Modulhandbuch
Master
Computer Science
Kohorte: Wintersemester 2017
Stand: 8. Juli 2017
Inhalt
Im Masterstudiengang Computer Science wird ein breites, fundiertes und vertieftes Grundlagenwissen in den Bereichen mathematische Modellbildung in der Informatik, Softwaretechnik, Hardware-Entwurf und Intelligente Systeme vermittelt. Zudem werden weitergehende Kenntnisse in Betriebswirtschaftslehre und Management sowie nichttechnischen Fächern erlangt, um die Kompetenzen für das Bewältigen umfangreicher IT-Projekte zu erhöhen. Das Masterprogramm bereitet auf Kompetenzebene weiterhin optimal auf die Promotion vor, so dass neben praktischen Berufsbildern auch auf die Forschung in Informatik vorbereitet wird.
Berufliche Perspektiven
Der Studiengang bildet Informatiker aus, die auf dem deutschen oder internationalen Arbeitsmarkt unabhängig von Konjunkturbewegungen sehr gute Beschäftigungsmöglichkeiten vorfinden sollten. Absolventen und Absolventinnen werden nicht nur als Systementwickler in der IT-Branche oder in den Entwicklungsabteilungen des Maschinenbaus und des Automobilindustrie tätig sein, sondern auch in der Medienindustrie als Entwickler von autonom agierenden Systemen oder Computerspielen.
Lernziele
Das Masterstudium Computer Science soll die Studierenden sowohl auf eine gehobene berufliche Tätigkeit als auch auf die Promotion vorbereiten. Die dazu notwendigen methodischen Kompetenzen werden im Rahmen des Studiums erworben. 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 Masterstudiengang Computer Science auf folgenden Gebieten erworben:
Fertigkeiten
Die Fähigkeit, erlerntes Wissen anzuwenden, um spezifische Probleme zu lösen, wird im Studiengang Computer Science auf vielfältige Weise unterstützt:
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.
Kompetenz zum selbstständigen Arbeiten
Personale Kompetenzen umfassen neben der Kompetenz zum selbständigen Handeln auch die System- und Lösungskompetenz, allgemeine Problemstellungen auf spezifische Teilprobleme abzubilden sowie die Auswahl und das Beherrschen geeigneter Methoden und Verfahren zur Problemlösung.
Studiengangsstruktur
Dadurch ergibt sich ein Gesamtaufwand von 120 LP.
Die Pflichtmodule der Kernqualifikation teilen sich auf in überfachliche Module:
und das Forschungsprojekt mit Seminar (18 LP, 3. Semester).
Der Studienplan enthält ein Mobilitätsfenster dergestalt, dass Studierende das dritte Semester im Ausland absolvieren können.
In den Vertiefungen sind mathematische Grundlagenfächer in den Bereichen Algebra, Numerik und Stochastik ausgewiesen (markiert mit einem Stern). Weiterhin werden in den Vertiefungen fachliche Schlüsselqualifikationen erworben. Wählbar sind:
Die Studierenden besuchen in der
gewählten Vertiefung Veranstaltungen in einem Umfang von 60 LP. In beiden
Zweigen bestehen ausreichend Wahlmöglichkeiten. Zudem sind in beide Vertiefungen je zwei Technische Ergänzungsfächer integriert. Diese stehen als Platzhalter für Veranstaltungen, die aus dem Gesamtbereich der technischen Fächer der TU gewählt werden können.
In jeder Vertiefung sind zwei Verlaufspäne vorgesehen.
A. Computer and Software Engineering
A1. Verlaufsplan Software/Sicherheit (S)
1. Semester
- Algorithmische Algebra*
- Soft-Computing*
- Softwareverifikation
2. Semester
- Codes und Cryptosysteme
- Computer-Graphik
- Kryptographie
- Netzwerk-Sicherheit
- Softwaretesten
3. Semester
- Software-Sicherheit
- Softwareanalyse
A2. Verlaufsplan Netzwerke/Eingebettete Systeme (N)
1. Semester
- Effiziente Algorithmen*
- Kommunikationsnetze I - Analyse und Struktur
- Verteilte Algorithmen
2. Semester
- Compiler für Eingebettete Systeme
- Drahtlose Sensornetze
- Informationssicherheit in eingebetteten Systemen
- Kommunikationsnetze II - Simulation und Modellierung
- Software für Eingebettete Systeme
3. Semester
- Fortgeschrittener Entwurf von Chip-Systemen (Praktikum)
- Traffic Engineering
A3. Weitere Veranstaltungen
- Numerische Mathematik II*
B. Intelligence Engineering
B1. Verlaufsplan Bildverarbeitung/Mustererkennung (B)
1. Semester
- Digitale Bildanalyse
- Digitale Nachrichtenübertragung
- Digitale Signalverarbeitung und Digitale Filter
- Mathematische Bildverarbeitung
- Wiss. Rechnen und Genauigkeit*
2. Semester
- Informationstheorie und Codierung
- Mustererkennung und Datenkompression
- Numerische Mathematik II*
3. Semester
- 3D Computer Vision
- Numerische Verfahren in der medizinischen Bildgebung
B2. Verlaufsplan Systemtheorie/Robotik (R)
1. Semester
- Intelligente Systeme in der Medizin
- Prozessautomatisierungstechnik
- Robotik
- Theorie und Entwurf regelungstechnischer Systeme
2. Semester
- Angewandte Humanoide Roboter
- Mechatronische Systeme
- Optimale und robuste Regelung
- Robotik und Navigation in der Medizin
3. Semester
- Ausgewählte Themen der Regelungstechnik
- Digitale Audiosignalverarbeitung
B3. Weitere Veranstaltungen
- Algorithmische Algebra*
- Autonome mobile Agenten und Robotik
- Effiziente Algorithmen*
- Maschinelles Lernen und Data-Mining
- Methoden und Anwendungen der Differentialgeometrie*
- Soft-Computing*
- Verteilte Algorithmen
Modul M0523: Betrieb & Management |
Modulverantwortlicher | Prof. Matthias Meyer |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Keine |
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 |
Lehrveranstaltungen |
Die Informationen zu den Lehrveranstaltungen entnehmen Sie dem separat veröffentlichten Modulhandbuch des Moduls. |
Modul M0524: Nichttechnische Ergänzungskurse im Master |
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) 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 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
|
Fertigkeiten |
Die Studierenden können in ausgewählten Teilbereichen
|
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden sind fähig ,
|
Selbstständigkeit |
Die Studierenden sind in ausgewählten Bereichen in der Lage,
|
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 M0804: Forschungsprojekt und Seminar |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Wissen und Fertigkeiten aus einer der Vertiefungen im Master-Bereich des Studienganges |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden wissen, wie man sich ein Teilgebiet der Informatik (oder in einen angrenzenden Bereich) selbständig erschließt. |
