Modulbeschreibung
Computational Engineering IV
Kürzel:
Durchführungszeitraum:
ECTS-Punkte:
Arbeitsaufwand:
Lernziele:
Die Studierenden
- können den Spannungstensor zur Modellierung mechanischer Spannungen verwenden.
- können den Zusammenhang zwischen einfachen Spannungszuständen und dem Spannungstensor herstellen.
- kennen das Hooke’sche Gesetz als Zusammenhang zwischen Dehnungen und Spannungen.
- können die Cauchy-Navier Gleichungen aus Gleichgewichts- und Randbedingungen ableiten.
- können praktische Messungen von mechanischen Zuständen mit Simulationsergebnissen abgleichen.
- kennen die materielle Ableitung als Wekrzeug zur Modellierung von fluiddynamischen Systemen.
- wissen, wie Strömungsprobleme mit der Navier-Stokes Gleichung modelliert werden können.
- können die Navier-Stokes Gleichungen mit Software Tools numerisch lösen.
- können Wärmeleitungs- und Strömungsprobleme gekoppelt modellieren.
- können praktische Messungen von Strömungsphänomenen mit Simulationsergebnissen vergleichen.
- kennen die grundsätzlichen Arten des Machine Learnings, insbesondere supervised learning, unsupervised learning, semi-supervised learning und reinforcement learning.
- kennen die Bedeutung der Datenvorverarbeitung und können Transformationen zur Vorverarbeitung auswählen und anwenden.
- kennen das Problem des Overfittings und den Unterschied zwischen Training eines Modelles und Tuning der Hyperparameter.
- können mittels Kreuzvalidierung die Qualität eines Modelles auf dem Trainingsdatensatz evaluieren.
- können Klassifikations- und Regressionsprobleme modellieren, geeignete Methoden auswählen und lösen.
- können die Methode der Hauptkomponentenanalyse zur Dimensionsreduktion anwenden.
- können geeignete Clustering-Verfahren für praktische Problemstellungen auswählen und anwenden.
- kennen das Grundprinzip der künstlichen neuronalen Netze und können einfache Netzarchitekturen trainieren.
- können praktische Probleme mit geeigneten Software-Paketen lösen.
- kennen die notwendigen Schritte eines End-2-End Machine Learning Projektes.
- können ein End-2-End Machine Learning Projekt selbständig durchführen und dokumentieren.
- kennen das Mindset des Service Designs.
- kennen die Begriffe Design Thinking, User-centered Design und Co-Creation.
- können mit geeigneten Methoden aus einer Ausgangsfragestellung eine konkrete Gestaltungsherausforderung ableiten.
- können Ideation Methoden zur Lösung von Problemstellungen auswählen und durchführen.
- kennen verschiedene Prototyping Methoden.
- können funktionale Prototypen im Zusammenhang mit Algorithmen erstellen.
- können ein reale Use-Cases bis zu einem MVP umsetzen.
- können einen Implementierungsplan erstellen und Design Iterationen planen und durchführen.
Verantwortliche Person:
Telefon/EMail:
Standort (angeboten):
Fachbereiche:
Vorausgesetzte Module:
Modultyp:
Bemerkungen:
Dieses Modul gliedert sich in die vier Kurse „Computational Physics: Strukturmechanik und Strömung“, „Machine Learning“, „Praktikum Machine Learning“ und „Digital Product Design“.
ECTS-Punkte pro Kategorie
Modulbewertung
Bewertungsart:
Leistungsbewertung
Während der Prüfungssession:
Bemerkungen zur Prüfung:
Am Ende des Semesters findet eine abgesetzte Modulschlussprüfung in einem Teil statt. Der Kurs Machine Learning bildet den Teil der Modulschlussprüfung.
Während des Semesters:
Während des Semesters findet im Kursen Computational Physics: Strukturmechanik und Strömung werden zwei Projekte bewertet. In den Kursen Digital Product Design sowie Praktikum Machine Learning wird ein Projekt bewertet. Im Kurs Digital Product Design erfolgt eine Gruppenpräsentation am Ende des Semesters.
