Die Studierenden
Ebenfalls sollten die beiden Module ELA1 und ELA 2 besucht worden sein.
Das Modul findet im Frühlingssemester statt.
Die Modulschlussprüfung findet in vier Teilen statt. Die Kurse Machine Learning, Regelung mechatronischer Systeme, Signale und Systeme sowie Systemauslegung bilden je einen Teil der Modulschlussprüfung. Alle Teile dauern je 60 Minuten.
Im Kurs Regelung mechatronischer Systeme werden Projekte bewertet.
Im Kurs Regelung mechatronischer Systeme werden Projekte (Gewicht 20%) bewertet.
Es findet eine abgesetzte Modulschlussprüfung in vier Teilen statt. Die Kurse Machine Learning (Gewicht 20%), Regelung mechatronischer Systeme (Gewicht 20%), Signale und Systeme (Gewicht 20%) sowie Systemauslegung (Gewicht 20%) bilden je einen Teil der Modulschlussprüfung.
Machine Learning (ML) ist eine zentrale Technologie in der modernen Mechatronik und ermöglicht die datengetriebene Modellierung, Vorhersage und Optimierung komplexer Systeme. In diesem Kurs erhalten Studierende eine fundierte Einführung in die Konzepte, Methoden und Anwendungen des Machine Learnings mit besonderem Fokus auf ingenieurwissenschaftliche Fragestellungen.
Der Kurs behandelt die grundlegenden Arten des Machine Learnings: Supervised Learning, Unsupervised Learning und Reinforcement Learning. Die Studierenden erlernen Techniken zur Datenvorverarbeitung, um die Qualität der Eingabedaten zu optimieren, und verstehen den Bias-Variance-Tradeoff sowie Regularisierungsmethoden zur Verbesserung der Generalisierungsfähigkeit von Modellen. Sie werden befähigt, Modelle effizient zu trainieren und Hyperparameter mittels kreuzvalidierter Gittersuchen zu optimieren.
Ein weiterer Schwerpunkt liegt auf der Modellierung und Lösung von Klassifikations- und Regressionsproblemen. Dabei werden Entscheidungsbäume und Ensemble-Methoden (Random Forest, Bagging) detailliert behandelt. Die Studierenden erlernen zudem die Grundlagen künstlicher neuronaler Netze und deren Training mit Gradientenabstiegsverfahren. Fortgeschrittene Architekturen wie Faltungsnetzwerke (CNNs) zur Bildklassifikation sowie Rekurrente Neuronale Netze (RNNs) für Zeitreihendaten werden praxisnah vermittelt.
Die Studierenden
Klassenunterricht mit Übungen und Selbststudium
Unterrichtssprache ist Deutsch, teilweise sind die Unterlagen auf Englisch