Hochschule Darmstadt - Fb Informatik

Drucken| Layout| Design| Schriftgröße English|
Modulbeschreibung
Modul:Modellbildung und Simulation

Modelling and Simulation

Spécification et Modélisation Informatiques

Belegnummern:41.4868 [NFP108; PVL 41.4869]
Sprache:deutsch
Zuordnung:CNAM - Masterzyklus
CNAM Master - Masterzyklus
Dualer Master 2013 - Katalog AS: Anwendungs- und systemorientierte Module
Dualer Master 2013 - Vertiefung WI: Wirtschaftsinformatik
Master 2013 - Katalog AS: Anwendungs- und systemorientierte Module
Master 2013 - Vertiefung WI: Wirtschaftsinformatik
Master 2006 - Katalog T: Theorieorientierte Module
Master 2006 - Vertiefung AE: Application Engineering
Master 2006 - Vertiefung CG: Computer Graphik
Master 2006 - Vertiefung TK: Telekommunikation
Master 2006 - Vertiefung TS: Technische Systeme
Master 2006 - Vertiefung WI: Wirtschaftsinformatik
MN Data Science 2016 - Katalog DS-I: Data Science - Informatik
Lehrform:V+P = Vorlesung+Praktikum
SWS:2+2
CP:6
Prüfung:Klausur
Anmeldung zur Prüfung:explizit und unabhängig von der Belegung
PVL (z.B. Praktikum):unbenotet (unbenotetes Praktikum)
Häufigkeit des Angebots:jährlich
Erforderliche Vorkenntnisse:Grundlegende mathematische Kompetenzen und Kompetenzen zur Algorithmisierung und Umsetzung von Konzepten in Software, die in einem Bachelorstudium der Informatik erworben werden können.
Lernziele:In der Veranstaltung werden grundlegende Kenntnisse verschiedener Methoden für Modellbildung und Simulation vermittelt, wobei der Schwerpunkt auf datengetriebener Modellbildung liegt. Das zentrale Lernziel ist die Vermittlung von Kenntnissen für die Durchführung von Modellbildungen in unterschiedlichen Anwendungsbereichen.

Die Studierenden sollen
  • komplexe Systeme so analysieren können, dass eine datengetriebene Modellierung der Systeme realisierbar ist.
  • konnektionistische und stochastische Konzepte für die Modellierung komplexer Systeme anwenden können.
  • datengetriebene Modellierungstechniken in unterschiedliche Disziplinen bzw. Anwendungskontexte transferieren können.
  • Simulationen - bspw. zur Bestimmung des Value at Risk - interpretieren können.
  • Konzepte zur Adaption von Modellparametern verstehen und umsetzen können.
Lehrinhalte:
  • Einführung in Modellbildung und Simulation mit Beispielen aus der Praxis
  • Problemanalyse und Konzept der Modellierung unter besonderer Berücksichtigung der System/Umwelt Grenze
  • Modelle zur Prognose von Prozessen und Klassifikation von Mustern
  • Erfassung und Digitalisierung von Rohdaten
  • Parametrisierung von Rohdaten (bspw. Zeitreihenanalyse)
  • Konnektionistische Modelle (insb. Rekurrente Neuronale Netze)
  • Stochastische Modelle (insb. Hidden Markov Modelle)
  • Effiziente Decodierung
  • Beispiele für Modellbildung und Simulation aus der Praxis:
    • Auswertung von Biosensoren
    • Modellierung von Mensch-Umwelt-Systemen
    • Modellierung der Entwicklung von Kursen zur Prognose des Value at Risk
Literatur:
  • Bishop, Christopher M.; Pattern Recognition and Machine Learning; Springer; 2006.
  • Bossel, Hartmut; Modellbildung und Simulation; Vieweg; 1992.
  • Brandt, Siegmund; Datenanalyse; Spektrum Verlag; 4. Auflage; 1999.
  • Broy, Manfred, Steinbrüggen, Ralf; Modellbildung in der Informatik; Springer; 2004.
  • Merkl, Rainer und Waack, Stephan; Bioinformatik interaktiv; Wiley-Blackwell; 2. Auflage; 2009.
  • Schölkopf, Bernhard und Smola, Alexander J.; Learning with Kernels; MIT Press; 2002.
Arbeitsformen / Hilfsmittel:Seminaristische Vorlesung mit Präsentationen und computerunterstützten Beispielen; im Praktikum werden Anwendungsbeispiele für Modellierungstechniken realisiert, um das Verständnis des Stoffes der Veranstaltung zu unterstützen und zu vertiefen.
Modulverantwortung:Klaus Kasper
Freigabe ab:WS 2013/2014
Fachliche Kompetenzen:
  • Formale, algorithmische, mathematische Kompetenzen: mittel
  • Analyse-, Design- und Realisierungskompetenzen: mittel
  • Technologische Kompetenzen: hoch (maschinelles Lernen, datengetriebene Modellierung, interdisziplinäre Modellbildung, komplexe Systeme, nichtlineare Dynamik)
  • Befähigung zum Wissenschaftlichen Arbeiten: schwach
Überfachliche Kompetenzen:
  • Projektbezogene Kompetenzen: schwach
  • Fachübergreifende Sachkompetenzen: Technische und naturwissenschaftliche Grundkompetenz
  • Sozial- und Selbstkompetenzen: Analysekompetenz, Kompetenz zum Wissenserwerb

[Fachbereich Informatik] [Hochschule Darmstadt]
© 2008 - 2022 FBI OBS Team. Alle Rechte vorbehalten.