Fertigkeiten |
Die Studierenden können ein Teilgebiet der Informatik (oder in einem angrenzenden Bereich) selbständig bearbeiten. |
Personale Kompetenzen | |
Sozialkompetenz |
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. |
Selbstständigkeit |
Die Studierenden können ein Teilgebiet in einer Präsentation vorstellen. Sie können aktiv die Präsentationen anderer Studierender verfolgen, so dass evtl. ein interaktiver Diskurs über ein wissenschaftliches Thema entsteht. |
Arbeitsaufwand in Stunden | Eigenstudium 372, Präsenzstudium 168 |
Leistungspunkte | 18 |
Prüfung | laut FSPO |
Prüfungsdauer und -umfang | Das Seminar erfordert eine Präsentation über ein aktuelles Forschungsthema (Vortrag 25-30 min und Diskussion 5 min). Das Forschungsprojekt ist eine Projektarbeit im Sinne der ASPO und der einschlägigen FSPO. |
Zuordnung zu folgenden Curricula |
Computer Science: Kernqualifikation: Pflicht Informatik-Ingenieurwesen: Kernqualifikation: Pflicht Information and Communication Systems: Kernqualifikation: Pflicht |
Lehrveranstaltung L1761: Forschungsprojekt |
Typ | Projektierungskurs |
SWS | 10 |
LP | 15 |
Arbeitsaufwand in Stunden | Eigenstudium 310, Präsenzstudium 140 |
Dozenten | Dozenten des SD E |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
Aktuelle Forschungsthemen aus der gewählten Vertiefungsrichtung. |
Literatur |
Aktuelle Literatur zu Forschungsthemen aus der gewählten Vertiefungsrichtung. |
Lehrveranstaltung L0817: Hauptseminar |
Typ | Seminar |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Dozenten des SD E |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur | Wird vom Veranstalter bekanntgegeben. |
Modul M0753: Software Verification |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Sibylle Schupp |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
Students discuss relevant topics in class. They defend their solutions orally. They communicate in English. |
Selbstständigkeit |
Using accompanying on-line material for self study, students can assess their level of knowledge continuously and adjust it appropriately. Working on exercise problems, they receive additional feedback. Within limits, they can set their own learning goals. Upon successful completion, students can identify and precisely formulate new problems in academic or applied research in the field of software verification. Within this field, they can conduct independent studies to acquire the necessary competencies and compile their findings in academic reports. They can devise plans to arrive at new solutions or assess existing ones. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme: Pflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht |
Lehrveranstaltung L0629: Software Verification |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sibylle Schupp |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0630: Software Verification |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sibylle Schupp |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1336: Soft-Computing |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
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 | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 25 min |
Zuordnung zu folgenden Curricula |
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Bioverfahrenstechnik: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht |
Lehrveranstaltung L1869: Soft-Computing |
Typ | Vorlesung |
SWS | 4 |
LP | 6 |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Dozenten | Prof. Karl-Heinz Zimmermann |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | |
Literatur |
Modul M1270: Technischer Ergänzungskurs I für CSMS (laut FSPO) |
||||
Lehrveranstaltungen | ||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Keine |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden erwerben weitergehende Kenntnisse in einem an der TUHH vertretenen technischen Fach. |
Fertigkeiten |
Die Studierenden erwerben weitergehende Fertigkeiten in einem an der TUHH ansässigen technischen Fach. |
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden sind in der Lage, alleine oder in kleinen Gruppen weitergehende Kenntnisse und Fähigkeiten in einem an der TUHH vertretenen technischen Fach zu erwerben. |
Selbstständigkeit |
Die Studierenden können die wesentlichen Inhalte des technischen Faches im Rahmen eines Vortrages oder einer Diskussion wiedergeben. |
Arbeitsaufwand in Stunden | Eigenstudium 180, Präsenzstudium 0 |
Leistungspunkte | 6 |
Prüfung | laut FSPO |
Prüfungsdauer und -umfang | |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht |
Modul M0667: Algorithmische Algebra |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Dr. Prashant Batra |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Mathe I-III (Reelle Analysis,Rechnen in Vektorräumen, Vollst. Induktion) Diskrete Mathematik I (Gruppen, Ringe, Ideale, Körper; euklidscher Algorithmus) |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz | , |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht |
Lehrveranstaltung L0422: Algorithmische Algebra |
Typ | Vorlesung | ||||||||||||||
SWS | 3 | ||||||||||||||
LP | 5 | ||||||||||||||
Arbeitsaufwand in Stunden | Eigenstudium 108, Präsenzstudium 42 | ||||||||||||||
Dozenten | Dr. Prashant Batra | ||||||||||||||
Sprachen | DE | ||||||||||||||
Zeitraum | WiSe | ||||||||||||||
Inhalt |
Erweiterter Euklidscher Algorithmus, Lösen der Bezout-Gleichung Teilen mit Rest in Ringen Schnelle Rechenalgorithmen (Konversion in Zahlformate, Schnelle Multiplikationen) Diskrete Fourier-Transformation in Ringe Rechnen mit modularen Resten, Lösen von Restsystemen (Chinesischer Restsatz), Lösbarkeit ganzzahliger 'Gleichungssysteme Linearisierung polynomialer Gleichungen - Matrizenansatz Sylvester-Matrix, Elimination Elimination in Ringen, Elimination mehrer Veränderlicher Buchberger-Algorithmus, Gröbner-Basis Minkowskischer Gitterpunktsatz und Ganzzahlige Optimierung LLL-Algorithmus zum Auffinden 'kurzer' Vektoren in polynomialer Zeit |
||||||||||||||
Literatur |
von zur Gathen, Joachim; Gerhard, Jürgen Modern computer algebra. 3rd ed. (English) Zbl 1277.68002 Yap, Chee Keng Free download for students from author's website: http://cs.nyu.edu/yap/book/berlin/ Cox, David; Little, John; O’Shea, Donal eBook: http://dx.doi.org/10.1007/978-0-387-35651-8
