Modulbeschreibung

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.