Õppeaine eesmärk on arendada üliõpilase oskust kasutada andmeanalüüsi ja tehisintellekti meetodeid tööstusprotsesside ja tehnosüsteemide analüüsimisel, seirel, prognoosimisel ja parendamisel. Õppeaine kujundab võime valida sobivaid andme- ja tehisintellekti meetodeid, hinnata nende tulemuste usaldusväärsust ning rakendada neid vastutustundlikult insenertehniliste otsuste toetamisel.

The aim of the course is to develop the student's ability to apply data analytics and artificial intelligence methods to the analysis, monitoring, forecasting and improvement of industrial processes and technical systems. The course develops the ability to select appropriate data and AI methods, assess the reliability of their results, and apply them responsibly to support engineering decision-making.

Õppeaine läbinud üliõpilane:
- korrastab, töötleb ja visualiseerib tööstusprotsesside ja tehnosüsteemide andmeid;
- rakendab sobivaid statistilise analüüsi ja masinõppe meetodeid tööstusandmete analüüsimiseks;
- koostab lihtsamaid prognoosi-, klassifitseerimis- või anomaaliatuvastuse mudeleid ning hindab nende toimivust;
- tõlgendab andmeanalüüsi ja tehisintellekti tulemusi insenertehnilises kontekstis ning kasutab neid otsuste toetamisel;
- hindab andmete kvaliteeti, mudelite määramatust, piiranguid ja võimalikke vigu;
- rakendab tehisintellekti tööriistu vastutustundlikult, arvestades andmeturbe ja läbipaistvuse põhimõtetega ning inimese vastutusega tehisintellekti kasutamisel.

After completing the course the student:
- organises, processes and visualises data from industrial processes and technical systems;
- applies appropriate statistical analysis and machine learning methods to industrial data;
- develops basic forecasting, classification or anomaly-detection models and evaluates their performance;
- interprets data analytics and artificial intelligence results in an engineering context and uses them to support decision-making;
- evaluates data quality, model uncertainty, limitations and potential errors;
- uses artificial intelligence tools responsibly, taking into account the principles of data security and transparency, as well as human responsibility in the use of artificial intelligence.

Tööstusandmete allikad ja andmete elutsükkel. Andmete kogumine, puhastamine, korrastamine ja visualiseerimine. Kirjeldav statistika, korrelatsioonid ja mustrite leidmine. Masinõppe põhimõtted ning juhendatud ja juhendamata õppe põhimeetodid. Regressioon ja klassifitseerimine. Aegridade analüüs ja prognoosimine. Anomaaliate ja rikete varajane tuvastamine ning ennustava hoolduse näited. Protsessi kvaliteedi, energiatõhususe ja tootlikkuse andmepõhine analüüs. Mudelite valideerimine, mõõdikud, üleõppimine ja määramatus. Generatiivse tehisintellekti kasutamine inseneritöös andmete analüüsi, dokumenteerimise ja lahendusvariantide toetamiseks. Tehisintellekti piirangud, andmeturve, läbipaistvus ja vastutustundlik kasutamine. Praktilistes ülesannetes kasutatakse tööstuslike protsesside või tehnosüsteemide andmestikke.

Sources and life cycle of industrial data. Data collection, cleaning, organisation and visualisation. Descriptive statistics, correlations and pattern discovery. Principles of machine learning and key supervised and unsupervised learning methods. Regression and classification. Time-series analysis and forecasting. Early detection of anomalies and faults and examples of predictive maintenance. Data-driven analysis of process quality, energy efficiency and productivity. Model validation, performance metrics, overfitting and uncertainty. Use of generative artificial intelligence in engineering work to support data analysis, documentation and the development of solution alternatives. Limitations of AI, data security, transparency and responsible use. Practical assignments use datasets from industrial processes or technical systems.

-

-

124 tundi. Õppematerjalide ja erialaallikate läbitöötamine, andmete ettevalmistamise ja analüüsi ülesanded, lihtsama masinõppemudeli koostamine ja hindamine ning tööstusandmestikul põhineva individuaalse rakendusülesande lahendamine

124 hours. Independent study of course materials and professional sources, data preparation and analysis assignments, development and evaluation of a basic machine-learning model, and completion of an individual applied task based on an industrial dataset.

Õppematerjalid ning ajakohased andmeanalüüsi, masinõppe ja tööstusliku tehisintellekti erialaallikad tehakse kättesaadavaks õppekeskkonnas. Täpne kirjanduse loetelu määratakse laiendatud ainekavas.

-

puudub