Search

Weitere Literatur und Informationen werden in der Vorlesung oder im Lernmanagementsystem „meet-to-learn“ bekannt gegeben. page Modulhandbuch für den Masterstudiengang Seite 5 Int [...] Weitere Informationen (z.B. Literatur) werden in der Vorlesung oder im Lernmanagementsystem „meet-to-learn“ bekannt gegeben. page Modulhandbuch für den Masterstudiengang Seite 6 Int [...] nen (z.B. Literatur) werden in der Vorlesung, in den Handouts oder im Lernmanagementsystem „meet-to- learn“ bekannt gegeben. page Modulhandbuch für den Masterstudiengang Seite 10 In

students will be able to • understand, categorize and analyze cultures according to chosen cultural dimensions and taxonomies • understand, judge the benefit of different tools used to train personnel [...] solutions to deal with conflict in managing intercultural groups • analyze and adapt own behavior in intercultural situations as well as to evaluate behavior of others and advise them appropriately to be [...] assimilators and critical incidents are investigated in their use to teach cul- tural awareness. Students are given the opportunity to use these tools in both theoretical and practical exercises. Additionally

students will be able to  understand, categorize and analyze cultures according to chosen cultural dimensions and taxonomies  understand, judge the benefit of different tools used to train personnel [...] solutions to deal with conflict in managing intercultural groups  analyze and adapt own behavior in intercultural situations as well as to evaluate behavior of others and advise them appropriately to be [...] assimilators and critical incidents are investigated in their use to teach cul- tural awareness. Students are given the opportunity to use these tools in both theoretical and practical exercises. Additionally

Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 2018. A. Géron: Hands-on Machine Learning with Scikit-Learn, Keras and Tensor Flow, O’Reilly, 2018 Raschka: Machine Learning mit Python: das [...] Regularisierung) • Grundlegende Verfahren des Supervised Learning • Grundlegende Verfahren des Unsupervised Learning • Data Preprocessing • Machine Learning in Python Lehrmaterial / Literatur [...] Hinweis auf ein Bonussystem führen page Machine Learning Machine Learning Zuordnung zum Curriculum Classification Modul-ID Module ID Art des Moduls

Inverted Classroom, Peer Instruction, Collaborative Learning, Problem Based Learning, Learning on Demand, Micro-Learning) 3. Blended-Learning: Modelle, Vor- und Nachteile, Best-Practice Beispiele [...] (2018). Handbuch E-Learning: Lehren und Lernen mit digitalen Medien. UTB. Arshavskiy, M. (2017). Instructional Design for eLearning: Essential guide for designing successful eLearning courses. CreateSpace [...] Dirksen, J. (2016). Design for How People Learn. New Riders. eLearning Industry Inc, https://elearningindustry.com. Zuletzt geprüft am 11.08.2020. eLearning Journal Online, https://www.elearning-journal

Teaching, Inverted Classroom, Peer Instruction, Collaborative Learning, Problem Based Learning, Learning on Demand, Micro-Learning) 3. Blended-Learning: Modelle, Vor- und Nachteile, Best-Practice Beispiele [...] (2018). Handbuch E-Learning: Lehren und Lernen mit digitalen Medien. UTB. Arshavskiy, M. (2017). Instructional Design for eLearning: Essential guide for designing successful eLearning courses. CreateSpace [...] Dirksen, J. (2016). Design for How People Learn. New Riders. eLearning Industry Inc, https://elearningindustry.com. Zuletzt geprüft am 11.08.2020. eLearning Journal Online, https://www.elearning-journal

Inverted Classroom, Peer Instruction, Collaborative Learning, Problem Based Learning, Learning on Demand, Micro-Learning) 3. Blended-Learning: Modelle, Vor- und Nachteile, Best-Practice Beispiele [...] (2018). Handbuch E-Learning: Lehren und Lernen mit digitalen Medien. UTB. Arshavskiy, M. (2017). Instructional Design for eLearning: Essential guide for designing successful eLearning courses. CreateSpace [...] Dirksen, J. (2016). Design for How People Learn. New Riders. eLearning Industry Inc, https://elearningindustry.com. Zuletzt geprüft am 11.08.2020. eLearning Journal Online, https://www.elearning-journal

