Studiengangsbeschreibung

Inhalt

Die Informatik ist neben Biotechnologie, Medizintechnik und Nanotechnologie die Schlüsseltechnologie des 21. Jahrhunderts. Sie hat sich zu einer Triebfeder des technologischen Fortschrittes entwickelt, weil alle Berufszweige mit Informationsaspekten durchdrungen sind und immer neue Anwendungsfelder in der Informations- und Kommunikationstechnik erschlossen werden. Deshalb brauchen wir heute und morgen Informatikerinnen und Informatiker, die informationsverarbeitende Systeme qualifiziert und verantwortungsbewusst entwerfen, analysieren und an gegebene Einsatzbedingungen anpassen.

Die Informatik ist eng mit der Mathematik und der Elektrotechnik/Elektronik verbunden, ist aber auch als eine Basis- und Querschnittsdisziplin zu verstehen, die sich sowohl mit technischen als auch mit organisatorischen Problemen bei der Entwicklung und Anwendung informationsverarbeitender Systeme beschäftigt. Sie erforscht die grundsätzlichen Verfahrensweisen der Informationsverarbeitung und die allgemeinen Methoden der Anwendung solcher Verfahren in den verschiedensten Bereichen. Sie geht durch Abstraktion und Modellbildung sowohl über die konkreten technischen Realisierungen informationsverarbeitender Systeme als auch über die Besonderheiten spezieller Anwendungen hinaus und gelangt zur Formulierung allgemeiner Gesetzmäßigkeiten. Daraus entwickelt sie Standardlösungen für die Aufgaben der Praxis, z.B. bei der Bewältigung großer Daten- und Informationsmengen und der Steuerung komplexer Produktionsabläufe (Quelle: studienwahl.de, 05/2015).

Der Bachelorstudiengang Computer Science bietet ein wissenschaftlich fundiertes, grundlagenorientiertes Studium. Auf der Basis eines breiten und in ausgewählten Teilgebieten vertieften fachlichen Wissens werden die analytischen, kreativen und konstruktiven Fähigkeiten zur Konzipierung von informationsverarbeitenden Systemen entwickelt und gefördert. Vor allem wird die Fähigkeit zur Realisierung und Implementierung von programmierbaren Systemen erworben. Durch die Bearbeitung von vielfältigen Problemen aus verschiedenen Anwendungsbereichen entwickeln die Studierenden insgesamt eine sinnvolle Mischung aus praktischen und wissenschaftlichen Fähigkeiten. Schlüsselqualifikationen wie Teamarbeit und Präsentationstechniken werden gezielt vermittelt.

Die Informatik unterliegt schnellen Innovationen, weshalb besonderer Wert auf zukunftsfestes Wissen gelegt wird. Damit sollen die Studierenden in die Lage versetzt werden, auch die künftigen Entwicklungen der Informatik selbstständig und auf hohem Niveau in ihre berufliche Praxis und in ihren persönlichen Horizont zu integrieren. Aus diesem Grund hat der Bachelorstudiengang eine wissenschaftliche und methodenorientierte Grundausrichtung. Erworben werden vor allem gründliche Kenntnisse in Informatik und der dazu gehörigen Mathematik sowie Betriebswirtschaftslehre.


Berufliche Perspektiven

Der Bachelorstudiengang Computer Science bereitet die Absolventen und Absolventinnen sowohl auf eine berufliche Tätigkeit im IT-Sektor als auch auf ein aufbauendes Master-Studium vor. Die Absolventen und Absolventinnen werden in die Lage versetzt, komplexe IT-Lösungen zu entwerfen und technisch umzusetzen. Ferner werden methodische Grundlagen erworben, um sich stets an neue berufliche Entwicklungen und Innovationen anzupassen. Daher sollten die Absolventen und Absolventinnen in nahezu allen Branchen eine verantwortungsvolle Tätigkeit finden können.

Lernziele

Das Bachelorstudium Computer Science soll die Studierenden sowohl auf eine berufliche Tätigkeit als auch auf ein einschlägiges Master-Studium vorbereiten. Das hierfür notwendige methodische Grundlagenwissen wird im Rahmen des Studiums erworben. Die Lernergebnisse des Studiengangs werden durch ein Zusammenspiel von grundlegenden und weiterführenden Modulen aus Informatik, Mathematik und Betriebswirtschaftslehre erreicht. Die Lernziele sind im Folgenden eingeteilt in die Kategorien Wissen, Fertigkeiten, Sozialkompetenz und Selbstständigkeit.

Wissen

Wissen konstituiert sich aus Fakten, Grundsätzen und Theorien und wird im Bachelorstudiengang Computer Science auf folgenden Gebieten erworben:

  1. Die Absolventen und Absolventinnen kennen grundlegende Methoden und Verfahren zur mathematischen Modellbildung in der Informatik, wie etwa algebraisch spezifizierte abstrakte Datentypen, Automatenmodelle, formale Grammatiken, Modelle der Berechenbarkeit, Komplexitätsmodelle, graphentheoretische Netzwerke, Differentialgleichungen, stochastische Prozesse und dynamische Systeme im Sinne der Systemtheorie. Sie können diese beschreiben und vergleichen.
  2. Die Absolventen und Absolventinnen kennen fundamentale Methoden und Verfahren zur Lösung oder Approximation von algorithmischen Entscheidungs- und Optimierungsproblemen, wie etwa automatische Differentiation, direkte erschöpfende Suche via Backtracking, Gradienten-basierte Verfahren, graphentheoretische Algorithmen, Heuristiken, lineare (ganzzahlige) Programmierung, Testen von Hypothesen, Theorem-Beweiser,  sowie deren Analyse hinsichtlich Komplexität, Konvergenz und Güte. Sie sind in der Lage, diese zu skizzieren und zu diskutieren.
  3. Die Absolventen und Absolventinnen kennen die Grundlagen des Software-Entwurfes und können hierbei auf gängige prozedurale, objektorientierte, funktionale und logikbasierte Programmiersprachen sowie grundlegende Datenstrukturen und Algorithmen zurückgreifen. Sie sind vertraut mit dem Betrieb von Software-Systemen unter Berücksichtigung der Organisation und Verarbeitung großer Datenmengen, der Verwaltung der zur Verfügung stehenden Betriebsmittel und einem verteilten Arrangement von Daten und Algorithmen.
  4. Die Absolventen und Absolventinnen kennen den Aufbau, den Betrieb und die Organisation von Rechenanlagen und sie wissen, wie Algorithmen auf dem von-Neumann-Rechner oder einem Mikroprozessor ausgeführt werden. Sie wissen ferner, wie Hardware-Bausteine programmiertechnisch beschrieben und simuliert werden können und sie können die Einbettung eines Strukturmodells in einen technischen Rahmen skizzieren und implementieren.
  5. Die Absolventen und Absolventinnen kennen eine Reihe von Anwendungsfällen valider mathematischer Modelle in der Informatik, wie etwa Algorithmen in Netzwerken, diskrete und schnelle Fourier-Transformation, Public-Key-Infrastrukturen sowie Sortier- und Suchverfahren.

Fertigkeiten

Die Fähigkeit, erlerntes Wissen anzuwenden, um spezifische Probleme zu lösen, wird im Studiengang Computer Science auf vielfältige Weise unterstützt:

  1. Die Absolventen und Absolventinnen sind im Stande, Instanzen formaler Modelle in der Informatik anhand einfacher Modellierungsansätze zu entwickeln, ihre Berechenbarkeit und Komplexität einzuschätzen und sie anhand geeigneter Programmierwerkzeuge umzusetzen.
  2. Die Absolventen und Absolventinnen sind in der Lage, Instanzen von algorithmischen Entscheidungs- und Optimierungsproblemen unter Einsatz des Erlernten optimal oder näherungsweise zu lösen und die Lösungen zu analysieren.
  3. Die Absolventen und Absolventinnen können Software-Komponenten in komplexere Softwaresysteme unter Benutzung der im Studium erarbeiteten Methoden integrieren und testen. 
  4. Die Absolventen und Absolventinnen werden in die Lage versetzt, Mikroprozessoren zu programmieren und Strukturbeschreibungen von einfachen Hardware-Bausteinen zu entwickeln, zu simulieren und zu bewerten. 
  5. Die Absolventen und Absolventinnen können vertraute Anwendungsfälle valider mathematischer Modelle aus der Informatik unter Verwendung einschlägiger Werkzeuge umsetzen und die Lösungen evaluieren.

Erwerb von Sozialkompetenz

Sozialkompetenz umfasst die individuelle Fähigkeit und den Willen, zielorientiert mit anderen zusammen zu arbeiten, die Interessen der anderen zu erfassen, sich zu verständigen und die Arbeits- und Lebenswelt mitzugestalten.

  1. Die Absolventen und Absolventinnen können in einem fachlich homogenen Team organisieren, spezifische Teilaufgaben übernehmen und den eigenen Beitrag reflektieren.
  2. Die Absolventen und Absolventinnen sind in der Lage, sich in ein fachlich heterogenes Team einzugliedern, gemeinsame Lösungen zu erarbeiten und diese vor anderen zu vertreten.

Kompetenz zum selbständigen Arbeiten

Personale Kompetenzen umfassen neben der Kompetenz zum selbständigen Handeln auch System- und Lösungskompetenzen, allgemeinen Problemstellung auf spezifische Teilprobleme abzubilden sowie die Auswahl und das Beherrschen geeigneter Methoden und Verfahren zur Problemlösung.

  1. Die Absolventen und Absolventinnen können sich selbständig ein eng umrissenes Teilgebiet der Informatik erschließen und die Ergebnisse im Rahmen eines kurzen Vortrages mit fortschrittlichen Präsentationstechniken oder eines mehrseitigen Aufsatzes detailliert zusammenfassen.
  2. Die Absolventen und Absolventinnen sind in der Lage, fachlich eingegrenzte Teilprojekte unter Verwendung des im Studium Erlernten in einem komplexeren IT-Entwicklungsprojekt eigenverantwortlich zu bearbeiten.

Studiengangsstruktur

Das Curriculum des Bachelorstudienganges Computer Science ist wie folgt gegliedert:
  • Kernqualifikation: 20 Module, 126 Leistungspunkte (LP), 1. - 6. Semester
    • Fachmodule aus dem Grundlagenbereich von Informatik und Mathematik (108 LP)
    • Software-Fachpraktikum (6 LP)
    • Grundlagen der Betriebswirtschaftslehre (6 LP)
    • Nichttechnische Ergänzungsfächer (6 LP)
  • Vertiefung: 7 Module, 42 LP, 5. und 6. Semester
    • Richtungen: Computer- und Software-Engineering, Mathematik und Ingenieurwissenschaften, Fachspezifische Fokussierung
  • Bachelorarbeit: 12 LP, 6. Semester

Damit ergibt sich ein Gesamtaufwand von 180 LP. 

Der Studienplan ist mit einem Mobilitätsfenster versehen, so dass das fünfte Semester unter Umständen im Ausland absolviert werden kann.

Fachmodule der Kernqualifikation

Im Studium der Informatik werden zunächst die Grundlagen der praktischen, theoretischen und technischen Informatik sowie der dazu benötigten Mathematik gelehrt. An der TUHH wird großer Wert auf eine breite methodenorientierte Ausbildung gelegt.

Im Einzelnen werden folgende Lehrinhalte vermittelt:

Abgerundet wird das Kernangebot durch Veranstaltungen, welche die persönlichen, sozialen und methodischen Kompetenzen (Soft-Skills) erhöhen sollen:


Modul M0561: Diskrete Algebraische Strukturen

Lehrveranstaltungen
Titel Typ SWS LP
Diskrete Algebraische Strukturen (L0164) Vorlesung 2 3
Diskrete Algebraische Strukturen (L0165) Gruppenübung 2 3
Modulverantwortlicher Prof. Karl-Heinz Zimmermann
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Abiturkenntnisse in Mathematik.
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Wissen: Die Studierenden kennen

  • zahlentheoretische und funktionsbasierte Modelle der Kryptographie sowie Grundlagen der linearen Codes;
  • den Aufbau und Struktur von Restklassenringen (Euklidische Ringe) und endlichen Körpern;
  • den Aufbau und die Struktur von Unter-, Summen- und Faktorstrukturen in algebraischen Gebilden sowie Homomorphismen zwischen diesen Strukturen;
  • den Aufbau und die Abzählung von elementaren kombinatorischen Strukturen;
  • die wichtigsten Beweiskonzepte der modernen Mathematik;
  • den Aufbau der höheren Mathematik basierend auf mathematischer Logik und Mengenlehre;
  • grundlegende Aspekte des Einsatzes von mathematischer Software (Computeralgebrasystem Maple) zur Lösung von algebraischen oder kombinatorischen Aufgabenstellungen.
Fertigkeiten

Fertigkeiten: Die Studierenden können

  • in Restklassenringen (Euklischen Ringen) rechnen;
  • Unter-, Summen- und Faktorstrukturen in algebraischen Gebilden aufstellen und in ihnen rechnen sowie algebraische Strukturen durch Homomorphismen aufeinander beziehen;
  • elementar-kombinatorische Strukturen identifizieren und abzählen;
  • die Sprache der Mathematik, basierend auf Mathematischer Logik und Mengenlehre, dienstbar verwenden;
  • einfache, im Kontext stehende mathematische Aussagen beweisen;
  • einschlägige mathematische Software (Computeralgebrasystem Maple) zielgerichtet einsetzen.


Personale Kompetenzen
Sozialkompetenz

Die Studierenden sind nach Abschluss des Moduls in der Lage, fachspezifische Aufgaben alleine oder in einer Gruppe zu bearbeiten und die Resultate geeignet zu präsentieren.

Selbstständigkeit

Die Studierenden sind nach Abschluss des Moduls in der Lage, sich Teilbereiche des Fachgebietes anhand von Fachbüchern selbständig zu erarbeiten, das erworbene Wissen zusammenzufassen, zu präsentieren und es mit den Inhalten anderer Lehrveranstaltungen zu verknüpfen.


Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Lehrveranstaltung L0164: Diskrete Algebraische Strukturen
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Karl-Heinz Zimmermann
Sprachen DE/EN
Zeitraum WiSe
Inhalt
Literatur
Lehrveranstaltung L0165: Diskrete Algebraische Strukturen
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Karl-Heinz Zimmermann
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0731: Functional Programming

Lehrveranstaltungen
Titel Typ SWS LP
Funktionales Programmieren (L0624) Vorlesung 2 2
Funktionales Programmieren (L0625) Hörsaalübung 2 2
Funktionales Programmieren (L0626) Gruppenübung 2 2
Modulverantwortlicher Prof. Sibylle Schupp
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse Discrete mathematics at high-school level 
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Students apply the principles, constructs, and simple design techniques of functional programming. They demonstrate their ability to read Haskell programs and to explain Haskell syntax as well as Haskell's read-eval-print loop. They interpret warnings and find errors in programs. They apply the fundamental data structures, data types, and type constructors. They employ strategies for unit tests of functions and simple proof techniques for partial and total correctness. They distinguish laziness from other evaluation strategies. 

Fertigkeiten

Students break a natural-language description down in parts amenable to a formal specification and develop a functional program in a structured way. They assess different language constructs, make conscious selections both at specification and implementations level, and justify their choice. They analyze given programs and rewrite them in a controlled way. They design and implement unit tests and can assess the quality of their tests. They argue for the correctness of their program.

Personale Kompetenzen
Sozialkompetenz

Students practice peer programming with varying peers. They explain problems and solutions to their peer. They defend their programs orally. They communicate in English.

Selbstständigkeit

In programming labs, students learn  under supervision (a.k.a. "Betreutes Programmieren") the mechanics of programming. In exercises, they develop solutions individually and independently, and receive feedback. 

Arbeitsaufwand in Stunden Eigenstudium 96, Präsenzstudium 84
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 15 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
General Engineering Science (7 Semester): Vertiefung Mechatronics: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0624: Functional Programming
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum WiSe
Inhalt
  • Functions, Currying, Recursive Functions, Polymorphic Functions, Higher-Order Functions
  • Conditional Expressions, Guarded Expressions, Pattern Matching, Lambda Expressions
  • Types (simple, composite), Type Classes, Recursive Types, Algebraic Data Type
  • Type Constructors: Tuples, Lists, Trees, Associative Lists (Dictionaries, Maps)
  • Modules
  • Interactive Programming
  • Lazy Evaluation, Call-by-Value, Strictness
  • Design Recipes
  • Testing (axiom-based, invariant-based, against reference implementation)
  • Reasoning about Programs (equation-based, inductive)
  • Idioms of Functional Programming
  • Haskell Syntax and Semantics
Literatur

Graham Hutton, Programming in Haskell, Cambridge University Press 2007.

Lehrveranstaltung L0625: Functional Programming
Typ Hörsaalübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum WiSe
Inhalt
  • Functions, Currying, Recursive Functions, Polymorphic Functions, Higher-Order Functions
  • Conditional Expressions, Guarded Expressions, Pattern Matching, Lambda Expressions

  • Types (simple, composite), Type Classes, Recursive Types, Algebraic Data Type
  • Type Constructors: Tuples, Lists, Trees, Associative Lists (Dictionaries, Maps)
  • Modules
  • Interactive Programming
  • Lazy Evaluation, Call-by-Value, Strictness
  • Design Recipes
  • Testing (axiom-based, invariant-based, against reference implementation)
  • Reasoning about Programs (equation-based, inductive)
  • Idioms of Functional Programming
  • Haskell Syntax and Semantics

Literatur

Graham Hutton, Programming in Haskell, Cambridge University Press 2007.

Lehrveranstaltung L0626: Functional Programming
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum WiSe
Inhalt
  • Functions, Currying, Recursive Functions, Polymorphic Functions, Higher-Order Functions
  • Conditional Expressions, Guarded Expressions, Pattern Matching, Lambda Expressions

  • Types (simple, composite), Type Classes, Recursive Types, Algebraic Data Type
  • Type Constructors: Tuples, Lists, Trees, Associative Lists (Dictionaries, Maps)
  • Modules
  • Interactive Programming
  • Lazy Evaluation, Call-by-Value, Strictness
  • Design Recipes
  • Testing (axiom-based, invariant-based, against reference implementation)
  • Reasoning about Programs (equation-based, inductive)
  • Idioms of Functional Programming
  • Haskell Syntax and Semantics

Literatur

Graham Hutton, Programming in Haskell, Cambridge University Press 2007.

Modul M0577: Nichttechnische Angebote im Bachelor

Modulverantwortlicher Dagmar Richter
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Keine
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Nichttechnischen Angebote (NTA) 

vermitteln die in Hinblick auf das Ausbildungsprofil der TUHH nötigen Kompetenzen, die ingenieurwissenschaftliche Fachlehre fördern aber nicht abschließend behandeln kann: Eigenverantwortlichkeit, Selbstführung, Zusammenarbeit und fachliche wie personale Leitungsbefähigung der zukünftigen Ingenieur*innen. Sie setzt diese Ausbildungsziele in ihrer Lehrarchitektur, den Lehr-Lern-Arrangements, den Lehrbereichen und durch Lehrangebote um, in denen sich Studierende wahlweise für spezifische Kompetenzen und ein Kompetenzniveau auf Bachelor- oder Masterebene qualifizieren können. Die Lehrangebote sind jeweils in einem Modulkatalog Nichttechnische Ergänzungskurse zusammengefasst. 

Die Lehrarchitektur

besteht aus einem studiengangübergreifenden Pflichtstudienangebot. Durch dieses zentral konzipierte Lehrangebot wird die Profilierung der TUHH Ausbildung auch im Nichttechnischen Bereich gewährleistet.

Die Lernarchitektur erfordert und übt eigenverantwortliche Bildungsplanung in Hinblick auf den individuellen Kompetenzaufbau ein und  stellt dazu Orientierungswissen zu thematischen Schwerpunkten  von Veranstaltungen bereit.

Das über den gesamten Studienverlauf begleitend studierbare Angebot kann ggf. in ein-zwei Semestern studiert werden. Angesichts der bekannten, individuellen Anpassungsprobleme beim Übergang von Schule zu Hochschule in den ersten Semestern und um individuell geplante Auslandsemester zu fördern, wird jedoch von einer Studienfixierung in konkreten Fachsemestern abgesehen.

