LFU:online

Anmeldevoraussetzung: keine

Lernergebnis: Nach erfolgreicher Absolvierung dieses Moduls beherrschen die Studierenden die aktive Auseinandersetzung mit dem aktuellen Wissensstand im Fachbereich des Dissertationsthemas und die kritische Diskussion und Reflexion mit ExpertInnen der gewählten chemischen Teildisziplin.

Anmeldevoraussetzung: positive Beurteilung des Pflichtmoduls 1

Lernergebnis: Die Studierenden erarbeiten eigene Forschungsergebnisse, stellen diese einem Audiotorium vor und entwickeln sie im wissenschaftlichen Diskurs weiter.

Anmeldevoraussetzung: keine

Lernergebnis: Die Studierenden verfügen über Fachkenntnisse, die für die Durchführung der Dissertation benötigt werden.

Anmeldevoraussetzung: keine

Lernergebnis: Absolventinnen und Absolventen dieses Moduls verstehen die Inhalte der Vorlesung und können diese wiedergeben und anwenden. Sie haben die Fertigkeit erworben, sich ähnliche Inhalte selbständig zu erarbeiten. Sie sind in der Lage, Optimierungsprobleme in Anwendungen zu erkennen, in eine mathematische Formulierung zu übersetzen und die entsprechenden Algorithmen und Lösungsverfahren situationsgerecht anzuwenden. Weiters sollen sie ein Grundverständnis für die Methoden der mathematischen Optimierung erlangt haben.

Anmeldevoraussetzung: keine

Lernergebnis: Absolventinnen und Absolventen dieses Moduls sind in der Lage, sich methodisch korrekt mit einem Teilgebiet der Mathematik auseinanderzusetzen und das Ergebnis dieser Auseinandersetzung schriftlich und mündlich gut verständlich darzulegen.

Anmeldevoraussetzung: keine

Lernergebnis: Absolventinnen und Absolventen dieses Moduls haben sich durch selbständiges Studium vertiefte Kenntnisse in einem Teilgebiet der höheren Mathematik erarbeitet. Sie sind außerdem mit relevanter mathematischer Literatur vertraut und können deren mathematischen Gehalt beurteilen. Sie sind in der Lage, sich kreativ und methodisch korrekt mit Problemen der höheren Mathematik auseinanderzusetzen und das Ergebnis dieser Auseinandersetzungen schriftlich und mündlich für Expertinnen und Experten gut verständlich darzulegen. Die Inhalte der Seminare orientieren sich an aktuellen Forschungsthemen.

Anmeldevoraussetzung: keine

Lernergebnis: Nach erfolgreicher Absolvierung dieses Moduls beherrschen die Studierenden die aktive Auseinandersetzung mit dem aktuellen Wissensstand im Bereich des Dissertationsthemas und die kritische Diskussion und Reflexion mit Expertinnen und Experten der gewählten Teildisziplin. Davon ausgehend sind sie in der Lage, eigene Forschungsbeiträge zu liefern. Ebenso verfügen die Studierenden über Schnittstellenkenntnisse auf hohem fachlichen Niveau, welche für die Durchführung der Dissertation benötigt werden.

Anmeldevoraussetzung: keine

Lernergebnis: Nach erfolgreicher Absolvierung dieses Moduls beherrschen die Studierenden die aktive Auseinandersetzung mit dem aktuellen Wissensstand im Bereich des Dissertationsthemas und die kritische Diskussion und Reflexion mit Expertinnen und Experten der gewählten Teildisziplin. Davon ausgehend sind sie in der Lage, eigene Forschungsbeiträge zu liefern. Ebenso verfügen die Studierenden über Schnittstellenkenntnisse auf hohem fachlichen Niveau, welche für die Durchführung der Dissertation benötigt werden.

Anmeldevoraussetzung: keine

Lernergebnis: Nach erfolgreicher Absolvierung dieses Moduls beherrschen die Studierenden die aktive Auseinandersetzung mit dem aktuellen Wissensstand im Bereich des Dissertationsthemas und die kritische Diskussion und Reflexion mit Expertinnen und Experten der gewählten Teildisziplin. Davon ausgehend sind sie in der Lage, eigene Forschungsbeiträge zu liefern. Ebenso verfügen die Studierenden über Schnittstellenkenntnisse auf hohem fachlichen Niveau, welche für die Durchführung der Dissertation benötigt werden.

Anmeldevoraussetzung: absolvierte Lehrveranstaltungen im Umfang von mindestens 15 ECTS-AP aus Pflichtmodul 1

Lernergebnis: Studierende erwerben tiefgehende Kenntnisse über Supervised Learning mittels Verteilungsregression, über Unsupervised Learning für multivariate Daten sowie Supervised Learning mittels algorithmischer Modelle. Sie besitzen die Fähigkeit, für eine konkrete Aufgabe eigenständig ein wahrscheinlichkeitstheoretisches Modell auszuwählen und anzupassen, insbesondere fällt darunter die Wahl geeigneter Antwortverteilung, Regressoren und Algorithmen zur Parameterschätzung. Sie sind in der Lage, dimensionsreduzierende Verfahren sowie Scaling, Clustering und Assoziationsanalyse anzuwenden. Für eine konkrete Problemstellung können sie eigenständig ein prädiktives Modell auswählen und anpassen, insbesondere setzen sie flexible Lernstrategien unter Verwendung entsprechender Bausteine (Base Learners, Kernels, Regeln usw.) sowie Hyperparameter-Tuning um.

Anmeldevoraussetzung: Positive Beurteilung des Pflichtmoduls 1

Lernergebnis: Die Studierenden sind vertraut mit der Praxis des wissenschaftlichen Schreibens sowie dem Publikations- und Reviewprozess. Sie sind in der Lage, ihre Forschungsergebnisse im Plenum zu präsentieren und die Ergebnisse einer kritischen Bewertung zu unterziehen.