<?xml version="1.0" encoding="ISO-8859-1" standalone="yes" ?>
<document>
<title>Machine Learning und Identifikation</title>
<cid>WiMb19NT108</cid>
<bkey>wtm</bkey>
<ctypes>
<hours>1</hours>
<type>SU</type>
<hours>0</hours>
<type>PA</type>
</ctypes>
<cp>6</cp>
<semester>1</semester>
<mandatory>nein</mandatory>
<language>Deutsch</language>
<exam>Projektarbeit</exam>
<curriculum>
<curriculum_entry>
<cid>WiMb19NT108</cid>
<branch>Wirtschaftsingenieurwesen</branch>
<semester>1</semester>
<mandatory_tag>Wahlpflichtfach</mandatory_tag>
</curriculum_entry>
<curriculum_entry>
<cid>WiMb21NT108</cid>
<branch>Wirtschaftsingenieurwesen</branch>
<semester>1</semester>
<mandatory_tag>Wahlpflichtfach</mandatory_tag>
</curriculum_entry>
<curriculum_entry>
<cid>WiMb21NT108</cid>
<branch>Wirtschaftsingenieurwesen</branch>
<semester>1</semester>
<mandatory_tag>Wahlpflichtfach</mandatory_tag>
</curriculum_entry>
</curriculum>
<workload>
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 15 Veranstaltungsstunden (= 11.25 Zeitstunden). Der Gesamtaufwand des Moduls beträgt bei 6 Creditpoints 180 Stunden (30 Stunden/ECTS Punkt). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 168.75 Stunden zur Verfügung.
</workload>
<prerequisites>
<prerequisite>
<pfcid>WiMb19NT106</pfcid>
<pftitle>Computer Aided Engineering</pftitle>
</prerequisite>
</prerequisites>
<prerequisitesfor>
</prerequisitesfor>
<convenor>Prof. Dr. Frank Kneip</convenor>
<convenor-person-key>fkn</convenor-person-key>
<lecturers>
<lecturer>Prof. Dr. Frank Kneip</lecturer>
<lecturer-person-key>fkn</lecturer-person-key>
</lecturers>
<objectives>•	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</objectives>
<content>•	Lineare Regression
•	Iterative Verfahren
•	Verfahren zur Parameteridentifikation 
•	Zustandsschätzungen eines dynamischen Systems</content>
<media>•	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.</media>
<literature>•	Wird zu Beginn der Veranstaltung bekannt gegeben</literature>
<offered>
</offered>
<moduldb-query>Sat Sep 12 07:08:43 CEST 2026, CKEY=wmlui, BKEY=wtm, CID=[?], LANGUAGE=de, DATE=12.09.2026</moduldb-query>
</document>