Die Lehr-Lern-Arrangements

sehen für Studierende - nach B.Sc. und M.Sc. getrennt - ein semester- und fachübergreifendes voneinander Lernen vor. Der Umgang mit Interdisziplinarität und einer Vielfalt von Lernständen in Veranstaltungen wird eingeübt - und in spezifischen Veranstaltungen gezielt gefördert.

Die Lehrbereiche

basieren auf Forschungsergebnissen aus den wissenschaftlichen Disziplinen Kulturwissenschaften, Gesellschaftswissenschaften, Kunst, Geschichtswissenschaften, Kommunikationswissenschaften, Migrationswissenschaften, Nachhaltigkeitsforschung und aus der Fachdidaktik der Ingenieurwissenschaften. Über alle Studiengänge hinweg besteht im Bachelorbereich zusätzlich ab Wintersemester 2014/15 das Angebot, gezielt Betriebswirtschaftliches und Gründungswissen aufzubauen. Das Lehrangebot wird durch soft skill und Fremdsprachkurse ergänzt. Hier werden insbesondere kommunikative Kompetenzen z.B. für Outgoing Engineers gezielt gefördert.

Das Kompetenzniveau

der Veranstaltungen in den Modulen der nichttechnischen Ergänzungskurse unterscheidet sich in Hinblick auf das zugrunde gelegte Ausbildungsziel: Diese Unterschiede spiegeln sich in den verwendeten Praxisbeispielen, in den - auf unterschiedliche berufliche Anwendungskontexte verweisende - Inhalten und im für M.Sc. stärker wissenschaftlich-theoretischen Abstraktionsniveau. Die Soft skills für Bachelor- und für Masterabsolventinnen/ Absolventen unterscheidet sich an Hand der im Berufsleben unterschiedlichen Positionen im Team und bei der Anleitung von Gruppen.

Fachkompetenz (Wissen)

Die Studierenden können

  • ausgewählte Spezialgebiete innerhalb der jeweiligen nichttechnischen Mutterdisziplinen verorten,
  • in den im Lehrbereich vertretenen Disziplinen grundlegende Theorien, Kategorien, Begrifflichkeiten, Modelle,  Konzepte oder künstlerischen Techniken skizzieren,
  • diese fremden Fachdisziplinen systematisch auf die eigene Disziplin beziehen, d.h. sowohl abgrenzen als auch Anschlüsse benennen,
  • in Grundzügen skizzieren, inwiefern wissenschaftliche Disziplinen, Paradigmen, Modelle, Instrumente, Verfahrensweisen und Repräsentationsformen der Fachwissenschaften einer individuellen und soziokulturellen Interpretation und Historizität unterliegen,              
  • können Gegenstandsangemessen in einer Fremdsprache kommunizieren (sofern dies der gewählte Schwerpunkt im nichttechnischen Bereich ist).


Fertigkeiten

Die Studierenden können in ausgewählten Teilbereichen

  • grundlegende Methoden der genannten Wissenschaftsdisziplinen anwenden.
  • technische Phänomene, Modelle, Theorien usw. aus der Perspektive einer anderen, oben erwähnten Fachdisziplin befragen.
  • einfache Problemstellungen aus den behandelten Wissenschaftsdisziplinen erfolgreich bearbeiten,
  • bei praktischen Fragestellungen in Kontexten, die den technischen Sach- und Fachbezug übersteigen, ihre Entscheidungen zu Organisations- und Anwendungsformen der Technik begründen.
Personale Kompetenzen
Sozialkompetenz

Die Studierenden sind fähig ,

  • in unterschiedlichem Ausmaß kooperativ zu lernen
  • eigene Aufgabenstellungen in den o.g. Bereichen in adressatengerechter Weise in einer Partner- oder Gruppensituation zu präsentieren und zu analysieren,
  • nichttechnische Fragestellungen einer Zuhörerschaft mit technischem Hintergrund verständlich darzustellen
  • sich landessprachlich kompetent, kulturell angemessen und geschlechtersensibel auszudrücken (sofern dies der gewählte Schwerpunkt im NTW-Bereich ist) .


Selbstständigkeit

Die Studierenden sind in ausgewählten Bereichen in der Lage,

  • die eigene Profession und Professionalität im Kontext der lebensweltlichen Anwendungsgebiete zu reflektieren,
  • sich selbst und die eigenen Lernprozesse zu organisieren,
  • Fragestellungen vor einem breiten Bildungshorizont zu reflektieren und verantwortlich zu entscheiden,
  • sich in Bezug auf ein nichttechnisches Sachthema mündlich oder schriftlich kompetent auszudrücken.
  • sich als unternehmerisches Subjekt zu organisieren,   (sofern dies ein gewählter Schwerpunkt im NTW-Bereich ist).


Arbeitsaufwand in Stunden Abhängig von der Wahl der Lehrveranstaltungen
Leistungspunkte 6
Lehrveranstaltungen
Die Informationen zu den Lehrveranstaltungen entnehmen Sie dem separat veröffentlichten Modulhandbuch des Moduls.

Modul M1436: Prozedurale Programmierung für Informatiker

Lehrveranstaltungen
Titel Typ SWS LP
Prozedurale Programmierung für Informatiker (L2163) Vorlesung 2 2
Prozedurale Programmierung für Informatiker (L2164) Hörsaalübung 1 1
Prozedurale Programmierung für Informatiker (L2165) Laborpraktikum 2 3
Modulverantwortlicher Prof. Bernd-Christian Renner
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Keine
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende kennen


        - die wesentlichen Merkmale einer prozeduralen Programmiersprache
        - die Schritte während der Kompilation von prozeduralem Quellcode zu Maschinencode
        - alle wesentlichen Sprachkonstrukte und Datentypen einer prozeduralen Programmiersprache
        - Softwaredesignkonzepte für die Umsetzung prozeduraler Programme

Fertigkeiten

       - Beherrschen der typischen Entwicklungswerkzeuge  
       - Entwurf von einfachen, strukturierten Programmen auf Basis einer prozeduralen Programmiersprache
       - Fehlersuche durch Analyse von Compiler-Warnungen und Fehlermeldungen
       - Analyse und Erklärung von prozeduralen rogrammen

Personale Kompetenzen
Sozialkompetenz

        - Die Studierenden sind nach Abschluss des Moduls in der Lage, fachspezifische Aufgaben alleine oder in einer Gruppe zu bearbeiten und die Resultate geeignet zu präsentieren.


Selbstständigkeit

       - Die Studierenden sind nach Abschluss des Moduls in der Lage, sich Teilbereiche des Fachgebietes anhand von Fachbüchern selbständig zu erarbeiten, das erworbene Wissen zusammenzufassen,
         zu präsentieren und es mit den Inhalten anderer Lehrveranstaltungen zu verknüpfen.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Technomathematik: Kernqualifikation: Pflicht
Lehrveranstaltung L2163: Prozedurale Programmierung für Informatiker
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Bernd-Christian Renner
Sprachen DE/EN
Zeitraum WiSe
Inhalt

- Prozedurale Programmierung: Fundamentale Datentypen, Operatoren, Kontrollstrukturen, Funktionen, Zeiger und Arrays, Gültigkeitsbereiche und Lebensdauer von Variablen, Strukturen / Unionen, Funktionszeiger,
  Kommandozeilenargumente
- Programmiertechniken: Modularisierung, Trennung von Schnittstelle und Implementierung, Callback-Funktionen, Strukturierte Datentypen
- Entwicklungswerkzeuge: Präprozessor, Compiler, Linker, Assembler, IDE, Versionsverwaltung (Git)

Literatur

- Greg Perry and Dean Miller. C Programming Absolute Beginner's Guide: No experience necessary! Que Publishing; 3. Auflage (7. August 2013). ISBN 978-0789751980.
- Helmut Erlenkötter. C: Programmieren von Anfang an. Rowohlt Taschenbuch; 25. Auflage (1. Dezember 1999). ISBN 978-3499600746.
- Markus Neumann. C Programmieren: für Einsteiger: Der leichte Weg zum C-Experten (Einfach Programmieren lernen, Band 8). BMU Verlag (30. Januar 2020). ISBN  ‎ 978-3966450607.
- Brian W. Kernighan, Dennis M. Ritchie: The C Programming Language. Prentice Hall; 2. Auflage (1988), ISBN 0-13-110362-8.

Lehrveranstaltung L2164: Prozedurale Programmierung für Informatiker
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Bernd-Christian Renner
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2165: Prozedurale Programmierung für Informatiker
Typ Laborpraktikum
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Bernd-Christian Renner
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1728: Mathematics I (EN)

Lehrveranstaltungen
Titel Typ SWS LP
Mathematik I (EN) (L2973) Vorlesung 4 4
Mathematik I (EN) (L2974) Hörsaalübung 2 2
Mathematik I (EN) (L2975) Gruppenübung 2 2
Modulverantwortlicher Prof. Daniel Ruprecht
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

School mathematics

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Students can name the basic concepts in analysis and linear algebra. They are able to explain them using appropriate examples.
  • Students can discuss logical connections between these concepts.  They are capable of illustrating these connections with the help of examples.
  • They know proof strategies and can reproduce them.
Fertigkeiten
  • Students can model problems in analysis and linear algebra with the help of the concepts studied in this course. Moreover, they are capable of solving them by applying established methods.
  • Students are able to discover and verify further logical connections between the concepts studied in the course.
  • For a given problem, the students can develop and execute a suitable approach, and are able to critically evaluate the results.
Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together in teams. They are capable to use mathematics as a common language.
  • In doing so, they can communicate new concepts according to the needs of their cooperating partners. Moreover, they can design examples to check and deepen the understanding of their peers.
Selbstständigkeit
  • Students are capable of checking their understanding of complex concepts on their own. They can specify open questions precisely and know where to get help in solving them.
  • Students have developed sufficient persistence to be able to work for longer periods in a goal-oriented manner on hard problems.


Arbeitsaufwand in Stunden Eigenstudium 128, Präsenzstudium 112
Leistungspunkte 8
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Lehrveranstaltung L2973: Mathematics I (EN)
Typ Vorlesung
SWS 4
LP 4
Arbeitsaufwand in Stunden Eigenstudium 64, Präsenzstudium 56
Dozenten Prof. Anusch Taraz
Sprachen EN
Zeitraum WiSe
Inhalt

Mathematical Foundations:

sets, statements, induction, mappings, trigonometry

Analysis: Foundations of differential calculus in one variable

  • natural and real numbers
  • convergence of sequences and series
  • continuous and differentiable functions
  • mean value theorems
  • Taylor series
Literatur
  • T. Arens u.a. : Mathematik, Springer Spektrum, Heidelberg 2015
  • W. Mackens, H. Voß: Mathematik I für Studierende der Ingenieurwissenschaften, HECO-Verlag, Alsdorf 1994
  • W. Mackens, H. Voß: Aufgaben und Lösungen zur Mathematik I für Studierende der Ingenieurwissenschaften, HECO-Verlag, Alsdorf 1994
  • G. Strang: Lineare Algebra, Springer-Verlag, 2003
  • G. und S. Teschl: Mathematik für Informatiker, Band 1, Springer-Verlag, 2013
Lehrveranstaltung L2974: Mathematics I (EN)
Typ Hörsaalübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Anusch Taraz, Dr. Dennis Clemens, Dr. Simon Campese
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2975: Mathematics I (EN)
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Anusch Taraz
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0624: Automata Theory and Formal Languages

Lehrveranstaltungen
Titel Typ SWS LP
Automatentheorie und Formale Sprachen (L0332) Vorlesung 2 4
Automatentheorie und Formale Sprachen (L0507) Gruppenübung 2 2
Modulverantwortlicher Prof. Matthias Mnich
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Participating students should be able to

- specify algorithms for simple data structures (such as, e.g., arrays) to solve computational problems 

- apply propositional logic and predicate logic for specifying and understanding mathematical proofs

- apply the knowledge and skills taught in the module Discrete Algebraic Structures

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Students can explain syntax, semantics, and decision problems of propositional logic, and they are able to give algorithms for solving decision problems. Students can show correspondences to Boolean algebra. Students can describe which application problems are hard to represent with propositional logic, and therefore, the students can motivate predicate logic, and define syntax, semantics, and decision problems for this representation formalism. Students can explain unification and resolution for solving the predicate logic SAT decision problem. Students can also describe syntax, semantics, and decision problems for various kinds of temporal logic, and identify their application areas. The participants of the course can define various kinds of finite automata and can identify relationships to logic and formal grammars. The spectrum that students can explain ranges from deterministic and nondeterministic finite automata and pushdown automata to Turing machines. Students can name those formalism for which nondeterminism is more expressive than determinism. They are also able to demonstrate which decision problems require which expressivity, and, in addition, students can transform decision problems w.r.t. one formalism into decision problems w.r.t. other formalisms. They understand that some formalisms easily induce algorithms whereas others are best suited for specifying systems and their properties. Students can describe the relationships between formalisms such as logic, automata, or grammars.



Fertigkeiten

Students can apply propositional logic as well as predicate logic resolution to a given set of formulas. Students analyze application problems in order to derive propositional logic, predicate logic, or temporal logic formulas to represent them. They can evaluate which formalism is best suited for a particular application problem, and they can demonstrate the application of algorithms for decision problems to specific formulas. Students can also transform nondeterministic automata into deterministic ones, or derive grammars from automata and vice versa. They can show how parsers work, and they can apply algorithms for the language emptiness problem in case of infinite words.

Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together in teams. They are capable to use mathematics as a common language.
  • In doing so, they can communicate new concepts according to the needs of their cooperating partners. Moreover, they can design examples to check and deepen the understanding of their peers.
Selbstständigkeit
  • Students are capable of checking their understanding of complex concepts on their own. They can specify open questions precisely and know where to get help in solving them.
  • Students have developed sufficient persistence to be able to work for longer periods in a goal-oriented manner on hard problems.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
General Engineering Science (7 Semester): Vertiefung Mechatronics: Wahlpflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0332: Automata Theory and Formal Languages
Typ Vorlesung
SWS 2
LP 4
Arbeitsaufwand in Stunden Eigenstudium 92, Präsenzstudium 28
Dozenten Prof. Matthias Mnich
Sprachen EN
Zeitraum SoSe
Inhalt
  1. Propositional logic, Boolean algebra, propositional resolution, SAT-2KNF
  2. Predicate logic, unification, predicate logic resolution
  3. Temporal Logics (LTL, CTL)
  4. Deterministic finite automata, definition and construction
  5. Regular languages, closure properties, word problem, string matching
  6. Nondeterministic automata: 
    Rabin-Scott transformation of nondeterministic into deterministic automata
  7. Epsilon automata, minimization of automata,
    elimination of e-edges, uniqueness of the minimal automaton (modulo renaming of states)
  8. Myhill-Nerode Theorem: 
    Correctness of the minimization procedure, equivalence classes of strings induced by automata
  9. Pumping Lemma for regular languages:
    provision of a tool which, in some cases, can be used to show that a finite automaton principally cannot be expressive enough to solve a word problem for some given language
  10. Regular expressions vs. finite automata:
    Equivalence of formalisms, systematic transformation of representations, reductions
  11. Pushdown automata and context-free grammars:
    Definition of pushdown automata, definition of context-free grammars, derivations, parse trees, ambiguities, pumping lemma for context-free grammars, transformation of formalisms (from pushdown automata to context-free grammars and back)
  12. Chomsky normal form
  13. CYK algorithm for deciding the word problem for context-free grammrs
  14. Deterministic pushdown automata
  15. Deterministic vs. nondeterministic pushdown automata:
    Application for parsing, LL(k) or LR(k) grammars and parsers vs. deterministic pushdown automata, compiler compiler
  16. Regular grammars
  17. Outlook: Turing machines and linear bounded automata vs general and context-sensitive grammars
  18. Chomsky hierarchy
  19. Mealy- and Moore automata:
    Automata with output (w/o accepting states), infinite state sequences, automata networks
  20. Omega automata: Automata for infinite input words, Büchi automata, representation of state transition systems, verification w.r.t. temporal logic specifications (in particular LTL)
  21. LTL safety conditions and model checking with Büchi automata, relationships between automata and logic
  22. Fixed points, propositional mu-calculus
  23. Characterization of regular languages by monadic second-order logic (MSO)
Literatur
  1. Logik für Informatiker Uwe Schöning, Spektrum, 5. Aufl.
  2. Logik für Informatiker Martin Kreuzer, Stefan Kühling, Pearson Studium, 2006
  3. Grundkurs Theoretische Informatik, Gottfried Vossen, Kurt-Ulrich Witt, Vieweg-Verlag, 2010.
  4. Principles of Model Checking, Christel Baier, Joost-Pieter Katoen, The MIT Press, 2007

Lehrveranstaltung L0507: Automata Theory and Formal Languages
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Matthias Mnich
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0829: Grundlagen der Betriebswirtschaftslehre

Lehrveranstaltungen
Titel Typ SWS LP
Betriebswirtschaftliche Übung (L0882) Gruppenübung 2 3
Grundlagen der Betriebswirtschaftslehre (L0880) Vorlesung 3 3
Modulverantwortlicher Prof. Christoph Ihl
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Schulkenntnisse in Mathematik und Wirtschaft
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden können...

  • grundlegende Begriffe und Kategorien aus dem Bereich Wirtschaft und Management benennen und erklären
  • grundlegende Aspekte wettbewerblichen Unternehmertums beschreiben (Betrieb und Unternehmung, betrieblicher Zielbildungsprozess)
  • wesentliche betriebliche Funktionen erläutern, insb. Funktionen der Wertschöpfungskette (z.B. Produktion und Beschaffung, Innovationsmanagement, Absatz und Marketing) sowie Querschnittsfunktionen (z.B. Organisation, Personalmanagement, Supply Chain Management, Informationsmanagement) und die wesentlichen Aspekte von Entrepreneurship-Projekten benennen
  • Grundlagen der Unternehmensplanung (Entscheidungstheorie, Planung und Kontrolle) wie auch spezielle Planungsaufgaben (z.B. Projektplanung, Investition und Finanzierung) erläutern
  • Grundlagen des Rechnungswesens erklären (Buchführung, Bilanzierung, Kostenrechnung, Controlling)

Fertigkeiten

Die Studierenden können

  • Unternehmensziele definieren und in ein Zielsystem einordnen sowie Zielsysteme strukturieren
  • Organisations- und Personalstrukturen von Unternehmen analysieren
  • Methoden für Entscheidungsprobleme unter mehrfacher Zielsetzung, unter Ungewissheit sowie unter Risiko zur Lösung von entsprechenden Problemen anwenden
  • Produktions- und Beschaffungssysteme sowie betriebliche Informationssysteme analysieren und einordnen
  • Einfache preispolitische und weitere Instrumente des Marketing analysieren und anwenden
  • Grundlegende Methoden der Finanzmathematik auf Invesititions- und Finanzierungsprobleme anwenden
  • Die Grundlagen der Buchhaltung, Bilanzierung, Kostenrechnung und des Controlling erläutern und Methoden aus diesen Bereichen auf einfache Problemstellungen anwenden.


Personale Kompetenzen
Sozialkompetenz

Die Studierenden sind in der Lage

  • sich im Team zu organisieren und ein Projekt aus dem Bereich Entrepreneurship gemeinsam zu bearbeiten und einen Projektbericht zu erstellen
  • erfolgreich problemlösungsorientiert zu kommunizieren
  • respektvoll und erfolgreich zusammenzuarbeiten
Selbstständigkeit

Die Studierenden sind in der Lage

  • Ein Projekt in einem Team zu bearbeiten und einer Lösung zuzuführen
  • unter Anleitung einen Projektbericht  zu verfassen
Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang mehrere schriftliche Leistungen über das Semester verteilt
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Kernqualifikation: Pflicht
Bau- und Umweltingenieurwesen: Vertiefung Bauingenieurwesen: Wahlpflicht
Bau- und Umweltingenieurwesen: Vertiefung Wasser und Umwelt: Wahlpflicht
Bau- und Umweltingenieurwesen: Vertiefung Verkehr und Mobilität: Wahlpflicht
Bioverfahrenstechnik: Kernqualifikation: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Integrierte Gebäudetechnik: Kernqualifikation: Pflicht
Logistik und Mobilität: Kernqualifikation: Pflicht
Maschinenbau: Kernqualifikation: Pflicht
Mechatronik: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Schiffbau: Kernqualifikation: Pflicht
Technomathematik: Kernqualifikation: Pflicht
Verfahrenstechnik: Kernqualifikation: Pflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Kernqualifikation: Pflicht
Lehrveranstaltung L0882: Betriebswirtschaftliche Übung
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Christoph Ihl, Katharina Roedelius
Sprachen DE
Zeitraum WiSe/SoSe
Inhalt

In der betriebswirtschaftlichen Horsaalübung werden die Inhalte der Vorlesung durch praktische Beispiele und die Anwendung der diskutierten Werkzeuge vertieft.

