• Die Studierenden sind in der Lage, ausgewählte betriebswirtschaftliche Spezialgebiete innerhalb der Betriebswirtschaftslehre zu verorten.
• Die Studierenden können in ausgewählten betriebswirtschaftlichen Teilbereichen grundlegende Theorien, Kategorien und Modelle erklären.
• Die Studierenden können technisches und betriebswirtschaftliches Wissen miteinander in Beziehung setzen.

• Die Studierenden können in ausgewählten betriebswirtschaftlichen Teilbereichen grundlegende Methoden anwenden.
• Die Studierenden können für praktische Fragestellungen in betriebswirtschaftlichen Teilbereichen Entscheidungsvorschläge begründen.

--

Der Studienbereich Nichttechnische Wahlpflicht­fächer 

vermittelt 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 Ingenieurinnen und Ingenieure. Er setzt diese Ausbildungsziele in seiner 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 Studienbereich“ 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, 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

• ausgewähltes Spezialgebiete des jeweiligen nichttechnischen Bereiches erläutern,
• 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 NTW-Bereich ist).

Die Studierenden können in ausgewählten Teilbereichen

• grundlegende und teils auch spezielle Methoden der genannten Wissenschaftsdisziplinen anwenden.
• technische Phänomene, Modelle, Theorien usw. aus der Perspektive einer anderen, oben erwähnten Fachdisziplin befragen.
• einfache und teils auch fortgeschrittene 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.

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)

Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern: Smith-Normalform, Chinesischer Restsatz, Gitterpunktsätze, Ganzzahlige Lösung von Ungleichungssystemen.

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, wie beispielsweise bei der Lösung multivariater Gleichungssysteme und in der Gitterpunkttheorie.

Die Studierenden können die grundlegenden Theorien, Zusammenhänge und Methoden der Netzwerkalgorithmen und insbesondere deren Datenstrukturen erklären. Sie können das Rechenzeitverhalten wesentlicher Netzwerkalgorithmen beschreiben und analysieren. Die Studierenden können insbesondere zwischen effizient lösbaren und NP-harten Aufgabenstellungen diskriminieren.

Die Studenten können komplexe Problemstellungen analysieren und die Möglichkeiten der Transformation in Netzwerkalgorithmen bestimmen. Sie können grundlegende Algorithmen und Datenstrukturen der linearen Optimierung und Netzwerktheorie effizient implementieren und mögliche Schwachstellen identifizieren. Sie können die Auswirkung der Nutzung verschiedener effizienter Datenstrukturen selbständig analysieren und jene gegebenenfalls einsetzen.

Die Studierenden können in kleinen Gruppen fachspezifische Aufgaben gemeinsam bearbeiten und Ergebnisse in geeigneter Weise präsentieren, zum Beispiel während Kleingruppenübungen.

Wissen: Die Studierenden kennen

• das Alignment von Sequenzen, den Needleman-Wunsch-Algorithmus und die parametrisierte Verallgemeinerung;
• das Hidden-Markov-Modell, den Viterbi-Algorithmus und seine Anwendung auf bioinformatische Aufgabenstellungen;
• den Expectation-Minimization-Algorithmus und seine Applikation auf Hidden-Modelle;
• phylogentische Baum-Modelle als Hidden-Modelle, den Felsenstein-Algorithmus' und heute in praxi eingesetzte Baummodelle wie etwas das Jukes-Cantor-Modell;
• Allgemeine algebro-statistische Modelle;
  
• Invarianten für algebro-statistische Modelle;
• das Divisionsverfahren in multivariaten Polynomringen;
• Gröbnerbasen und ihre Bedeutung für das Rechnen in multivariaten Polynomringen;
• Das Eliminationsverfahren zur Lösung polynomialer Gleichungssysteme;
  
• Den Einsatz von geeigneter mathematischer Software zur Lösung von algebro-statistischen Problemen;
• Markov-Basen und ihre Berechnung anhand von Gröbnerbasen;
• Den Metropolis-Algorithmus für Markov-Modelle;
• Den Einsatz von Markov-Basen für die Auswertung von Kontingenztabellen und die Behandlung von Regressionsmodellen und das Hardy-Weinberg-Modell,
• Die Analyse von Rangdaten mithilfe der gewöhnlichen Darstellungstheorie der symmetrischen Gruppen.
  

Fertigkeiten: Die Studierenden können

• Alignments von Sequenzen inkl. der notwendigen Parametrisierung berechnen und analysieren;
• Hidden-Markov-Modelle für algebro-statistische Aufgabenstellungen aufstellen und analysieren;
• phylogenetische Baum-Modelle für DNA-Sequenzen gegenüberstellen und vergleichen;
• Gröbnerbasen für algebro-statistische Modelle berechnen und damit Invarianten für derartige Modelle;
  
• einschlägige mathematische Software für die Modellierung von algebro-statistischen Modellen und für Rechnungen in multivariaten Polynomringen einsetzen.
  