Koepf, Wolfram springer eBook: http://dx.doi.org/10.1007/3-540-29895-9 Kaplan, Michael springer eBook: http://dx.doi.org/10.1007/b137968 |
Lehrveranstaltung L0423: Algorithmische Algebra |
Typ | Gruppenübung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Dr. Prashant Batra |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0836: Communication Networks I - Analysis and Structure |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
Modulverantwortlicher | Prof. Andreas Timm-Giel |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
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. |
Selbstständigkeit |
Students are able to obtain the necessary expert knowledge for understanding the functionality and performance capabilities of new communication networks independently. |
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 |
Leistungspunkte | 6 |
Prüfung | Kolloquium |
Prüfungsdauer und -umfang | 1,5 Stunden Kolloquium mit je drei Prüflingen, also ca. 30 min je Prüfling. Inhalt des Kolloquiums sind die Poster der vorhergehenden Postersession sowie die Lehrinhalte. |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Elektrotechnik: Vertiefung Regelungs- und Energietechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Netze: Wahlpflicht Mechatronics: Technischer Ergänzungskurs: Wahlpflicht Microelectronics and Microsystems: Vertiefung Communication and Signal Processing: Wahlpflicht |
Lehrveranstaltung L0897: Analysis and Structure of Communication Networks |
Typ | Vorlesung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Andreas Timm-Giel |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | |
Literatur |
Further literature is announced at the beginning of the lecture. |
Lehrveranstaltung L0899: Selected Topics of Communication Networks |
Typ | Problemorientierte Lehrveranstaltung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Dr. Maciej Mühleisen |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Example networks selected by the students will be researched on in a PBL course by the students in groups and will be presented in a poster session at the end of the term. |
Literatur |
|
Lehrveranstaltung L0898: Communication Networks Excercise |
Typ | Problemorientierte Lehrveranstaltung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Dr. Maciej Mühleisen |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Part of the content of the lecture Communication Networks are reflected in computing tasks in groups, others are motivated and addressed in the form of a PBL exercise. |
Literatur |
|
Modul M0926: Verteilte Algorithmen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Volker Turau |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
Studierende können eigene verteilte Algorithmen entwerfen und der Komplexität analysieren. Sie greifen dabei auf existierende Standardalgorithmen zurück. Sie analysieren die Komplexität randomisierter Algorithmen. |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 45 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht |
Lehrveranstaltung L1071: Verteilte Algorithmen |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Volker Turau |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L1072: Verteilte Algorithmen |
Typ | Hörsaalübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Volker Turau |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0586: Effiziente Algorithmen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Siegfried Rump |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Programmieren in Matlab und/oder C Grundkenntnisse in diskreter Mathematik |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden können in kleinen Gruppen fachspezifische Aufgaben gemeinsam bearbeiten und Ergebnisse in geeigneter Weise präsentieren, zum Beispiel während Kleingruppenübungen. |
Selbstständigkeit |
Die Studierenden sind in der Lage, die notwendigen Informationen aus den angegebenen Literaturquellen zu beschaffen und in den Kontext der Vorlesung zu setzen. Sie können ihren Wissensstand mit Hilfe vorlesungsbegleitender Maßnahmen (Quiz-Fragen in den Vorlesungen, klausurnahe Aufgaben) kontinuierlich überprüfen und auf dieser Basis ihre Lernprozesse steuern. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Elektrotechnik: Vertiefung Modellierung und Simulation: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Wissenschaftliches Rechnen: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht |
Lehrveranstaltung L0120: Effiziente Algorithmen |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Siegfried Rump |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt |
- Lineare Optimierung - Datenstrukturen - Leftist heaps - Minimum spanning tree - Shortest path - Maximum flow - NP-harte Probleme via max-cut |
Literatur |
R. E. Tarjan: Data Structures and Network Algorithms. CBMS 44, Society for Industrial and Applied Mathematics, Philadelphia, PA, 1983. Wesley, 2011 http://algs4.cs.princeton.edu/home/ V. Chvátal, ``Linear Programming'', Freeman, New York, 1983. |
Lehrveranstaltung L1207: Effiziente Algorithmen |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Siegfried Rump |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1337: Codes und Cryptosysteme |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
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 | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 25 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht |
Lehrveranstaltung L1870: Codes und Cryptosysteme |
Typ | Vorlesung |
SWS | 4 |
LP | 6 |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Dozenten | Prof. Karl-Heinz Zimmermann |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | |
Literatur |
Modul M1318: Wireless Sensor Networks |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
Modulverantwortlicher | Prof. Bernd-Christian Renner |
Zulassungsvoraussetzungen | None |
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 | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht |
Lehrveranstaltung L1819: Selected Topics of Wireless Sensor Networks |
Typ | Problemorientierte Lehrveranstaltung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Bernd-Christian Renner |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