Bei angemessener Nachfrage wird parallel auch eine Problemorientierte Lehrveranstaltung angeboten, die Studierende alternativ wählen können. Hier bearbeiten die Studierenden in Gruppen ein selbstgewähltes Projekt, das sich thematisch mit der Ausarbeitung einer innovativen Geschäftsidee aus Sicht eines etablierten Unternehmens oder Startups befasst. Auch hier sollen die betriebswirtschaftlichen Grundkenntnisse aus der Vorlesung zum praktischen Einsatz kommen. Die Gruppenarbeit erfolgt unter Anleitung eines Mentors.

Literatur Relevante Literatur aus der korrespondierenden Vorlesung.
Lehrveranstaltung L0880: Grundlagen der Betriebswirtschaftslehre
Typ Vorlesung
SWS 3
LP 3
Arbeitsaufwand in Stunden Eigenstudium 48, Präsenzstudium 42
Dozenten Prof. Christoph Ihl, Prof. Christian Lüthje, Prof. Christian Ringle, Prof. Cornelius Herstatt, Prof. Kathrin Fischer, Prof. Matthias Meyer, Prof. Thomas Wrona, Prof. Thorsten Blecker, Prof. Wolfgang Kersten
Sprachen DE
Zeitraum WiSe/SoSe
Inhalt
  • Die Abgrenzung der BWL von der VWL und die Gliederungsmöglichkeiten der BWL
  • Wichtige Definitionen aus dem Bereich Management und Wirtschaft
  • Die wichtigsten Unternehmensziele und ihre Einordnung sowie (Kern-) Funktionen der Unternehmung
  • Die Bereiche Produktion und Beschaffungsmanagement, der Begriff des Supply Chain Management und die Bestandteile einer Supply Chain
  • Die Definition des Begriffs Information, die Organisation des Informations- und Kommunikations (IuK)-Systems und Aspekte der Datensicherheit; Unternehmensstrategie und strategische Informationssysteme
  • Der Begriff und die Bedeutung von Innovationen, insbesondere Innovationschancen, -risiken und prozesse
  • Die Bedeutung des Marketing, seine Aufgaben, die Abgrenzung von B2B- und B2C-Marketing
  • Aspekte der Marketingforschung (Marktportfolio, Szenario-Technik) sowie Aspekte der strategischen und der operativen Planung und Aspekte der Preispolitik
  • Die grundlegenden Organisationsstrukturen in Unternehmen und einige Organisationsformen
  • Grundzüge des Personalmanagements
  • Die Bedeutung der Planung in Unternehmen und die wesentlichen Schritte eines Planungsprozesses
  • Die wesentlichen Bestandteile einer Entscheidungssituation sowie Methoden für Entscheidungsprobleme unter mehrfacher Zielsetzung, unter Ungewissheit sowie unter Risiko
  • Grundlegende Methoden der Finanzmathematik
  • Die Grundlagen der Buchhaltung, der Bilanzierung und der Kostenrechnung
  • Die Bedeutung des Controlling im Unternehmen und ausgewählte Methoden des Controlling
  • Die wesentlichen Aspekte von Entrepreneurship-Projekten

Neben der Vorlesung, die die Fachinhalte vermittelt, erarbeiten die Studierenden selbstständig in Gruppen einen Business-Plan für ein Gründungsprojekt. Dafür wird auch das wissenschaftliche Arbeiten und Schreiben gezielt unterstützt.

Literatur

Bamberg, G., Coenenberg, A.: Betriebswirtschaftliche Entscheidungslehre, 14. Aufl., München 2008

Eisenführ, F., Weber, M.: Rationales Entscheiden, 4. Aufl., Berlin et al. 2003

Heinhold, M.: Buchführung in Fallbeispielen, 10. Aufl., Stuttgart 2006.

Kruschwitz, L.: Finanzmathematik. 3. Auflage, München 2001.

Pellens, B., Fülbier, R. U., Gassen, J., Sellhorn, T.: Internationale Rechnungslegung, 7. Aufl., Stuttgart 2008.

Schweitzer, M.: Planung und Steuerung, in: Bea/Friedl/Schweitzer: Allgemeine Betriebswirtschaftslehre, Bd. 2: Führung, 9. Aufl., Stuttgart 2005.

Weber, J., Schäffer, U. : Einführung in das Controlling, 12. Auflage, Stuttgart 2008.

Weber, J./Weißenberger, B.: Einführung in das Rechnungswesen, 7. Auflage, Stuttgart 2006. 


Modul M1432: Programmierparadigmen

Lehrveranstaltungen
Titel Typ SWS LP
Programmierparadigmen (L2169) Vorlesung 2 2
Programmierparadigmen (L2170) Hörsaalübung 1 1
Programmierparadigmen (L2171) Laborpraktikum 2 3
Modulverantwortlicher NN
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Veranstaltung Prozedurale Programmierung oder gleichwertige Programmierkenntnisse in imperativer Programmierung


Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studenten haben ein grundlegendes Verständnis über die objektorientierte und die generische Programmierung erworben und können diese in eigenen Programmierprojekten umsetzen. Sie können eigene Klassenhierarchien erstellen und verschiedene Formen der Vererbung unterscheiden. Sie haben ein grundlegendes Verständnis des Polymorphismus und können zwischen Laufzeit- und Compilierzeit-Polymorphismus unterschieden. Die Studenten sind mit dem Konzept der Datenkapselung vertraut und können Schnittstellen in private und öffentliche Methoden unterteilen. Sie können mit Exceptions umgehen und nutzen generische Programmierung um Datenstrukturen zu verallgemeinern. Die Studenten können die Vor- und Nachteile der beiden Programmierparadigmen

Fertigkeiten

Die Studenten können eine mittelgroße Problemstellung in Teilprobleme zerlegen und darauf aufbauend eigene Klassen in einer objektorientierten Programmiersprache erstellen. Sie können dabei ein öffentliche und private Schnittstellen entwerfen und die Implementierung durch Abstraktion generisch und erweiterbar umsetzen. Sie können verschiedene Sprachkonstrukte einer modernen Programmiersprache unterscheiden und diese geeignet in der Implementierung nutzen. Sie können Unit Tests entwerfen und implementieren.

Personale Kompetenzen
Sozialkompetenz

Studierende können in Teams arbeiten und in Foren kommunizieren.

Selbstständigkeit

In Programmierpraktikum lernen die Studenten unter Aufsicht die objektorientierte Programmierung. In Übungen entwickeln sie individuell und unabhängig Lösungen und erhalten Feedback. 

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Technomathematik: Kernqualifikation: Pflicht
Lehrveranstaltung L2169: Programmierparadigmen
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Dozenten des SD E
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Grundlegende Idee der Objetorientierten Programmierung
  • Klassen und Objekte
  • Vererbung (einfach, mehrfach)
  • Schnittstellen (Interfaces)
  • Datenkapselung (private / public usw.)
  • Ausnahmebehandlung (Exceptions)
  • Generische Programmierung und deren Umsetzung im Compiler
  • Exkurs in die Programmierung mit dynamisch getypten Programmiersprachen
Literatur Skript
Lehrveranstaltung L2170: Programmierparadigmen
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des SD E
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Grundlegende Idee der Objetorientierten Programmierung
  • Klassen und Objekte
  • Vererbung (einfach, mehrfach)
  • Schnittstellen (Interfaces)
  • Datenkapselung (private / public usw.)
  • Ausnahmebehandlung (Exceptions)
  • Generische Programmierung und deren Umsetzung im Compiler
  • Exkurs in die Programmierung mit dynamisch getypten Programmiersprachen
Literatur Skript
Lehrveranstaltung L2171: Programmierparadigmen
Typ Laborpraktikum
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Dozenten des SD E
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Grundlegende Idee der Objetorientierten Programmierung
  • Klassen und Objekte
  • Vererbung (einfach, mehrfach)
  • Schnittstellen (Interfaces)
  • Datenkapselung (private / public usw.)
  • Ausnahmebehandlung (Exceptions)
  • Generische Programmierung und deren Umsetzung im Compiler
  • Exkurs in die Programmierung mit dynamisch getypten Programmiersprachen
Literatur Skript

Modul M1729: Mathematics II (EN)

Lehrveranstaltungen
Titel Typ SWS LP
Mathematik II (EN) (L2979) Vorlesung 4 4
Mathematik II (EN) (L2980) Hörsaalübung 2 2
Mathematik II (EN) (L2981) Gruppenübung 2 2
Modulverantwortlicher Prof. Daniel Ruprecht
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

School mathematics

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Students can name the basic concepts in analysis and linear algebra. They are able to explain them using appropriate examples.
  • Students can discuss logical connections between these concepts.  They are capable of illustrating these connections with the help of examples.
  • They know proof strategies and can reproduce them.
Fertigkeiten
  • Students can model problems in analysis and linear algebra with the help of the concepts studied in this course. Moreover, they are capable of solving them by applying established methods.
  • Students are able to discover and verify further logical connections between the concepts studied in the course.
  • For a given problem, the students can develop and execute a suitable approach, and are able to critically evaluate the results.
Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together in teams. They are capable to use mathematics as a common language.
  • In doing so, they can communicate new concepts according to the needs of their cooperating partners. Moreover, they can design examples to check and deepen the understanding of their peers.
Selbstständigkeit
  • Students are capable of checking their understanding of complex concepts on their own. They can specify open questions precisely and know where to get help in solving them.
  • Students have developed sufficient persistence to be able to work for longer periods in a goal-oriented manner on hard problems.
Arbeitsaufwand in Stunden Eigenstudium 128, Präsenzstudium 112
Leistungspunkte 8
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Lehrveranstaltung L2979: Mathematics II (EN)
Typ Vorlesung
SWS 4
LP 4
Arbeitsaufwand in Stunden Eigenstudium 64, Präsenzstudium 56
Dozenten Prof. Anusch Taraz
Sprachen EN
Zeitraum SoSe
Inhalt
Literatur
Lehrveranstaltung L2980: Mathematics II (EN)
Typ Hörsaalübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Anusch Taraz
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2981: Mathematics II (EN)
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Anusch Taraz
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0834: Computernetworks and Internet Security

Lehrveranstaltungen
Titel Typ SWS LP
Rechnernetze und Internet-Sicherheit (L1098) Vorlesung 3 5
Rechnernetze und Internet-Sicherheit (L1099) Gruppenübung 1 1
Modulverantwortlicher Prof. Andreas Timm-Giel
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Basics of Computer Science

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Students are able to explain important and common Internet protocols in detail and classify them, in order to be able to analyse and develop networked systems in further studies and job.

Fertigkeiten

Students are able to analyse common Internet protocols and evaluate the use of them in different domains.

Personale Kompetenzen
Sozialkompetenz


Selbstständigkeit

Students can select relevant parts out of high amount of professional knowledge and can independently learn and understand it.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Data Science: Kernqualifikation: Wahlpflicht
Elektrotechnik: Kernqualifikation: Wahlpflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
Engineering Science: Vertiefung Elektrotechnik: Wahlpflicht
General Engineering Science (7 Semester): Vertiefung Mechatronics: Wahlpflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L1098: Computer Networks and Internet Security
Typ Vorlesung
SWS 3
LP 5
Arbeitsaufwand in Stunden Eigenstudium 108, Präsenzstudium 42
Dozenten Dr. Koojana Kuladinithi, Prof. Sibylle Fröschle
Sprachen EN
Zeitraum WiSe
Inhalt

In this class an introduction to computer networks with focus on the Internet and its security is given. Basic functionality of complex protocols are introduced. Students learn to understand these and identify common principles. In the exercises these basic principles and an introduction to performance modelling are addressed using computing tasks and physical labs.

In the second part of the lecture an introduction to Internet security is given.

This class comprises:

  • Introduction to the Internet (TCP/IP model)
  • Application layer protocols (HTTP, SMTP, DNS)
  • Transport layer protocols (TCP, UDP)
  • Network Layer (Internet Protocol IPv4 & IPv6, routing in the Internet)
  • Data link layer with media access at the example of WLAN
  • Introduction to Internet Security
  • Security Aspects of Address Resolution (DNS/DNSSEC, ARP/SEND
  • Communication Security (IPSec) - From Address Resolution to Routing (Securing BGP)
  • Botnets + Firewalls
Literatur


  • Kurose, Ross, Computer Networking - A Top-Down Approach, 8th Edition, Addison-Wesley
  • Kurose, Ross, Computernetzwerke - Der Top-Down-Ansatz, Pearson Studium; Auflage: 8. Auflage
  • W. Stallings: Cryptography and Network Security: Principles and Practice, 6th edition



Further literature is announced at the beginning of the lecture.


Lehrveranstaltung L1099: Computer Networks and Internet Security
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dr. Koojana Kuladinithi, Prof. Sibylle Fröschle
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0730: Technische Informatik

Lehrveranstaltungen
Titel Typ SWS LP
Technische Informatik (L0321) Vorlesung 3 4
Technische Informatik (L0324) Gruppenübung 1 2
Modulverantwortlicher Prof. Heiko Falk
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Grundkenntnisse der Elektrotechnik

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Dieses Modul vermittelt Grundkenntnisse der Funktionsweise von Rechensystemen. Abgedeckt werden die Ebenen von der Assemblerprogrammierung bis zur Gatterebene. Das Modul behandelt folgende Inhalte:

  • Einführung
  • Kombinatorische Logik: Gatter, Boolesche Algebra, Schaltfunktionen, Synthese von Schaltungen, Schaltnetze
  • Sequentielle Logik: Flip-Flops, Schaltwerke, systematischer Schaltwerkentwurf
  • Technologische Grundlagen
  • Rechnerarithmetik: Ganzzahlige Addition, Subtraktion, Multiplikation und Division
  • Grundlagen der Rechnerarchitektur: Programmiermodelle, MIPS-Einzelzyklusmaschine, Pipelining
  • Speicher-Hardware: Speicherhierarchien, SRAM, DRAM, Caches
  • Ein-/Ausgabe: I/O aus Sicht der CPU, Prinzipien der Datenübergabe, Point-to-Point Verbindungen, Busse
Fertigkeiten

Die Studierenden fassen ein Rechensystem aus der Perspektive des Architekten auf, d.h. sie erkennen die interne Struktur und den physischen Aufbau von Rechensystemen. Die Studierenden können analysieren, wie hochspezifische und individuelle Rechner aus einer Sammlung gängiger Einzelkompenenten zusammengesetzt werden. Sie sind in der Lage, die unterschiedlichen Abstraktionsebenen heutiger Rechensysteme - von Gattern und Schaltungen bis hin zu Prozessoren - zu unterscheiden und zu erklären.

Nach erfolgreichem Besuch der Veranstaltung sind die Studierenden in der Lage, die Wechselwirkungen zwischen einem physischen Rechensystem und der darauf ausgeführten Software beurteilen zu können. Insbesondere sollen sie die Konsequenzen der Ausführung von Software in den hardwarenahen Schichten von der Assemblersprache bis zu Gattern erkennen können. Sie sollen so in die Lage versetzt werden, Auswirkungen unterer Schichten auf die Leistung des Gesamtsystems abzuschätzen und geeignete Optionen vorzuschlagen.

Personale Kompetenzen
Sozialkompetenz

Die Studierenden sind nach Abschluss des Moduls in der Lage, ähnliche Aufgaben alleine oder in einer Gruppe zu bearbeiten und die Resultate geeignet zu präsentieren.

Selbstständigkeit

Die Studierenden sind nach Abschluss des Moduls in der Lage, sich Teilbereiche des Fachgebietes anhand von Fachliteratur selbständig zu erarbeiten, das erworbene Wissen zusammenzufassen, zu präsentieren und es mit den Inhalten anderer Lehrveranstaltungen zu verknüpfen.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten, Inhalte der Vorlesung und Übungen
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Elektrotechnik: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Elektrotechnik: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Integrierte Gebäudetechnik: Kernqualifikation: Wahlpflicht
Mechatronik: Kernqualifikation: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0321: Technische Informatik
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Heiko Falk
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Einführung
  • Kombinatorische Logik
  • Sequentielle Logik
  • Technologische Grundlagen
  • Zahlendarstellungen und Rechnerarithmetik
  • Grundlagen der Rechnerarchitektur
  • Speicher-Hardware
  • Ein-/Ausgabe
Literatur
  • A. Clements. The Principles of Computer Hardware. 3. Auflage, Oxford University Press, 2000.
  • A. Tanenbaum, J. Goodman. Computerarchitektur. Pearson, 2001.
  • D. Patterson, J. Hennessy. Rechnerorganisation und -entwurf. Elsevier, 2005.
Lehrveranstaltung L0324: Technische Informatik
Typ Gruppenübung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Heiko Falk
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0625: Databases

Lehrveranstaltungen
Titel Typ SWS LP
Datenbanken (L0337) Vorlesung 3 4
Datenbanken-Gruppenübung (L1150) Gruppenübung 2 2
Modulverantwortlicher Prof. Stefan Schulte
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Students should have basic knowledge in the following areas:

  • Discrete Algebraic Structures
  • Procedural Programming
  • Automata Theory and Formal Languages
  • Programming Paradigms
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

After successful completion of the course, students know:

  • Introduction to database systems
  • Design instruments for relational databases, especially entity-relationship
  • The relational model
  • Relational query languages, especially SQL
  • Normalization
  • Physical data organization
  • Transaction management
  • Query optimization
  • Data representation
  • Object-oriented and object-relational databases
  • Paradigms and concepts of current technologies for data modelling and database systems
Fertigkeiten

The students acquire the ability to model a database and to work with it. This comprises especially the application of design methodologies and query and definition languages. Furthermore, students are able to apply basic functionalities needed to run a database.

Personale Kompetenzen
Sozialkompetenz

Students can work on complex problems both independently and in teams. They can exchange ideas with each other and use their individual strengths to solve the problem.

Selbstständigkeit

Students are able to independently investigate a complex problem and assess which competencies are required to solve it. 