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.

Studierende können

• weiterführende numerische Verfahren zur Interpolation, Integration, Lösung von Ausgleichproblemen, Lösung von Eigenwertproblemen und nichtlinearen Nullstellenproblemen benennen und deren Kernideen erläutern,
  

• Konvergenzaussagen zu den numerischen Methoden wiedergeben,

• Konvergenzbeweise skizzieren,
  
• Aspekte der praktischen Durchführung numerischer Verfahren im Hinblick auf Rechenzeit und Speicherbedarf erklären.

Studierende sind in der Lage,

• vertiefende numerische Methoden in MATLAB zu implementieren, anzuwenden und zu vergleichen,
• das Konvergenzverhalten numerischen Methoden in Abhängigkeit vom gestellten Problem und des verwendeten Lösungsalgorithmus zu begründen und auf verwandte Problemstellungen zu übertragen
  
• zu gegebener Problemstellung einen geeigneten Lösungsansatz zu entwickeln, gegebenenfalls durch Zusammensetzen mehrerer Algorithmen, diesen durchzuführen und die Ergebnisse kritisch auszuwerten.

Studierende können

• in heterogen zusammengesetzten Teams (d.h. aus unterschiedlichen Studiengängen und mit unterschiedlichem Hintergrundwissen) zusammenarbeiten, sich theoretische Grundlagen erklären sowie bei praktischen Implementierungsaspekten der Algorithmen unterstützen.

Wissen: Die Studierenden werden vertraut gemacht mit folgenden Themen:

• Algebraische Kombinatorik und Abzählung schöner Dinge

• Ideale, lokale Ringe, Standardbasen und polynomiale Gleichungssysteme

• Moduln, Syzygien und freie Resolutionen

• Hilbertpolynome und Dimension projektiver Varietäten

• Algebraische Invariantentheorie und Codierungstheorie

  Neben diesen Kernthemen werden behandelt:
  

• Elliptische Kurven und Kryptographie

• Knotenpolynome und Knotentheorie

• Homologische Algebra und Sensornetze

• Garbenkohomologie und globale Daten.

  Dabei wird an vielen Stellen Gebrauch von CAS gemacht.
  

  
  

Die Studierenden können Rechnungen zu folgenden Themen durchführen:

• Algebraische Kombinatorik und Abzählung schöner Dinge

• Ideale, lokale Ringe, Standardbasen und polynomiale Gleichungssysteme

• Moduln, Syzygien und freie Resolutionen

• Hilbertpolynome und Dimension projektiver Varietäten

• Algebraische Invariantentheorie und Codierungstheorie

• Elliptische Kurven und Kryptographie

• Knotenpolynome und Knotentheorie

• Homologische Algebra und Sensornetze

• Garbenkohomologie und globale Daten

  Extensiver Einsatz von CAS.

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.

Die Studierenden wissen,

• wie man sich ein Teilgebiet der Informatik (oder in einen angrenzenden Bereich) selbständig erschließt - einerseits im Zuge einer Projektarbeit und andererseits im Zuge eines Hauptseminars.
  

Die Studierenden können

• ein Teilgebiet der Informatik (oder in einem angrenzenden Bereich) selbständig bearbeiten - einerseits im Zuge einer Projektarbeit und andererseits im Zuge eines Haupts

• Studierende können sich zu Teams zur Lösung von nichttrivialen Problemen unter ggf. vager Aufgabebeschreibung in Gruppen zusammenschließen, Teilaufgaben definieren und verteilen, zeitliche Vereinbarungen treffen, Teillösungen integrieren. Sie sind in der Lage, effizient zu kommunizieren und sozial angemessen zu interagieren.
• Studierenden erläutern die in einem wissenschaftlichen Aufsatz geschilderten Probleme und die im Aufsatz entwickelten Lösungen in einem Fachgebiet der Informatik oder Mathematik, bewerten die vorgeschlagenen Lösungen in einem Vortrag und reagieren auf wissenschaftliche Nachfragen, Ergänzungen und Kommentare
• Studierenden beschreiben wissenschaftliche Fragstellungen in einem Fachgebiet der Informatik, des Ingenieurwesen oder der Mathematik und erläutern in einem Vortrag einen von ihnen entwickelten Ansatz zu dessen Lösung und reagieren dabei angemessen auf Nachfragen, Ergänzungen und Kommentare.

