--- Angabe der Prüfungsordnung (ohne Angabe: PO 2011)
*** PO 2017 ***
------------------------------------------------------------------
---
--- Vorlage für Modulbeschreibungen
---
--- Version: 2.0
---
--- Allgemeine Hinweise:
---
--- - Kommentare beginnen mit --- und werden komplett ignoriert
---
--- - Wichtige Schfüsselwörter beginnen mit *** und dürfen nicht
---   verändert oder gelöscht werden!!!
---
--- - Die Eingaben müssen immer in den leeren Zeilen nach *** erfolgen.
---
--- - Für einen Zeilenumbruch muss eine Leerzeile eingegeben werden.
---
------------------------------------------------------------------

*** Studiengang und Semester
--- für Studiengang nur Kürzel verwenden: BaE, BaEP, BaI, BaMT oder MaII
--- Folgende Stuiengänge sind möglich:
--- 
--- BaBTBI : Bachelor Biotechnologie/Bioinformatik
--- BaCTUT : Bachelor Chemietechnik/Umwelttechnik
--- BaE    : Bachelor Elektrotechnik
--- BaEE   : Bachelor Energieeffizienz
--- BaEP   : Bachelor Elektrotechnik im Praxisverbund
--- BaI    : Bachelor Informatik
--- BaIBS  : Bachelor Industrial Business Systems
--- BaIBSE : Bachelor Industrial Business Systems
--- BaLT   : Bachelor Lasertechnik/Photonik
--- BaMD   : Bachelor Maschinenbau und Design
--- BaMDP  : Bachelor Maschinenbau und Design (Praxisverbund)
--- BaMT   : Bachelor Medientechnik
--- MaALS  : Master Applied Life Science
--- MaII   : Master Industrial Informatics
--- MaMb   : Master Maschinenbau
--- MaTM   : Master International Technical Management
--- MaTMeng: Master International Technical Management (eng)
---
--- Das Semester wird davor geschrieben, auch Semesterbereiche möglich
--- Wenn das Modul in mehreren Studiengängen verwendet wird, werden diese
--- durch Komma getrennt aufgeführt.
---
--- Beispiel: 2BaI, 2-3BaE, 5BaMT

2MaII

*** Modulbezeichnung
--- Name laut Modulliste verwenden

Analytics & Mathematics

*** Art
--- nur Alternativen: Pflichtfach, Wahlpflichtfach
---
--- Beispiele: 
--- Pflichtfach
--- Wahlpflichtfach
--- Pflichtfach Vertiefung Technische Informatik

Pflichtfach

*** ECTS-Punkte
--- nur Zahl angeben
--- Beispiele:
--- 5
--- 7,5

5

*** Studentische Arbeitsbelastung
--- Angabe als x Stunden Kontaktzeit und y Stunden Selbststudium
--- Format: x, y
--- bei 2V+2P: 70, 80
--- bei 3V+1P: 70, 80
--- bei 4V+0P: 70, 80
--- bei 4V+2P: 105, 120

60, 90


*** Voraussetzungen (laut Prüfungsordnung)
--- nur Modulbezeichnungen aufführen, z.B. Java 1



*** Empfohlene Voraussetzungen
--- zusätzliche Module, die nicht in Prüfungsordnung als Voraussetzung stehen
--- nur Modulbezeichnungen aufführen, z.B. Java 1

Mathe 1, 2, 3

*** Pruefungsform und -dauer
--- Alternativen:
--- Klausur 1,5 h
--- Klausur 1,5h oder mündliche Prüfung
--- Mündliche Prüfung
--- Erstellung und Dokumentation von Rechnerprogrammen
--- Mündliche Präsentation und schriftliche Dokumentation

Klausur 1,5 h oder mündliche Prüfung

*** Lehrmethoden und Lernmethoden
--- Alternativen: Vorlesung, Praktikum, Seminar, Studentische Arbeit
--- Falls Modul aus mehreren Veranstaltungen besteht, werden diese durch
--- Komma getrennt aufgeführt.

Vorlesung

*** Modulverantwortlicher
--- Vorname abgekürzt, keine Titel
--- Beispiel: F. Rump

J. Kittel

*** Qualifikationsziele
--- Fließtext eingeben
--- siehe Vorgaben in der Dokumentation

Die Studierenden sollen die numerischen Herausforderungen großer Datenmengen einschätzen und beurteilen können. Mit Hilfe einer Standard-Software sollen Sie ausgewählte Algorithmen für hochdimensionale Probleme analysieren, bewerten und anwenden können. Auf dieser Basis können sie (kommerzielle) Software-Pakete hinsichtlich deren Anwendbarkeit bewerten. 

Die Studierenden sollen Repräsentationsformen durch gerichtete und ungerichtete Graphen als Bayes-Netze kennenlernen. Sie sollen Schlussfolgerungen innerhalb dieses Repräsentationen durchführen und Algorithmen zur Informationsweitergabe in Bayes-Netzen programmieren können. Anhand von Beispielen sollen sie das Lernen in Bayes-Netzen erläutern können. 

*** Lehrinhalte
--- Fließtext eingeben

Die Bedeutung der Datenanalyse, insbesondere großer Datenmengen (Big Data), wächst in verschiedenen Bereichen der Wissenschaft und Wirtschaft. Die Vorlesung behandelt Konzepte, Algorithmen und Technologien zur Analyse von großen Datenmengen. Es werden die numerischen Methoden zur Lösung von hochdimensionaler linearer und nichtlinearer Gleichungssysteme sowie Verfahren für Kalibrierungs- und Maximum-Likelihood-Probleme behandelt.

Die künstliche Intelligenz spielt in immer mehr Bereichen von Wissenschaft und Technik eine große Rolle. In der Vorlesung sollen Bayes-Netze zur Darstellung von Expertenwissen behandelt werden. Es werden Grundlagen der Graphentheorie, der Wahrscheinlichkeitstheorie und ihre Verknüpfung bei Bayes-Netzen behandelt. Außerdem werden Algorithmen zur Wissensweitergabe erläutert.


*** Literatur
--- Format: Heun, V.: Grundlegende Algorithmen, Vieweg, 2000.
--- Mehrere Literaturangaben durch Leerzeilen trennen!

Fasel, D., Meier, A.: Big Data - Grundlagen, Systeme und Nutzungspotenziale, Springer, 2016

Kruse, R., et.al.: Computational Intelligence, 2. Auflage, Springer Vieweg,2015
------------------------------------------------------------------
---
--- Hier beginnt die Aufzählung der einzelnen Lehrveranstaltungen
--- des Moduls (z.B. Vorlesung und Praktikum).
---
--- Falls mehrere Lehrveranstaltungen vorgesehen sind, bitte die
--- entsprechenden Bereiche auskommentieren.
---
------------------------------------------------------------------

*** Titel der Lehrveranstaltung
--- Beispiel: Praktikum Informationssysteme

Analytics

*** Dozent
--- Vorname abgekürzt, keine Titel
--- Beispiel: F. Rump

E. Wings

*** SWS
--- Zahl angeben
1,5

*** Titel der Lehrveranstaltung
Algorithmic Mathematics

*** Dozent
J. Kittel

*** SWS
1,5