Your project number)

Next, click on checkbox with * and then proceed with “Belege erfassen”

Step 2: Add all related claims

Step 3: Validate

There are two options: Save it for future or Sent it to financial department


4. Final step

  • Prepare all the original receipts and keep a copy with you.
  • Print out the above from system
  • Put the documents at “Dienstreisen Folder” at Regina’s place
  • Bring the folder to Uni Post Office at 1st floor of old building.

B.Sc. Thesis: Reineke Peter on Deep Learning for Predicting Fluid Dynamics

Elmar Rueckert teaching_currentthesestopics

Supervisor: Univ.-Prof. Dr Elmar Rückert

Project: K1-MET P3.4
Start date: 1st of May 2024

Theoretical difficulty: high
Practical difficulty: mid

Topic

The the steel production, the steel quality heavily depends on the dynamic processes of the meniscus level fluctuations in the mold. These complex dynamic  processes can be observed using IR cameras observing the surface level and the casting powder temperature. 

The goal of this thesis is to develop and compare deep learning approaches (CNNs, transformers) for predicting fluid dynamics in lab prototype environment. 

Tasks

  • Literature research of state of the art, see references
  • Lab prototype environment for generating complex (structured and chaotic) fluid dynamics
  • Dataset recording, visualization and annotation
  • Deep Learning algorithm implementation (CNNs & Transformers)
  • Evaluation on different datasets (predictable dynamics, complex dynamics, synchronous and async. surface level dynamics, chaotic dynamics).
  • Thesis writing.

References

B.Sc. Thesis: Sukal Tanja on Creating a Python development environment for LEGO Ev3 robot systems

Elmar Rueckert teaching_pastthesestopics

Supervisor: Univ.-Prof. Dr Elmar Rückert

Start date: 1st of August 2023

Theoretical difficulty: mid
Practical difficulty: mid

Thema der Arbeit

LEGO Ev3 Robotersysteme werden am Lehrstuhl in der Lehre eingesetzt, um einen einfachen Einstieg in die Robotik zu ermöglichen. Zahlreiche Algorithmen können erprobt werden: 

  • Pfadplanung und Navigation
  • Kalman Filter
  • Kartierung / SLAM
  • Objektmanipulation 
  • Kamerabasierte Objekterkennung
  • Regelungsalgorithmen
  • Telemetrieaufgaben
  • usw.

Unsere EV3 Systeme sind mit einem Linux Betriebsystem (https://www.ev3dev.org) ausgestattet und können in der Programmiersprache Micro-Python bespielt werden. 

Ziel dieser Arbeit ist es eine Entwicklungsumgebung für die klassische Python Programmiersprache zu schaffen. Dabei sollen Beispielprojekte umgesetzt und Limitierungen dokumentiert werden. 

Aufgaben

  • Recherche und Dokumentation zur State-of-the-Art
  • Beispielprojekte Implementieren
  • Git Repository mit Dokumentation erstellen.
  • Dokumentation der Arbeitsschritte & Verfassen der Diplomarbeit

Wissenschaftlicher Beitrag

  • Entwicklung und Implementierung einer Entwicklungsumgebung in Python für die Lehre. 
  • Veröffentlichung des Source Codes. 

Abschlussarbeit

B.Sc. Thesis by Tanja Sukal on Open-Source LEGO EV3 Python Framework for Teaching, 2024.

M.Sc. Thesis: Einberger Stefan on Retrofitting of a Cyber-Physical System to a reactive molding machine for thermoset resins

Elmar Rueckert teaching_pastthesestopics

Supervisor: Univ.-Prof. Dr Elmar Rückert

Company: Ottronic GmbH
Start date: 1st of October 2023

Theoretical difficulty: mid
Practical difficulty: mid

Thema der Arbeit

Bei Ottronic bildet die Verkapselung unserer Elektroniken und Motoren mittels eines eigens adaptierten Reactive Injection Molding (RIM) Verfahren die Grundlage für die Produktion von medienresistenten Elektroniken und elektrischen Hochleistungsantrieben. Im Zuge des RIM werden sogenannte b-staged Duroplaste unter einem präzisen Druck- und Temperaturprofil verarbeitet, geformt und final ausgehärtet. Um die angestrebte höchste Produktqualität, mit Blick auf Medizintechnik-Applikationen, zu gewährleisten, muss dieser Prozess mit jedem Schuss optimal eingestellt sein. Daher soll ein Cyber Physical System (CPS) entwickelt werden, welches auf unsere RIM-Anlagen nachgerüstet wird.

Ziel der Diplomarbeit ist, dass das finale CPS selbstständig Prozessschwankungen (Chargenschwankungen, Hallen-/Maschinentemperatur, Feuchte, etc.) erkennen kann und Regelparameter des Spritzgussvorgangs (Schmelzzeit, Aushärtezeit, Einpresskraft, etc.) anpassen um eine gleichbleibende Produktqualität ohne menschliche Kontrolle zu garantieren.