Students are able to describe the principles and structures of communication networks in detail. They can explain the formal description methods of communication networks and their protocols. They are able to explain how current and complex communication networks work and describe the current research in these examples.

Students are able to evaluate the performance of communication networks using the learned methods. They are able to work out problems themselves and apply the learned methods. They can apply what they have learned autonomously on further and new communication networks.

Students are able to define tasks themselves in small teams and solve these problems together using the learned methods. They can present the obtained results. They are able to discuss and critically analyse the solutions.

Students apply the major verification techniques in model checking and deductive verification. They explain in formal terms syntax and semantics of the underlying logics, and assess the expressivity of different logics as well as their limitations. They classify formal properties of software systems. They find flaws in formal arguments, arising from modeling artifacts or underspecification. 

Students formulate provable properties of a software system in a formal language. They develop logic-based models that properly abstract from the software under verification and, where necessary, adapt model or property. They construct proofs and property checks by hand or using tools for model checking or deductive verification, and reflect on the scope of the results. Presented with a verification problem in natural language, they select the appropriate verification technique and justify their choice.   

Students discuss relevant topics in class. They defend their solutions orally. They communicate in English. 

Studierende können die wichtigsten Abstraktion von Verteilten Algorithmen erklären (synchrones/asynchrones Model, nachrichtenbasierte und speicherbasierte Kommunikation, Randomisierung). Sie sind in der Lage, komplexitätsmaße für verteilte Algorithmen zu beschreiben (Runden-, Nachrichten- und Speicherkomplexität). Sie können Basisalgorithmen für die wichtigsten verteilten Probleme:  Leader election, wechselseitiger Ausschluss, Graphfärbungen, Spannbäume beschreiben. Sie kennen die wesentlichen Techniken von radomisierten Algorithmen.

Studierende können eigene verteilte Algorithmen entwerfen und der Komplexität analysieren. Sie greifen dabei auf existierende Standardalgorithmen zurück. Sie analysieren die Komplexität randomisierter Algorithmen.

Students have acquired a theoretical basis in computer graphics and have a clear understanding of the process of computer animation.

Students have acquired

• solid skills in modelling and shading,
• solid skills in computer animation techniques, and
• a thorough command of Maya, a first-class animation system.

Students are trained in communicating abstract ideas and are familiar with planning and conducting projects within a small team.

Studierende sind durch ihre Kenntnisse in der Lage, die algorithmischen Effizienz von Simulationsverfahren zu beurteilen.

Die Studierenden kennen die grundlegenden Definitionen zur informationstheoretischen Quantifizierung von Information. Sie kennen das Shannonsche Quellencodierungstheorem sowie das Kanalcodierungstheorem und können damit Grenzen der Kompression bzw. der fehlerfreien Datenübertragung bestimmen. Sie verstehen die Grundprinzipien der Datenkompression (Quellencodierung) und der fehlererkennenden und fehlerkorrigierenden Kanalcodierung. Sie sind mit den Prinzipien der Decodierung vertraut, insbesondere mit modernen Verfahren der iterativen Decodierung. Sie kennen grundlegende Codierverfahren, deren Eigenschaften und Decodierverfahren.

Die Studierenden sind in der Lage, die Grenzen der Datenkompression bzw. der Datenübertragungsrate für gestörte Kanäle zu bestimmen und damit ein Übertragungsverfahren zu dimensionieren. Sie sind in der Lage, die Parameter eines fehlererkennenden bzw. fehlerkorrigierenden Kanalcodierungsverfahrens zum Erreichen gegebener Zielvorgaben abzuschätzen. Sie sind in der Lage, die Eigenschaften grundlegender Kanalcodierungs- und Decodierungsverfahren hinsichtlich Fehlerkorrektureigenschaften, Decodierverzögerung und Decodierkomplexität zu vergleichen und ein geeignetes Verfahren auszuwählen. Sie sind in der Lage, grundlegende Codier- und Decodierverfahren in Software zu implementieren.

Die Studierenden können in fachspezifische Aufgaben gemeinsam bearbeiten.

Students apply the major approaches to data-flow analysis, control-flow analysis, and type-based analysis, along with their classification schemes, and employ abstract interpretation. They explain the standard forms of internal representations and models, including their mathematical structure and properties, and evaluate their suitability for a particular analysis. They explain and categorize the major analysis algorithms. They distinguish precise solutions from approximative approaches, and show termination and soundness properties. 

Presented with an analytical task for a software artifact, students select appropriate approaches from software analysis, and justify their choice. They design suitable representations by modifying standard representations. They develop customized analyses and devise them as safe overapproximations. They formulate analyses in a formal way and construct arguments for their correctness, behavior, and precision.