Selected topics on sensor network research will be researched in a PBL course by the students in groups and will be presented in a poster session at the end of the term. Topics are:
|
Literatur |
Will be provided individually |
Lehrveranstaltung L1815: Wireless Sensor Networks |
Typ | Vorlesung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Bernd-Christian Renner |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | |
Literatur |
Lehrveranstaltung L1816: Wireless Sensor Networks |
Typ | Gruppenübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Bernd-Christian Renner |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1271: Technischer Ergänzungskurs II für CSMS (laut FSPO) |
||||
Lehrveranstaltungen | ||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Keine |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden erwerben weitergehende Kenntnisse in einem an der TUHH vertretenen technischen Fach. |
Fertigkeiten |
Die Studierenden erwerben weitergehende Fertigkeiten in einem an der TUHH ansässigen technischen Fach. |
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden sind in der Lage, alleine oder in kleinen Gruppen weitergehende Kenntnisse und Fähigkeiten in einem an der TUHH vertretenen technischen Fach zu erwerben. |
Selbstständigkeit |
Die Studierenden können die wesentlichen Inhalte des technischen Faches im Rahmen eines Vortrages oder einer Diskussion wiedergeben. |
Arbeitsaufwand in Stunden | Eigenstudium 180, Präsenzstudium 0 |
Leistungspunkte | 6 |
Prüfung | laut FSPO |
Prüfungsdauer und -umfang | |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht |
Modul M0943: Network Security |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Dieter Gollmann |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse | Discrete Mathematics, Computer Networks (TCP/IP) |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students can
|
Fertigkeiten |
Students are capable of
|
Personale Kompetenzen | |
Sozialkompetenz | None |
Selbstständigkeit | Students are capable of acquiring knowledge independently from professional publications, technical standards, and other sources, and are capable of applying newly acquired knowledge to new problems. |
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 120 Minuten |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme: Wahlpflicht |
Lehrveranstaltung L1105: Network Security |
Typ | Vorlesung |
SWS | 3 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 48, Präsenzstudium 42 |
Dozenten | Prof. Dieter Gollmann |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
W. Stallings: Cryptography and Network Security: Principles and Practice, 6th edition (2013) A. Menezes, P. van Oorschot, S. Vanstone: Handbook of Applied Cryptography, CRC Press (1997) D. Gollmann: Computer Security, 3rd edition, Wiley (2011) V. Niemi, K. Nyberg: UMTS Security, Wiley (2003) |
Lehrveranstaltung L1106: Network Security |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Dieter Gollmann |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0556: Computer Graphics |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Tobias Knopp |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
Students are expected to have a solid knowledge of object-oriented programming as well as of linear algebra and geometry. |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students have acquired a theoretical basis in computer graphics and have a clear understanding of the process of computer animation. |
Fertigkeiten |
Students have acquired
|
Personale Kompetenzen | |
Sozialkompetenz |
Students are trained in communicating abstract ideas and are familiar with planning and conducting projects within a small team. |
Selbstständigkeit |
Students are able to direct complex computer animation projects. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Signalverarbeitung: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht |
Lehrveranstaltung L0145: Computer Graphics |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Tobias Knopp |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
Computer graphics and animation are leading to an unprecedented visual revolution. The course deals with its technological foundations:
Students will be be working on a series of mini-projects which will eventually evolve into a final project. Learning computer graphics and animation resembles learning a musical instrument. Therefore, doing your projects well and in time is essential for performing well on this course. |
Literatur |
Alan H. Watt: 3D Computer Graphics. Harlow: Pearson (3rd ed., repr., 2009). Dariush Derakhshani: Introducing Autodesk Maya 2014. New York, NY : Wiley (2013). |
Lehrveranstaltung L0768: Computer Graphics |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Tobias Knopp |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1307: Kryptographie |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Chris Brzuska |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Einführung in die Informationssicherheit, Grundlagen der Berechenbarkeit und Komplexität |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Kenntnis von kryptographischen Primitiven wie One-Way-Funktionen, digitalen Signaturen, Verschlüsselungsverfahren, key exchange, Zero-Knowledge Beweise etc. sowie die Relationen zwischen den Primitiven, Kenntnis formaler Sicherheitsdefinitionen von kryptographischen Bausteine, Zusammenhänge zwischen Kryptographie und Komplexitätstheorie, insbesondere zu der Frage, ob NP in P enthalten ist. |
Fertigkeiten | Fähigkeit, Sicherheitsmodelle für kryptographische Primitive zu beurteilen und zu entwickeln. Reduktionen zwischen kryptographischen Primitiven konstruieren und Fähigkeit, zu beurteilen, ob kleine Veränderungen ein kryptographisches Primitiv unsicher machen können. |
Personale Kompetenzen | |
Sozialkompetenz | Fähigkeit, Verfahren und Methoden, die intuitiv sicher erscheinen, kritisch zu hinterfragen. |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme: Wahlpflicht Technomathematik: Vertiefung II. Informatik: Wahlpflicht |
Lehrveranstaltung L1806: Kryptographie |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Chris Brzuska |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
