Institut fürMaritime Logistik

Menu

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)

[182411]
Title: Mit Jupyter Notebooks prüfen.
Written by: Kastner, Marvin and Podleschny, Nicole
in: <em>Beitrag zur Poster-Session des e-Prüfungs-Symposiums (ePS) in Siegen</em>. (2019).
Volume: Number:
on pages:
Chapter:
Editor:
Publisher:
Series:
Address:
Edition:
ISBN:
how published:
Organization:
School:
Institution:
Type:
DOI: 10.15480/882.2435
URL: http://hdl.handle.net/11420/3553
ARXIVID:
PMID:

[pdf] [www]

Note: malitup

Abstract: The learning outcome of the interdisciplinary master module „machine learning in logistics“ is the ability to visualize, clean, and interpreting big data, as well as identifying connections with methods of machine learning. The media-didactical challenge is to make machine learning accessible for those students who do not possess sound programming skills. For this, we chose Jupyter Notebooks. In the exercises as well as in the final exam, students use a pre-structured Jupyter Notebook in order to write or rewrite code. They also document their answers and solutions. The poster documents the implementation of Jupyter Notebooks into the exam scenario and describes the examining process

BMBF