Mathematische Modellierung in der PraxisModulbeschreibung #41160 / Version 2
- 6 LP
- Portfolioprüfung
- Unbenotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #41160 / #2 |
|---|---|
| Gültigkeit | Seit WiSe 2026/27 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Sprekeler, Henning |
| Benotung | Unbenotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352100 FG Modellierung kognitiver Prozesse |
Kontakt
| Sekretariat | MAR 5-3 |
|---|---|
| Ansprechpartner*in | Müller-Villbrandt, Sonja |
| E-Mail-Adresse | cognition@tu-berlin.de |
| Webseite | https://www.tu.berlin/cognition |
Lernergebnisse
Mathematische Modelle sind ein wichtiges wissenschaftliches Werkzeug, das auf eine große Vielfalt von Problemen angewendet werden kann. In den meisten Modellierungskursen lernen Studierende hauptsächlich bestehende Standardmodelle für eine Auswahl wichtiger Phänomene kennen. Den praktischen Fähigkeiten, die erforderlich sind, um neue Modelle für neue Problemstellungen zu entwickeln oder bestehende Modelle an andere Probleme anzupassen, wird hingegen meist nur wenig Aufmerksamkeit geschenkt. Ziel des Moduls ist es, genau diese Fähigkeiten zu vermitteln.
Nach Abschluss des Kurses werden die Studierenden in der Lage sein, eigene mathematische Modelle zu entwerfen. Sie werden wissen, dass es für dasselbe Problem in der Regel viele unterschiedliche Modelle gibt. Sie werden geübt haben zu erkennen, welche Aspekte für ein konkretes Problem relevant sind. Sie werden einen Satz grundlegender Bausteine für Modelle kennen und verstehen, wie diese kombiniert werden können, um mechanistische Hypothesen in Gleichungen zu übersetzen. Außerdem werden sie geübt haben, ihre Entwurfsentscheidungen sowohl schriftlich als auch mündlich gegenüber anderen zu begründen. Schließlich werden sie gelernt haben, ihr Modell auf Grundlage von Simulationen und mathematischen Analysen weiterzuentwickeln und zu verfeinern.
Der Schwerpunkt des Kurses liegt auf mechanistischen Modellen dynamischer Systeme.
Nach Abschluss des Kurses werden die Studierenden in der Lage sein, eigene mathematische Modelle zu entwerfen. Sie werden wissen, dass es für dasselbe Problem in der Regel viele unterschiedliche Modelle gibt. Sie werden geübt haben zu erkennen, welche Aspekte für ein konkretes Problem relevant sind. Sie werden einen Satz grundlegender Bausteine für Modelle kennen und verstehen, wie diese kombiniert werden können, um mechanistische Hypothesen in Gleichungen zu übersetzen. Außerdem werden sie geübt haben, ihre Entwurfsentscheidungen sowohl schriftlich als auch mündlich gegenüber anderen zu begründen. Schließlich werden sie gelernt haben, ihr Modell auf Grundlage von Simulationen und mathematischen Analysen weiterzuentwickeln und zu verfeinern.
Der Schwerpunkt des Kurses liegt auf mechanistischen Modellen dynamischer Systeme.
Lehrinhalte
- Wofür sind mathematische Modelle nützlich?
- Was zeichnet ein gutes Modell aus?
- Modellentwicklung:
* Identifikation relevanter Größen
* Übersetzung von Hypothesen in mathematische Gleichungen
* Verfeinerung des Modells auf Grundlage von Simulationen und/oder mathematischen Analysen
- Bausteine mathematischer Modelle:
* Lineare Modelle
* Verschiedene Formen der Nichtlinearität (Attraktoren, multiplikative und Punkt-Nichtlinearitäten)
* Verschiedene Formen der Stochastizität (Finite-State-Modelle mit stochastischen Übergängen, Gaußsches Rauschen und Langevin-Gleichungen)
* Grundlagen bayesscher Modelle
- Was zeichnet ein gutes Modell aus?