Inhalt: |
Literatur |
Literatur: |
Lehrveranstaltung L1807: Kryptographie |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Chris Brzuska |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | |
Literatur |
Literatur: |
Modul M1248: Compiler für Eingebettete Systeme |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Heiko Falk |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Modul "Eingebettete Systeme" C/C++ Programmierkenntnisse |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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,
Wegen der hohen Anforderungen an Compiler für Eingebettete Systeme sind effektive Optimierungen unerlässlich. Die Studierenden lernen insbes.,
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. |
Fertigkeiten |
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. |
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 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Mechatronics: Vertiefung Systementwurf: Wahlpflicht Mechatronics: Technischer Ergänzungskurs: Wahlpflicht |
Lehrveranstaltung L1692: Compiler für Eingebettete Systeme |
Typ | Vorlesung |
SWS | 3 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 78, Präsenzstudium 42 |
Dozenten | Prof. Heiko Falk |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L1693: Compiler für Eingebettete Systeme |
Typ | Fachlabor |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Heiko Falk |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1304: Informationssicherheit in eingebetteten Systemen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Daniel Ziener |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Technische Informatik Grundkenntnisse eingebettete Systeme |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Das Modul besteht aus folgende Inhalte:
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht |
Lehrveranstaltung L1804: Informationssicherheit in eingebetteten Systemen |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | NN |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
Der Schutz eingebetteter Systeme gegenüber Angriffe Dritter auf gespeicherte Daten und Implementierungen, stellt eine immer wichtigere, jedoch auch durch zunehmende Vernetzung herausfordernde Aufgabe dar. Der Schutz der eingebetteten Systeme gegenüber bekannten als auch neueren ausgeklügelten Angriffsmöglichkeiten ist Gegenstand dieser Vorlesung. Es wird gezeigt, welche Angriffe existieren, welche Gegenmaßnahmen man ergreifen kann und wie man sichere eingebettete Systeme entwirft. Die Vorlesung behandelt folgende Inhalte:
|
Literatur |
|
Lehrveranstaltung L1805: Informationssicherheit in eingebetteten Systemen |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | NN |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0837: Communication Networks II - Simulation and Modeling |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Andreas Timm-Giel |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students are able to explain the necessary stochastics, the discrete event simulation technology and modelling of networks for performance evaluation. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
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. |
Selbstständigkeit |
Students are able to transfer independently and in discussion with others the acquired method and expert knowledge to new problems. They can identify missing knowledge and acquire this knowledge independently. |
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 |
Leistungspunkte | 6 |
Prüfung | Kolloquium |
Prüfungsdauer und -umfang | 45-60 Minuten Kolloquium mit zwei Studierenden, also ca. 30 Minuten pro Student. |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Netze: Wahlpflicht |
Lehrveranstaltung L0887: Simulation and Modelling of Communication Networks |
Typ | Problemorientierte Lehrveranstaltung |
SWS | 5 |
LP | 6 |
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 |
Dozenten | Prof. Andreas Timm-Giel |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
In the course necessary basic stochastics and the discrete event simulation are introduced. Also simulation models for communication networks, for example, traffic models, mobility models and radio channel models are presented in the lecture. Students work with a simulation tool, where they can directly try out the acquired skills, algorithms and models. At the end of the course increasingly complex networks and protocols are considered and their performance is determined by simulation. |
Literatur |
Further literature is announced at the beginning of the lecture. |
Modul M0924: Software für Eingebettete Systeme |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Volker Turau |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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) |
Fertigkeiten | Studierende erstellen interrupt-basierte Programme für einen konkreten Mikrocontroller. Sie erstellen und benutzen einen preemptiven scheduler. Sie setzen periphere Komponenten (Timer, ADCs, EEPROM) für komplexe Aufgaben eingebetteter System ein. Für den Anschluss externer Komponenten setzen sie serielle Protokolle ein. |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht Mechatronics: Technischer Ergänzungskurs: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Mechatronics: Vertiefung Systementwurf: Wahlpflicht |
Lehrveranstaltung L1069: Software für Eingebettete Systeme |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Volker Turau |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L1070: Software für Eingebettete Systeme |
Typ | Gruppenübung |
SWS | 3 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 48, Präsenzstudium 42 |
Dozenten | Prof. Volker Turau |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1301: Software Testing |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Sibylle Schupp |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
Students discuss relevant topics in class. They defend their solutions orally. |
Selbstständigkeit |
