Master Mechatronik und Robotik

Als Mechatroniker*in vereinen Sie Kompetenzen aus den zentralen Ingenieursdisziplinen Elektrotechnik und Maschinenbau sowie der Informatik. Diese verbinden Sie zu einem interdisziplinären und systemtechnischen Denken, welches auf dem Arbeitsmarkt immer mehr gefragt ist.
Bewerbung Studienberatung
Fakultät EMI

Modulhandbuch

←  Zurück 

Künstliche Intelligenz

Empfohlene Vorkenntnisse

Programmierkenntnisse in Java
Lehrform Vorlesung
Lernziele / Kompetenzen

Erfolgreiche Teilnehmer*innen sind in der Lage,

  • die Möglichkeiten und Grenzen der behandelten KI Ansätze einzuschätzen
  • behandelte KI Ansätze auf forschungspraktische Aufgabenstellungen anzuwenden
  • die Ergebnisse ihrer Forschungsarbeiten für ein Fachpublikum schriftlich zusammenzufassen.
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Künstliche Intelligenz: K60, Data Science: K60
Leistungspunkte Noten

5 CP
Modulverantwortlicher

Prof. Dr. Klaus Dorer
Empf. Semester 1
Haeufigkeit jedes 2. Semester
Verwendbarkeit

Master-Studiengang MMR
Veranstaltungen

Künstliche Intelligenz

Art Vorlesung
Nr. EMI2101
SWS 2.0
Lerninhalt
  1. Einführung
  2. Agentensysteme
  3. Schwarm Intelligenz
  4. Robotik
  5. Genetische Algorithmen
  6. Entscheidungsbäume
  7. Neuronale Netzwerke
  8. Deep Learning
  9. Reinforcement Learning
  10. Autonomes Fahren
Literatur

Norvig, R., Artificial Intelligence: A Modern Approach, Prentice Hall, 2009

Forschungspapiere zu den behandelten Kapiteln werden im e-Learning System zur Verfügung gestellt.

Data Science

Art Vorlesung
Nr. EMI2124
SWS 2.0
Lerninhalt

  • Mathematische Grundlagen der Data Science
  • Data Science Prozess nach CRISP
  • Explorative Datenanalyse
  • Aufgaben und Verfahren des Maschinellen Lernens
  • Data Science Werkzeuge (Programmiersprachen R oder Python, grafische Werkzeuge)
  • Ethische und rechtliche Aspekte
Literatur

Provost F, Fawcett T: Data science for business. O'Reilly, Sebastopol, Calif. (2013)
Abott, D: Applied Predictive Analytics, Wiley (2014)
Grolemund, G, Wickham, H: R for Data Science, O'Reilly (2017)
←  Zurück