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.
Projektdauer | 01.11.2017 - 30.04.2020 |
Projektförderung | Gefördert durch das Bundesministerium für Bildung und Forschung (BMBF) |
Unser Status | Projektpartner |
Ansprechpartner | Marvin Kastner |
Partner | Beteiligte |
| |
Kooperationspartner
|
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)
[182401] |
Title: Teaching Machine Learning and Data Literacy to Students of Logistics using Jupyter Notebooks [DELFI Poster Award Winner]. <em>DELFI 2020</em> |
Written by: Kastner, Marvin and Franzkeit, Janna and Lainé, Anna |
in: <em>DELFI 2020</em>. (2020). |
Volume: Number: |
on pages: 365-366 |
Chapter: |
Editor: In Zender, Raphael and Ifenthaler, Dirk and Leonhardt, Thiemo and Schumacher, Clara (Eds.) |
Publisher: Gesellschaft für Informatik e.V.: |
Series: Lecture Notes in Informatics (LNI) - Proceedings |
Address: Bonn |
Edition: |
ISBN: 978-3-88579-702-9 |
how published: |
Organization: |
School: |
Institution: |
Type: |
DOI: |
URL: https://api.ltb.io/show/BMRWS |
ARXIVID: |
PMID: |
Note: malitup
Abstract: Teaching machine learning in fields outside of computer sciences can be challenging when the students do not have a solid code knowledge. In this work, the requirements for teaching data literacy and code literacy to students of logistics are explored. Specifically, the use of Jupyter Notebooks in a machine learning course for students in logistics is evaluated, using “Teaching and Learning with Jupyter” written by Barba et al. in 2019 that lists several teaching patterns for Jupyter Notebooks