Nachhaltige Energiesysteme

Bewerben Studienberatung
M+V Department

Modulhandbuch

←  Zurück 

Künstliche Intelligenz

Empfohlene Vorkenntnisse

Keine
Lehrform Vorlesung/Übung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen Begriffe des Machine Learnings, grundlegende Methoden, Herausforderungen und Vorgehensweisen im Machine Learning. Die Studierenden sind nach Absolvierung des Moduls in der Lage, eigenständig eine Datenanalyse von der Vorverarbeitung der Daten bis hin zur Bewertung der Ergebnisse mit Machine-Learning-Verfahren durchzuführen. Die Studierenden können ihre Lösungen erklären und das Ergebnis bewerten. Die Studierenden können mögliche Probleme bei allen Schritten der Datenanalyse beurteilen und geeignete Lösungen auswählen. Die Grundlagen und die praktische Anwendung der Tools sind bekannt. Die Studierenden sind in der Lage, passende Verfahren für gegebene Machine-Learning-Problemstellungen auszuwählen, anzuwenden und ggf. anzupassen. Die wesentlichen Vor- und Nachteile der Verfahren und Vorgehensweisen werden problemspezifisch bewertet.
Dauer 1
SWS 6.0
Aufwand
Lehrveranstaltung 90
Selbststudium / Gruppenarbeit: 90
Workload 180
ECTS 6.0
Voraussetzungen für die Vergabe von LP

Statistik mit Übungen: Hausarbeit; muss mit Erfolg attestiert sein

Künstliche Intelligenz: Klausurarbeit, 60 Min., und Laborarbeit muss mit Erfolg attestiert sein

Klausurnote entspricht Modulnote.
Modulverantwortlicher

Prof. Dr. Oelke
Empf. Semester 4. Semester
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Bachelor-Studiengang NES
Veranstaltungen

Statistik mit Übungen

Art Vorlesung/Übung
Nr. M+V0118
SWS 2.0
Lerninhalt
  • Begriffe: Zufallsgrößen, Zufallsexperimente, Ereignisse, Ergebnisse
  • Dichtefunktionen und Verteilungsfunktionen (Normalverteilung, Lognormalverteilung, Weibullverteilung...)
  • Quantile, Erwartungswert, Varianz
  • Kovarianz, Korrelation
  • Schätz- und Testverfahren (t-Test, Kolmogorov-Smirnov, ...)
  • Zeitreihenanalyse (Regressionsanalyse, AVF, AKF, Moving-Average-Prozesse...)
  • Risikoanalyse und Simulation (Volatilität, Brownsche Bewegung, Monte Carlo Simulation...)
  • Anwendung auf studiengangspezifische Beispiele
Literatur
  • Aeneas Rooch: Statistik für Ingenieure, Springer-Verlag Berlin, Heidelberg, 2014
  • H. Schiefer, F. Schiefer: Statistik für Ingenieure. Eine Einführung mit Beispielen aus der Praxis, Springer Vieweg, Wiesbaden, 2018
  • Mathias Bärtl: Statistik Schritt für Schritt, Independently published, 2017, ISBN 978-1520186832

Künstliche Intelligenz

Art Vorlesung/Labor
Nr. EMI6104
SWS 4.0
Lerninhalt
  • Einführung
  • Explorative Datenanalyse
  • Überwachte Lernverfahren
  • Deep Learning
  • Unüberwachte Lernverfahren
Literatur

John D. Kelleher, Brian MacNamee and Aoife D'Arcy.Fundamentals of machine learning for predictive data analytics : algorithms, worked examples, and case studies. 2020 - Second edition. - The MIT Press

Jiawei Han, Micheline Kamber and Jian Pei. Data mining : concepts and techniques. 2012 - Third edition. - Elsevier

Kristian Kersting, Christoph Lampert, Constantin Rothkopf (Hrsg.). Wie Maschinen lernen : künstliche Intelligenz verständlich erklärt. 2019 - Springer

Download

←  Zurück