Veranstaltung
Praktikum Kognitive Automobile und Roboter (Master) [WS232512501]
Typ
Praktikum (P)Präsenz/Online gemischt
Semester
WS 23/24SWS
3Sprache
Deutsch/EnglischTermine
0Links
ILIASEinrichtung
- Angewandte Technisch-Kognitive Systeme
Bestandteil von
- Teilleistung Projektpraktikum Kognitive Automobile und Roboter | Wirtschaftsingenieurwesen (M.Sc.)
- Teilleistung Praktikum Informatik (Master) | Wirtschaftsingenieurwesen (M.Sc.)
- Teilleistung Projektpraktikum Kognitive Automobile und Roboter | Technische Volkswirtschaftslehre (M.Sc.)
- Teilleistung Praktikum Informatik (Master) | Technische Volkswirtschaftslehre (M.Sc.)
- Teilleistung Projektpraktikum Kognitive Automobile und Roboter | Digital Economics (M.Sc.)
- Teilleistung Praktikum Informatik (Master) | Digital Economics (M.Sc.)
- Teilleistung Projektpraktikum Kognitive Automobile und Roboter | Wirtschaftsinformatik (M.Sc.)
- Teilleistung Praktikum Informatik (Master) | Wirtschaftsinformatik (M.Sc.)
- Teilleistung Projektpraktikum Kognitive Automobile und Roboter | Informationswirtschaft (M.Sc.)
- Teilleistung Praktikum Informatik (Master) | Informationswirtschaft (M.Sc.)
- Teilleistung Projektpraktikum Kognitive Automobile und Roboter | Wirtschaftsmathematik (M.Sc.)
- Teilleistung Praktikum Informatik (Master) | Wirtschaftsmathematik (M.Sc.)
Anmerkung
Das Praktikum ist als praktische Ergänzung zu Veranstaltungen wie "Maschinelles Lernen 1/2" gedacht.
Wissenschaftliche Themen, meist im Bereich des Autonomen Fahrens und der Robotik, werden dabei in gemeinsamer Arbeit mit ML/KI Verfahren bearbeitet. Ziel des Praktikums ist, ein ML-Softwaresystem entwerfen, entwickeln und zu evaluieren.
Neben den wissenschaftlichen Zielen, wie die Untersuchung und Anwendung der Methoden, werden auch die Aspekte projektspezifischer Teamarbeit in der Forschung (von der Spezifikation bis zur Präsentation der Ergebnisse) in diesem Praktikum erarbeitet.
Die einzelnen Projekte erfordern die Analyse der gestellten Aufgabe, Auswahl geeigneter Verfahren, Spezifikation und Implementierung und Evaluierung des Lösungsansatzes. Schließlich ist die gewählte Lösung zu dokumentieren und in einem Kurzvortrag vorzustellen.
Lernziele:
- Die Studierenden können theoretische Kenntnisse aus Vorlesungen über das Maschinelle Lernen auf einem ausgewählten Gebiet der aktuellen Forschung praktisch anwenden.
- Die Studierenden beherrschen die Analyse und Lösung von thematischen Problemstellungen.
- Die Studierenden können ihre Konzepte und Ergebnisse evaluieren, dokumentieren und präsentieren.
Empfehlungen:
- Theroretische Kenntnisse des maschinellen Lernen und/oder KI
- Python Kenntnisse
- Erste Erfahrungen mit Deep Learning Frameworks wie PyTorch/Jax/Tensorflow können von Vorteil sein.
Arbeitsaufwand:
Der Arbeitsaufwand von 5 Leistungspunkten setzt sich zusammen aus der praktischen Umsetzung der gewählten Lösung, sowie der Zeit für Literaturrecherchen und Planung/Spezifikation der selektierten Lösung. Zusätzlich wird ein kurzer Bericht und eine Präsentation der durchgeführten Arbeit erstellt.