Inverted Classroom, Peer Instruction, Collaborative Learning, Problem Based Learning, Learning on Demand, Micro-Learning) 3. Blended-Learning: Modelle, Vor- und Nachteile, Best-Practice Beispiele [...] (2018). Handbuch E-Learning: Lehren und Lernen mit digitalen Medien. UTB. Arshavskiy, M. (2017). Instructional Design for eLearning: Essential guide for designing successful eLearning courses. CreateSpace [...] Dirksen, J. (2016). Design for How People Learn. New Riders. eLearning Industry Inc, https://elearningindustry.com. Zuletzt geprüft am 11.08.2020. eLearning Journal Online, https://www.elearning-journal

des Workload According to § 8 para. 1 sentence 3 BayStudAkkV, the following applies: One credit point is based on a workload of 25 to 30 hours. To calculate the workload, a distinction [...] preparation and follow-up of the learning material • Exam preparation = hours spent preparing for an examination event • Examination workload = hours required to complete the examination • [...] university must be submitted to the Students` Office after enrollment at OTH. Subsequently, the respective lecturers will check whether the subjects already taken correspond to the requirements of our subjects

networks and deep learning methods. • Methodological competence: Students will be able to implement selected deep learning methods based on software libraries, apply them to given data sets, and [...] Machine Learning with Scikit-Learn, Keras and Tensor Flow, O'Reilly, 2018. Raschka: Machine Learning with Python: the practical handbook for Data Science, Predictive Analytics and Deep Learning, mitp-Verlag [...] Gewichtung Learning objectives/competencies to be assessed Zu prüfende Lernziele/Kompetenzen annotation https://scikit-learn.org/stable/user_guide.html https://scikit-learn.org/stable/user_guide

field of deep learning on their own, while also learning from the views and approaches of others to further deepen their understanding. Overall, it helps students to learn not only how to self-organize [...] Machine Learning, Springer, 2006. • F. Chollet: Deep Learning with Python, Manning, 2018. (deutsche Version bei mitp Professional, 2018) • Géron: Hands-On Machine Learning with Scikit-Learn, Keras, and [...] practical machine learning tools and techniques, Morgan Kaufmann, 2018. A. Géron: Hands-on Machine Learning with Scikit-Learn, Keras and Tensor Flow, O'Reilly, 2018. Raschka: Machine Learning with Python:

Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 2018. • A. Géron: Hands-on Machine Learning with Scikit-Learn, Keras and Tensor Flow, O’Reilly, 201. • S. Raschka: Machine Learning mit Python [...] Einsatzgebiete von Reinforcement Learning Problemstellung und Grundbegriffe Markov-Prozesse Temporal Difference Learning (z.B. Q-Learning, SARSA) Deep Reinforcement Learning Lehrmaterial/Literatur Teaching [...] Nachbereitung sowie KI.Meeting) Lernziele/Qualifikationen des Moduls Learning Outcomes Das Modul besteht aus zwei Vorlesungsteilen KI.Ethik und KI.Kognition sowie einem KI.Meeting. Nach dem erfolgreichen

Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 2018. • A. Géron: Hands-on Machine Learning with Scikit-Learn, Keras and Tensor Flow, O’Reilly, 201. • S. Raschka: Machine Learning mit Python [...] Einsatzgebiete von Reinforcement Learning Problemstellung und Grundbegriffe Markov-Prozesse Temporal Difference Learning (z.B. Q-Learning, SARSA) Deep Reinforcement Learning Lehrmaterial/Literatur Teaching [...] Nachbereitung sowie KI.Meeting) Lernziele/Qualifikationen des Moduls Learning Outcomes Das Modul besteht aus zwei Vorlesungsteilen KI.Ethik und KI.Kognition sowie einem KI.Meeting. Nach dem erfolgreichen

presented at the project kick-off and have to be worked on successively. Each student has to contribute individually to the common task. The overall results are to be submitted in the form of a pitch video [...] Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 2018. A. Géron: Hands-on Machine Learning with Scikit-Learn, Keras and Tensor Flow, O’Reilly, 2018. S. Raschka: Machine Learning mit Python: [...] Nachbereitung sowie KI.Meeting) Lernziele / Qualifikationen des Moduls Learning Outcomes Das Modul besteht aus zwei Vorlesungsteilen KI.Ethik und KI.Interaktion sowie einem KI.Meeting Teil 1: Ethik

ce): The students are able to combine knowledge and skills from the basic modules to derive and develop new solutions. The have the competence to discuss issues related to energy storage in interdisciplinary [...] Psychological Association. The Official Guide to APA Style (7th Ed.) Washington. Carlson, K. A. & Winquist, J. R. (2017). An Introduction to Statistics. An Active Learning Approach. SAGE. Creswell, J. W. & Plano [...] Ability to recognise legal problems in energy/environmental law, identification of the most important applicable regulations Independent application of regulations relevant to practice Ability to identify

