Event
Practical Course Cognitive automobiles and robots (Master) [WS232512501]
Type
internship (P)Präsenz/Online gemischt
Term
WS 23/24SWS
3Language
Deutsch/EnglischAppointments
0Links
ILIASOrganisation
- Angewandte Technisch-Kognitive Systeme
Part of
- Brick Project Lab Cognitive Automobiles and Robots | Industrial Engineering and Management (M.Sc.)
- Brick Advanced Lab Informatics (Master) | Industrial Engineering and Management (M.Sc.)
- Brick Project Lab Cognitive Automobiles and Robots | Economics Engineering (M.Sc.)
- Brick Advanced Lab Informatics (Master) | Economics Engineering (M.Sc.)
- Brick Project Lab Cognitive Automobiles and Robots | Digital Economics (M.Sc.)
- Brick Advanced Lab Informatics (Master) | Digital Economics (M.Sc.)
- Brick Project Lab Cognitive Automobiles and Robots | Information Systems (M.Sc.)
- Brick Advanced Lab Informatics (Master) | Information Systems (M.Sc.)
- Brick Project Lab Cognitive Automobiles and Robots | Information Engineering and Management (M.Sc.)
- Brick Advanced Lab Informatics (Master) | Information Engineering and Management (M.Sc.)
- Brick Project Lab Cognitive Automobiles and Robots | Economathematics (M.Sc.)
- Brick Advanced Lab Informatics (Master) | Economathematics (M.Sc.)
Note
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.