Students discuss relevant topics in class. They defend their solutions orally. They communicate in English. 

Students are able to explain the necessary stochastics, the discrete event simulation technology and modelling of networks for performance evaluation.

Students are able to apply the method of simulation for performance evaluation to different, also not practiced, problems of communication networks. The students can analyse the obtained results and explain the effects observed in the network. They are able to question their own results.

Students are able to acquire expert knowledge in groups, present the results, and discuss solution approaches and results. They are able to work out solutions for new problems in small teams.

Studierende können die grundlegende Prinzipien und Vorgehensweisen für die Erstellung von Software für eingebettete Systeme erklären. Sie sind in der Lage, ereignisbasierte Programmiertechniken mittels Interrupts zu beschreiben. Sie kennen den Aufbau und Funktion eines konkreten Mikrocontrollers. Die Teilnehmer sind in der Lage, Anforderungen an Echtzeitsysteme zu erläutern. Sie können mindestens drei Scheduling Algorithmen für Echzeitbetriebssysteme erläutern (einschließlich Vor- und Nachteile)

Students can

• explain the fundamental security services that can be implemented with the methods of modern cryptography, 
• describe current standardized network security protocols and mechanisms, 
• follow current methods for the formal analysis of security protocols.
  

Students are capable of 

• performing an analysis of network security solutions. 
• identifying suitable security solutions for given requirements.  
• recognizing the limitations of existing standard solutions,
• performing a formal analysis of security protocos.
  

Die Bedeutung Eingebetteter Systeme steigt von Jahr zu Jahr. Innerhalb Eingebetteter Systeme steigt der Software-Anteil, der auf Prozessoren ausgeführt wird, aufgrund geringerer Kosten und höherer Flexibilität ebenso kontinuierlich. Wegen der besonderen Einsatzgebiete Eingebetteter Systeme kommen hier hochgradig spezialisierte Prozessoren zum Einsatz, die applikationsspezifisch auf ihr jeweiliges Einsatzgebiet ausgerichtet sind. Diese hochgradig spezialisierten Prozessoren stellen hohe Anforderungen an einen Compiler, der Code von hoher Qualität generieren soll. Nach erfolgreichem Besuch der Veranstaltung sind die Studierenden in der Lage,

• Struktur und Aufbau derartiger Compiler aufzuzeigen,
• interne Zwischendarstellungen auf verschiedenen Abstraktionsniveaus zu unterscheiden und zu erklären, und
• Probleme und Optimierungen in allen Compilerphasen zu beurteilen.
  

Wegen der hohen Anforderungen an Compiler für Eingebettete Systeme sind effektive Optimierungen unerlässlich. Die Studierenden lernen insbes.,

• welche Arten von Optimierungen es auf Quellcode-Niveau gibt,
• wie die Übersetzung von der Quellsprache nach Assembler abläuft,
• welche Arten von Optimierungen auf Assembler-Niveau durchzuführen sind,
• wie die Registerallokation vonstatten geht, und
• wie Speicherhierarchien effizient ausgenutzt werden.
  

Da Compiler für Eingebettete Systeme oft verschiedene Zielfunktionen optimieren sollen (z.B. durchschnittliche oder worst-case Laufzeit, Energieverbrauch, Code-Größe), lernen die Studierenden den Einfluss von Optimierungen auf diese verschiedenen Zielfunktionen zu beurteilen.

Studierende werden in die Lage versetzt, hochsprachlichen Programmcode in Maschinensprache zu übersetzen. Die Studierenden erwerben die Fähigkeit zu beurteilen, welche Art von Code-Optimierung innerhalb eines Compilers am effektivsten auf welchem Abstraktionsniveau (bspw. Quell- oder Assemblercode) durchzuführen ist.

Während der Übungen erwerben die Studierenden die Fähigkeit, einen funktionierenden Compiler mitsamt Optimierungen zu implementieren.

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.

In diesem Modul werden fortgeschrittene Konzepte der Rechnerarchitektur praxisorientiert vermittelt. Mit Hilfe der Hardware-Beschreibungssprache VHDL und rekonfigurierbarer FPGA-Hardware lernen Studierende, wie komplexe Rechensysteme (sog. Systems-on-Chip, SoCs), wie sie insbesondere im Bereich der eingebetteten Systeme anzutreffen sind, in Hardware zu entwerfen sind.