- Modellentwicklung:
* Identifikation relevanter Größen
* Übersetzung von Hypothesen in mathematische Gleichungen
* Verfeinerung des Modells auf Grundlage von Simulationen und/oder mathematischen Analysen
- Bausteine mathematischer Modelle:
* Lineare Modelle
* Verschiedene Formen der Nichtlinearität (Attraktoren, multiplikative und Punkt-Nichtlinearitäten)
* Verschiedene Formen der Stochastizität (Finite-State-Modelle mit stochastischen Übergängen, Gaußsches Rauschen und Langevin-Gleichungen)
* Grundlagen bayesscher Modelle
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Computational modeling - A practical course | Integrierte Veranstaltung | Winter- und Sommersemester | [en] | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
Computational modeling - A practical course (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Wiederholung des Kursmaterials | 15 | 5 h | 75 h |
| 135 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Simulationen und Abschlussbericht | 1 | 45 h | 45 h |
| 45 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Der Kurs kombiniert kurze Vorlesungen an der Tafel mit praktischer Arbeit der Studierenden. Jede Woche umfasst zwei Sitzungen mit analytischem bzw. computergestütztem Schwerpunkt.
In der ersten Sitzung stellt die Kursleitung verschiedene Modellierungstechniken an der Tafel vor (30-45 Min., alle 2-3 Wochen). Anschließend erhalten die Studierenden Beispielphänomene, für die sie eigene computergestützte Modelle entwickeln (Gruppenarbeit mit 2-3 Studierenden, betreut durch die Kursleitung und - abhängig von der Teilnehmerzahl - eine studentische Hilfskraft). Die Gruppen präsentieren ihre Modelle an der Tafel, und die unterschiedlichen Entwurfsentscheidungen der Gruppen werden gemeinsam verglichen. In der zweiten Sitzung führen die Studierenden Computersimulationen ihrer Modelle durch und lernen, diese auf Grundlage der Ergebnisse weiterzuentwickeln und zu verfeinern.
Am Ende des Semesters müssen die Studierenden ein selbst gewähltes Modell eingehend analysieren. Diese Analyse wird in Form eines schriftlichen Berichts dargestellt.
In der ersten Sitzung stellt die Kursleitung verschiedene Modellierungstechniken an der Tafel vor (30-45 Min., alle 2-3 Wochen). Anschließend erhalten die Studierenden Beispielphänomene, für die sie eigene computergestützte Modelle entwickeln (Gruppenarbeit mit 2-3 Studierenden, betreut durch die Kursleitung und - abhängig von der Teilnehmerzahl - eine studentische Hilfskraft). Die Gruppen präsentieren ihre Modelle an der Tafel, und die unterschiedlichen Entwurfsentscheidungen der Gruppen werden gemeinsam verglichen. In der zweiten Sitzung führen die Studierenden Computersimulationen ihrer Modelle durch und lernen, diese auf Grundlage der Ergebnisse weiterzuentwickeln und zu verfeinern.
Am Ende des Semesters müssen die Studierenden ein selbst gewähltes Modell eingehend analysieren. Diese Analyse wird in Form eines schriftlichen Berichts dargestellt.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Studierende benötigen solide Grundlagen in Linearer Algebra und Differentialgleichungen. Kenntnisse stochastischer Prozesse sind von Vorteil.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Unbenotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Deliverable assessment) Abschlussbericht | 60 | schriftlich | 6 pages |
| (Deliverable assessment) Presentation of model 1 | 20 | mündlich | 10min |
| (Deliverable assessment) Presentation of model 2 | 20 | mündlich | 10min |
Prüfungsbeschreibung (Abschluss des Moduls)
Die Studierenden müssen zwei der von ihnen entwickelten Modelle an der Tafel präsentieren und mit den anderen Teilnehmenden diskutieren. Für den Abschlussbericht müssen sie ein selbst gewählten Modells simulieren und tiefer analysieren. Der Bericht soll eine Einführung in das betreffende Phänomen, eine Begründung für das Modelldesign, Simulationen zur Veranschaulichung der Funktionsweise des Modells sowie eine Diskussion von Schwächen und möglichen Erweiterungen des Modells enthalten.
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 20.
Anmeldeformalitäten
Die Anmeldung beginnt jeweils am 1. September bzw. 1. März und endet am 5. April bzw. 5. Oktober.
Die Studierenden werden gebeten, Ihr mathematischen Fähigkeiten vorab in einem kurzen Test auf der ISIS-Seite zu evaluieren. Falls weniger als 50 % der Punkte erreicht werden, wird von von der Teilnahme abgeraten.
Die Studierenden werden gebeten, Ihr mathematischen Fähigkeiten vorab in einem kurzen Test auf der ISIS-Seite zu evaluieren. Falls weniger als 50 % der Punkte erreicht werden, wird von von der Teilnahme abgeraten.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems |
| Computer Science (Informatik) StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems |
| Elektrotechnik StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems |
Sonstiges
Keine Angabe