Modulbeschreibung

Die Studierenden

• können Daten in einem verteilten System auslesen, im Netzwerk übertragen (z.B. Long Range Wide Area Network - LoRa), vorverarbeiten und (in einem Cloud-Dienst) speichern.
• können die Grundprinzipien der beschreibenden Statistik Visualisierung und Vorverarbeitung realer räumlicher Daten (auf der Cloud) verwenden.
• können eine reale Fragestellung als Klassifikations- bzw. Regressionsproblem formulieren.
• können Klassifikationsprobleme mithilfe von Machine Learning Methoden (speziell mit neuronalen Netzen) modellieren.
• können die wichtigsten Methoden der Modellvalidierung (Kreuzvalidierung, validation set Ansatz, Bootstrapping) einsetzen.
• können (tiefe) neuronale Netze mit Python implementieren und auf einer Cloud-Plattform (z.B. MS Azure) ausführen.

Bachelor of Science in Systemtechnik

Im Kurs "Neuronale Netze und Deep Learning: Realisierung eines Demonstrators“ wird ein Projekt mittels Bericht und Fachgespräch bewertet. Im Kurs "Grundlagen Machine Learning: Theorie und Praxis mit Python“ wird ein Fachgespräch bewertet.

Im Kurs "Neuronale Netze und Deep Learning: Realisierung eines Demonstrators“ wird ein Projekt mittels Bericht (Gewicht 64%) und Fachgespräch (Gewicht 16%) bewertet. Im Kurs "Grundlagen Machine Learning: Theorie und Praxis mit Python“ wird ein Fachgespräch (Gewicht 20%) bewertet.

Die Studierenden

• erstellen einen Demonstrator, der Daten ausliest, kabellos überträgt (z.B. mittels LoRa) vorverarbeitet und speichert.
• erstellen Machine Learning Modelle (neuronale Netze) um die (räumlichen) Daten zu analysieren in Python.
• stellen die nötige Hardware aus existierenden Systemen (Sensoren, Raspberry Pi, Lora-Modulen) eigenständig zu.

• Neuronale Netze
• Deep Learning
• Fortgeschrittene Programmierung in Python
• Demonstratorbau