Ausgehend von einer einfachen Prozessor-Architektur lernen Studierende, die Verarbeitung von Befehlen durch eine Maschine nach dem Pipelining-Prinzip zu realisieren. Sie implementieren verschiedene Formen Cache-basierter Speicher-Hierarchien, untersuchen Ansätze zum dynamischen Scheduling von Maschinenbefehlen und zur Sprungvorhersage, und konstruieren letztlich ein komplexes MPSoC-System (multi-processor system-on-chip), das aus mehreren Kernen besteht, die über einen gemeinsamen Bus verbunden sind.

Die Studierenden können analysieren, wie hochspezifische und individuelle Rechner aus einer Sammlung gängiger Einzelkomponenten zusammengesetzt werden. Sie sind in der Lage, die Wechselwirkungen zwischen einem physischen Rechensystem und der darauf ausgeführten Software beurteilen zu können. Sie sollen so in die Lage versetzt werden, Auswirkungen hardwarenaher Entwurfsentscheidungen auf die Leistung des Gesamtsystems abzuschätzen, zu beurteilen und geeignete Optionen vorzuschlagen.

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.

Students can 

• name the main causes for security vulnerabilities in software 
• explain current methods for identifying and avoiding security vulnerabilities 
• explain the fundamental concepts of code-based access control 

Students are capable of 

• performing a software vulnerability analysis 
• developing secure code 

• Students can explain the functionality of very small  MOS transistors and explain the problems occurring due to scaling-down the minimum feature size.
• Students are able to explain the basic steps of processing of very small MOS devices.
• Students can exemplify the functionality of volatile and non-volatile memories und give their specifications.
• Students can describe the limitations of advanced MOS technologies.
• Students can explain measurement methods for MOS quality control.

• Students can quantify the current-voltage-behavior of very small MOS transistors and list possible applications.
• Students can describe larger electronic systems by their functional blocks.
• Students can name the existing options for the specific applications and select the most appropriate ones.

• Students can team up with one or several partners who may have different professional backgrounds
• Students are able to work by their own or in small groups for solving problems and answer scientific questions.

Students are able to describe methods for planning, optimisation and performance evaluation of communication networks.

Students are able to solve typical planning and optimisation tasks for communication networks. Furthermore they are able to evaluate the network performance using queuing theory.

Students are able to apply independently what they have learned to other and new problems. They can present their results in front of experts and discuss them.

Die Studenten haben vertiefte Kenntnisse von numerischen und seminumerischen Methoden mit dem Ziel, prinzipiell exakte und genaue Fehlerschranken zu berechnen. Für diverse, grundlegende Problemstellungen kennen sie Algorithmen mit der Verifikation der Korrektheit des Resultats.

Die Studenten können für grundlegende Probleme Algorithmen entwerfen, die korrekte Fehlerschranken für die Lösung berechnen und gleichzeitig die Empfindlichkeit in bezug auf Variation der Eingabedaten analysieren.

Die Studierenden können in kleinen Gruppen fachspezifische Aufgaben gemeinsam bearbeiten und Ergebnisse in geeigneter Weise präsentieren, zum Beispiel während Kleingruppenübungen.

Students explain the different phases of testing, describe fundamental
techniques of different types of testing, and paraphrase the basic
principles of the corresponding test process. They give examples of
software development scenarios and the corresponding test type and
technique. They explain algorithms used for particular testing
techniques and describe possible advantages and limitations.

Students identify the appropriate testing type and technique for a given
problem. They adapt and execute respective algorithms to execute a
concrete test technique properly. They interpret testing results and
execute corresponding steps for proper re-test scenarios. They write and
analyze test specifications. They apply bug finding techniques for
non-trivial problems.

Students discuss relevant topics in class. They defend their solutions orally.
They communicate in English.

Students can

• Describe imaging processes
• Depict the physics of sensorics
• Explain linear and non-linear filtering of signals
• Establish interdisciplinary connections in the subject area and arrange them in their context
• Interpret effects of the most important classes of imaging sensors and displays using mathematical methods and physical models.

Students are able to

• Use highly sophisticated methods and procedures of the subject area
• Identify problems and develop and implement creative solutions.

Students can solve simple arithmetical problems relating to the specification and design of image processing and image analysis systems.

Students are able to assess different solution approaches in multidimensional decision-making areas.

Students can undertake a prototypical analysis of processes in Matlab.

The students know

• different methods from the field of descriptive statistics and can explain them and their importance for Business Analysis;
• different discrete and continuous distribution functions and can explain their meaning and their areas of application
• the laws of probability theory as, e.g. the Bayes rule, and can explain them;
• different methods of oinferential statistics - e.g. confidence intervals, hypothesis testing and regression analysis - and can explain their theoretical background;
• the history and relevance of Operations Research;
• linear programming methods for solving planning problems and can explain them;
• selected methods of transportation and network optimization amd can explain them;
• integer programming models and methods, e.g. for location planning;
• appropriate software for solving these problems.
  