Students can assess their level of knowledge continuously and adjust it appropriately, based on feedback and on self-guided studies. Within limits, they can set their own learning goals. Upon successful completion, students can identify and precisely formulate new problems in academic or applied research in the field of software testing. Within this field, they can conduct independent studies to acquire the necessary competencies and compile their findings in academic reports. They can devise plans to arrive at new solutions or assess existing ones |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Projektarbeit |
Prüfungsdauer und -umfang | Software |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht |
Lehrveranstaltung L1791: Software Testing |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sibylle Schupp |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L1792: Software Testing |
Typ | Problemorientierte Lehrveranstaltung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sibylle Schupp |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Modul M0711: Numerische Mathematik II |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Sabine Le Borne |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Studierende können
|
Fertigkeiten |
Studierende sind in der Lage,
|
Personale Kompetenzen | |
Sozialkompetenz |
Studierende können
|
Selbstständigkeit |
Studierende sind fähig,
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 25 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Wissenschaftliches Rechnen: Wahlpflicht Technomathematik: Vertiefung I. Mathematik: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht |
Lehrveranstaltung L0568: Numerische Mathematik II |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sabine Le Borne, Dr. Patricio Farrell |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0569: Numerische Mathematik II |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sabine Le Borne, Dr. Patricio Farrell |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0942: Software Security |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Dieter Gollmann |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse | Familiarity with C/C++, web programming |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students can
|
Fertigkeiten |
Students are capable of
|
Personale Kompetenzen | |
Sozialkompetenz | None |
Selbstständigkeit | Students are capable of acquiring knowledge independently from professional publications, technical standards, and other sources, and are capable of applying newly acquired knowledge to new problems. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 120 Minuten |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme: Wahlpflicht |
Lehrveranstaltung L1103: Software Security |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Dieter Gollmann |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
M. Howard, D. LeBlanc: Writing Secure Code, 2nd edition, Microsoft Press (2002) G. Hoglund, G. McGraw: Exploiting Software, Addison-Wesley (2004) L. Gong, G. Ellison, M. Dageforde: Inside Java 2 Platform Security, 2nd edition, Addison-Wesley (2003) B. LaMacchia, S. Lange, M. Lyons, R. Martin, K. T. Price: .NET Framework Security, Addison-Wesley Professional (2002) D. Gollmann: Computer Security, 3rd edition (2011) |
Lehrveranstaltung L1104: Software Security |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Dieter Gollmann |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0910: Fortgeschrittener Entwurf von Chip-Systemen (Praktikum) |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Heiko Falk |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Erfolgreiche Teilnahme am praktischen FPGA-Labor des Moduls "Rechnerarchitektur" ist zwingende Voraussetzung. |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
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 in konkrete Implementierungen komplexer Hardware-Strukturen zu überführen und es mit den Inhalten anderer Lehrveranstaltungen zu verknüpfen. |
Arbeitsaufwand in Stunden | Eigenstudium 138, Präsenzstudium 42 |
Leistungspunkte | 6 |
Prüfung | Projektarbeit |
Prüfungsdauer und -umfang | VHDL-Code und FPGA-basiere Implementierungen |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht |
Lehrveranstaltung L1061: Fortgeschrittener Entwurf von Chip-Systemen |
Typ | Problemorientierte Lehrveranstaltung |
SWS | 3 |
LP | 6 |
Arbeitsaufwand in Stunden | Eigenstudium 138, Präsenzstudium 42 |
Dozenten | Prof. Heiko Falk |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
|
Modul M0839: Traffic Engineering |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
Modulverantwortlicher | Prof. Andreas Timm-Giel |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students are able to describe methods for planning, optimisation and performance evaluation of communication networks. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit |
Students are able to acquire the necessary expert knowledge to understand the functionality and performance of new communication networks independently. |
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Netze: Wahlpflicht |
Lehrveranstaltung L0902: Seminar Traffic Engineering |
Typ | Seminar |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Andreas Timm-Giel |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Selected applications of methods for planning, optimization, and performance evaluation of communication networks, which have been introduced in the traffic engineering lecture are prepared by the students and presented in a seminar. |
Literatur |
|
Lehrveranstaltung L0900: Traffic Engineering |
Typ | Vorlesung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Andreas Timm-Giel |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
Network Planning and Optimization |
Literatur |
Literatur: |
Lehrveranstaltung L0901: Traffic Engineering Exercises |
Typ | Gruppenübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Andreas Timm-Giel |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
Accompanying exercise for the traffic engineering course |
Literatur |
Literatur: |
Modul M0549: Wissenschaftliches Rechnen und Genauigkeit |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Siegfried Rump |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Grundkenntnisse in numerischer Mathematik |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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.
