htw saar Piktogramm QR-encoded URL
Zurück zur Hauptseite Version des Moduls auswählen:
Lernziele hervorheben XML-Code


Künstliche Intelligenz für Ingenieure

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
Künstliche Intelligenz für Ingenieure
Studiengang:
Studiengang mit Beginn der Gültigkeit der betreffenden ASPO-Anlage/Studienordnung des Studiengangs, in dem dieses Modul zum Studienprogramm gehört (=Start der ersten Erstsemester-Kohorte, die nach dieser Ordnung studiert).
Erneuerbare Energien/Energiesystemtechnik, Bachelor, ASPO 01.10.2022
Code: EE1641
SWS/Lehrform:
Die Anzahl der Semesterwochenstunden (SWS) wird als Zusammensetzung von Vorlesungsstunden (V), Übungsstunden (U), Praktikumsstunden (P) oder Projektarbeitsstunden (PA) angegeben. Beispielsweise besteht eine Veranstaltung der Form 2V+2U aus 2 Vorlesungsstunden und 2 Übungsstunden pro Woche.
-
ECTS-Punkte:
Die Anzahl der Punkte nach ECTS (Leistungspunkte, Kreditpunkte), die dem Studierenden bei erfolgreicher Ableistung des Moduls gutgeschrieben werden. Die ECTS-Punkte entscheiden über die Gewichtung des Fachs bei der Berechnung der Durchschnittsnote im Abschlusszeugnis. Jedem ECTS-Punkt entsprechen 30 studentische Arbeitsstunden (Anwesenheit, Vor- und Nachbereitung, Prüfungsvorbereitung, ggfs. Zeit zur Bearbeitung eines Projekts), verteilt über die gesamte Zeit des Semesters (26 Wochen).
5
Studiensemester: laut Wahlpflichtliste
Pflichtfach: nein
Arbeitssprache:
Deutsch
Prüfungsart:


[noch nicht erfasst]
Verwendbarkeit / Zuordnung zum Curriculum:
Alle Studienprogramme, die das Modul enthalten mit Jahresangabe der entsprechenden Studienordnung / ASPO-Anlage.

BMT2411.KFI Biomedizinische Technik, Bachelor, SO 01.10.2025 , Wahlpflichtfach
EE1641 Erneuerbare Energien/Energiesystemtechnik, Bachelor, ASPO 01.10.2022 , Wahlpflichtfach
E2436 Elektro- und Informationstechnik, Bachelor, ASPO 01.10.2018 , Wahlpflichtfach
FT74 Fahrzeugtechnik, Bachelor, ASPO 01.10.2019 , Wahlpflichtfach
MAB_19_4.2.1.46 Maschinenbau/Verfahrenstechnik, Bachelor, ASPO 01.10.2019 , Wahlpflichtfach
MST.KFI Mechatronik/Sensortechnik, Bachelor, ASPO 01.10.2020 , Wahlpflichtfach
Arbeitsaufwand:
Der Arbeitsaufwand des Studierenden, der für das erfolgreiche Absolvieren eines Moduls notwendig ist, ergibt sich aus den ECTS-Punkten. Jeder ECTS-Punkt steht in der Regel für 30 Arbeitsstunden. Die Arbeitsstunden umfassen Präsenzzeit (in den Vorlesungswochen), Vor- und Nachbereitung der Vorlesung, ggfs. Abfassung einer Projektarbeit und die Vorbereitung auf die Prüfung.

Die ECTS beziehen sich auf die gesamte formale Semesterdauer (01.04.-30.09. im Sommersemester, 01.10.-31.03. im Wintersemester).
Empfohlene Voraussetzungen (Module):
Keine.
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Christoph Tholen
Dozent/innen: Prof. Dr. Christoph Tholen

[letzte Änderung 25.02.2026]
Lernziele:
Nach erfolgreichem Abschluss des Moduls können die Studierenden verschiedene Teilgebiete der Künstlichen Intelligenz benennen und gegeneinander abgrenzen. Sie verfügen über tiefergehendes Wissen aus den Teilgebieten des maschinellen Lernens und der Optimierung und können dieses Wissen für die Lösung ingenieurwissenschaftlicher Problemstellungen anwenden. Sie können für die Lösung eines gegebenen ingenieurtechnischen Problems geeignete Methoden und Verfahren der Künstlichen Intelligenz identifizieren und in einfachen Anwendungsszenarien praktisch einsetzen.

[letzte Änderung 25.02.2026]
Inhalt:
Historische Entwicklung der Künstlichen Intelligenz
Datenanalyse & Feature Engineering
Überwachtes maschinelles Lernen
Suchen und Optimieren als Teilgebiete der Künstlichen Intelligenz
Anwendungen von KI-Techniken für die Lösung ingenieurwissenschaftlicher Problemstellungen


[letzte Änderung 25.02.2026]
Weitere Lehrmethoden und Medien:
Folien, Programmierübungen

[letzte Änderung 25.02.2026]
Literatur:
Frochte, J.: Maschinelles Lernen: Grundlagen und Algorithmen in Python. Hanser, München (2019). https://doi.org/10.3139/9783446459977.
Matzka, S.: Künstliche Intelligenz in den Ingenieurwissenschaften: Maschinelles Lernen verstehen und bewerten. Springer Fachmedien, Wiesbaden (2021). https://doi.org/10.1007/978-3-658-34641-6.
Hanne, T., Dornberger, R.: Computational Intelligence in Logistik und Supply Chain Management. Springer International Publishing, Cham (2023). https://doi.org/10.1007/978-3-031-21452-3.
Selle, S.: Data Science Training - Supervised Learning: Ein praktischer Einstieg ins überwachte maschinelle Lernen. Springer, Berlin, Heidelberg (2024). https://doi.org/10.1007/978-3-662-67960-9.
Hopgood, A.A.: Intelligent Systems for Engineers and Scientists: A Practical Guide to Artificial Intelligence. CRC Press, Boca Raton (2021). https://doi.org/10.1201/9781003226277.


[letzte Änderung 25.02.2026]
 
[Tue Mar  3 06:54:18 CET 2026, CKEY=ekifi, BKEY=ee3, CID=EE1641, LANGUAGE=de, DATE=03.03.2026]