htw saar QR-encoded URL
Zurück zur Hauptseite Version des Moduls auswählen:
XML-Code

flag

Machine Learning und Identifikation

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
Machine Learning und Identifikation
Modulbezeichnung (engl.): Machine Learning and Identification
Studiengang:
Studiengang mit Beginn der Gültigkeit der betreffenden ASPO-Anlage/Studienordnung des Studiengangs, in dem dieses Modul zum Studienprogramm gehört (=Start der ersten Erstsemester-Kohorte, die nach dieser Ordnung studiert).
Wirtschaftsingenieurwesen, Master, ASPO 01.10.2019
Code: WiMb19NT108
SWS/Lehrform:
Die Anzahl der Semesterwochenstunden (SWS) wird als Zusammensetzung von Vorlesungsstunden (V), Übungsstunden (U), Praktikumsstunden (P) oder Projektarbeitsstunden (PA) angegeben. Beispielsweise besteht eine Veranstaltung der Form 2V+2U aus 2 Vorlesungsstunden und 2 Übungsstunden pro Woche.
1SU+3PA (4 Semesterwochenstunden)
ECTS-Punkte:
Die Anzahl der Punkte nach ECTS (Leistungspunkte, Kreditpunkte), die dem Studierenden bei erfolgreicher Ableistung des Moduls gutgeschrieben werden. Die ECTS-Punkte entscheiden über die Gewichtung des Fachs bei der Berechnung der Durchschnittsnote im Abschlusszeugnis. Jedem ECTS-Punkt entsprechen 30 studentische Arbeitsstunden (Anwesenheit, Vor- und Nachbereitung, Prüfungsvorbereitung, ggfs. Zeit zur Bearbeitung eines Projekts), verteilt über die gesamte Zeit des Semesters (26 Wochen).
6
Studiensemester: 1
Pflichtfach: nein
Arbeitssprache:
Deutsch
Prüfungsart:
Projektarbeit

[letzte Änderung 10.02.2021]
Arbeitsaufwand:
Der Arbeitsaufwand des Studierenden, der für das erfolgreiche Absolvieren eines Moduls notwendig ist, ergibt sich aus den ECTS-Punkten. Jeder ECTS-Punkt steht in der Regel für 30 Arbeitsstunden. Die Arbeitsstunden umfassen Präsenzzeit (in den Vorlesungswochen), Vor- und Nachbereitung der Vorlesung, ggfs. Abfassung einer Projektarbeit und die Vorbereitung auf die Prüfung.

Die ECTS beziehen sich auf die gesamte formale Semesterdauer (01.04.-30.09. im Sommersemester, 01.10.-31.03. im Wintersemester).
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 6 Creditpoints 150 Stunden (25 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 105 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
WiMb19NT106 Computer Aided Engineering


[letzte Änderung 10.02.2021]
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Frank Kneip
Dozent/innen:
Prof. Dr. Frank Kneip


[letzte Änderung 10.02.2021]
Lernziele:
•        Die AbsolventInnen haben Grundkenntnisse im Bereich des Machine Learnings und der Identifikation
•        Die AbsolventInnen haben vertiefte Kenntnisse in Verfahren zur Parameter- und Zustandsschätzung
•        Die AbsolventInnen können Zustände eines Systems (z.B. einer technischen Maschine oder eines ökonomischen Systems) und/oder dessen Parametrisierung aus vorliegenden Datensätzen ermitteln

[letzte Änderung 21.03.2020]
Inhalt:
•        Lineare Regression
•        Iterative Verfahren
•        Verfahren zur Parameteridentifikation
•        Zustandsschätzungen eines dynamischen Systems

[letzte Änderung 21.03.2020]
Weitere Lehrmethoden und Medien:
•        Unterstützende Vorlesungsteile zur Einführung in Machine Learning und Identifikation (insb. Zustands- und Parameterschätzungen)
•        Eigenständige Projektarbeit/Fallstudien unter Anleitung
•        Diskussionen zwischen Studierenden und Dozent/innen
•        Die Ergebnisse der Projektarbeit sind in geeigneter Form (schriftliche Ausarbeitung und Präsentation) zu dokumentieren.

[letzte Änderung 21.03.2020]
Literatur:
•        Wird zu Beginn der Veranstaltung bekannt gegeben

[letzte Änderung 21.03.2020]
[Tue Feb 27 18:53:45 CET 2024, CKEY=wmlui, BKEY=wtm, CID=WiMb19NT108, LANGUAGE=de, DATE=27.02.2024]