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Data Science: Pflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0337: Databases
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Stefan Schulte
Sprachen EN
Zeitraum WiSe
Inhalt
  • Introduction to database systems
  • Design instruments for relational databases, especially entity-relationship
  • The relational model
  • Relational query languages, especially SQL
  • Normalization
  • Physical data organization
  • Transaction management
  • Query optimization
  • Data representation
  • Object-oriented and object-relational databases
  • Paradigms and concepts of current technologies for data modelling and database systems
Literatur
  • A. Kemper, A. Eickler, Datenbanksysteme, 10. Auflage, De Gruyter, Oldenbourg, 2015
  • R. Elmasri, S. B. Navathe, Fundamentals of Database Systems, 7th edition, Pearson, 2016


Lehrveranstaltung L1150: Databases - Exercise
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Stefan Schulte
Sprachen EN
Zeitraum WiSe
Inhalt
  • Introduction to database systems
  • Design instruments for relational databases, especially entity-relationship
  • The relational model
  • Relational query languages, especially SQL
  • Normalization
  • Physical data organization
  • Transaction management
  • Query optimization
  • Data representation
  • Object-oriented and object-relational databases
  • Paradigms and concepts of current technologies for data modelling and database systems
Literatur
  • A. Kemper, A. Eickler, Datenbanksysteme, 10. Auflage, De Gruyter, Oldenbourg, 2015
  • R. Elmasri, S. B. Navathe, Fundamentals of Database Systems, 7th edition, Pearson, 2016

Modul M1732: Mathematics III (EN)

Lehrveranstaltungen
Titel Typ SWS LP
Analysis III (EN) (L2790) Vorlesung 2 2
Analysis III (EN) (L2791) Hörsaalübung 1 1
Analysis III (EN) (L2792) Gruppenübung 1 1
Differentialgleichungen 1 (Gewöhnliche Differentialgleichungen) (EN) (L2793) Vorlesung 2 2
Differentialgleichungen 1 (Gewöhnliche Differentialgleichungen) (EN) (L2794) Hörsaalübung 1 1
Differentialgleichungen 1 (Gewöhnliche Differentialgleichungen) (EN) (L2795) Gruppenübung 1 1
Modulverantwortlicher Prof. Marko Lindner
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Mathematik I and II (EN or DE)

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Students can name the basic concepts in the area of analysis and differential equations. They are able to explain them using appropriate examples.
  • Students can discuss logical connections between these concepts.  They are capable of illustrating these connections with the help of examples.
  • They know proof strategies and can reproduce them.
Fertigkeiten
  • Students can model problems in the area of analysis and differential equations with the help of the concepts studied in this course. Moreover, they are capable of solving them by applying established methods.
  • Students are able to discover and verify further logical connections between the concepts studied in the course.
  • For a given problem, the students can develop and execute a suitable approach, and are able to critically evaluate the results.
Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together in teams. They are capable to use mathematics as a common language.
  • In doing so, they can communicate new concepts according to the needs of their cooperating partners. Moreover, they can design examples to check and deepen the understanding of their peers.
Selbstständigkeit
  • Students are capable of checking their understanding of complex concepts on their own. They can specify open questions precisely and know where to get help in solving them.
  • Students have developed sufficient persistence to be able to work for longer periods in a goal-oriented manner on hard problems.
Arbeitsaufwand in Stunden Eigenstudium 128, Präsenzstudium 112
Leistungspunkte 8
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Lehrveranstaltung L2790: Analysis III (EN)
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt

Main features of differential and integrational calculus of several variables 

  • Differential calculus for several variables
  • Mean value theorems and Taylor's theorem
  • Maximum and minimum values
  • Implicit functions
  • Minimization under equality constraints
  • Newton's method for multiple variables
  • Fourier series
  • Double integrals over general regions
  • Line and surface integrals
  • Theorems of Gauß and Stokes
Literatur

http://www.math.uni-hamburg.de/teaching/export/tuhh/index.html

Lehrveranstaltung L2791: Analysis III (EN)
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2792: Analysis III (EN)
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2793: Differential Equations 1 (Ordinary Differential Equations) (EN)
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt

Main features of the theory and numerical treatment of ordinary differential equations 

  • Introduction and elementary methods
  • Exsitence and uniqueness of initial value problems
  • Linear differential equations
  • Stability and qualitative behaviour of the solution
  • Boundary value problems and basic concepts of calculus of variations
  • Eigenvalue problems
  • Numerical methods for the integration of initial and boundary value problems
  • Classification of partial differential equations
Literatur
  • http://www.math.uni-hamburg.de/teaching/export/tuhh/index.html

Lehrveranstaltung L2794: Differential Equations 1 (Ordinary Differential Equations) (EN)
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2795: Differential Equations 1 (Ordinary Differential Equations) (EN)
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1423: Algorithmen und Datenstrukturen

Lehrveranstaltungen
Titel Typ SWS LP
Algorithmen und Datenstrukturen (L2046) Vorlesung 4 4
Algorithmen und Datenstrukturen (L2047) Gruppenübung 1 2
Modulverantwortlicher Prof. Matthias Mnich
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Diskrete Algebraische Strukturen
  • Mathematik I
  • Mathematik II
  • Prozedurale Programming
  • Objectorientierte Programmierung
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Studierende können die grundlegenden Begriffe des Algorithmenentwurfs, der Algorithmenanalyse und Problemreduktionen benennen und anhand von Beispielen erklären.
  • Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern.
  • Sie kennen Beweisstrategien und können diese wiedergeben.
Fertigkeiten
  • Studierende können diskrete Entscheidungsprobleme, Such- und Optimierungsprobleme mit Hilfe der kennengelernten Konzepte modellieren und mit den erlernten Methoden lösen.  
  • Studierende sind in der Lage, sich weitere einfache logische Zusammenhänge zwischen den kennengelernten Konzepten selbständig zu erschließen und können diese verifizieren.
  • Studierende können zu gegebenen Problemstellungen einen geeigneten Lösungsansatz entwickeln, diesen verfolgen und die Ergebnisse kritisch auswerten.
Personale Kompetenzen
Sozialkompetenz
  • Studierende sind in der Lage, in Teams zusammenzuarbeiten und die Mathematik als gemeinsame Sprache zu entdecken und beherrschen.
  • Sie können sich dabei insbesondere gegenseitig neue Konzepte erklären und anhand von Beispielen das Verständnis der Mitstudierenden überprüfen und vertiefen.
Selbstständigkeit
  • Studierende können eigenständig ihr Verständnis mathematischer Konzepte überprüfen, noch offene Fragen auf den Punkt bringen und sich gegebenenfalls gezielt Hilfe holen.
  • Studierende haben eine genügend hohe Ausdauer entwickelt, um auch über längere Zeiträume an schwierigen Problemstellungen zu arbeiten.
Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 20 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Data Science: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Lehrveranstaltung L2046: Algorithmen und Datenstrukturen
Typ Vorlesung
SWS 4
LP 4
Arbeitsaufwand in Stunden Eigenstudium 64, Präsenzstudium 56
Dozenten Prof. Matthias Mnich
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Sortieren durch Einfügen
  • Registermachinen
  • Asymptotische Analyse, Landau Notation
  • Polynomialzeit Algorithmen and NP-Vollständgikeit
  • Divide-and-conquer, Merge sort
  • Strassens Algorithmus
  • Greedy Algorithmen
  • Dynamische Programmierung
  • Quicksort
  • AVL-trees, B-trees
  • Hashing
  • Tiefensuche und Breitensuche 
  • Kürzeste Wege
  • Fluss Probleme, Ford-Fulkerson Algorithmus
Literatur
  • T. Cormen, Ch. Leiserson, R. Rivest, C. Stein: Introduction to Algorithms. MIT Press, 2013
  • S. Skiena: The Algorithm Design Manual. Springer, 2008
  • J. M. Kleinberg and É. Tardos. Algorithm Design. Addison-Wesley, 2005.
Lehrveranstaltung L2047: Algorithmen und Datenstrukturen
Typ Gruppenübung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Matthias Mnich
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0732: Software Engineering

Lehrveranstaltungen
Titel Typ SWS LP
Software-Engineering (L0627) Vorlesung 2 3
Software-Engineering (L0628) Gruppenübung 2 3
Modulverantwortlicher Prof. Sibylle Schupp
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Automata theory and formal languages
  • Procedural programming or Functional programming
  • Object-oriented programming, algorithms, and data structures
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Students explain the phases of the software life cycle, describe the fundamental terminology and concepts of software engineering, and paraphrase the principles of structured software development. They give examples of software-engineering tasks of existing large-scale systems. They write test cases for different test strategies and devise specifications or models using different notations, and critique both. They explain simple design patterns and the major activities in requirements analysis, maintenance, and project planning.

Fertigkeiten

For a given task in the software life cycle, students identify the corresponding phase and select an appropriate method. They choose the proper approach for quality assurance. They design tests for realistic systems, assess the quality of the tests, and find errors at different levels. They apply and modify non-executable artifacts. They integrate components based on interface specifications.

Personale Kompetenzen
Sozialkompetenz

Students practice peer programming. They explain problems and solutions to their peer. They communicate in English. 

Selbstständigkeit

Using on-line quizzes and accompanying material for self study, students can assess their level of knowledge continuously and adjust it appropriately.  Working on exercise problems, they receive additional feedback.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 15 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0627: Software Engineering
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum SoSe
Inhalt


  • Model-based software engineering
    • Information modeling (use case diagrams)
    • Behavioral modeling (finite state machines, Petri Nets, behavioral UML diagrams)
    • Structural modeling (OOA, UML class diagrams, OCL)
    • Model-based testing
  • Engineering software products
    • Agile processes
    • Architecture
    • Code-based testing
    • System-level testing
  • Software management
    • Maintenance
    •  Project management
    • Software processes
Literatur

Ian Sommerville, Engineering Software Products: An Introduction to Modern Software Engineering, Pearson 2020.

Kassem A. Saleh, Software Engineering, J. Ross Publishing 2009.

Lehrveranstaltung L0628: Software Engineering
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0727: Stochastik

Lehrveranstaltungen
Titel Typ SWS LP
Stochastik (L0777) Vorlesung 2 4
Stochastik (L0778) Gruppenübung 2 2
Modulverantwortlicher Prof. Matthias Schulte
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Analysis
  • Aussagenlogik
  • Diskrete Algebraische Strukturen (Kombinatorik)
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Studierende können die grundlegenden Begriffe der Stochastik benennen und anhand von Beispielen erklären.
  • Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern. 
  • Studierende kennen Beweisstrategien und können diese wiedergeben.
Fertigkeiten
  • Studierende können Probleme aus der Stochastik mit Hilfe der kennengelernten Konzepte mathematisch modellieren und mit den erlernten Methoden lösen.
  • Studierende sind in der Lage, sich weitere einfache logische Zusammenhänge zwischen den kennengelernten Konzepten selbständig zu erschließen und können diese verifizieren.
  • Studierende können zu gegebenen Problemstellungen einen geeigneten Lösungsansatz entwickeln, diesen verfolgen und die Ergebnisse kritisch auswerten.
Personale Kompetenzen
Sozialkompetenz
  • Studierende können in heterogen zusammengesetzten Teams (z.B. an Hausaufgaben) zusammenarbeiten und ihre Ergebnisse vor der Gruppe präsentieren.
  • Sie können sich dabei insbesondere gegenseitig neue Konzepte erklären und anhand von Beispielen das Verständnis der Mitstudierenden überprüfen und vertiefen.


Selbstständigkeit
  • Studierende können eigenständig ihr Verständnis mathematischer Konzepte überprüfen, noch offene Fragen auf den Punkt bringen und sich gegebenenfalls gezielt Hilfe holen.
  • Studierende können ihr Wissen mit den Inhalten anderer Veranstaltungen in Verbindung bringen.
  • Studierende haben eine genügend hohe Ausdauer entwickelt, um auch über längere Zeiträume an schwierigen Problemstellungen zu arbeiten.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Advanced Materials: Wahlpflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Advanced Materials: Wahlpflicht
Engineering Science: Vertiefung Data Science: Pflicht
Engineering Science: Vertiefung Elektrotechnik: Wahlpflicht
Engineering Science: Vertiefung Elektrotechnik: Wahlpflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Theoretischer Maschinenbau: Kernqualifikation: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Lehrveranstaltung L0777: Stochastik
Typ Vorlesung
SWS 2
LP 4
Arbeitsaufwand in Stunden Eigenstudium 92, Präsenzstudium 28
Dozenten Prof. Matthias Schulte
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Wahrscheinlichkeitsdefinitionen, bedingte Wahrscheinlichkeiten
  • Zufallsvariablen
  • Unabhängigkeit
  • Verteilungs- und Dichtefunktionen
  • Kenngrößen: Erwartungswert, Varianz, Standardabweichung, Momente
  • Multivariate Verteilungen
  • Gesetz der großen Zahlen und zentraler Grenzwertsatz
  • Grundbegriffe zu stochastischen Prozessen
  • Grundkonzepte der Statistik (Punktschätzer, Konfidenzintervalle und Hypothesentests)
Literatur
  • L. Dümbgen (2003): Stochastik für Informatiker, Springer.
  • H.-O. Georgii (2012): Stochastics: Introduction to Probability and Statistics, 2nd edition, De Gruyter.
  • N. Henze (2018): Stochastik für Einsteiger, 12th edition, Springer.
  • A. Klenke (2014): Probability Theory: A Comprehensive Course, 2nd edition, Springer.
  • U. Krengel (2005): Einführung in die Wahrscheinlichkeitstheorie und Statistik, 8th edition, Vieweg.
  • A.N. Shiryaev (2012): Problems in probability, Springer.
Lehrveranstaltung L0778: Stochastik
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Matthias Schulte
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0562: Berechenbarkeit und Komplexität

Lehrveranstaltungen
Titel Typ SWS LP
Berechenbarkeit und Komplexität (L0166) Vorlesung 2 3
Berechenbarkeit und Komplexität (L0167) Gruppenübung 2 3
Modulverantwortlicher Prof. Martin Kliesch
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Diskrete Algebraische Strukturen sowie Automatentheorie, Logik und Formale Sprachen
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Grundlegende Rechenmodelle (endliche Automaten, Turingmaschinen)
  • Entscheidungsprobleme und formale Sprachen
  • Gödelsche Nummerierung von Turingmaschinen
  • Universelle Berechenbarkeit
  • Entscheidbare und unentscheidbare Probleme
  • Reduktionen, Diagonalisierung, Satz von Rice
  • Zeit- und Platzkomplexität, P, NP
  • Hierarchie-Theoreme
  • Polynomialzeitreduktionen, NP-Vollständigkeit
  • Cook-Levin-Theorem
  • Uniforme Schaltungsfamilien
Fertigkeiten

Nach dem Modul sollen die Studierenden 

  • das im Kurs vermittelte Wissen wiedergeben,
  • einfachere Beweise des Kurses reproduzieren und die Ideen der komplizierteren Beweise wiedergeben, 
  • Bezüge zwischen den vermittelten Konzepten herstellen und
  • das gelernte Wissen auf konkrete Problemstellungen anwenden können.
Personale Kompetenzen
Sozialkompetenz

Die Studierenden sind nach Abschluss des Moduls in der Lage, fachspezifische Aufgaben alleine oder in einer Gruppe zu bearbeiten und die Resultate angemessen zu präsentieren.

Selbstständigkeit

Die Studierenden sind nach Abschluss des Moduls in der Lage, sich Teilbereiche des Fachgebietes anhand von Fachbüchern und anderweitiger Literatur selbständig zu erarbeiten, das erworbene Wissen zusammenzufassen, zu präsentieren und es mit den Inhalten anderer Lehrveranstaltungen zu verknüpfen.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 15 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0166: Berechenbarkeit und Komplexität
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Martin Kliesch
Sprachen DE/EN
Zeitraum SoSe
Inhalt
Literatur
Lehrveranstaltung L0167: Berechenbarkeit und Komplexität
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Martin Kliesch
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0852: Graphentheorie und Optimierung

Lehrveranstaltungen
Titel Typ SWS LP
Graphentheorie und Optimierung (L1046) Vorlesung 2 3
Graphentheorie und Optimierung (L1047) Gruppenübung 2 3
Modulverantwortlicher Prof. Anusch Taraz
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Diskrete Algebraische Strukturen

  • Mathematik I
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Studierende können die grundlegenden Begriffe der Graphentheorie und Optimierung benennen und anhand von Beispielen erklären.
  • Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern.
  • Sie kennen Beweisstrategien und können diese wiedergeben.
Fertigkeiten
  • Studierende können Aufgabenstellungen der Graphentheorie und Optimierung mit Hilfe der kennengelernten Konzepte mathematisch modellieren und mit den erlernten Methoden lösen.
  • Studierende sind in der Lage, sich weitere einfache logische Zusammenhänge zwischen den kennengelernten Konzepten selbständig zu erschließen und können diese verifizieren.
  • Studierende können zu gegebenen Problemstellungen einen geeigneten Lösungsansatz entwickeln, diesen verfolgen und die Ergebnisse kritisch auswerten.
Personale Kompetenzen
Sozialkompetenz
  • Studierende sind in der Lage, in heterogen zusammengestellten Teams (mit unterschiedlichem mathematischen Hintergrundwissen und aus unterschiedlichen Studiengängen)  zusammenzuarbeiten und die Mathematik als gemeinsame Sprache zu entdecken und beherrschen.
  • Sie können sich dabei insbesondere gegenseitig neue Konzepte erklären und anhand von Beispielen das Verständnis der Mitstudierenden überprüfen und vertiefen.

Selbstständigkeit
  • Studierende können eigenständig ihr Verständnis mathematischer Konzepte überprüfen, noch offene Fragen auf den Punkt bringen und sich gegebenenfalls gezielt Hilfe holen.
  • Studierende haben eine genügend hohe Ausdauer entwickelt, um auch über längere Zeiträume an schwierigen Problemstellungen zu arbeiten.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Data Science: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: Wahlpflicht
Logistik und Mobilität: Vertiefung Verkehrsplanung und -systeme: Wahlpflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Verkehrsplanung und -systeme: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Lehrveranstaltung L1046: Graphentheorie und Optimierung
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Anusch Taraz
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Graphen, Durchlaufen von Graphen, Bäume
  • Planare Graphen
  • Kürzeste Wege
  • Minimale Spannbäume
  • Maximale Flüsse und minimale Schnitte
  • Sätze von Menger, König-Egervary, Hall
  • NP-vollständige Probleme
  • Backtracking und Heuristiken
  • Lineare Programmierung
  • Dualität
  • Ganzzahlige lineare Programmierung
Literatur
  • M. Aigner: Diskrete Mathematik, Vieweg, 2004
  • T. Cormen, Ch. Leiserson, R. Rivest, C. Stein: Algorithmen - Eine Einführung, Oldenbourg, 2013
  • J. Matousek und J. Nesetril: Diskrete Mathematik, Springer, 2007
  • A. Steger: Diskrete Strukturen (Band 1), Springer, 2001
  • A. Taraz: Diskrete Mathematik, Birkhäuser, 2012
  • V. Turau: Algorithmische Graphentheorie, Oldenbourg, 2009
  • K.-H. Zimmermann: Diskrete Mathematik, BoD, 2006
Lehrveranstaltung L1047: Graphentheorie und Optimierung
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Anusch Taraz
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0873: Software-Fachpraktikum

Lehrveranstaltungen
Titel Typ SWS LP
Modulverantwortlicher Dozenten des SD E
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Grundlagen der Softwaretechnik

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden kennen wichtige Aspekte und typische Phasen der Software-Projektentwicklung (wie Planung, Spezifikation, Implementierung, Validierung, Wartung und Dokumentation), die in der Praxis mehr oder weniger ausgeprägt zum Tragen kommen.


Fertigkeiten

Die Studierenden können typische Stufen der Software-Projektentwicklung beschreiben und eng umrissene Teilaufgaben in einem Software-Projekt innerhalb einer Gruppe oder eigenständig bearbeiten.


Personale Kompetenzen
Sozialkompetenz

Die Studierenden sind nach Abschluss des Moduls in der Lage, fachspezifische Aufgaben aus der Software-Entwicklung alleine oder in einer Gruppe zu bearbeiten und die Resultate geeignet zu präsentieren.

Selbstständigkeit

Die Studierenden sind nach Abschluss des Moduls imstande, sich Teilbereiche des Fachgebietes anhand von Fachliteratur selbständig zu erarbeiten, das erworbene Wissen zusammenzufassen und es mit den Inhalten anderer Lehrveranstaltungen zu verknüpfen.

Arbeitsaufwand in Stunden Eigenstudium 180, Präsenzstudium 0
Leistungspunkte 6
Studienleistung Keine
Prüfung Schriftliche Ausarbeitung (laut FPrO)
Prüfungsdauer und -umfang Die Ausarbeitung wird von der Betreuerin bzw. dem Betreuer der Bachelorarbeit bewertet.
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht

Modul M1578: Seminare Informatik

Lehrveranstaltungen
Titel Typ SWS LP
Seminar Informatik I (L2362) Seminar 2 3
Seminar Informatik II (L2361) Seminar 2 3
Modulverantwortlicher Dozenten des SD E
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Grundlegende Module aus der Informatik und Mathematik auf Bachelorebene.