Students are able to

• collect empirical data by appropriate methods, to aggregate, classify and analyze the data and to draw conclusions from them also in complex and realistic situations;
• recognize different distribution functions and to apply them in the solution of Business problems;
• apply laws of probability, as e.g. the Bayes rule, to construct solutions for Business problems;
• select appropriate methods of inferential statistics, apply them to Business problems and evaluate the results of their analysis;
• construct appropriate quantitative - linear or integer - models for Business planning situations;
• apply methods from linear and integer programming and interpret and evaluate the results;
• apply methods from transport and network planning and interpret and evaluate the results;
• solve the problems with appropriate software, carry out sensitivity analyses and evaluate the results;
  
• develop a critical judgement of the different methods and their applicability;
• use models and methods from Statistics and OR to analyse problems from the areas of business and engineering and to evaluate the results;
  
• apply their theoretical knowledge of the different methods to practical problems.

Students are able to

• engage in scientific discussions on topics from the fields of Statistics and OR;
• present the results of their work to specialists;
• work successfully and respectfully in a team.
  

• Students can explain how linear dynamic systems are represented as state space models; they can interpret the system response to initial states or external excitation as trajectories in state space
• They can explain the system properties controllability and observability, and their relationship to state feedback and state estimation, respectively
• They can explain the significance of a minimal realisation
• They can explain observer-based state feedback and how it can be used to achieve tracking and disturbance rejection
• They can extend all of the above to multi-input multi-output systems
• They can explain the z-transform and its relationship with the Laplace Transform
• They can explain state space models and transfer function models of discrete-time systems
• They can explain the experimental identification of ARX models of dynamic systems, and how the identification problem can be solved by solving a normal equation
• They can explain how a state space model can be constructed from a discrete-time impulse response
  
  

• Students can transform transfer function models into state space models and vice versa
• They can assess controllability and observability and construct minimal realisations
• They can design LQG controllers for multivariable plants
•  They can carry out a controller design both in continuous-time and discrete-time domain, and decide which is  appropriate for a given sampling rate
• They can identify transfer function models and state space models of dynamic systems from experimental data
• They can carry out all these tasks using standard software tools (Matlab Control Toolbox, System Identification Toolbox, Simulink)
  
  

Students can work in small groups on specific problems to arrive at joint solutions. 

Students can explain the agent abstraction, define intelligence in terms of rational behavior, and give details about agent design (goals, utilities, environments). They can describe the main features of environments. The notion of adversarial agent cooperation can be discussed in terms of decision problems and algorithms for solving these problems. For dealing with uncertainty in real-world scenarios, students can summarize how Bayesian networks can be employed as a knowledge representation and reasoning formalism in static and dynamic settings. In addition, students can define decision making procedures in simple and sequential settings, with and with complete access to the state of the environment. In this context, students can describe techniques for solving (partially observable) Markov decision problems, and they can recall techniques for measuring the value of information. Students can identify techniques for simultaneous localization and mapping, and can explain planning techniques for achieving desired states. Students can explain coordination problems and decision making in a multi-agent setting in term of different types of equilibria, social choice functions, voting protocol, and mechanism design techniques.

Students can select an appropriate agent architecture for concrete agent application scenarios. For simplified agent application students can derive decision trees and apply basic optimization techniques. For those applications they can also create Bayesian networks/dynamic Bayesian networks and apply bayesian reasoning for simple queries. Students can also name and apply different sampling techniques for simplified agent scenarios. For simple and complex decision making students can compute the best action or policies for concrete settings. In multi-agent situations students will apply techniques for finding different equilibria states,e.g., Nash equilibria. For multi-agent decision making students will apply different voting protocols and compare and explain the results.

Die Studierenden können

• Klassen von Diffusionsgleichungen charakterisieren und vergleichen
• elementare Methoden der Bildverarbeitung erklären
  
• Methoden zur Segmentierung und Registrierung erläutern
• funktionalanalytische Grundlagen skizzieren und gegenüberstellen
  

Die Studierenden können 

• elementare Methoden der Bildverarbeitung implementieren und anwenden  
• moderne Methoden der Bildverarbeitung erklären und anwenden

Studierende können in heterogen zusammengesetzten Teams (d.h. aus unterschiedlichen Studiengängen und mit unterschiedlichem Hintergrundwissen) zusammenarbeiten und sich theoretische Grundlagen erklären.

Students can name the basic concepts of pattern recognition and data compression.

Students are able to discuss logical connections between the concepts covered in the course and to explain them by means of examples.

