Modulbeschreibung

Die Studierenden

• kennen die grundsätzlichen Arten des Machine Learnings, insbesondere supervised learning, unsupervised learning und reinforcement learning (K1). 
• kennen die Bedeutung der Datenvorverarbeitung und können Transformationen zur Vorverarbeitung der Merkmale auswählen und anwenden (K3).  
• verstehen den Bias-Variance-Tradeoff und können diesen mittels Regularisierungstechniken optimieren (K3) 
  können Modelle effizient trainieren und die Hyperparameter der Modelle über kreuzvalidierte Gittersuchen optimieren (K3).
• können Klassifikations- und Regressionsprobleme modellieren, geeignete Methoden auswählen und lösen. 
  Verstehen die Funktionsweise von Entscheidungsbäumen und das Konzept der Ensemble Learner (Random Forest, bagging).
• kennen das Grundprinzip der künstlichen neuronalen Netze und können einfache Netzarchitekturen mittels Gradientenabstiegsverfahren trainieren (K3). 
• verstehen das Konzept von Faltungskernen und können CNN-Architekturen für die Bildklassifizierung erstellen, trainieren oder fine-tunen. 
• verstehen das Konzept von rekurrenten neuronale Netzwerken (RNN) und können diese  für die Regression oder Klassifizierung auf Zeitreihendaten trainieren und optimieren. 
• kennen den Unterschied zwischen diskriminativen und generativen Modellen.
• verstehen die Wichtigkeit von Erklärbarkeit und Interpretierbarkeit von black-box-Modellen wie DNNs und kennen modell-spezifische wie Modell-agnostische Methoden für XAI. 
• können praktische Probleme mit geeigneten Software-Paketen lösen. 

• können Anforderungen an Regelkreise beschreiben und spezifizieren. 
• können das dynamische Verhalten von Systemen im Bildbereich analysieren. 
• kennen den Standardregelkreis und seine wesentlichen Elemente (Regler, Strecke, Mess- und Stellglieder). 
• können dynamische Systeme und Regelkreise mit geeigneten Werkzeugen modellieren und simulieren. 
• können die Simulation im Rahmen des Reglerentwurfs sinnvoll einsetzen. 
• können das Verhalten des geschlossenen Regelkreises mit Gütekriterien bewerten. 
• kennen die Stabilitätskriterien von dynamischen Systemen. 
• können für ein gegebenes System einen geeigneten Regler wählen und parametrieren. 
• können digitale Regler (Abtastregler) implementieren und in Betrieb nehmen. 
• können das Konzept der Vorsteuerung anwenden, um das Führungsverhalten von Kaskadenregelungen zu verbessen. 
• können für einfache mechatronische Systeme (z.B. Antriebsstrang mit DC-Motor) eine Regelung entwerfen. 

• verstehen die Eigenschaften der Abtastung im Zeitbereich und Frequenzbereich.
• verstehen die DFT als Anwendung der Korrelation.
• kennen die Eigenschaften der FFT-Analyse in der Praxis.
• können die FFT zur Analyse von Signalen anwenden.
• können lineare und diskretisierte Zustandsraummodelle von Systemen angeben.
• verstehen die Struktur von Beobachter-Systemen.
• verstehen die Wirkungsweise von Kálmán-Filtern und können diese für einfache Anwendungen entwerfen. 

• kennen die physikalischen Grundlagen von Leistung und Energie sowie deren Relevanz für mechatronische Systeme. 
• können eine geeignete Systemarchitektur entwerfen und verschiedene Konzepte der Spannungsversorgung analysieren. 
• sind in der Lage, verschiedene Energiespeichertechnologien sowie deren Vor- und Nachteile für unterschiedliche Anwendungen zu beurteilen. 
• verstehen die Prinzipien von Linear- und Schaltreglern sowie deren Einsatz in mechatronischen Systemen. 
• können Sicherheitsanforderungen identifizieren und entsprechende Schutzelemente (z. B. Überspannungs- und Überstromschutz) in ihre Systeme integrieren. 
• kennen die Grundlagen der EMV und können Entstörmaßnahmen sowie gezielte Leitungsführung zur Minimierung von Störungen anwenden.