Schwerpunkt ist das Thema Bewerbung. Die Studierenden werden unterstützt einen ansprechenden Lebenslauf und ein Anschreiben zu erstellen. Sie üben die Selbstvorstellung im Bewerbungsgespräch und absolvieren ein Probeinterview. Dadurch reflektieren die Studierenden ihre Kompetenzen, Fähigkeiten und Interessen und erhalten Feedback von ihren Kommiliton*innen und den Lehrkräften. Sie gewinnen Zuversicht und erhöhen die Chancen sich erfolgreich z.B. auf einen Praktikumsplatz zu bewerben.
Erste Eindrücke der Berufsfelder von Ingenieurinnen und Ingenieuren erhalten die Studierenden durch ihre Teilnahmen an Unternehmensbesichtigungen bei Unternehmen in der Metropolregion Hamburg, die potentielle Arbeitgeber für TUHH-Absolventen sind.
Sie haben dort die Gelegenheit, mit Alumni der TUHH ins Gespräch zu kommen (Role Models) und einen Einblick in ihren aktuellen Arbeitsalltag zu erhalten. Zur Vorbereitung der Unternehmensbesuche nehmen die Studierenden an einer einführenden Veranstaltung teil. Im Nachgang jeder Unternehmensbesichtigung fertigen die Studierenden einen Bericht an.
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: ZB Servicebereich Lehre u. Studium (SLS)
In Stud.IP angemeldete Teilnehmer: 58
Anzahl der Dokumente im Stud.IP-Downloadbereich: 3
Supervised Theses
ongoing
completed
2021
Hund, P. (2021). Modellierung eines elektrischen Netzes zur Demonstration des Einflusses von virtueller Trägheit durch umrichterbasierte Energieanlagen.
Hund, P. (2021). Koordinierte Bereitstellung von virtueller Trägheit durch erneuerbare umrichterbasierte Energieanlagen in Verteilnetzen mithilfe von künstlicher Intelligenz.
Möller, P. (2021). Erfassung der Knotenspannung in Niederspannungsnetzen auf Basis von dezentralen Messeinrichtungen mithilfe von Machine learning.
Plant, R. (2021). Estimation of Power System Inertia in an Inverter-Dominated Distribution Grid Using Machine Learning.
2020
Dressel, M. (2020). Modellierung der Zustandsschätzung eines elektrischen Netzes mit Hilfe von Graph neuronalen Netzen.
Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.