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden können

  • ein spezifisches Thema der Informatik erklären,
  • komplexe Sachverhalte beschreiben,
  • unterschiedliche Standpunkte darlegen und kritisch bewerten.
Fertigkeiten

Die Studierenden können

  • sich in einer begrenzten Zeit in ein spezifisches Thema der Informatik einarbeiten,
  • eine Literaturrecherche durchführen und die Quellen richtig zitieren und angeben,
  • selbstständig einen Vortrag ausarbeiten und vor ausgewählten Publikum halten,
  • den Vortrag in einem Abstract zusammenfassen,
  • im Rahmen der Diskussion Fachfragen beantworten.
Personale Kompetenzen
Sozialkompetenz

Die Studierenden sind in der Lage,

  • ein Thema für eine bestimmte Zielgruppe aufzuarbeiten und darzustellen,
  • mit der Betreuerin bzw. dem Betreuer das Thema sowie Inhalt und Aufbau des Vortrages zu diskutieren,
  • einzelne Aspekte aus dem Themengebiet mit den Zuhörerinnen und Zuhörern durchzusprechen,
  • als Vortragende bzw. Vortragender auf die Fragen der Zuhörerinnen und Zuhörer einzugehen.
Selbstständigkeit

Die Studierenden werden die Lage versetzt,

  • eigenständig Aufgaben zu definieren,
  • notwendiges Wissen zu erschließen,
  • geeignete Hilfsmittel einzusetzen, 
  • unter Anleitung der Betreuerin bzw. des Betreuers den Arbeitsstand kritisch zu überprüfen.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Referat
Prüfungsdauer und -umfang x
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Data Science: Wahlpflicht
Engineering Science: Vertiefung Information and Communication Systems: Wahlpflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Lehrveranstaltung L2362: Seminar Informatik I
Typ Seminar
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Dozenten des SD E
Sprachen DE/EN
Zeitraum WiSe/SoSe
Inhalt
Literatur
Lehrveranstaltung L2361: Seminar Informatik II
Typ Seminar
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Dozenten des SD E
Sprachen DE/EN
Zeitraum WiSe/SoSe
Inhalt
Literatur

Fachmodule der Vertiefung I. Computer- und Software-Engineering

In dieser Vertiefung finden sich die Gebiete Softwaretechnik und Technische Informatik.

Die Softwaretechnik beschäftigt sich mit Planung, Entwurf, Analyse, Betrieb und Dokumentation von Softwaresystemen sowie der Spezifikation der dazu notwendigen Datenstrukturen. Die Vertiefung bietet einerseits Module aus dem Kernbereich der Softwaretechnik, wie Compilerbau, Datenbanken und Software-Entwicklung, und andererseits anwendungsorientierte Module, wie Verteilte Systeme, Kombinatorische Strukturen und Algorithmen sowie Rechnergestützte Geometrie.

Die Technische Informatik befasst sich mit Aufbau, Entwurf, Organisation, Bewertung und Betrieb von Rechnersystemen. Sie ist Schnittstelle zwischen Informatik und Elektrotechnik und beschreibt Rechnersysteme hauptsächlich aus elektrologischer Sicht. Kenntnisse aus den grundständigen Veranstaltungen über Elektrotechnik werden nicht vorausgesetzt. Die Vertiefung bietet zum einen Module aus dem Kernbereich der Technischen Informatik, wie Recherarchitektur, Eingebettete Systeme sowie ein entsprechendes Labor-Praktikum, und andererseits anwendungsorientierte Module, wie Medizintechnische Systeme und die klassische Nachrichtentechnik. Die Einführungsveranstaltung über Quantenmechanik spielt eine fundamentale Rolle beim Aufbau von Quantenrechnern.

Modul M1586: Wissenschaftliche Programmierung

Lehrveranstaltungen
Titel Typ SWS LP
Wissenschaftliche Programmierung (L2405) Vorlesung 3 4
Wissenschaftliche Programmierung (L2406) Gruppenübung 2 2
Modulverantwortlicher Prof. Tobias Knopp
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Prozedurale Programmierung, Lineare Algebra
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden  

  • können wissenschaftliche Probleme in einer modernen Programmiersprache effizient lösen.
  • sind mit dem Konzept der reproduzierbaren Wissenschaft vertraut.
  • können mit mehrdimensionalen Arrays, sparse Arrays, Data Frames (tabellenförmige Daten) und Missing Data umgehen. Sie kennen sie Vor- und Nachteile spezifischer Datenstrukturen.
  • kennen verschiedene Möglichkeiten um Daten, Datenbeziehungen und Fehlermaße geeignet darzustellen. Sie kennen bekannte Datenformate zur Speicherung von wissenschaftlichen Daten und können für spezifische Daten ein geeignetes Format auswählen.
Fertigkeiten

Sie sind in der Lage 

  • komplexe Probleme aus einer mathematischen Formulierung in eine geeignetes Programm zu übersetzen.
  • ein komplexes Problem in Teilprobleme aufzuteilen welche modular umgesetzt werden können.
  • numerische Standardprobleme zu identifizieren und hierfür geeignete Standardalgorithmen nutzen, die in Bibliotheken vorhanden sind.
  • wartbaren Programmcode zu schreiben, dessen Korrektheit durch geeignete Tests überprüft wird.
  • die Laufzeit von Programmen zu messen, Flaschenhalse zu identifizieren und geeignete Beschleunigungstechniken anzuwenden.
Personale Kompetenzen
Sozialkompetenz Die Studierenden können in sowohl selbstständig als auch in Teams an komplexen Problemen arbeiten. Sie können sich untereinander austauschen und ihre individuellen Stärken zur Lösung des Problems einbringen.
Selbstständigkeit

Die Studierenden sind in der Lage ein komplexes Problem eigenständig zu untersuchen und einzuschätzen, welche Kompetenzen zur Lösung des Problems benötigt werden. 

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang Übungsaufgaben, Gruppenprojekt mit Präsentation, schriftlicher Test
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Data Science: Wahlpflicht
Mechatronik: Vertiefung Dynamische Systeme und AI: Pflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L2405: Wissenschaftliche Programmierung
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Tobias Knopp
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Elementare Datentypen und der Zusammenhang zur Mathematik
  • Wissenschaftliche Datentypen: Mehrdimensionale Arrays, sparse Arrays, Data Frames, Missing Data
  • Multiple Dispatch als effizientes Paradigma für die wissenschaftliche Programmierung
  • Literate Programming
  • Profiling und Benchmarks
  • Beschleunigungstechniken: Caching, Multi-threading, SIMD, GPGPU
  • Wissenschaftliche Datenformate: CSV, TOML, HDF5, und ausgewählte Beispiele
  • Datenvisualisierung
  • Numerische Standardtechniken und effiziente Programmbibliotheken (BLAS, LAPACK, FFTW, ...)
  • Tests, Codeverwaltung, Dokumentation
  • Reproduzierbare Wissenschaft
Literatur

Ben Lauwens, Allen Downey: Think Julia: How to Think Like a Computer Scientist

Lehrveranstaltung L2406: Wissenschaftliche Programmierung
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Tobias Knopp
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1595: Maschinelles Lernen I

Lehrveranstaltungen
Titel Typ SWS LP
Maschinelles Lernen I (L2432) Vorlesung 2 3
Maschinelles Lernen I (L2433) Gruppenübung 3 3
Modulverantwortlicher Prof. Nihat Ay
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Lineare Algebra, Analysis, Grundlagen der Programmierung
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden kennen

  • Grundlegende Prinzipien maschineller Lernverfahren: überwachtes/unüberwachtes Lernen, generative/deskriptives Lernen, parametrischer/nicht-parametrisches Lernen
  • verschiedeneLernmethoden: Neuronale Netze, Support-Vektor-Maschinen, Clusterung, Dimensionsreduzierung, Kernel-Methoden
  • Grundlagen der statistischen Lerntheorie
  • Fortgeschrittene Techniken wie Transfer Learning, Bestärkendes Lernen, Generative Adversarial Networks und Adaptive Control
Fertigkeiten

Die Studierenden können

  • maschinelle Lernverfahren auf konkrete Probleme anwenden
  • für konkrete Problemstellungen geeignete Verfahren auswählen und bewerten
  • die Güte eines trainierten datengetriebenen Modells evaluieren
  • mit bekannten Softwareframeworks für das maschinelle Lernen umgehen
  • bei neuronalen Netzen die Architektur und Kostenfunktion an konkrete Problemstellungen anpassen
  • die Grenzen maschineller Lernverfahren aufzeigen
Personale Kompetenzen
Sozialkompetenz

Die Studierenden können in sowohl selbstständig als auch in Teams an komplexen Problemen arbeiten. Sie können sich untereinander austauschen und ihre individuellen Stärken zur Lösung des Problems einbringen.

Selbstständigkeit

Die Studierenden sind in der Lage ein komplexes Problem eigenständig zu untersuchen und einzuschätzen, welche Kompetenzen zur Lösung des Problems benötigt werden. 

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 20 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Theoretischer Maschinenbau: Wahlpflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Advanced Materials: Wahlpflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
Engineering Science: Vertiefung Data Science: Pflicht
Engineering Science: Vertiefung Maschinenbau: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Maschinenbau: Vertiefung Theoretischer Maschinenbau: Wahlpflicht
Mechatronik: Vertiefung Dynamische Systeme und AI: Pflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Lehrveranstaltung L2432: Maschinelles Lernen I
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Nihat Ay
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Geschichte der Neurowissenschaften und des maschinellen Lernens (insbesondere des tiefen Lernens) 
  • McCulloch-Pitts-Neuronen und binäre neuronale Netze
  • Boolesche Funktionen und Schellwert-Funktionen 
  • Universalität von neuronalen McCulloch-Pitts-Netzwerken
  • Lernen und das Perzeptron-Konvergenz-Theorem
  • Support-Vektor-Maschinen
  • Harmonische Analyse von Booleschen Funktionen
  • Kontinuierliche künstliche neuronale Netze 
  • Kolmogorovsches Superpositions-Theorem
  • Universelle Approximation mit kontinuierlichen neuronalen Netzen
  • Approximationsfehler und die Gradienten-Abstiegs-Methode: die allgemeine Idee
  • Die stochastische Gradienten-Abstiegs-Methode (Robbins-Monro- und Kiefer-Wolfowitz-Fälle)
  • Mehrschichtige Netzwerke und der Backpropagation-Algorithmus
  • Statistische Lerntheorie
Literatur
  • Martin Anthony and Peter L. Bartlett. Neural Network Learning: Theoretical Foundations. Cambridge University Press, 1999.
  • Martin Anthony. Discrete Mathematics of Neural Networks: Selected Topics. SIAM Monographs on Discrete Mathematics & Applications, 1987.
  • Mehryar Mohri, Afshin Rostamizadeh and Ameet Talwalkar. Foundations of Machine Learning, Second Edition. MIT Press, 2018.  
  • Christopher M. Bishop. Pattern Recognition and Machine Learning. Information Science and Statistics. Springer-Verlag, 2008.
  • Bernhard Schölkopf, Alexander Smola. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. Adaptive Computation and Machine Learning series. MIT Press, Cambridge, MA, 2002.
  • Luc Devroye, László Györfi, Gábor Lugosi. A Probabilistic Theory of Pattern Recognition. Springer, 1996.
  • Vladimir Vapnik. The Nature of Statistical Learning Theory. Springer-Verlag: New York, Berlin, Heidelberg, 1995.




 

Lehrveranstaltung L2433: Maschinelles Lernen I
Typ Gruppenübung
SWS 3
LP 3
Arbeitsaufwand in Stunden Eigenstudium 48, Präsenzstudium 42
Dozenten Prof. Nihat Ay
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1908: Grundlagen der Betriebssysteme

Lehrveranstaltungen
Titel Typ SWS LP
Grundlagen der Betriebssysteme (L3148) Vorlesung 2 3
Grundlagen der Betriebssysteme (L3149) Gruppenübung 2 3
Modulverantwortlicher Prof. Christian Dietrich
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Prozedurales Programmieren in C, sowie zugehörige Werkzeuge (Editor, Linker, Compiler)
  • Grundlagen der Rechnerarchitektur
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Veranstaltung vermittelt grundlegende Kenntnisse über den Aufbau, Funktionsweise und systemnahe Verwendung von Betriebssystemen. Die Studierenden lernen am Modell einer Mehrebenenmaschine, Betriebssystemabstraktionen wie Prozesse, Fäden, virtueller Speicher, Dateien, Gerätedateien und Interprozesskommunikation sowie Techniken für deren effiziente Realisierung kennen. Dazu gehören Strategien für das Prozessscheduling, Latenzminimierung durch Pufferung und die Verwaltung von Haupt- und Hintergrundspeicher. Weiterhin kennen sie die Themen Sicherheit im Betriebssystemkontext und Aspekte der systemnahen Softwareentwicklung in C. In den vorlesungsbegleitenden Übungen haben sie Stoff anhand von Programmieraufgaben in C aus dem Bereich der UNIX-Systemprogrammierung praktisch vertieft. Die Studierenden kennen vordergründig die Betriebssystemfunktionen für Einprozessorsysteme. Spezielle Fragestellungen zu Mehrprozessorsystemen (auf Basis gemeinsamen Speichers) haben sie am Rande und in Bezug auf Funktionen zur Koordinierung nebenläufiger Programme kennen gelernt. In ähnlicher Weise kennen sie das Thema Echtzeitverarbeitung ansatzweise nur in Bezug auf die Prozesseinplanung.

Fertigkeiten

Studierende können die POSIX Systemschnittstelle nutzen um auf die verschiedenen Ressourcen des Rechensystems zuzugreifen. Sie sind in der Lage technische Dokumentation zu erfassen und auf dieser Grundlage komplexe Interaktionsprotokolle zu implementieren. Sie sind in der Lage Nebenläufigkeitsprobleme zu erkennen und mit blockierenden Synchronisationsprimitiven zu vermeiden.

Personale Kompetenzen
Sozialkompetenz

Die Studierenden können in kleinen Gruppen eine Fragestellung mit Bezug Betriebssystemen und Systemsoftware erörtern und gemeinsam präsentieren.

Selbstständigkeit

Die Studierenden sind in der Lage die Vorlesungsinhalte eigenständig vor- und nachzubearbeiten.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L3148: Grundlagen der Betriebssysteme
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Christian Dietrich
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  •  Grundlegende BS-Konzepte 
  •  Systemnahe Softwareentwicklung in C 
  •  Dateien un Dateisysteme
  •  Prozesse und Fäden 
  •  Unterbrechungen, Systemaufrufe und Signale 
  •  Prozesseinplanung 
  •  Speicherbasierte Interaktion
  •  Betriebsmittelverwaltung, Synchronisation und Verklemmung 
  •  Interprozesskommunikation 
  •  Speicherorganisation
  •  Speichervirtualisierung
  •  Systemsicherheit und Zugriffsschutz

Literatur
  • Operating Systems. Internals and Design Principles; William Stallings; Prentice Hall 2008; ISBN: 978-0136006329.
  • Operating System Concepts; Abraham Silberschatz, Greg Gagne, Peter Bear Galvin; John Wiley & Sons, Inc.; 2005 ISBN: 0-471-69466-5.
  • Modern Operating Systems; Andrew S. Tanenbaum; Prentice Hall 2007 ISBN: 978-0136006633
  • Structured Computer Organization; Andrew S. Tanenbaum; Prentice Hall 2006 ISBN: 978-0131485211.
Lehrveranstaltung L3149: Grundlagen der Betriebssysteme
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Christian Dietrich
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0791: Computer Architecture

Lehrveranstaltungen
Titel Typ SWS LP
Rechnerarchitektur (L0793) Vorlesung 2 3
Rechnerarchitektur (L0794) Projekt-/problembasierte Lehrveranstaltung 2 2
Rechnerarchitektur (L1864) Gruppenübung 1 1
Modulverantwortlicher Prof. Heiko Falk
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Module "Computer Engineering"

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

This module presents advanced concepts from the discipline of computer architecture. In the beginning, a broad overview over various programming models is given, both for general-purpose computers and for special-purpose machines (e.g., signal processors). Next, foundational aspects of the micro-architecture of processors are covered. Here, the focus particularly lies on the so-called pipelining and the methods used for the acceleration of instruction execution used in this context. The students get to know concepts for dynamic scheduling, branch prediction, superscalar execution of machine instructions and for memory hierarchies.

Fertigkeiten

The students are able to describe the organization of processors. They know the different architectural principles and programming models. The students examine various structures of pipelined processor architectures and are able to explain their concepts and to analyze them w.r.t. criteria like, e.g., performance or energy efficiency. They evaluate different structures of memory hierarchies, know parallel computer architectures and are able to distinguish between instruction- and data-level parallelism.

Personale Kompetenzen
Sozialkompetenz

Students are able to solve similar problems alone or in a group and to present the results accordingly.

Selbstständigkeit

Students are able to acquire new knowledge from specific literature and to associate this knowledge with other classes.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 15 % Fachtheoretisch-fachpraktische Studienleistung
Prüfung Klausur
Prüfungsdauer und -umfang 90 Min., Vorlesungsstoff + 4 Testate zur PBL "Rechnerarchitektur"
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Flugzeug-Systemtechnik: Kernqualifikation: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Luftfahrttechnik: Kernqualifikation: Wahlpflicht
Microelectronics and Microsystems: Vertiefung Embedded Systems: Wahlpflicht
Lehrveranstaltung L0793: Computer Architecture
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Heiko Falk
Sprachen EN
Zeitraum WiSe
Inhalt
  • Introduction
  • VHDL Basics
  • Programming Models
  • Realization of Elementary Data Types
  • Dynamic Scheduling
  • Branch Prediction
  • Superscalar Machines
  • Memory Hierarchies

The theoretical tutorials amplify the lecture's content by solving and discussing exercise sheets and thus serve as exam preparation. Practical aspects of computer architecture are taught in the FPGA-based PBL on computer architecture whose attendance is mandatory.

Literatur
  • D. Patterson, J. Hennessy. Rechnerorganisation und -entwurf. Elsevier, 2005.
  • A. Tanenbaum, J. Goodman. Computerarchitektur. Pearson, 2001.
Lehrveranstaltung L0794: Computer Architecture
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Heiko Falk
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L1864: Computer Architecture
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Heiko Falk
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0953: Introduction to Information Security

Lehrveranstaltungen
Titel Typ SWS LP
Einführung in die Informationssicherheit (L1114) Vorlesung 2 3
Einführung in die Informationssicherheit (L1115) Gruppenübung 2 3
Modulverantwortlicher Prof. Riccardo Scandariato
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse Basics of Computer Science
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Students can 

  • name the main security risks when using Information and Communication Systems
  • name the fundamental security mechanisms,   

  • name the fundamental principles of data protection.
Fertigkeiten

Students can

  • evaluate the strenghts and weaknesses of the fundamental security mechanisms, 

  • apply the fundamental principles of data protection to concrete cases.

Personale Kompetenzen
Sozialkompetenz Students are capable of appreciating the impact of security problems on those affected and of the potential responsibilities for their resolution. 
Selbstständigkeit None
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 5 % Fachtheoretisch-fachpraktische Studienleistung Gruppenarbeit mit aktuellen Technologien aus dem Bereich Sicherheit
Prüfung Klausur
Prüfungsdauer und -umfang 120 Minuten
Zuordnung zu folgenden Curricula Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Information and Communication Systems: Pflicht
Lehrveranstaltung L1114: Introduction to Information Security
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Riccardo Scandariato
Sprachen EN
Zeitraum WiSe
Inhalt
  • Fundamental concepts
  • Passwords & biometrics, Single-Sign-On
  • Passwordless authentication
  • Introduction to cryptography
  • Certificates, electronic signatures
  • Public key infrastructures  
  • Sessions, TLS 
  • Access control
  • Privacy
  • Software security basics  




Literatur

Ross Anderson: Security Engineering, Wiley & Sons, 3rd edition, 2020 


Lehrveranstaltung L1115: Introduction to Information Security
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Riccardo Scandariato
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1593: Data Mining

Lehrveranstaltungen
Titel Typ SWS LP
Data Mining (L2434) Vorlesung 2 3
Data Mining (L2435) Projekt-/problembasierte Lehrveranstaltung 2 3
Modulverantwortlicher Prof. Stefan Schulte
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Databases
  • Machine learning
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

After successful completion of the course, students know:

  • Basic concepts for data preparation
  • Similarity and distance measures
  • Methods to mine data patterns
  • Procedures to analyse clusters
  • Approaches to identify outliers 
  • Data mining for different types of data, e.g., data streams, text data, time series data
Fertigkeiten

Students are able to analyze large, heterogeneous volumes of data. They know methods and their application to recognize patterns in data sets and data clusters. The students are able to apply the studied methods in different domains, e.g., for data streams, text data, or time series data.

