Modulbeschreibung
Flying AirBotOne I
Kurzzeichen:
M_VP_15717
ECTS-Credits:
15
Leitidee:
- Fliegender AirBotOne (Flugroboter)
Minimal mit Fernsteuerung fliegend - Verständnis der Architektur
- Dokumentierte Architektur
Modulverantwortung:
Frei Norbert
Standort (angeboten):
Buchs
Modultyp:
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_08 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_13 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_16 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_08 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_13 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_16 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für Technik und IT MSE_20(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Modulbewertung:
Note von 1 - 6
Leistungsnachweise und deren Gewichtung
Während der Unterrichtsphase:
Im Kurs AirBotOne wird ein Projekt mittels Bericht und Schlusspräsentation bewertet. Im Kurs Machine Learning wird eine Zusammenfassung und ausgewählte Übungen bewertet.
Bewertungsart:
Note von 1 - 6
Gewichtung:
Im Kurs AirBotOne wird ein Projekt mittels Bericht und Schlusspräsentation (Gewicht 60%) bewertet. Im Kurs Machine Learning wird eine Zusammenfassung (Gewicht 30%) und ausgewählte Übungen (Gewicht 10%) bewertet.
Bemerkungen:
Inhalte
Angestrebte Lernergebnisse (Abschlusskompetenzen):
Verstehen des behandelten Stoffes .
Modul- und Lerninhalt:
Students will be familiarized with the most important concepts and algorithms for supervised and unsupervised learning; reinforce the statistics knowledge which is indispensible to solve modeling problems under uncertainty. Key concepts are the generalization ability of algorithms and systematic approaches to modeling and regularization. A machine learning project will provide an opportunity to test the machine learning algorithms on real world data.