|
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden können in kleinen Gruppen fachspezifische Aufgaben gemeinsam bearbeiten und Ergebnisse in geeigneter Weise präsentieren, zum Beispiel während Kleingruppenübungen. |
Selbstständigkeit |
Die Studierenden sind in der Lage, die notwendigen Informationen aus den angegebenen Literaturquellen zu beschaffen und in den Kontext der Vorlesung zu setzen. Sie können ihren Wissensstand mit Hilfe vorlesungsbegleitender Maßnahmen (Quiz-Fragen in den Vorlesungen, klausurnahe Aufgaben) kontinuierlich überprüfen und auf dieser Basis ihre Lernprozesse steuern. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Wissenschaftliches Rechnen: Wahlpflicht Technomathematik: Vertiefung II. Informatik: Wahlpflicht Verfahrenstechnik: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht Verfahrenstechnik: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht |
Lehrveranstaltung L0122: Einschließungsmethoden |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Siegfried Rump |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
Neumaier: Interval Methods for Systems of Equations. In: Encyclopedia of Mathematics and its Applications. Cambridge University Press, 1990 S.M. Rump. Verification methods: Rigorous results using floating-point arithmetic. Acta Numerica, 19:287-449, 2010. |
Lehrveranstaltung L1208: Einschließungsmethoden |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Siegfried Rump |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0733: Software Analysis |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Sibylle Schupp |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
Students discuss relevant topics in class. They defend their solutions orally. They communicate in English. |
Selbstständigkeit |
Using accompanying on-line material for self study, students can assess their level of knowledge continuously and adjust it appropriately. Working on exercise problems, they receive additional feedback. Within limits, they can set their own learning goals. Upon successful completion, students can identify and precisely formulate new problems in academic or applied research in the field of software analysis. Within this field, they can conduct independent studies to acquire the necessary competencies and compile their findings in academic reports. They can devise plans to arrive at new solutions or assess existing ones. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht |
Lehrveranstaltung L0631: Software Analysis |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sibylle Schupp |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0632: Software Analysis |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sibylle Schupp |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1270: Technischer Ergänzungskurs I für CSMS (laut FSPO) |
||||
Lehrveranstaltungen | ||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Keine |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden erwerben weitergehende Kenntnisse in einem an der TUHH vertretenen technischen Fach. |
Fertigkeiten |
Die Studierenden erwerben weitergehende Fertigkeiten in einem an der TUHH ansässigen technischen Fach. |
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden sind in der Lage, alleine oder in kleinen Gruppen weitergehende Kenntnisse und Fähigkeiten in einem an der TUHH vertretenen technischen Fach zu erwerben. |
Selbstständigkeit |
Die Studierenden können die wesentlichen Inhalte des technischen Faches im Rahmen eines Vortrages oder einer Diskussion wiedergeben. |
Arbeitsaufwand in Stunden | Eigenstudium 180, Präsenzstudium 0 |
Leistungspunkte | 6 |
Prüfung | laut FSPO |
Prüfungsdauer und -umfang | |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht |
Modul M0667: Algorithmische Algebra |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Dr. Prashant Batra |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Mathe I-III (Reelle Analysis,Rechnen in Vektorräumen, Vollst. Induktion) Diskrete Mathematik I (Gruppen, Ringe, Ideale, Körper; euklidscher Algorithmus) |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz | , |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht |
Lehrveranstaltung L0422: Algorithmische Algebra |
Typ | Vorlesung | ||||||||||||||
SWS | 3 | ||||||||||||||
LP | 5 | ||||||||||||||
Arbeitsaufwand in Stunden | Eigenstudium 108, Präsenzstudium 42 | ||||||||||||||
Dozenten | Dr. Prashant Batra | ||||||||||||||
Sprachen | DE | ||||||||||||||
Zeitraum | WiSe | ||||||||||||||
Inhalt |
Erweiterter Euklidscher Algorithmus, Lösen der Bezout-Gleichung Teilen mit Rest in Ringen Schnelle Rechenalgorithmen (Konversion in Zahlformate, Schnelle Multiplikationen) Diskrete Fourier-Transformation in Ringe Rechnen mit modularen Resten, Lösen von Restsystemen (Chinesischer Restsatz), Lösbarkeit ganzzahliger 'Gleichungssysteme Linearisierung polynomialer Gleichungen - Matrizenansatz Sylvester-Matrix, Elimination Elimination in Ringen, Elimination mehrer Veränderlicher Buchberger-Algorithmus, Gröbner-Basis Minkowskischer Gitterpunktsatz und Ganzzahlige Optimierung LLL-Algorithmus zum Auffinden 'kurzer' Vektoren in polynomialer Zeit |
||||||||||||||
Literatur |
von zur Gathen, Joachim; Gerhard, Jürgen Modern computer algebra. 3rd ed. (English) Zbl 1277.68002 Yap, Chee Keng Free download for students from author's website: http://cs.nyu.edu/yap/book/berlin/ Cox, David; Little, John; O’Shea, Donal eBook: http://dx.doi.org/10.1007/978-0-387-35651-8
Koepf, Wolfram springer eBook: http://dx.doi.org/10.1007/3-540-29895-9 Kaplan, Michael springer eBook: http://dx.doi.org/10.1007/b137968 |
Lehrveranstaltung L0423: Algorithmische Algebra |
Typ | Gruppenübung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Dr. Prashant Batra |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0881: Mathematische Bildverarbeitung |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Marko Lindner |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden können
|
Fertigkeiten |
Die Studierenden können
|
Personale Kompetenzen | |
Sozialkompetenz |