Personale Kompetenzen
Sozialkompetenz

Students can work on complex problems both independently and in teams. They can exchange ideas with each other and use their individual strengths to solve the problem.


Selbstständigkeit

Students are able to independently investigate a complex problem and assess which competencies are required to solve it. 


Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 20 % Fachtheoretisch-fachpraktische Studienleistung Praktische Arbeiten zu bestimmten Themen aus dem Bereich Data Mining
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Data Science: Pflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Mechatronik: Vertiefung Dynamische Systeme und AI: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung II. Informationstechnologie: Wahlpflicht
Lehrveranstaltung L2434: Data Mining
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Stefan Schulte, Dr. Dominik Schallmoser
Sprachen EN
Zeitraum WiSe
Inhalt
  • Data preparation
  • Similarity and distance measures
  • Pattern mining
  • Cluster analysis 
  • Outliers detection
  • Data mining for different types of data, e.g., data streams, text data, time series data
Literatur

Charu C. Aggarwal: Text Mining - The Textbook, Springer, 2015. Available at https://link.springer.com/book/10.1007/978-3-319-14142-8

Lehrveranstaltung L2435: Data Mining
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Stefan Schulte, Dr. Dominik Schallmoser
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1976: Embedded GPU Projects

Lehrveranstaltungen
Titel Typ SWS LP
Embedded GPU Projects (L3224) Projekt-/problembasierte Lehrveranstaltung 4 6
Modulverantwortlicher Prof. Sohan Lal
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

An introductory module on computer engineering or computer architecture, and good programming skills in Python/C++.

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Students will learn the architecture and organization of heterogenous embedded platforms consisting of multi-core CPUs and many-core GPUs such as Jetson boards from NVIDIA. Students will program them using Python/CUDA/C++. Depending upon the specific requirements of projects, students will learn the deployment of various deep learning frameworks, such as TensorFlow, and PyTorch, on embedded platforms. In addition, students will also develop expertise in various domains such as space applications and autonomous driving. 

Fertigkeiten

By the end of this module, students will have mastered the intricacies of embedded boards encompassing GPUs especially Jetson boards from NVIDIA and gained invaluable experience in real-world project development (using various deep learning frameworks) within the dynamic fields of space and autonomous driving.

Personale Kompetenzen
Sozialkompetenz

By participating in team projects, students gain a holistic set of soft and social skills, including communication skills, and collaboration in teamwork, that not only contribute to their academic success but also prepare them for success in their future careers and personal interactions.

Selbstständigkeit

Students learn to take ownership of individual and collective tasks within the team; fulfilling commitments and delivering quality work on time.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Schriftliche Ausarbeitung
Prüfungsdauer und -umfang Bericht über die erzielten Ergebnisse
Zuordnung zu folgenden Curricula Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Lehrveranstaltung L3224: Embedded GPU Projects
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 4
LP 6
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Dozenten Prof. Sohan Lal
Sprachen EN
Zeitraum WiSe
Inhalt

This is a project-based learning module where students will work with embedded boards encompassing GPUs, such as Jetson boards from NVIDIA to work on cutting-edge projects from various domains such as space and autonomous driving. An introduction to embedded boards including a set of projects will be proposed at the beginning of the module. It is also possible for a student to propose his/her project in consultation with the lecturer. The students will be encouraged to work in small teams (1-3 team members). The team-based approach not only facilitates a supportive learning environment but also equips students with the ability to tackle complex problems synergistically.

By the end of this module, students will have mastered the intricacies of embedded boards encompassing GPUs and gained invaluable experience in real-world project development within the dynamic fields of space and autonomous driving.

Literatur
  1. Kosmidis et al., "GPU4S: Embedded GPUs in Space," Euromicro Conference on Digital System Design (DSD),  2019, pp. 399-405, doi: 10.1109/DSD.2019.00064.
  2. Prashanthi et al., "Characterizing the Performance of Accelerated Jetson Edge Devices for Training Deep Learning Models," Proc. ACM Meas. Anal. Comput. Syst., 2022
  3. Lim et al., "Onboard Artificial Intelligence for Space Situational Awareness with Low-Power GPUs, '' AMOS, 2020
  4. Hsueh et al., "Fault Injection Techniques and Tools,'' In: Computer, Vol. 30, No. 4, pp. 75-82, 1997
  5. Hari et al., "SASSIFI: An Architecture-Level Fault Injection Tool for GPU Application Resilience Evaluation," In: International Symposium on Performance Analysis of Systems and Software (ISPASS), USA, 2017
  6. Jha et al., "ML-Based Fault Injection for Autonomous Vehicles: A Case for Bayesian Fault Injection," In: International Conference on Dependable Systems and Networks (DSN), USA, 2019
  7. Ziaja et al., “Benchmarking Deep Learning for On-Board Space Applications,” In: Remote Sensing, 2021
  8. “Towards a European AI4EO R&I Agenda” https://phiweek2018.esa.int/agenda/files/session58.pdf

Modul M0754: Compiler Construction

Lehrveranstaltungen
Titel Typ SWS LP
Compilerbau (L0703) Vorlesung 2 2
Compilerbau (L0704) Gruppenübung 2 4
Modulverantwortlicher Prof. Sibylle Schupp
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Practical programming experience
  • Automata theory and formal languages
  • Functional programming or procedural programming
  • Object-oriented programming, algorithms, and data structures
  • Basic knowledge of software engineering
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Students explain the workings of a compiler and break down a compilation task in different phases. They apply and modify the major algorithms for compiler construction and code improvement. They can re-write those algorithms in a programming language, run and test them. They choose appropriate internal languages and representations and justify their choice. They explain and modify implementations of existing compiler frameworks and experiment with frameworks and tools. 

Fertigkeiten

Students design and implement arbitrary compilation phases. They integrate their code in existing compiler frameworks. They organize their compiler code properly as a software project. They generalize algorithms for compiler construction to algorithms that analyze or synthesize software. 

Personale Kompetenzen
Sozialkompetenz

Students develop the software in a team. They explain problems and solutions to their team members. They present and defend their software in class. They communicate in English.

Selbstständigkeit

Students develop their software independently and define milestones by themselves. They receive feedback throughout the entire project. They organize the software project so that they can assess their progress themselves.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang Software (Compiler)
Zuordnung zu folgenden Curricula Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0703: Compiler Construction
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum SoSe
Inhalt
  • Lexical and syntactic analysis 

  • Semantic analysis
  • High-level optimization 

  • Intermediate languages and code generation
  • Compilation pipeline
Literatur

Alfred Aho, Jeffrey Ullman, Ravi Sethi, and Monica S. Lam, Compilers: Principles, Techniques, and Tools, 2nd edition

Aarne Ranta, Implementing Programming Languages, An Introduction to Compilers and Interpreters, with an appendix coauthored by Markus Forsberg, College Publications, London, 2012

Lehrveranstaltung L0704: Compiler Construction
Typ Gruppenübung
SWS 2
LP 4
Arbeitsaufwand in Stunden Eigenstudium 92, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1300: Software Development

Lehrveranstaltungen
Titel Typ SWS LP
Softwareentwicklung (L1790) Projekt-/problembasierte Lehrveranstaltung 2 5
Softwareentwicklung (L1789) Vorlesung 1 1
Modulverantwortlicher Prof. Sibylle Schupp
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Introduction to Software Engineering
  • Programming Skills
  • Experience with Developing Small to Medium-Size Programs 
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
Students explain the fundamental concepts of agile methods, describe the process of 
test-driven development, and explain how continuous integration can be used in
different scenarios. They give examples of selected pitfalls in software development,
regarding scalability and other non-functional requirements. They write unit tests and build scripts and combine them in a corresponding integration environment. They explain major activities in requirements analysis, program comprehension, and agile project development.
Fertigkeiten
For a given task on a legacy system, students identify the corresponding
parts in the system and select an appropriate method for understanding the
details. They choose the proper approach of splitting a task in
independent testable and extensible pieces and, thus, solve the task
with proper methods for quality assurance. They design tests for 
legacy systems, create automated builds, and find errors at different
levels. They integrate the resulting artifacts in a continuous
development environment
Personale Kompetenzen
Sozialkompetenz

Students discuss different design decisions in a group. They defend their solutions orally. They communicate in English.

Selbstständigkeit

Using accompanying tools, students can assess their level of knowledge continuously and adjust it appropriately.   Within limits, they can set their own learning goals. Upon successful completion, students can identify and formulate concrete problems of software systems and propose solutions. Within this field, they can conduct independent studies to acquire the necessary competencies. They can devise plans to arrive at new solutions or assess existing ones.

Arbeitsaufwand in Stunden Eigenstudium 138, Präsenzstudium 42
Leistungspunkte 6
Studienleistung Keine
Prüfung Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang Software
Zuordnung zu folgenden Curricula Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Lehrveranstaltung L1790: Software Development
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 5
Arbeitsaufwand in Stunden Eigenstudium 122, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum SoSe
Inhalt
  • Agile Methods
  • Test-Driven Development and Unit Testing
  • Continuous Integration
  • Web Services
  • Scalability
  • From Defects to Failure
Literatur

Duvall, Paul M. Continuous Integration. Pearson Education India, 2007.
Humble, Jez, and David Farley. Continuous delivery: reliable software releases through build, test, and deployment automation. Pearson Education, 2010.

Martin, Robert Cecil. Agile software development: principles, patterns, and practices. Prentice Hall PTR, 2003.

http://scrum-kompakt.de/

Myers, Glenford J., Corey Sandler, and Tom Badgett. The art of software testing. John Wiley & Sons, 2011.

Lehrveranstaltung L1789: Software Development
Typ Vorlesung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum SoSe
Inhalt
  • Agile Methods
  • Test-Driven Development and Unit Testing
  • Continuous Integration
  • Web Services
  • Scalability
  • From Defects to Failure
Literatur

Duvall, Paul M. Continuous Integration. Pearson Education India, 2007.
Humble, Jez, and David Farley. Continuous delivery: reliable software releases through build, test, and deployment automation. Pearson Education, 2010.

Martin, Robert Cecil. Agile software development: principles, patterns, and practices. Prentice Hall PTR, 2003.

http://scrum-kompakt.de/

Myers, Glenford J., Corey Sandler, and Tom Badgett. The art of software testing. John Wiley & Sons, 2011.

Modul M0803: Embedded Systems

Lehrveranstaltungen
Titel Typ SWS LP
Eingebettete Systeme (L0805) Vorlesung 3 3
Eingebettete Systeme (L2938) Projekt-/problembasierte Lehrveranstaltung 1 1
Eingebettete Systeme (L0806) Gruppenübung 1 2
Modulverantwortlicher Prof. Heiko Falk
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse Computer Engineering
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Embedded systems can be defined as information processing systems embedded into enclosing products. This course teaches the foundations of such systems. In particular, it deals with an introduction into these systems (notions, common characteristics) and their specification languages (models of computation, hierarchical automata, specification of distributed systems, task graphs, specification of real-time applications, translations between different models).

Another part covers the hardware of embedded systems: Sonsors, A/D and D/A converters, real-time capable communication hardware, embedded processors, memories, energy dissipation, reconfigurable logic and actuators. The course also features an introduction into real-time operating systems, middleware and real-time scheduling. Finally, the implementation of embedded systems using hardware/software co-design (hardware/software partitioning, high-level transformations of specifications, energy-efficient realizations, compilers for embedded processors) is covered.

Fertigkeiten After having attended the course, students shall be able to realize simple embedded systems. The students shall realize which relevant parts of technological competences to use in order to obtain a functional embedded systems. In particular, they shall be able to compare different models of computations and feasible techniques for system-level design. They shall be able to judge in which areas of embedded system design specific risks exist.
Personale Kompetenzen
Sozialkompetenz

Students are able to solve similar problems alone or in a group and to present the results accordingly.

Selbstständigkeit

Students are able to acquire new knowledge from specific literature and to associate this knowledge with other classes.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Fachtheoretisch-fachpraktische Studienleistung
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten, Inhalte der Vorlesung und Übungen
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Elektrotechnik: Kernqualifikation: Wahlpflicht
Engineering Science: Vertiefung Elektrotechnik: Wahlpflicht
Engineering Science: Vertiefung Information and Communication Systems: Pflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
Flugzeug-Systemtechnik: Kernqualifikation: Wahlpflicht
General Engineering Science (7 Semester): Vertiefung Mechatronics: Wahlpflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Luftfahrttechnik: Kernqualifikation: Wahlpflicht
Mechatronics: Kernqualifikation: Wahlpflicht
Mechatronik: Vertiefung Schiffstechnik: Pflicht
Mechatronik: Vertiefung Elektrische Systeme: Pflicht
Mechatronik: Vertiefung Dynamische Systeme und AI: Pflicht
Mechatronik: Vertiefung Roboter- und Maschinensysteme: Pflicht
Mechatronik: Vertiefung Medizintechnik: Pflicht
Microelectronics and Microsystems: Vertiefung Embedded Systems: Wahlpflicht
Lehrveranstaltung L0805: Embedded Systems
Typ Vorlesung
SWS 3
LP 3
Arbeitsaufwand in Stunden Eigenstudium 48, Präsenzstudium 42
Dozenten Prof. Heiko Falk
Sprachen EN
Zeitraum SoSe
Inhalt
  • Introduction
  • Specifications and Modeling
  • Embedded/Cyber-Physical Systems Hardware
  • System Software
  • Evaluation and Validation
  • Mapping of Applications to Execution Platforms
  • Optimization
Literatur
  • Peter Marwedel. Embedded System Design - Embedded Systems Foundations of Cyber-Physical Systems. 2nd Edition, Springer, 2012., Springer, 2012.
Lehrveranstaltung L2938: Embedded Systems
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Heiko Falk
Sprachen EN
Zeitraum SoSe
Inhalt
  • Introduction
  • Specifications and Modeling
  • Embedded/Cyber-Physical Systems Hardware
  • System Software
  • Evaluation and Validation
  • Mapping of Applications to Execution Platforms
  • Optimization
Literatur
  • Peter Marwedel. Embedded System Design - Embedded Systems Foundations of Cyber-Physical Systems. 2nd Edition, Springer, 2012., Springer, 2012.
Lehrveranstaltung L0806: Embedded Systems
Typ Gruppenübung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Heiko Falk
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Fachmodule der Vertiefung II. Mathematik und Ingenieurwissenschaften

In dieser Vertiefung geht es vor allem um Mathematik unter Verwendung von Computern. Aufbauend auf den in den ersten vier Semestern vermittelten Grundlagen der höheren Mathematik werden weitergehende Veranstaltungen aus den Bereichen Analysis, Geometrie, Kombinatorik und Numerik angeboten. 

Modul M1730: Mathematics IV (EN)

Lehrveranstaltungen
Titel Typ SWS LP
Differentialgleichungen 2 (Partielle Differentialgleichungen) (EN) (L2783) Vorlesung 2 1
Differentialgleichungen 2 (Partielle Differentialgleichungen) (EN) (L2784) Hörsaalübung 1 1
Differentialgleichungen 2 (Partielle Differentialgleichungen) (EN) (L2785) Gruppenübung 1 1
Komplexe Funktionen (EN) (L2786) Vorlesung 2 1
Komplexe Funktionen (EN) (L2787) Hörsaalübung 1 1
Komplexe Funktionen (EN) (L2788) Gruppenübung 1 1
Modulverantwortlicher Prof. Marko Lindner
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Mathematics I - III (EN or DE)

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Students can name the basic concepts in Mathematics IV. They are able to explain them using appropriate examples.
  • Students can discuss logical connections between these concepts.  They are capable of illustrating these connections with the help of examples.
  • They know proof strategies and can reproduce them.
Fertigkeiten
  • Students can model problems in Mathematics IV with the help of the concepts studied in this course. Moreover, they are capable of solving them by applying established methods.
  • Students are able to discover and verify further logical connections between the concepts studied in the course.
  • For a given problem, the students can develop and execute a suitable approach, and are able to critically evaluate the results.
Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together in teams. They are capable to use mathematics as a common language.
  • In doing so, they can communicate new concepts according to the needs of their cooperating partners. Moreover, they can design examples to check and deepen the understanding of their peers.
Selbstständigkeit
  • Students are capable of checking their understanding of complex concepts on their own. They can specify open questions precisely and know where to get help in solving them.
  • Students have developed sufficient persistence to be able to work for longer periods in a goal-oriented manner on hard problems.
Arbeitsaufwand in Stunden Eigenstudium 68, Präsenzstudium 112
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Advanced Materials: Pflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Engineering Science: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Advanced Materials: Pflicht
Engineering Science: Vertiefung Mechatronics: Pflicht
Engineering Science: Vertiefung Mediziningenieurwesen: Pflicht
Engineering Science: Vertiefung Elektrotechnik: Pflicht
Lehrveranstaltung L2783: Differential Equations 2 (Partial Differential Equations) (EN)
Typ Vorlesung
SWS 2
LP 1
Arbeitsaufwand in Stunden Eigenstudium 2, Präsenzstudium 28
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt

Main features of the theory and numerical treatment of partial differential equations 

  • Examples of partial differential equations
  • First order quasilinear differential equations
  • Normal forms of second order differential equations
  • Harmonic functions and maximum principle
  • Maximum principle for the heat equation
  • Wave equation
  • Liouville's formula
  • Special functions
  • Difference methods
  • Finite elements
Literatur

http://www.math.uni-hamburg.de/teaching/export/tuhh/index.html

Lehrveranstaltung L2784: Differential Equations 2 (Partial Differential Equations) (EN)
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2785: Differential Equations 2 (Partial Differential Equations) (EN)
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2786: Complex Functions (EN)
Typ Vorlesung
SWS 2
LP 1
Arbeitsaufwand in Stunden Eigenstudium 2, Präsenzstudium 28
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt

Main features of complex analysis 

  • Functions of one complex variable
  • Complex differentiation
  • Conformal mappings
  • Complex integration
  • Cauchy's integral theorem
  • Cauchy's integral formula
  • Taylor and Laurent series expansion
  • Singularities and residuals
  • Integral transformations: Fourier and Laplace transformation
Literatur

http://www.math.uni-hamburg.de/teaching/export/tuhh/index.html

Lehrveranstaltung L2787: Complex Functions (EN)
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2788: Complex Functions (EN)
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1962: Grundlagen Raumfahrtelektronik und Primärmission

Lehrveranstaltungen
Titel Typ SWS LP
Grundlagen Raumfahrtelektronik und Primärmission (L3204) Projekt-/problembasierte Lehrveranstaltung 4 6
Modulverantwortlicher Prof. Ulf Kulau
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Elektrotechnik / Grundlagen der Eletrotechnik
  • Informatik / Informatik für Ingeneure

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Grundlagen der Raumfahrtelektronik,
  • Subkomponenten von Satellitensystemen
  • Fragmentierung und Planung von Primärmissionen
  • Aktive Beteiligung in CubeSat Mission zur Anwendung erlernter Fähigkeiten
  • Softskills in den Bereichen Projektmanagement, Projektplanung und Projektkommunikation


Fertigkeiten

Nach Abschluss des Moduls haben Studierende Grundlagen der Raumfahrtelektronik vermittelt bekommen. Sie wissen ebenfalls wie man Primärmissionen plant und wie man Subsysteme zur Erreichung dieser Primärmission definiert (Anforderungsanalyse, Leistungsbeschreibung). Sie werden aktiv in Missionen eingebunden und sollen das erlernte dort praktisch umsetzen, wobei durch die Zusammenarbeit mit den Studierenden zusätzlich Softskills im Bereich allgemeinen Projektmanagement vermittelt und angewendet werden.