Bewertungsart:
Gewichtung:
Während des Semesters findet im Kursen Computational Physics: Strukturmechanik und Strömung werden zwei Projekte (Gewicht 21.666%) bewertet. In den Kursen Digital Product Design (Gewicht 11.667%) sowie Praktikum Machine Learning (Gewicht 10%) wird ein Projekt bewertet. Im Kurs Digital Product Design erfolgt eine Gruppenpräsentation (Gewicht 5%) am Ende des Semesters.
Am Ende des Semesters findet eine abgesetzte Modulschlussprüfung in einem Teil statt. Der Kurs Machine Learning (Gewicht 30%) bildet den Teil der Modulschlussprüfung.
Bemerkungen:
Teilbewertung:
Kurse in diesem Modul
Computational Physics: Strukturmechanik und Strömung
Kürzel:
Arbeitsaufwand:
Semester:
Lernziele:
Die Studierenden
- können den Spannungstensor zur Modellierung mechanischer Spannungen verwenden.
- können den Zusammenhang zwischen einfachen Spannungszuständen und dem Spannungstensor herstellen.
- kennen das Hooke’sche Gesetz als Zusammenhang zwischen Dehnungen und Spannungen.
- können die Cauchy-Navier Gleichungen aus Gleichgewichts- und Randbedingungen ableiten.
- können praktische Messungen von mechanischen Zuständen mit Simulationsergebnissen abgleichen.
- kennen die materielle Ableitung als Werkzeug zur Modellierung von fluiddynamischen Systemen.
- wissen, wie Strömungsprobleme mit der Navier-Stokes Gleichung modelliert werden können.
- können die Navier-Stokes Gleichungen mit Software Tools numerisch lösen.
- können Wärmeleitungs- und Strömungsprobleme gekoppelt modellieren.
- können praktische Messungen von Strömungsphänomenen mit Simulationsergebnissen vergleichen.
Plan und Lerninhalt:
Strukturmechanik
- Mechanische Spannungen
- Tensorkalkül
- Hydrostatischer und deviatorischer Anteil
- Mohr`scher Spannungskreis
- Bewegungsgleichungen und Gleichgewicht
- Deformationen und Dehnungen: Hooke‘sches Gesetz
- Cauchy-Navier Gleichungen
- Ebene Spannungszustände
Strömungsmechanik
- Materielle Ableitung
- Navier-Stokes Gleichung
- Kopplung Wärme und Strömung
Multi-Physics Tool
- Einführung in toolbasiertes Lösung der Grundgleichungen
- Vernetzung
- Randbedingungen
- Konvergenz
Ansprechspersonen:
Fachbereiche:
Unterrichtssprache:
Leistungsnachweis:
Während der Unterrichtsphase werden zwei Projekte bewertet.
Lehr- und Lernmethoden:
Unterricht im Klassenverband, Übungen, Selbststudium, Labor
Bibliographie:
Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly. 2nd ed. (2019)
Raschka, S. Python Machine Learning. Packt Publishing Ltd. 3rd ed. (2019)
Kursart:
Durchführung gemäss Stundenplan
Bemerkungen:
Unterrichtssprache Deutsch und teilweise englischsprachige Literatur.
Machine Learning
Kürzel:
Arbeitsaufwand:
Semester:
Lernziele:
Die Studierenden
- kennen die grundsätzlichen Arten des Machine Learnings, insbesondere supervised learning, unsupervised learning, semi-supervised learning und reinforcement learning.
- kennen die Bedeutung der Datenvorverarbeitung und können Transformationen zur Vorverarbeitung auswählen und anwenden.
- kennen das Problem des Overfittings und den Unterschied zwischen Training eines Modelles und Tuning der Hyperparameter.
- können mittels Kreuzvalidierung die Qualität eines Modelles auf dem Trainingsdatensatz evaluieren.
- können Klassifikations- und Regressionsprobleme modellieren, geeignete Methoden auswählen und lösen.
- können die Methode der Hauptkomponentenanalyse zur Dimensionsreduktion anwenden.
- können geeignete Clustering-Verfahren für praktische Problemstellungen auswählen und anwenden.