Dabei soll in einem ersten Schritt der aktuelle Prozess beschrieben werden. Daraus sollen die notwendigen Produktionsparameter abgeleitet und deren Auswirkungen auf den Prozess analysiert sowie die Kernpunkte zur Prozessoptimierung definiert werden, sowie ein Modell dafür entwickelt werden. Das zu entwickelnde Modell dient dann in weitere Folge als Basis für das CPS um den Prozess zu bewerten zu können, Abweichungen zu detektieren und Regelparameter abzuändern.

In weiterer Folge soll das Modell auf der Maschinensteuerung CPS integriert und implementiert werden. Abschließend muss noch die Verknüpfung der neu gewonnen Intelligenz des CPS mit der aktuellen Regelung der Maschine verknüpft werden um eine nahezu autonome Prozessführung zu garantieren, sowie eine neue ressourcen- als auch energieeffizientere Spritzpressmethode garantieren.

Aufgaben

  • Recherche und Dokumentation zur State-of-the-Art
  • Erfassung aller notwendigen Produktionsparameter sowie Analyse derer auf Produktqualität
  • Entwicklung eines Modelles zur virtuellen Beschreibung des Spitzgussprozesses Implementierung des Modells auf Maschinensteuerung als Basis für ein CPS
  • Identifizierungen von Abweichungen im Prozess sowie Implementierung von Gegenmaßnahmen
  • Verknüpfung der Prozessregelung mit Steuerungsempfehlungen des CPS.
  • Dokumentation der Arbeitsschritte & Verfassen der Diplomarbeit

Wissenschaftlicher Beitrag

  • Entwicklung und Implementierung eines CPS, welches einen RIM Prozesses erfassen und abbilden kann.
  • Aufbau von Methoden um auf Basis des CPS Änderungen des RIM-Prozesses erkennen und bewerten zu können
  • Retrofitting der gewonnen Intelligenz in eine bestehende Maschinensteuerung

Booking a Trip for a Conference/Visit/Summer School

Elmar Rueckert wiki_phds

Put your documents at TravelApplications/drafts

Here: https://cloud.cps.unileoben.ac.at/index.php/f/977844

Create the folder with your name

 

Travel Planning Checklist

Approval and Registration

  • Initial Planning: Check for a reasonable flight itinerary. Check if 1-2 days before and after the event have a substantially lower price. 
  • Obtain Approval: Secure trip approval from Elmar. Argue according to the initial planning.
  • Travel System Entry: Request Regina to input the trip details into the travel system. Specify which days are for official duties (e.g., conference, lab visits) and which are for personal stay. Provide Regina with the proof of acceptance, or reason to travel.

Booking Essentials

  • Accommodation and Commute Options: Provide a comparison spreadsheet of different options within the budget. Opt for reasonable over the cheapest options.
  • Booking Approval: Get approved by Elmar.
  • Accommodations and Commute: After obtaining approval, book your stay, conference registration, accommodations, etc. 

Travel Insurance

  • Carry Insurance Documentation: If traveling abroad, particularly outside the EU, bring a printed copy of the university’s or other relevant insurance policy

Visa Requirements

  • Include Embassy Commute: If a visa is necessary, incorporate the embassy commute in the travel system and communicate this to the secretary for travel cost reimbursement.
  • Visa Application Time: Visa application efforts are recognized as working hours.

After the Travel

  • Receipts: After the end of the trip, provide Regina with all the receipts, invoices, and tickets from:
      • Airplanes, trains, buses, and boats: tickets, invoices, bank statement
      • Accommodation: invoice, bank statement
  • Registrations: invoice, bank statement
  • etc.

 

Important Notes

  • OEBB Trains: The chair has a membership with OBB, please book the ticket in the user’s name. You can obtain the user’s login information from Regina.
  • After the travel: Keep all original receipts and submit them to Regina after returning.
  • Report Everything: Due to Austrian law for work insurance coverage, you must inform Regina by email if you will be outside the university zone during working hours, even for a few hours.
  • Private Stay: A private stay cannot exceed 50% of the duration of the working days. For example, if a conference is for six days, your private stay must be a maximum of three days. Otherwise, the university will cover only 50% of the flight tickets and hotel.

Tips:

  • Credit card with travel coverage (check if hospitalization is included for overseas)

Organizing Wiki Page Categories

Elmar Rueckert wiki_phds

Here’s a guide on how to label your categories effectively:

  1. wiki_phds: This category should encompass all aspects of your day-to-day life as a PhD student.

  2. wiki_road_to_thesis: Include guidelines, tips, and resources related to various stages of thesis writing, from proposal development to final defense preparations.

  3. wiki_hard_software: Use this category to share information, tutorials, and updates about the hardware and software used in your research projects.

  4. wiki_scientific_research_aspects: Discuss methodologies, data analysis techniques, experimental setups, and anything else related to the scientific rigor of your work.

  5. wiki_teaching_aspects: This category is dedicated to sharing insights, strategies, and resources for effective teaching, whether it’s leading a seminar, designing a course, or mentoring undergraduates.

  6. wiki_career_aspects: This category covers everything related to career development and professional growth.

The category label determines where the post will appear in its respective section.