Students can apply statistical methods to classification problems in pattern recognition and to prediction in data compression. On a sound theoretical and methodical basis they can analyze characteristic value assignments and classifications and describe data compression and video signal coding. They are able to use highly sophisticated methods and processes of the subject area. Students are capable of assessing different solution approaches in multidimensional decision-making areas.

Wissen: Die Studierenden haben vertiefte Kenntnisse in den folgenden Bereichen erworben: Sie können

• Modellierungskonzepte für komplexe lineare und ganzzahlige Probleme in betrieblichen Entscheidungssituationen – z.B. Produktionsentscheidungen oder Investitionsentscheidungen - erläutern;
• die Dualitätstheorie für lineare Programme verstehen und erklären sowie moderne Lösungsmethoden zur Lösung linearer Programme – z.B. Varianten des Simplexverfahrens (revidierter Simplexalgorithmus, Innere-Punkt-Methoden) darstellen;
• Erweiterungen der linearen Programmierung um mehrfache Zielsetzungen und Datenunsicherheit erkennen und vornehmen;
• Ganzzahlige Modelle zur Erfassung logischer Bedingungen und Abhängigkeiten erklären und Anwendungen der ganzzahligen und kombinatorischen Optimierung auf betriebliche Planungsprobleme, insbesondere aus den Bereichen Logistik und Supply Chain Management, beschreiben;
• Methoden der ganzzahligen Optimierung, wie Branch-and-Bound Verfahren, Schnittebenen-Verfahren und Metaheuristiken erläutern;
• Strukturen ausgewählter dynamischer und nicht-linearer betrieblicher Problemstellungen erkennen;
• geeignete Software-Paketen zur Lösung von betrieblichen Optimierungsproblemen einsetzen.
  

Fertigkeiten: Die Studierenden sind auf Basis des erlernten Wissens in der Lage,

• Komplexe und auch ihnen noch unbekannte betriebswirtschaftliche und technische  Planungsprobleme, z.B. im Bereich globaler Produktions- und Wertschöpfungsnetzwerke,  geeignet zu modellieren, mit den Methoden des  Operations Research zu analysieren und Lösungen zu entwickeln sowie die Ergebnisse zu interpretieren und kritisch zu bewerten;
• Die Dualitätstheorie für lineare Programme bei der Analyse betriebswirtschaftlicher Probleme einzusetzen und duale Programme inhaltlich zu interpretieren sowie verschiedene Lösungsmethoden zur Lösung linearer Programme – z.B. Varianten des Simplexverfahrens, Innere-Punkt-Methoden – erfolgreich zur Problemlösung anzuwenden;
• Lineare Probleme mit mehrfacher Zielsetzung und unter Berücksichtigung von Datenunsicherheiten zu analysieren und zu lösen;
  
• Betriebliche Fragestellungen, insbesondere unter Verwendung logischer Bedingungen, als ganzzahlige Optimierungsprobleme zu formulieren und solche Probleme mittels geeigneter exakter – z.B. Branch and Bound Verfahren, Schnittebenenverfahren – und heuristischer – z.B. Metaheuristiken – Verfahren zu lösen sowie die erhaltenen Lösungen zu interpretieren;
• Methoden der dynamischen Programmierung für zusammenhängende bzw. abhängige Entscheidungen einzusetzen und ausgewählte Probleme der nicht-linearen Optimierung zu analysieren;
• 
  
• für eine vorliegende Problemstellung geeignete Methoden des Operations Research zu ihrer Lösung auszuwählen, diese anzuwenden und das theoretische Wissen über einschlägige Methoden somit auch erfolgreich in die Praxis zu übertragen;
  
• Zur Lösung der jeweiligen Problemstellungen geeignete Software einzusetzen, mittels Software Problemlösungen zu generieren und diese Lösungen zu interpretieren.

Sozialkompetenz: Die Studierenden sind nach Abschluss des Moduls in der Lage,

• sich in einem Team von Studierenden erfolgreich selbst zu organisieren und zu koordinieren sowie komplexe betriebliche Planungsaufgaben in vorgegebener Zeit im Team zu lösen;
• strukturiertes Feedback entsprechend anerkannter Feedbackregeln zu geben und selber Feedback von ihren Kommilitonen anzunehmen;

• fachspezifische und fachübergreifende Diskussionen zu Themen aus dem Feld des Operations Research und zu Gebieten, in denen die Methoden des Operations Research Anwendung finden, zu führen;
• ihre Arbeitsergebnisse in verständlicher Form schriftlich zusammenzufassen und mündlich zu präsentieren sowie diese gegenüber anderen zu vertreten;
• erfolgreich und respektvoll in einem Team zu arbeiten.