- kennen das Grundprinzip der künstlichen neuronalen Netze und können einfache Netzarchitekturen trainieren.
- können praktische Probleme mit geeigneten Software-Paketen lösen.
Plan und Lerninhalt:
Explorative Datenanalyse (EDA) und Preprocessing
- Beschreibende Statistik
- Visualisierung
- Transformationen
Resampling-Methoden
- Validierungsmethode
- Kreuzvalidierung
- Bootstrap
- Lernkurven
- Regularisierung
Klassifikations- und Regressionsverfahren
- K-nearest neighbor Verfahren
- Logistische Regression
- Decision/Regression Trees
- Random Forests
- Neuronal Netze
Unsupervised Learning
- Dimensionsreduktion
- Clusterverfahren
Fachbereiche:
Unterrichtssprache:
Leistungsnachweis:
Es findet eine abgesetzte Modulschlussprüfung statt.
Lehr- und Lernmethoden:
Unterricht im Klassenverband, Übungen, Selbststudium, Labor
Bibliographie:
Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly. 2nd ed. (2019)
Raschka, S. Python Machine Learning. Packt Publishing Ltd. 3rd ed. (2019)
Kursart:
Durchführung gemäss Stundenplan
Bemerkungen:
Unterrichtssprache Deutsch und teilweise englischsprachige Literatur.
Praktikum Machine Learning
Kürzel:
Arbeitsaufwand:
Semester:
Lernziele:
Die Studierenden
- kennen die notwendigen Schritte eines End-2-End Machine Learning Projektes.
- können ein End-2-End Machine Learning Projekt selbständig durchführen und dokumentieren.
Plan und Lerninhalt:
In diesem Sellbststudium werde die theoretischen Grundlagen aus dem Kurs “Machine Learning» anhand eines End-2-End Machine Learning Projektes praktisch umgesetzt. Datensätze und Aufgabenstellungen werden von online data competitions (z.B. www.kaggle.com) übernommen. Die Bewertung erfolgt durch eine Projektabgabe.
Ansprechspersonen:
Fachbereiche:
Unterrichtssprache:
Leistungsnachweis:
Während der Unterrichtsphase wird ein Projekt bewertet.
Lehr- und Lernmethoden:
Selbststudium und data competiton
Kursart:
Durchführung gemäss Stundenplan
Bemerkungen:
Unterrichtssprache Deutsch und teilweise englischsprachige Literatur.
Digital Product Design
Kürzel:
Arbeitsaufwand:
Semester:
Lernziele:
Die Studierenden
- kennen das Mindset des Service Designs.
- kennen die Begriffe Design Thinking, User-centered Design und Co-Creation.
- können mit geeigneten Methoden aus einer Ausgangsfragestellung eine konkrete Gestaltungsherausforderung ableiten.
- können Ideation Methoden zur Lösung von Problemstellungen auswählen und durchführen.
- kennen verschiedene Prototyping Methoden.
- können funktionale Prototypen im Zusammenhang mit Algorithmen erstellen.
- können ein reale Use-Cases bis zu einem MVP umsetzen.
- können einen Implementierungsplan erstellen und Design Iterationen planen und durchführen.
Plan und Lerninhalt:
Service Design
- Co-Creation Prozess
- Research Methoden
- Personas
- Ideation
Prototyping
- Prototyping Methoden
- Software Prototyping Tools für funktionale Prototypen
- Front-End Prototyping
Testing
- Testen von Prototypen
- Design von MVPs
- Iteration
- Implementation
Ansprechspersonen:
Fachbereiche:
Unterrichtssprache:
Leistungsnachweis:
Während der Unterrichtsphase wird ein Projekt und eine Präsentation bewertet.
Lehr- und Lernmethoden:
Kontaktstudium, begleitetes Selbststudium.
Bibliographie:
Stickerdorn M. et al This is service design doing. O’Reilly (2019)
Meierhofer J. et al. Data Products in Applied Data Science. Springer 2019.
Kursart:
Durchführung gemäss Stundenplan
Bemerkungen:
Unterrichtssprache Deutsch und teilweise englischsprachige Literatur.