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

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 = 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 = 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

They learn to identify these situations and to appear interculturally competent. • Personal competence (social competence and self-competence): Students acquire the interdisciplinary ability to perform [...] • In addition to theoretical knowledge, students also acquire the ability to apply process engineering principles in practice, both independently and in a team. • They are able to critically analyse [...] interculturality. They learn the theoretical basics of intercultural communication and understanding. • Methodological competence: Students are able to apply strategies to improve the handling

They learn to identify these situations and to appear interculturally competent. • Personal competence (social competence and self-competence): Students acquire the interdisciplinary ability to perform [...] • In addition to theoretical knowledge, students also acquire the ability to apply process engineering principles in practice, both independently and in a team. • They are able to critically analyse [...] interculturality. They learn the theoretical basics of intercultural communication and understanding. • Methodological competence: Students are able to apply strategies to improve the handling of

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

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-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

, 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

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

: Students gain the ability to act in an interdisciplinary and interculturally sensitive manner. They have expanded their ability to change perspectives and are able to communicate with different [...] on the respective offer and the individual learning agreement • Methodological competence: Depending on the respective offer and the individual learning agreement • Personal competence (social [...] courses. The course choice is based on the required competencies and learning objectives, which are agreed on in the individual learning agreement between the student and the supervisor. The contents

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

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

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

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

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

Lernziele/Kompetenzen Learning outcomes / competences to be assessed Übungsleistung Drafting of 3-5 experimental designs with a mi- nimum of two different sensors each - for a to- tal of 100% grade [...] inkl. Gewichtung *2 Type/scope incl. weighting Zu prüfende Lernziele/Kompetenzen Learning outcomes / competences to be assessed Übungsleistung Die zu erbringenden Übungsleistungen (Exerci- ses) setzen [...] inkl. Gewichtung *2 Type/scope incl. weighting Zu prüfende Lernziele/Kompetenzen Learning outcomes / competences to be assessed Klausur 90 min. Klausur über 90 Minuten (Einzelleistung), Ge- wichtung

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 [...] 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:

teams in digital business. They learn to assess speed, adap- tivity, user-centricity and flexibility as key drivers of a changed process management. You will learn to adopt new, dynamic and flexible [...] ung / Internationalität: Course Content Students learn to argue the impact of digitalization on the management of project teams and to apply methods and tools for the analysis, design, imp [...] flexible ways of thinking as a contrast to traditional, planning-oriented project management in order to meet the requi- rements of very high innovation speed and the rapid changes in customer preferences.

project teams in digital business. They learn to assess speed, adap- tivity, user-centricity and flexibility as key drivers of a changed process management. You will learn to adopt new, dynamic and flexible [...] ung / Internationalität: Course Content Students learn to argue the impact of digitalization on the management of project teams and to apply methods and tools for the analysis, design, imp [...] flexible ways of thinking as a contrast to traditional, planning-oriented project management in order to meet the requi- rements of very high innovation speed and the rapid changes in customer preferences.

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