Beschreibung einzelner Lerneinheiten (ECTS-Lehrveranstaltungsbeschreibungen) pro Semester

• Grundkenntnisse in Elektrotechnik und elektromagnetischen Feldern
• Grundlegende Kenntnisse zur analogen Schaltungstechnik (z.B: Operationsverstärkerschaltungen)
• Mathematische Grundkenntnisse in Statistik, Analysis und linearer Algebra
• Programmierkenntnisse in einer prozeduralen Programmiersprache (z.B. Matlab, Python, Java, C,..)

• Ausgewählte Sensorprinzipien (z.B. induktiv, kapazitiv, Piezosensoren, TOF Sensoren, Radar...)
• Qualitätsmerkmale von Sensoren sowie deren Analyse
• Design von Sensorketten
• Digitale Fourier Transformation und Signalwandlung (analog - digital)
• Grundlegende digitale Signalverarbeitungsverfahren
• Einsatzgebiete, Fähigkeiten und Fehlerquellen von aktuellen Methoden, bspw. für Textverarbeitung (Large Language Models) oder Bilderkennung (Computer Vision), im Feld der Künstlichen Intelligenz.
• Analyse von Datentypen und gängige Machine Learning Toolboxen bzw. Frameworks
• Techniken der Datenvorverarbeitung (Data Cleansing, Feature Extraktion, etc.) insbesondere für Zeitreihendaten
• Machine Learning Grundprinzipien (Supervised, Unsupervised, Reinforcement & Deep Learning) und ausgewählter ML Algorithmen (Decision Trees, Support Vector Machines, Artificial Neural Networks, K-Nearest Neighbors)
• Einblicke in Modelltraining, Modellinferenz und -bewertung
• Bewertung und Vergleich verschiedener Machine Learning Verfahren

Die Studierenden können

• den Aufbau, die Funktion und passende Signalaufbereitungsschaltungen moderner Sensoren erklären und beschreiben,
• Analysen zur Abschätzung der Genauigkeit von Sensoren (z.B. Rauschanalyse etc.) erstellen,
• Sensorprinzipien auf konkrete praktische Problemstellungen anpassen und die gesamte Sensorkette designen.
• grundlegende Techniken der digitalen Signalverarbeitung auf spezifische Problemstellungen anwenden.
• digitale Signalverarbeitungssysteme und Schnittstellen problemspezifisch spezifizieren.
• Daten für die Anwendung im Maschine Learning mit gängigen Methoden vorverarbeiten.
• grundlegende Techniken des Machine Learnings zielgerichtet für entsprechende datengetriebene Fragestellungen auswählen.
• Machine Learning Toolboxen und Frameworks für das Lernen und den effektiven Einsatz verwenden.
• die Performanz verschiedener Verfahren vergleichen und die Vertrauenswürdigkeit der Ergebnisse abschätzen.
• Einsatzgebiete, Fähigkeiten und Fehlerquellen von aktuellen Verfahren im Gebiet der künstlichen Intelligenz nennen.

• Integrierte Lehrveranstaltung 
• Vorlesungen mit integrierten Computerübungen und Coaching-Sequenzen für asynchrone Einheiten
• Laborarbeiten

• Regelmäßige Online-Tests   

• Mündliche Klausur

• Bewertung asychroner Lernergebnisse (Abgaben)

Effizienzsteigerungen in technischen Systemen sowie in der Ressourcenoptimierung (z.B. durch Umweltüberwachung) sind stark von der Qualität der Daten abhängig. Diese Lehrveranstaltung liefert daher Grundlagen für eine nachhaltige, effiziente Gestaltung technischer Prozesse. Zudem wird speziell auf den Rechenaufwand - und damit auf den Energieaufwand - der verwendeten Algorithmen eingegangen um den Studierenden die Werkzeuge für nachhaltige Implementierungen zu geben.

Asynchrone Elemente ergänzen den Präsenzunterricht und unterstützen das akademische Arbeiten der Studierenden.

• Andò, B., et al. (Hrsg.). (2018). Sensors: Proceedings of the Third National Conference on Sensors, February 23-25, 2016, Rome, Italy (1st ed.). Cham: Springer International Publishing: Imprint: Springer (= Lecture Notes in Electrical Engineering). Online im Internet: DOI: 10.1007/978-3-319-55077-0.
• George, B., et al. (Hrsg.). (2017). Advanced Interfacing Techniques for Sensors: Measurement Circuits and Systems for Intelligent Sensors (1st ed.). Cham: Springer International Publishing: Imprint: Springer (= Smart Sensors, Measurement and Instrumentation). Online im Internet: DOI: 10.1007/978-3-319-55369-6.
• Morris, A. S., & Langari, R. (2021). Measurement and Instrumentation: Theory and Application (3rd ed.). London; San Diego, CA; Cambridge, MA; Kidlington, Oxford: Academic Press, an imprint of Elsevier.
• Oppenheim, A. V.; Willsky, A. S.; Nawab, S. H. (1997): Signals & systems. 2nd ed. Upper Saddle River, N.J: Prentice Hall (= Prentice-Hall signal processing series).
• Stark, H.-G. (2005): Wavelets and signal processing: an application-based introduction. Berlin; New York: Springer. Online im Internet: http://site.ebrary.com/id/10228999 (Zugriff am: 29.08.2016).
• Hoffmann, J.; Quint, F. (2012): Signalverarbeitung mit MATLAB und Simulink: anwendungsorientierte Simulationen. 2. Aufl. München: Oldenbourg.
• Meyer, M. (2011): Signalverarbeitung. Wiesbaden: Vieweg+Teubner. Online im Internet: http://link.springer.com/10.1007/978-3-8348-8138-0 (Zugriff am: 08.02.2017).
• Gonzalez, R. C.; Woods, R. E. (2018): Digital Image Processing. 4th edition. New York: Pearson.
• Sonka, M.; Hlavac, V.; Boyle, R. (1993): Image processing, analysis, and machine vision. 1st ed. London; New York: Chapman & Hall Computing (= Chapman & Hall computing series).

• Müller, A. C., & Guido, S. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists (1. Aufl.). O’Reilly Media, Inc.

• Russell, S. J., Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4. Aufl.). Pearson.

• Auffarth, B. (2021). Machine Learning for Time-Series with Python (1. Aufl.). Packt Publishing.

• Géron, A. (2022). Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow (3. Aufl.). O’Reilly Media, Inc.

• Jung, A. (2024). Maschinelles Lernen - Die Grundlagen (1. Aufl.). Springer.

Präsenz mit asynchronen Lernelementen