  • Grundlagenvermittlung
  • Konzeptionelles Design von Subsystemen (Anforderungs- und Leistungsbeschreibung)
  • Projektplanung und Fragmentierung von Primärmissionen (Raumfahrtmissionen)
  • Praktische Anwendung in CubeSat Mission


Personale Kompetenzen
Sozialkompetenz

Die Arbeit erfolgt wechselnd in der gesamten Gruppe, aber auch in Kleingruppen. Hierfür ist eine enge Zusammenarbeit und Abstimmung innerhalb der einzelnen Teams erforderlich. Das Ziel ist es, dass Studierende auf der einen Seite fundiertes Wissen über Raumfahrtelektronik und Raumfahrtmissionen erlangen, auf der anderen Seite dieses Wissen anwenden und durch die Arbeit in Kleingruppen eine Nachhaltigkeit ihrer Ergebnisse erzeugen. Dies kann beispielsweise die Weitergabe der Anforderungs- und Leistungsbeschreibungen sein, welche Semesterübergreifend als Grundlage, Ausgangspunkt und Ergebnis fungieren.


Selbstständigkeit

Die Studierenden sind nach Abschluss des Moduls in der Lage, selbständig wissenschaftliche Projekte und Prozesse zu planen und durchzuführen. In der Gruppenarbeit sollen Organisation, Ideenfindung, Herleitung von Hypothesen und  Denkprozesse selbständig moderiert und durchgeführt werden.


Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Schriftliche Ausarbeitung
Prüfungsdauer und -umfang Bericht über die erzielten Ergebnisse
Zuordnung zu folgenden Curricula Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Elektrotechnik: Kernqualifikation: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: Wahlpflicht
Lehrveranstaltung L3204: Grundlagen Raumfahrtelektronik und Primärmission
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 4
LP 6
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Dozenten Prof. Ulf Kulau
Sprachen DE/EN
Zeitraum WiSe/SoSe
Inhalt
Literatur

Modul M0651: Rechnergestützte Geometrie

Lehrveranstaltungen
Titel Typ SWS LP
Rechnergestützte Geometrie (L0393) Vorlesung 2 4
Rechnergestützte Geometrie (L0394) Gruppenübung 2 2
Modulverantwortlicher Dr. Prashant Batra
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Lineare Algebra und  Analytische Geometrie wie aus der schulischen Oberstufe bekannt

(Rechnen mit Vektoren u. Determinanten, Deutung von Skalarprodukt, Kreuzprodukt, Darstellung v. Geraden/Ebenen, Satz d. Pythagoras, Cosinus-Satz, Satz d. Thales, Projektionen/Einbettungen)

Grundlegende Datenstrukturen (Bäume, binäre Bäume, Suchbäume, balancierte binäre Bäume, Verkettete Listen)

Definition eines Graphen


Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende können die grundlegenden Begriffe der Rechnergestützten Geoemtrie benennen, mathematisch exakt beschreiben und anhand von Beispielen erklären.

Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern.


Fertigkeiten

Studierende können Aufgabenstellungen aus der Rechnergestützten Geometrie mit Hilfe der kennengelernten Konzepte modellieren und mit den erlernten Methoden lösen.




Personale Kompetenzen
Sozialkompetenz

Studierende sind in der Lage, mit den Teilnehmerinnen und Teilnehmer ihre eigenen algorithmischen Vorschläge zur Lösung der vorgestellten Probleme zu erörtern. Studierende sind in der Lage, in Teams zusammenzuarbeiten und beherrschen die Mathematik als gemeinsame Sprache.


Selbstständigkeit

Studierende sind in der Lage, sich weitere logische Zusammenhänge zwischen den kennengelernten Konzepten selbständig zu erschließen und können diese verifizieren.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Lehrveranstaltung L0393: Rechnergestützte Geometrie
Typ Vorlesung
SWS 2
LP 4
Arbeitsaufwand in Stunden Eigenstudium 92, Präsenzstudium 28
Dozenten Dr. Prashant Batra
Sprachen DE
Zeitraum WiSe
Inhalt

Konstruktion einer konvexen Hülle von n Punkten

Triangulierung eines schlichten Polygons

Konstruktion einer Delaunay-Triangulation, eines Voronoi-Diagramms

Algorithmen und Datenstrukturen  zum Bestimmen eines Arrangements, eines Ham-Sandwich-Cuts.

des Schnitts von Halbebenen, der Optimierung eines linearen Funktionals.

Effiziente Bestimmung aller Schnittpunkte von (orthogonalen) Streckensegmenten

Approximative Berechnung des Durchmessers einer Punktemenge

Inkrementelle randomisierte Algorithmen

Grundlagen der Gitterpunktlehre, LLL-Algorithmus und Anwendungen in der ganzzahligen Optimierung


Grundlagen der Bewegungsplanung



Literatur Computational Geometry Algorithms and Applications Authors:
  • Prof. Dr. Mark de Berg,
  • Dr. Otfried Cheong,
  • Dr. Marc van Kreveld,
  • Prof. Dr. Mark Overmars

Springer e-Book: http://dx.doi.org/10.1007/978-3-540-77974-2


Algorithmische Geometrie : Grundlagen, Methoden, Anwendungen / Rolf Klein
Verfasser: 
Klein, Rolf
Ausgabe: 
2., vollst. überarb. Aufl.
Erschienen: 
Berlin [u.a.] : Springer, 2005
Umfang: 
XI, 392 S. : graph. Darst.

Springer e-Book: http://dx.doi.org/10.1007/3-540-27619-X

O’Rourke, Joseph
Computational geometry in C. (English) Zbl 0816.68124
Cambridge: Univ. Press. ix, 346 p. $ 24.95; £16.95 /sc; $ 59.95; £35.00 /hc (1994).

ISBN:  0-521-44034-3  ; 0-521-44592-2


Computational geometry : an introduction / Franco P. Preparata; Michael Ian Shamos
Verfasser: 
Preparata, Franco P. ; Shamos, Michael Ian
Ausgabe: 
Corr. and expanded 2. printing.
Erschienen: 
New York [u.a.] : Springer, 1988
Umfang: 
XIV, 398 S. : graph. Darst.
Schriftenreihe: 
Texts and monographs in computer science
ISBN: 
3-540-96131-3
0-387-96131-3


Devadoss, Satyan L.; O’Rourke, Joseph
Discrete and computational geometry. (English) Zbl 1232.52001
Princeton, NJ: Princeton University Press (ISBN 978-0-691-14553-2/hbk; 978-1-400-83898-1/ebook). xi, 255 p.



ISBN: 978-3-540-77973-5 (Print) 978-3-540-77974-2 (Online)

Lehrveranstaltung L0394: Rechnergestützte Geometrie
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Dr. Prashant Batra
Sprachen DE
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0941: Kombinatorische Strukturen und Algorithmen

Lehrveranstaltungen
Titel Typ SWS LP
Kombinatorische Strukturen und Algorithmen (L1100) Vorlesung 3 4
Kombinatorische Strukturen und Algorithmen (L1101) Gruppenübung 1 2
Modulverantwortlicher Prof. Anusch Taraz
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Mathematik I + II
  • Diskrete Algebraische Strukturen
  • Graphentheorie und Optimierung
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Studierende können die grundlegenden Begriffe der Kombinatorik und Algorithmik benennen und anhand von Beispielen erklären.
  • Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern.
  • Sie kennen Beweisstrategien und können diese wiedergeben.


Fertigkeiten
  • Studierende können Aufgabenstellungen aus der Kombinatorik und Algorithmik mit Hilfe der kennengelernten Konzepte modellieren und mit den erlernten Methoden lösen.
  • Studierende sind in der Lage, sich weitere logische Zusammenhänge zwischen den kennengelernten Konzepten selbständig zu erschließen und können diese verifizieren.
  • Studierende können zu gegebenen Problemstellungen einen geeigneten Lösungsansatz entwickeln, diesen verfolgen und die Ergebnisse kritisch auswerten.


Personale Kompetenzen
Sozialkompetenz
  • Studierende sind in der Lage, in Teams zusammenzuarbeiten und beherrschen die Mathematik als gemeinsame Sprache.
  • Sie können dabei insbesondere neue Konzepte adressatengerecht kommunizieren und anhand von Beispielen das Verständnis der Mitstudierenden überprüfen und vertiefen.
Selbstständigkeit
  • Studierende können eigenständig ihr Verständnis komplexer Konzepte überprüfen, noch offene Fragen auf den Punkt bringen und sich gegebenenfalls gezielt Hilfe holen.
  • Studierende haben eine genügend hohe Ausdauer entwickelt, um auch über längere Zeiträume zielgerichtet an schwierigen Problemstellungen zu arbeiten.


Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Lehrveranstaltung L1100: Kombinatorische Strukturen und Algorithmen
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Anusch Taraz, Dr. Dennis Clemens
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Zählprobleme 
  • Strukturelle Graphentheorie
  • Analyse von Algorithmen
  • Extremale Kombinatorik
  • Zufällige diskrete Strukturen

Literatur
  • M. Aigner: Diskrete Mathematik, Vieweg, 6. Aufl., 2006
  • J. Matoušek & J. Nešetřil: Diskrete Mathematik - Eine Entdeckungsreise, Springer, 2007
  • A. Steger: Diskrete Strukturen - Band 1: Kombinatorik, Graphentheorie, Algebra, Springer, 2. Aufl. 2007
  • A. Taraz: Diskrete Mathematik, Birkhäuser, 2012.
Lehrveranstaltung L1101: Kombinatorische Strukturen und Algorithmen
Typ Gruppenübung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Anusch Taraz
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M2046: Introduction to Quantum Computing

Lehrveranstaltungen
Titel Typ SWS LP
Introduction to Quantum Computing (L3109) Vorlesung 2 3
Introduction to Quantum Computing (L3110) Hörsaalübung 2 3
Modulverantwortlicher Prof. Martin Kliesch
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Linear algebra and very good mathematical skills
  • Prior knowledge in theoretical computer science or quantum mechanics is helpful but not required
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Quantum computing is among the most exciting applications of quantum mechanics. Quantum algorithms can efficiently solve computational problems that have a prohibitive runtime on traditional computers. Such problems include, for instance, factoring of integer numbers or energy estimation problems from quantum chemistry and material science.

This course provides an introduction to the topic. An emphasis will be put on conceptual and mathematical aspects.

Fertigkeiten
  • Rigorous understanding of how quantum algorithms work and the ability to analyze them
  • Connection of concepts in quantum mechanics and computer science
  • Basic knowledge required to start programming a quantum computer
  • Ability to solve exercises related to quantum algorithms
Personale Kompetenzen
Sozialkompetenz

After completing this module, students are expected to be able to work on subject-specific tasks alone or in a group and to present the results appropriately. Moreover, students will be trained to identify and defuse misleading statements related to quantum computing, which can often be found in popular media.

Selbstständigkeit

After completion of this module, students are able to work out sub-areas of the subject independently using textbooks and other literature, to summarize and present the acquired knowledge and to link it to the contents of other courses.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 15 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Engineering Science: Vertiefung Data Science: Wahlpflicht
Engineering Science: Vertiefung Information and Communication Systems: Wahlpflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L3109: Introduction to Quantum Computing
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Martin Kliesch
Sprachen EN
Zeitraum WiSe
Inhalt

Quantum computing is among the most exciting applications of quantum mechanics. Quantum algorithms can efficiently solve computational problems that have a prohibitive runtime on traditional computers. Such problems include, for instance, factoring of integer numbers or energy estimation problems from quantum chemistry and material science.

This course provides an introduction to the topic. An emphasis will be put on conceptual and mathematical aspects.


Literatur
  • Course specific lecture notes will be provided
  • Nielsen and Chuang, Quantum Computation and Quantum Information
  • Sevag Gharibian’s lecture notes, Introduction to Quantum Computation


Lehrveranstaltung L3110: Introduction to Quantum Computing
Typ Hörsaalübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Martin Kliesch
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1592: Statistik

Lehrveranstaltungen
Titel Typ SWS LP
Statistik (L2430) Vorlesung 3 4
Statistik (L3229) Projekt-/problembasierte Lehrveranstaltung 1 1
Statistik (L2431) Gruppenübung 1 1
Modulverantwortlicher Prof. Matthias Schulte
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Stochastik (oder eine vergleichbare Lehrveranstaltung)
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Studierende können die grundlegenden Begriffe der Statistik benennen und anhand von Beispielen erklären.
  • Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern.



Fertigkeiten
  • Studierende können statistische Probleme mit Hilfe der kennengelernten Konzepte mathematisch modellieren und mit den erlernten Methoden lösen. Hierfür können sie die statische Software R einsetzen.
  • Studierende sind in der Lage, sich weitere einfache logische Zusammenhänge zwischen den kennengelernten Konzepten selbständig zu erschließen und können diese verifizieren.
  • Studierende können zu gegebenen Problemstellungen einen geeigneten Lösungsansatz entwickeln, diesen verfolgen und die Ergebnisse kritisch auswerten.
Personale Kompetenzen
Sozialkompetenz
  • Studierende können in heterogen zusammengesetzten Teams (z.B. an Hausaufgaben) zusammenarbeiten und ihre Ergebnisse vor der Gruppe präsentieren.
  • Sie können sich dabei insbesondere gegenseitig neue Konzepte erklären und anhand von Beispielen das Verständnis der Mitstudierenden überprüfen und vertiefen.
Selbstständigkeit
  • Studierende können eigenständig ihr Verständnis mathematischer Konzepte überprüfen, noch offene Fragen auf den Punkt bringen und sich gegebenenfalls gezielt Hilfe holen.
  • Studierende können ihr Wissen mit den Inhalten anderer Veranstaltungen in Verbindung bringen.
  • Studierende haben eine genügend hohe Ausdauer entwickelt, um auch über längere Zeiträume an schwierigen Problemstellungen zu arbeiten.
Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 10 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Advanced Materials: Wahlpflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Advanced Materials: Wahlpflicht
Engineering Science: Vertiefung Data Science: Pflicht
Engineering Science: Vertiefung Information and Communication Systems: Pflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung II. Informationstechnologie: Wahlpflicht
Lehrveranstaltung L2430: Statistik
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Matthias Schulte
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Multivariate Verteilungen und stochastische Konvergenz
  • Punktschätzer
  • Konfidenzintervalle
  • Hypothesentests
  • Nichtparametrische Statistik
  • Lineare Regression
  • Statistische Software (R)
Literatur
  • L. Dümbgen (2016): Einführung in die Statistik, Birkhäuser.
  • L. Dümbgen (2003): Stochastik für Informatiker, Springer.
  • H.-O. Georgii (2012): Stochastics: Introduction to Probability and Statistics, 2nd edition, De Gruyter.
  • N. Henze (2018): Stochastik für Einsteiger, 12th edition, Springer.
  • A. Klenke (2014): Probability Theory: A Comprehensive Course, 2nd edition, Springer.
  • U. Krengel (2005): Einführung in die Wahrscheinlichkeitstheorie und Statistik, 8th edition, Vieweg.
Lehrveranstaltung L3229: Statistik
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Matthias Schulte
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2431: Statistik
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Matthias Schulte
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0715: Solvers for Sparse Linear Systems

Lehrveranstaltungen
Titel Typ SWS LP
Löser für schwachbesetzte lineare Gleichungssysteme (L0583) Vorlesung 2 3
Löser für schwachbesetzte lineare Gleichungssysteme (L0584) Gruppenübung 2 3
Modulverantwortlicher Prof. Sabine Le Borne
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Mathematics I + II for Engineering students or Analysis & Lineare Algebra I + II for Technomathematicians
  • Programming experience in C
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Students can

  • list classical and modern iteration methods and their interrelationships,
  • repeat convergence statements for iterative methods,
  • explain aspects regarding the efficient implementation of iteration methods.
Fertigkeiten

Students are able to

  • analyse, implement, test, and compare iterative methods,
  • analyse the convergence behaviour of iterative methods and, if applicable, compute congergence rates.
Personale Kompetenzen
Sozialkompetenz

Students are able to

  • work together in heterogeneously composed teams (i.e., teams from different study programs and background knowledge), explain theoretical foundations and support each other with practical aspects regarding the implementation of algorithms.
Selbstständigkeit

Students are capable

  • to assess whether the supporting theoretical and practical excercises are better solved individually or in a team,
  • to work on complex problems over an extended period of time,
  • to assess their individual progess and, if necessary, to ask questions and seek help.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 20 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Lehrveranstaltung L0583: Solvers for Sparse Linear Systems
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sabine Le Borne
Sprachen EN
Zeitraum SoSe
Inhalt
  1. Sparse systems: Orderings and storage formats, direct solvers
  2. Classical methods: basic notions, convergence
  3. Projection methods
  4. Krylov space methods
  5. Preconditioning (e.g. ILU)
  6. Multigrid methods
  7. Domain Decomposition Methods
Literatur
  1. Y. Saad. Iterative methods for sparse linear systems
  2. M. Olshanskii, E. Tyrtyshnikov. Iterative methods for linear systems: theory and applications
Lehrveranstaltung L0584: Solvers for Sparse Linear Systems
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sabine Le Borne
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0668: Algebraische Methoden in der Regelungstechnik

Lehrveranstaltungen
Titel Typ SWS LP
Algebraische Methoden in der Regelungstechnik (L0428) Vorlesung 2 4
Algebraische Methoden in der Regelungstechnik (L0429) Gruppenübung 2 2
Modulverantwortlicher Dr. Prashant Batra
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Mathe I-III (Reelle Analysis, Lineare Algebra, )

und entweder: Einführung in die Regelungstechnik (Beschreibung u. gewünschte Eigenschaften von Systemen, Zeitbereich/Frequenzbereich)

oder: Diskrete Mathematik (Gruppen, Ringe, Ideale, Körper, Euklidscher Algorithmus)

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende können

  • Input-Output-Systeme polynomial beschreiben,
  • Faktorisierungsansätze für Übertragungsfunktionen erklären,
  • Stabilisierungsbedingungen für Systeme in coprimer stabiler Faktorisierung  benennen.


Fertigkeiten

Studierende sind in der Lage

  • eine Synthese stabiler Regelkreise durchzuführen,
  • geeignete Analyse und Synthesemethoden zur Beschreibung aller stabilen Regelkreise anzuwenden sowie
  • die Erfüllung vorgegebener Leistungsmaße sicher zu stellen.


Personale Kompetenzen
Sozialkompetenz

Die Studierenden sind nach Abschluss des Moduls in der Lage, fachspezifische Aufgaben alleine zu bearbeiten und die Resultate geeignet zu präsentieren.

Selbstständigkeit

Die Studierenden können ihren Wissensstand mit Hilfe klausurnaher Aufgaben kontinuierlich überprüfen und auf dieser Basis ihre Lernprozesse steuern.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0428: Algebraische Methoden in der Regelungstechnik
Typ Vorlesung
SWS 2
LP 4
Arbeitsaufwand in Stunden Eigenstudium 92, Präsenzstudium 28
Dozenten Dr. Prashant Batra
Sprachen DE/EN
Zeitraum SoSe
Inhalt

- Algebraische Methoden der Regelungstechniks, polynomialer Ansatz, Faktorisierungsbeschreibung
- Beschreibung 1-dimensionaler Regelsysteme, Synthese von (minimalen) Regelsystemen  durch  algebraische Interpolationsmethoden,


- Simultane Stabilisierbarkeit

- Parametrisierung  sämtlicher stabilisierenden Regler

- Reglerentwurf bei Polvorgabe

- Berücksichtigung von Systemeigenschaften: Störanfälligkeit, Sensitivität.


- Polynomiale Matrizen, Beschreibung durch Links-Faktorisierungen.

- Euklidscher Algorithmus u.  Diophantische Gleichungen über Ringen 

- Smith-McMillan Normal Form
-  Synthese von Mehrgrößensystemen durch polynomiale Methoden 

Literatur
  • Vidyasagar, M.: Control system synthesis: a factorization approach.
    The MIT Press,Cambridge/Mass. - London, 1985.
  • Vardulakis, A.I.G.: Linear multivariable control. Algebraic analysis and synthesis
    methods, John Wiley & Sons,Chichester,UK,1991.
  • Chen, Chi-Tsong: Analog and digital control system design. Transfer-function, state-space, and  
    algebraic methods. Oxford Univ. Press,1995.
  • Kučera, V.: Analysis and Design of Discrete Linear Control Systems. Praha: Academia, 1991.
Lehrveranstaltung L0429: Algebraische Methoden in der Regelungstechnik
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Dr. Prashant Batra
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0634: Einführung in Medizintechnische Systeme

Lehrveranstaltungen
Titel Typ SWS LP
Einführung in Medizintechnische Systeme (L0342) Vorlesung 2 3
Einführung in Medizintechnische Systeme (L0343) Projektseminar 2 2
Einführung in Medizintechnische Systeme (L1876) Hörsaalübung 1 1
Modulverantwortlicher Prof. Alexander Schlaefer
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Grundlagen Mathematik (Algebra, Analysis)
Grundlagen Stochastik
Grundlagen Programmierung, R/Matlab

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden können Funktionsprinzipien ausgewählter medizintechnischer Systeme (beispielsweise bildgebende Systeme, Assistenzsysteme im OP, medizintechnische Informationssysteme) erklären. Sie können einen Überblick über regulatorische Rahmenbedingungen und Standards in der Medizintechnik geben.

