MaLiTuP - Maschinelles Lernen in Theorie und Praxis

Ziel des Vorhabens ist die Entwicklung und dauerhafte Einrichtung einer Qualifizierungsmaßnahme unter dem Titel „Maschinelles Lernen in Theorie und Praxis“, um Master-Studierenden der Fachrichtung Logistik der TUHH ein dauerhaftes Angebot im Bereich des Maschinellen Lernens zu unterbreiten.

Projektdauer01.11.2017 - 30.04.2020
ProjektförderungGefördert durch das Bundesministerium für Bildung und Forschung (BMBF)
Unser Status
Projektpartner
AnsprechpartnerMarvin Kastner
PartnerBeteiligte
  • TUHH, Institut für Softwaresysteme
    Prof. Dr. Sibylle Schupp
  • Fraunhofer-Center für Maritime Logistik und Dienstleistungen
    Prof. Dr.-Ing. Carlos Jahn
  • TUHH, Institut für Maritime Logistik
    Prof. Dr.-Ing. Carlos Jahn
Kooperationspartner
  • TRENZ AG
    Seit 1999 entwickelt das international tätige Softwareunternehmen individuelle Lösungen. Im Geschäftsfeld Seeschifffahrt stellt das Unternehmen Informationsdienste in Echtzeit für die maritime Branche bereit.
  • JAKOTA Cruise Systems GmbH / FleetMon
    Das Unternehmen arbeitet seit 2010 auf dem Gebiet der Echtzeitverfolgung von Schiffen und nutzt als Datengrundlage täglich 300 Mio. Positionsmeldungen sowie Wetterdaten für Analysen.
  • Deutscher Wetterdienst
    Die Seewetterzentrale des Deutschen Wetterdienstes nimmt Aufgaben zur Erhöhung der Sicherheit der Seeschifffahrt wahr. Dabei werden unter anderem meteorologische Vorhersagen mithilfe numerischer Vorhersagesysteme erstellt.

Kurzbeschreibung

In der Logistik gewinnt die Digitalisierung immer mehr an Bedeutung, sodass ein stetig höher werdender Bedarf an ausgebildetem Personal im Bereich des Maschinellen Lernens entsteht. Zusätzlich zu einem Modul werden innerhalb der Qualifizierungsmaßnahme Praxisprojekte angeboten werden, die es den Studierenden ermöglichen, das erlernte Wissen in konkreten und realitätsnahen Fallbeispielen aus der maritimen Welt anzuwenden.

Dabei liegt der methodische und inhaltliche Fokus auf dem Umgang mit großen Datenmengen, deren Klassifizierung und Korrelation sowie der Handhabung von Datenunsicherheiten. Darüber hinaus wird ein weiterführendes Angebot angestrebt, welches sich speziell an Universitätsabsolventen mit Berufserfahrung auf dem Gebiet der Datenanalyse richtet. Daneben soll das Forschungsprojekt "MaLiTuP" den Projektpartnern eine Erweiterung der eigenen Kompetenzen in dem Bereich der Big-Data-Analysen und Prognosen ermöglichen.



Veröffentlichungen (Auszug)

  • Kastner, Marvin and Franzkeit, Janna and Lainé, Anna (2020). Teaching Machine Learning and Data Literacy to Students of Logistics using Jupyter Notebooks [DELFI Poster Award Winner]. In Zender, Raphael and Ifenthaler, Dirk and Leonhardt, Thiemo and Schumacher, Clara (Eds.) DELFI 2020 Gesellschaft für Informatik e.V.: Bonn 365-366 [Abstract] [pdf] [www]

  • Kastner, Marvin and Hensel, Tina (2020). MaLiTuP: Schlussbericht. [pdf] [doi] [www]

  • Kastner, Marvin (2019). Prüfungen mit JupyterHub. TUHH: Blogbeitrag in INSIGHTS - Einblicke in Lehre und Forschung im digitalen Experimentierfeld der TUHH [www]

  • Kastner, Marvin and Podleschny, Nicole (2019). Mit Jupyter Notebooks prüfen. Beitrag zur Poster-Session des e-Prüfungs-Symposiums (ePS) in Siegen. [Abstract] [pdf] [doi] [www]

  • Kastner, Marvin and Scheidweiler, Tina (2019). MaLiTuP: Machine Learning in Theory and Practice: Poster. All-Hands-Meeting Machine Learning 2019 [Abstract] [pdf] [www]

  • Kastner, Marvin and Scheidweiler, Tina and Burmeister, Hans-Christoph (2018). MaLiTuP: Machine Learning in Theory and Practice: Poster. Leibniz-Symposium “Maschinelles Lernen – Intelligente Digitalisierung” [Abstract] [pdf] [www]