Die Studierenden haben vertiefte Kenntnisse numerischer, heuristischer und exakter Methoden. Für diverse, grundlegende Problemstellungen kennen sie approximative und exakte Lösungsmöglichkeiten. Sie können zwischen exakten Lösungen und heuristisch approximativen Näherungen unterscheiden.

Die Studierenden können komplexe Problemstellungen aus der Mathematik und Informatik vertieft analysieren, die Empfindlichkeit der Lösung bestimmen und insbesondere verifizierte Fehlerschranken bestimmen. Für NP-harte Probleme können sie effizient und heuristisch Lösungen bestimmen.

Die Studierenden können in kleinen Gruppen fachspezifische Aufgaben gemeinsam bearbeiten und Ergebnisse in geeigneter Weise präsentieren, zum Beispiel während Kleingruppenübungen.

The students can explain kinematics and tracking systems in clinical contexts and illustrate systems and their components in details. Systems can be evaluated with respect to collision detection and  safety and regulations. Students can assess typical systems regarding design and  limitations.

The students are able to design and evaluate navigation systems and robotic systems for medical applications.

The students discuss the results of other groups, provide helpful feedback and can incoorporate feedback into their work.

Students can explain the difference between instance-based and model-based learning approaches, and they can enumerate basic machine learning technique for each of the two basic approaches, either on the basis of static data, or on the basis of incrementally incoming data . For dealing with uncertainty, students can describe suitable representation formalisms, and they explain how axioms, features, parameters, or structures used in these formalisms can be learned automatically with different algorithms. Students are also able to sketch different clustering techniques. They depict how the performance of learned classifiers can be improved by ensemble learning, and they can summarize how this influences computational learning theory. Algorithms for reinforcement learning can also be explained by students.

Student derive decision trees and, in turn, propositional rule sets from simple and static data tables and are able to name and explain basic optimization techniques. They present and apply the basic idea of first-order inductive leaning. Students apply the BME, MAP, ML, and EM algorithms for learning parameters of Bayesian networks and compare the different algorithms. They also know how to carry out Gaussian mixture learning. They can contrast kNN classifiers, neural networks, and support vector machines, and name their basic application areas and algorithmic properties. Students can describe basic clustering techniques and explain the basic components of those techniques. Students compare related machine learning techniques, e.g., k-means clustering and nearest neighbor classification. They can distinguish various ensemble learning techniques and compare the different goals of those techniques.

Students can explain and describe the field of projective geometry.

Students are capable of

• Implementing an exemplary 3D or volumetric analysis task
• Using highly sophisticated methods and procedures of the subject area
• Identifying problems and
• Developing and implementing creative solution suggestions.

With assistance from the teacher students are able to link the contents of the three subject areas (modules)

• Digital Image Analysis 
• Pattern Recognition and Data Compression
  and 
• 3D Computer Vision 

in practical assignments.

Students can collaborate in a small team on the practical realization and testing of a system to reconstruct a three-dimensional scene or to evaluate volume data sets.

Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage, für verschiedene tomographische Bildgebungsmodalitäten Rekonstruktionsverfahren zu beschreiben. Insbesondere können die in der Computertomographie verwendeten Methoden, wie die gefilterte Rückprojektion, erläutert werden. Die Studierenden sind in der Lage die inversen Probleme hinter den verschiedenen Bildgebungsverfahren zu formulieren und Lösungsansätze zu beschreiben.

Die Studierenden sind dazu in der Lage, Rekonstruktionsverfahren zu implementieren und diese anhand von tomographischen Messdaten zu testen. Sie können die rekonstruierten Bilder visualisieren und die Qualität ihrer Daten und Resultate und beurteilen.

The students are able to analyze and solve clinical treatment planning and decision support problems using methods for search, optimization, and planning. They are able to explain methods for classification and their respective advantages and disadvantages in clinical contexts. The students can compare  different methods for representing medical knowledge. They can evaluate methods in the context of clinical data  and explain challenges due to the clinical nature of the data and its acquisition and due to privacy and safety requirements.

The students can give reasons for selecting and adapting methods for classification, regression, and prediction. They can assess the methods based on actual patient data and evaluate the implemented methods.

The students discuss the results of other groups, provide helpful feedback and can incoorporate feedback into their work.

The students can evaluate and assess disctrete event systems. They can evaluate properties of processes and explain methods for process analysis. The students can compare methods for process modelling and select an appropriate method for actual problems. They can discuss scheduling methods in the context of actual problems and give a detailed explanation of advantages and disadvantages of different programming methods.

The students are able to develop and model processes and evaluate them accordingly. This involves taking into account optimal scheduling, understanding algorithmic complexity and implementation using PLCs.

The students work in teams to solve problems.