18-fi-2060

Maschinelles Lernen für Mechatronische und Dynamische Systeme

FB18 Elektrotechnik und Informationstechnik · 6 CP · Angeboten in SoSe 2026

Notenverteilung

Mittel der Semesterschnitte

2.21

Jedes Semester zählt gleich, unabhängig von seiner Größe.

Gewichteter Gesamtschnitt

2.21

Nach Kohortengröße gewichtet — der Schnitt über alle Ergebnisse hinweg.

Bestehensquote

92%

Anteil der Ergebnisse von 4,0 oder besser. 4,0 ist die letzte bestandene Note.

Semester mit Daten

Die deutsche Skala reicht von 1,0 (beste) bis 4,0 (letzte bestandene Note), 5,0 ist nicht bestanden. Eine 4,3 gibt es nicht.

Nach Semester

SoSe 2025

∅ 2.20850 Ergebnisse8% durchgefallenVon der Wartung eingetragen

1,0

1,3

1,7

2,0

2,3

2,7

3,0

3,3

3,7

4,0

5,0

Fehlend (Krankschreibung): 4Fehlend (ohne Grund): 5Gemeldet am 01.09.2026

Hat sich der Kurs gelohnt?

Noch keine Bewertungen — mach den Anfang.

Deine Bewertung hängt an einer zufälligen ID in diesem Browser. Kein Konto, nichts, was dich identifiziert.

Wöchentliche Termine · SoSe 2026

Mi11:40–13:20S214/24 · Praktikum
Do11:40–13:20S311/0012 · Vorlesung

Bestandteile

18-fi-2060-vlVorlesung2 SWS
18-fi-2060-prPraktikum2 SWS

Sprache: Englisch
Lehrende: Prof. Dr.-Ing. Rolf Findeisen

Lehrinhalte

Vorlesung: Die Vorlesung führt in die Grundlagen des Maschinellen Lernens, mit einem Schwerpunkt auf Anwendungen im Bereich mechatronischer und dynamischer Systeme. Sie betrachtet Fragen des Maschinellen Lernens für die datengetriebene und hybride Modellierung, Simulation, der Überwachung, der Planung, der Entscheidungsfindung, der Optimierung und Regelung. Content: Maschinelles Lernen im Bereich mechatronischer und dynamischer Systeme?; Grundlagen des Maschinellen Lernens; Zusammenfassung dynamische Systeme mit einer Maschinellen Lernen Perspektive; Maschinelles Lernen – eine Optimierungsperspektive; Regression; “Features”; Clustering (regressionsbasiert und nicht regressionsbasiert); Support Vektor Maschinen; Gaußsche Prozesse; Interferenz; Neuronale Netzwerke (Feed-forward Netzwerke; Rekurrente Netzwerke; Training neuronaler Netzwerke, Deep Learning); Re-Enforcement Learning; Optimale Regelung und Re-Enforcement Learning; Maschinelles Lernen für eingebettete Systeme; Sicherheit und Zuverlässigkeit des Maschinellen Lernens für dynamische Systeme; Anwendungsbeispiele für die Modellierung, Überwachung; Fehlererkennung; Simulation, Optimierung komplexer mechatronischer und dynamischer Systeme, Robotik, Planung, autonomen Fahren. Gruppenübung/Gruppenarbeit: In eine Gruppenarbeit wenden die Studierenden die erlernten Konzepte und Methoden auf mechatronische und dynamische Systeme an. Die Gruppenarbeit umfasst eine Übersicht über State-of-the-Art Ansätze für die ausgewählte Aufgabe, die Auswahl geeigneter Methoden für die betrachtete Fragestellung, und die Umsetzung in Python/Matlab. Sie beinhaltet einen Bericht und eine Präsentation. Das Modul wird gemeinsam durch Prof. Rolf Findeisen, Prof. Jürgen Adamy, Prof. Jan Peters angeboten.

Prüfungstermine

2026-09-15 · 14:00–16:00 · Examenvorläufig
2026-09-15 · 14:00–16:00 · S311/08 · Prüfung

Zum Stundenplan hinzufügen

Termine, Räume und Angaben stammen aus TUCaN und können veraltet sein. Falsche Angabe melden

Notenverteilung

Mittel der Semesterschnitte

2.21

Jedes Semester zählt gleich, unabhängig von seiner Größe.

Gewichteter Gesamtschnitt

2.21

Nach Kohortengröße gewichtet — der Schnitt über alle Ergebnisse hinweg.

Bestehensquote

92%

Anteil der Ergebnisse von 4,0 oder besser. 4,0 ist die letzte bestandene Note.

Semester mit Daten

Die deutsche Skala reicht von 1,0 (beste) bis 4,0 (letzte bestandene Note), 5,0 ist nicht bestanden. Eine 4,3 gibt es nicht.

Nach Semester

SoSe 2025

∅ 2.20850 Ergebnisse8% durchgefallenVon der Wartung eingetragen

1,0

1,3

1,7

2,0

2,3

2,7

3,0

3,3

3,7

4,0

5,0

Fehlend (Krankschreibung): 4Fehlend (ohne Grund): 5Gemeldet am 01.09.2026