Fertigkeiten

Die Studierenden sind in der Lage, die Funktion eines medizintechnischen Systems im Anwendungskontext zu bewerten.

Personale Kompetenzen
Sozialkompetenz

Die Studierenden können in Gruppen ein medizintechnisches Thema als Projekt beschreiben, in Teilaufgaben untergliedern und gemeinsam bearbeiten.
Die Studierenden können die Ergebnisse anderer Gruppen kritisch reflektieren und konstruktive Verbesserungsvorschläge unterbreiten.

Selbstständigkeit

Die Studierenden können ihren Wissensstand einschätzen und ihre Arbeitsergebnisse dokumentieren.  Sie können die erzielten Ergebnisse kritisch bewerten und in geeigneter Weise präsentieren.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Schriftliche Ausarbeitung
Ja 10 % Referat
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Mediziningenieurwesen: Pflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Vertiefung II. Anwendung: Wahlpflicht
Elektrotechnik: Kernqualifikation: Wahlpflicht
Engineering Science: Vertiefung Mediziningenieurwesen: Pflicht
General Engineering Science (7 Semester): Vertiefung Mediziningenieurwesen: Pflicht
Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: Wahlpflicht
Internationales Wirtschaftsingenieurwesen: Vertiefung II. Medizintechnik: Wahlpflicht
Internationales Wirtschaftsingenieurwesen: Vertiefung II. Medizintechnik: Wahlpflicht
Mechatronik: Vertiefung Medizintechnik: Pflicht
Mediziningenieurwesen: Vertiefung Künstliche Organe und Regenerative Medizin: Wahlpflicht
Mediziningenieurwesen: Vertiefung Implantate und Endoprothesen: Wahlpflicht
Mediziningenieurwesen: Vertiefung Medizin- und Regelungstechnik: Wahlpflicht
Mediziningenieurwesen: Vertiefung Management und Administration: Wahlpflicht
Technomathematik: Vertiefung III. Ingenieurwissenschaften: Wahlpflicht
Lehrveranstaltung L0342: Einführung in Medizintechnische Systeme
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Alexander Schlaefer
Sprachen DE
Zeitraum SoSe
Inhalt

- Bildgebende Systeme
- Assistenzsysteme im OP
- Medizintechnische Sensorsysteme
- Medizintechnische Informationssysteme
- Regulatorische Rahmenbedingungen
- Standards in der Medizintechnik
Durch problembasiertes Lernen erfolgt die Vertiefung der Methoden aus der Vorlesung. Dies erfolgt in Form von Gruppenarbeit. 

Literatur

Bernhard Priem, "Visual Computing for Medicine", 2014
Heinz Handels, "Medizinische Bildverarbeitung", 2009 (https://katalog.tub.tuhh.de/Record/745558097)
Valery Tuchin, "Tissue Optics - Light Scattering Methods and Instruments for Medical Diagnosis", 2015
Olaf Drössel, "Biomedizinische Technik - Medizinische Bildgebung", 2014
H. Gross, "Handbook of Optical Systems", 2008 (https://katalog.tub.tuhh.de/Record/856571687)
Wolfgang Drexler, "Optical Coherence Tomography", 2008
Kramme, "Medizintechnik", 2011
Thorsten M. Buzug, "Computed Tomography", 2008
Otmar Scherzer, "Handbook of Mathematical Methods in Imaging", 2015
Weishaupt, "Wie funktioniert MRI?", 2014
Paul Suetens, "Fundamentals of Medical Imaging", 2009
Vorlesungsunterlagen

Lehrveranstaltung L0343: Einführung in Medizintechnische Systeme
Typ Projektseminar
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Alexander Schlaefer
Sprachen DE
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L1876: Einführung in Medizintechnische Systeme
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Alexander Schlaefer
Sprachen DE
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1269: Lab Cyber-Physical Systems

Lehrveranstaltungen
Titel Typ SWS LP
Labor Cyber-Physical Systems (L1740) Projekt-/problembasierte Lehrveranstaltung 4 6
Modulverantwortlicher Prof. Heiko Falk
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse Module "Embedded Systems"
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Cyber-Physical Systems (CPS) are tightly integrated with their surrounding environment, via sensors, A/D and D/A converters, and actors. Due to their particular application areas, highly specialized sensors, processors and actors are common. Accordingly, there is a large variety of different specification approaches for CPS - in contrast to classical software engineering approaches.

Based on practical experiments using robot kits and computers, the basics of specification and modelling of CPS are taught. The lab introduces into the area (basic notions, characteristical properties) and their specification techniques (models of computation, hierarchical automata, data flow models, petri nets, imperative approaches). Since CPS frequently perform control tasks, the lab's experiments will base on simple control applications. The experiments will use state-of-the-art industrial specification tools (MATLAB/Simulink, LabVIEW, NXC) in order to model cyber-physical models that interact with the environment via sensors and actors.


Fertigkeiten After successful attendance of the lab, students are able to develop simple CPS. They understand the interdependencies between a CPS and its surrounding processes which stem from the fact that a CPS interacts with the environment via sensors, A/D converters, digital processors, D/A converters and actors. The lab enables students to compare modelling approaches, to evaluate their advantages and limitations, and to decide which technique to use for a concrete task. They will be able to apply these techniques to practical problems. They obtain first experiences in hardware-related software development, in industry-relevant specification tools and in the area of simple control applications.
Personale Kompetenzen
Sozialkompetenz

Students are able to solve similar problems alone or in a group and to present the results accordingly.

Selbstständigkeit

Students are able to acquire new knowledge from specific literature and to associate this knowledge with other classes.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Schriftliche Ausarbeitung
Prüfungsdauer und -umfang Durchführung und Beschreibung sämtlicher Versuche
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: Wahlpflicht
Mechatronics: Kernqualifikation: Wahlpflicht
Lehrveranstaltung L1740: Lab Cyber-Physical Systems
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 4
LP 6
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Dozenten Prof. Heiko Falk
Sprachen EN
Zeitraum SoSe
Inhalt
  • Experiment 1: Programming in NXC
  • Experiment 2: Programming the Robot in Matlab/Simulink
  • Experiment 3: Programming the Robot in LabVIEW
Literatur
  • Peter Marwedel. Embedded System Design - Embedded System Foundations of Cyber-Physical Systems. 2nd Edition, Springer, 2012.
  • Begleitende Foliensätze

Modul M0672: Signale und Systeme

Lehrveranstaltungen
Titel Typ SWS LP
Signale und Systeme (L0432) Vorlesung 3 4
Signale und Systeme (L0433) Gruppenübung 2 2
Modulverantwortlicher Prof. Gerhard Bauch
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Mathematik 1-3

Das Modul führt in das Thema der Signal- und Systemtheorie ein. Sicherer Umgang mit grundlegenden  mathematschen Methoden, wie sie in den Modulen Mathematik 1-3 vermittelt werden, wird erwartet. Darüber hinaus sind  Vorkenntnisse in Grundlagen von Spektraltransformationen (Fourier-Reihe, Fourier-Transformation, Laplace-Transformation) zwar nützlich, aber keine Voraussetzung.


Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden können Signale und lineare zeitinvariante (LTI) Systeme im Sinne der Signal- und Systemtheorie klassifizieren und beschreiben. Sie beherrschen die grundlegenden Integraltransformationen zeitkontinuierlicher und zeitdiskreter deterministischer Signale und Systeme. Sie können deterministische Signale und Systeme in Zeit- und Bildbereich mathematisch beschreiben und analysieren. Sie verstehen elementare Operationen und Konzepte der Signalverarbeitung und können diese in Zeit- und Bildbereich beschreiben. Insbesondere verstehen Sie die mit dem Übergang vom zeitkontinuierlichen zum zeitdiskreten Signal bzw. System einhergehenden Effekte in Zeit- und Bildbereich.

Die Studierenden kennen die Vorlesungs- und Übungsinhalte und können diese erläutern sowie auf neue Fragestellungen anwenden.

Fertigkeiten

Die Studierenden können deterministische Signale und lineare zeitinvariante Systeme mit den Methoden der Signal- und Systemtheorie beschreiben und analysieren. Sie können einfache Systeme hinsichtlich wichtiger Eigenschaften wie Betrags- und Phasenfrequenzgang, Stabilität, Linearität etc. analysieren und entwerfen. Sie können den Einfluß von LTI-Systemen auf die Signaleigenschaften in Zeit- und Frequenzbereich beurteilen.

Personale Kompetenzen
Sozialkompetenz

Die Studierenden können fachspezifische Aufgaben gemeinsam bearbeiten.

Selbstständigkeit

Die Studierenden sind in der Lage, die notwendigen Informationen aus geeigneten Literaturquellen selbständig zu beschaffen und in den Kontext der Vorlesung zu setzen. Sie können ihren Wissensstand mit Hilfe vorlesungsbegleitender Maßnahmen (klausurnahe Aufgaben, Software-Tools, Clicker-System) kontinuierlich überprüfen und auf dieser Basis ihre Lernprozesse steuern.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Kernqualifikation: Pflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Maschinenbau: Vertiefung Mechatronik: Wahlpflicht
Mechatronik: Kernqualifikation: Pflicht
Technomathematik: Vertiefung III. Ingenieurwissenschaften: Wahlpflicht
Lehrveranstaltung L0432: Signale und Systeme
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Gerhard Bauch
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Einführung in die Signal- und Systemtheorie
  • Signale
    • Klassifikation von Signalen
      • Zeitkontinuierliche und zeitdiskrete Signale
      • Analoge und digitale Signale
      • Deterministische und zufällige Signale
    • Beschreibung von LTI-Systemen durch Differentialgleichungen bzw. Differenzengleichungen
    • Grundlegende Eigenschaften von Signalen und grundlegende Operationen
    • Elementare Signale
    • Distributionen
    • Leistung und Energie von Signalen
    • Korrelationsfunktionen deterministischer Signale
      • Autokorrelationsfunktion
      • Kreuzkorrelationsfunktion
      • Orthogonale Signale
      • Anwendungen der Korrelation
  • Lineare zeitinvariante Systeme (linear time-invariant (LTI) systems)
    • Linearität
    • Zeitinvarianz
    • Beschreibung von LTI-Systemen durch Impulsantwort und Übertragungsfunktion
    • Faltung
    • Faltung und Korrelation
    • Eigenschaften von LTI-Systemen
    • Kausale Systeme
    • Stabile Systeme
    • Gedächtnislose Systeme
  • Fourier-Reihe und Fourier-Transformation
    • Fourier-Transformation zeitkontinuierlicher, zeitdiskreter, periodischer und nicht-periodischer Signale
    • Eigenschaften der Fourier-Transformation
    • Fourier-Transformation einiger elementarer Signale
    • Parsevalsches Theorem
  • Analyse von LTI-Systemen und Signalen im Frequenzbereich
    • Übertragungsfunktion, Betragsfrequenzgang, Phasengang
    • Übertragungsfaktor, Dämpfung, Gewinn
    • Frequenzselektive und nicht-frequenzselektive LTI-Systeme
    • Bandbreite-Definitionen
    • Grundlegende Typen von Systemen (Filtern): Tiefpass, Hochpass, Bandpass, Bandsperre
    • Phasenlaufzeit und Gruppenlaufzeit
    • Linearphasige Systeme
    • Verzerrungsfreie Systeme
    • Spektralanalyse mit begrenztem Beobachtungsfenster: Leck-Effekt
  • Laplace-Transformation
    • Zusammenhang von Fourier-Transformation und Laplace-Transformation
    • Eigenschaften der Laplace-Transformation
    • Laplace-Transformation einiger elementarer Signale
  • Analyse von LTI-Systemen im s-Bereich
    • Übertragungsfunktion von LTI-Systemen
    • Zusammenhang von Laplace-Transformation, Betragsfrequenzgang und Phasengang
    • Analyse von LTI-Systemen mit Pol-Nullstellen-Diagrammen
    • Allpass-Filter
    • Minimalphasige, maximalphasige und gemischtphasige Filter
    • Stabile Systeme
  • Abtastung
    • Abtasttheorem
    • Rekonstruktion des zeitkontinuierlichen Signals in Frequenz- und Zeitbereich
    • Überabtastung
    • Aliasing
    • Abtastung mit Pulsen endlicher Dauer, Sample and Hold
    • Dezimierung und Interpolation
  • Zeitdiskrete Fourier-Transformation (Discrete-Time Fourier Transform (DTFT))
    • Zusammenhang zwischen Fourier-Transformation und DTFT
    • Eigenschaften der DTFT
  • Diskrete Fourier-Transformation (Discrete Fourier Transform (DFT))
    • Zusammenhang zwischen DTFT und DFT
    • Zyklische Eigenschaften der DFT
    • DFT-Matrix
    • Zero-Padding
    • Zyklische Faltung
    • Schnelle Fourier-Transformation (Fast Fourier Transform (FFT))
    • Anwendung der DFT: Orthogonal Frequency Division Multiplex (OFDM)
  • Z-Transformation     
    • Zusammenhang zwischen Laplace-Transformation, DTFT, und z-Transformation
    • Eigenschaften der z-Transformation
    • Z-transform einiger elementarer zeitdiskreter Signale
  • Zeitdiskrete Systeme, Digitale Filter

    • FIR und IIR Filter
    • Z-Transformation digitaler Filter
    • Analyse zeitdiskreter Systeme mit Pol-Nullstellen-Diagrammen im z-Bereich
    • Stabilität
    • Allpass-Filter
    • Minimalphasige, maximalphasige und gemischtphasige Filter
    • Linearphasige Filter
Literatur
  • T. Frey , M. Bossert , Signal- und Systemtheorie, B.G. Teubner Verlag 2004

  • K. Kammeyer, K. Kroschel, Digitale Signalverarbeitung, Teubner Verlag.

  • B. Girod ,R. Rabensteiner , A. Stenger , Einführung in die Systemtheorie, B.G. Teubner, Stuttgart, 1997

  • J.R. Ohm, H.D. Lüke , Signalübertragung, Springer-Verlag 8. Auflage, 2002

  • S. Haykin, B. van Veen: Signals and systems. Wiley.

  • Oppenheim, A.S. Willsky: Signals and Systems. Pearson.

  • Oppenheim, R. W. Schafer: Discrete-time signal processing. Pearson.

Lehrveranstaltung L0433: Signale und Systeme
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Gerhard Bauch
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Fachmodule der Vertiefung III. Fachspezifische Fokussierung

Die beiden Technischen Ergänzungsfächer dienen der weiteren Vertiefung der im Wahlpflichtbereich gewählten Module.

Modul M1562: Technischer Ergänzungskurs I für CSBS

Lehrveranstaltungen
Titel Typ SWS LP
Modulverantwortlicher Dozenten des SD E
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
Fertigkeiten
Personale Kompetenzen
Sozialkompetenz
Selbstständigkeit
Arbeitsaufwand in Stunden Abhängig von der Wahl der Lehrveranstaltungen
Leistungspunkte 6
Zuordnung zu folgenden Curricula Computer Science: Vertiefung III. Fachspezifische Fokussierung: Wahlpflicht

Modul M1568: Technischer Ergänzungskurs II für CSBS

Lehrveranstaltungen
Titel Typ SWS LP
Modulverantwortlicher Dozenten des SD E
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
Fertigkeiten
Personale Kompetenzen
Sozialkompetenz
Selbstständigkeit
Arbeitsaufwand in Stunden Abhängig von der Wahl der Lehrveranstaltungen
Leistungspunkte 6
Zuordnung zu folgenden Curricula Computer Science: Vertiefung III. Fachspezifische Fokussierung: Wahlpflicht

Thesis

Modul M-001: Bachelorarbeit

Lehrveranstaltungen
Titel Typ SWS LP
Modulverantwortlicher Professoren der TUHH
Zulassungsvoraussetzungen
  • Laut ASPO § 21 (1):

    Es müssen mindestens 126 Leistungspunkte im Studiengang erworben worden sein. Über Ausnahmen entscheidet der Prüfungsausschuss.

Empfohlene Vorkenntnisse
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Studierende können die wichtigsten wissenschaftlichen Grundlagen ihres Studienfaches (Fakten, Theorien und Methoden) problembezogen auswählen, darstellen und nötigenfalls kritisch diskutieren.
  • Die Studierenden können ausgehend von ihrem fachlichen Grundlagenwissen anlassbezogen auch weiterführendes fachliches Wissen erschließen und verknüpfen.
  • Die Studierenden können zu einem ausgewählten Thema ihres Faches einen Forschungsstand darstellen.
Fertigkeiten
  • Die Studierenden können das im Studium vermittelte Grundwissen ihres Studienfaches zielgerichtet zur Lösung fachlicher Probleme einsetzen.
  • Die Studierenden können mit Hilfe der im Studium erlernten Methoden Fragestellungen analysieren, fachliche Sachverhalte entscheiden und Lösungen entwickeln.
  • Die Studierenden können zu den Ergebnissen ihrer eigenen Forschungsarbeit kritisch aus einer Fachperspektive Stellung beziehen.
Personale Kompetenzen
Sozialkompetenz
  • Studierende können eine wissenschaftliche Fragestellung für ein Fachpublikum sowohl schriftlich als auch mündlich strukturiert, verständlich und sachlich richtig darstellen.
  • Studierende können in einer Fachdiskussion auf Fragen eingehen und sie in adressatengerechter Weise beantworten. Sie können dabei eigene Einschätzungen und Standpunkte überzeugend vertreten.
Selbstständigkeit
  • Studierende können einen umfangreichen Arbeitsprozess zeitlich strukturieren und eine Fragestellung in vorgegebener Frist bearbeiten.
  • Studierende können notwendiges Wissen und Material zur Bearbeitung eines wissenschaftlichen Problems identifizieren, erschließen und verknüpfen.
  • Studierende können die wesentlichen Techniken des wissenschaftlichen Arbeitens in einer eigenen Forschungsarbeit anwenden.


Arbeitsaufwand in Stunden Eigenstudium 360, Präsenzstudium 0
Leistungspunkte 12
Studienleistung Keine
Prüfung Abschlussarbeit
Prüfungsdauer und -umfang laut ASPO
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften: Abschlussarbeit: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Abschlussarbeit: Pflicht
Bau- und Umweltingenieurwesen: Abschlussarbeit: Pflicht
Bioverfahrenstechnik: Abschlussarbeit: Pflicht
Chemie- und Bioingenieurwesen: Abschlussarbeit: Pflicht
Computer Science: Abschlussarbeit: Pflicht
Data Science: Abschlussarbeit: Pflicht
Elektrotechnik: Abschlussarbeit: Pflicht
Engineering Science: Abschlussarbeit: Pflicht
General Engineering Science: Abschlussarbeit: Pflicht
General Engineering Science (7 Semester): Abschlussarbeit: Pflicht
Green Technologies: Energie, Wasser, Klima: Abschlussarbeit: Pflicht
Informatik-Ingenieurwesen: Abschlussarbeit: Pflicht
Logistik und Mobilität: Abschlussarbeit: Pflicht
Maschinenbau: Abschlussarbeit: Pflicht
Mechatronik: Abschlussarbeit: Pflicht
Schiffbau: Abschlussarbeit: Pflicht
Technomathematik: Abschlussarbeit: Pflicht
Teilstudiengang Lehramt Metalltechnik: Abschlussarbeit: Pflicht
Verfahrenstechnik: Abschlussarbeit: Pflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Abschlussarbeit: Pflicht