Selbststudium Prüfungsvorbereitung = 90 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden [...] Selbststudium Prüfungsvorbereitung = 90 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden [...] Nachbereitung Prüfungsvorbereitung = 60 h = 90 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden

Selbststudium Prüfungsvorbereitung = 90 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden [...] Selbststudium Prüfungsvorbereitung = 90 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden [...] Nachbereitung Prüfungsvorbereitung = 60 h = 90 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden

Nachbereitung Prüfungsvorbereitung = 90 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden [...] Nachbereitung Prüfungsvorbereitung = 90 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden [...] Nachbereitung Prüfungsvorbereitung = 90 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden

and Machine Learning, Springer, 2006. F. Chollet: Deep Learning with Python, Manning, 2018. (deutsche Version bei mitp Professional, 2018) A. Géron: Hands-On Machine Learning with Scikit-Learn, Keras, and [...] Verfahren des Supervised Learning (z.B. baumbasierte Ansätze, SVM, Ensemble-Methoden) • Grundlegende Verfahren des Unsupervised Learning (z.B. PCA, k-means Clustering) • Machine Learning in Python mit der [...] Hands-on Machine Learning with Scikit-Learn, Keras and Tensor Flow, O’Reilly, 2018 W. McKinney: Datenanalyse mit Python, O’Reilly, 2018 S. Raschka: Machine Learning mit Python: das Praxis-Handbuch für

individual learning agreement • Methodological competence: Apply and transfer skills and knowledge acquired during studies to new problems, application of project management: ability to plan, implement [...] individual learning agreement • Methodological competence: Apply and transfer skills and knowledge acquired during studies to new problems, application of project management: ability to plan, implement [...] individual learning agreement • Methodological competence: Apply and transfer skills and knowledge acquired during studies to new problems, application of project management: ability to plan, implement

Machine Learning und Data Mining: Verständnis für die Anwendung von Machine-Learning- und Data-Mining-Techniken auf geografische Daten, einschließlich Supervised Learning, Unsupervised Learning, Deep [...] Choroplethenkarten oder interaktive Dashboards. • Geodatenanalyse mit Machine Learning: Anwendung von Machine-Learning-Algorithmen auf geografische Daten zur Vorhersage von Ereignissen, Mustererkennung [...] 60 h Eigenstudium 30 h Prüfungsvorbereitung Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden

, eLearning-Elemente, Scrum-Projekt 150 h, davon Präsenzzeit: 60 h (4 SWS * 15 Vorlesungswochen) Selbststudium/Projektarbeit: 90 h Lernziele / Qualifikationen des Moduls Learning Outcomes [...] davon Präsenz: 60 h (4 SWS) Eigenstudium: 90 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden [...] davon Präsenz: 60 h (4 SWS) Eigenstudium: 90 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden

Zusammenhang mit Energiespeicherung (Wasserstoff, Elektrolyse, Brennstoffzellen, power to gas, power to liquid, biomass to liquid, CARNOT-Batterie, adiabate Druckluft etc.), Flexibilisierung von Kraft-Wär [...] Nachbereitung Prüfungsvorbereitung = 90 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden [...] Nachbereitung Prüfungsvorbereitung = 90 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden

Zusammenhang mit Energiespeicherung (Wasserstoff, Elektrolyse, Brennstoffzellen, power to gas, power to liquid, biomass to liquid, CARNOT-Batterie, adiabate Druckluft etc.), Flexibilisierung von Kraft-Wä [...] Prüfungsvorbereitung = 90 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die [...] Prüfungsvorbereitung = 90 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die

Prüfungsvorbereitung = 45 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden [...] Prüfungsvorbereitung = 45 h = 150 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden [...] Prüfungsvorbereitung = 60 h = 270 h Lernziele / Qualifikationen des Moduls Learning Outcomes Nach dem erfolgreichen Absolvieren des Moduls verfügen die Studierenden über die folgenden