Studierende können in heterogen zusammengesetzten Teams (d.h. aus unterschiedlichen Studiengängen und mit unterschiedlichem Hintergrundwissen) zusammenarbeiten und sich theoretische Grundlagen erklären. |
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 20 min |
Zuordnung zu folgenden Curricula |
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Modellierung und Simulation: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Mechatronics: Technischer Ergänzungskurs: Wahlpflicht Technomathematik: Vertiefung I. Mathematik: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Verfahrenstechnik: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht |
Lehrveranstaltung L0991: Mathematische Bildverarbeitung |
Typ | Vorlesung |
SWS | 3 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 78, Präsenzstudium 42 |
Dozenten | Prof. Marko Lindner |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur | Bredies/Lorenz: Mathematische Bildverarbeitung |
Lehrveranstaltung L0992: Mathematische Bildverarbeitung |
Typ | Gruppenübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Marko Lindner |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1336: Soft-Computing |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
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 | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 25 min |
Zuordnung zu folgenden Curricula |
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Bioverfahrenstechnik: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht |
Lehrveranstaltung L1869: Soft-Computing |
Typ | Vorlesung |
SWS | 4 |
LP | 6 |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Dozenten | Prof. Karl-Heinz Zimmermann |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | |
Literatur |
Modul M0550: Digital Image Analysis |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Rolf-Rainer Grigat |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
System theory of one-dimensional signals (convolution and correlation, sampling theory, interpolation and decimation, Fourier transform, linear time-invariant systems), linear algebra (Eigenvalue decomposition, SVD), basic stochastics and statistics (expectation values, influence of sample size, correlation and covariance, normal distribution and its parameters), basics of Matlab, basics in optics |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students can
|
Fertigkeiten |
Students are able to
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. |
Personale Kompetenzen | |
Sozialkompetenz |
k.A. |
Selbstständigkeit |
Students can solve image analysis tasks independently using the relevant literature. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 60 Minuten, Umfang Vorlesung und Materialien im StudIP |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Signalverarbeitung: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Microelectronics and Microsystems: Vertiefung Communication and Signal Processing: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht |
Lehrveranstaltung L0126: Digital Image Analysis |
Typ | Vorlesung |
SWS | 4 |
LP | 6 |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Dozenten | Prof. Rolf-Rainer Grigat |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
Bredies/Lorenz, Mathematische Bildverarbeitung, Vieweg, 2011 |
Modul M0563: Robotics |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Uwe Weltin |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
Fundamentals of electrical engineering Broad knowledge of mechanics Fundamentals of control theory |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen | Students are able to describe fundamental properties of robots and solution approaches for multiple problems in robotics. |
Fertigkeiten |
Students are able to derive and solve equations of motion for various manipulators. Students can generate trajectories in various coordinate systems. Students can design linear and partially nonlinear controllers for robotic manipulators. |
Personale Kompetenzen | |
Sozialkompetenz | Students are able to work goal-oriented in small mixed groups. |
Selbstständigkeit |
Students are able to recognize and improve knowledge deficits independently. With instructor assistance, students are able to evaluate their own knowledge level and define a further course of study. |
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 120 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Flugzeug-Systemtechnik: Vertiefung Flugzeugsysteme: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht International Production Management: Vertiefung Produktionstechnik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Mechatronik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Produktentwicklung und Produktion: Wahlpflicht Mechanical Engineering and Management: Kernqualifikation: Pflicht Mechatronics: Kernqualifikation: Pflicht Produktentwicklung, Werkstoffe und Produktion: Vertiefung Produktentwicklung: Wahlpflicht Produktentwicklung, Werkstoffe und Produktion: Vertiefung Produktion: Wahlpflicht Produktentwicklung, Werkstoffe und Produktion: Vertiefung Werkstoffe: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Produktentwicklung und Produktion: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht |
Lehrveranstaltung L0168: Robotics: Modelling and Control |
Typ | Vorlesung |
SWS | 3 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 48, Präsenzstudium 42 |
Dozenten | Prof. Uwe Weltin |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
Fundamental kinematics of rigid body systems Newton-Euler equations for manipulators Trajectory generation Linear and nonlinear control of robots |
Literatur |
Craig, John J.: Introduction to Robotics Mechanics and Control, Third Edition, Prentice Hall. ISBN 0201-54361-3 |
Lehrveranstaltung L1305: Robotics: Modelling and Control |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Uwe Weltin |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0677: Digital Signal Processing and Digital Filters |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Gerhard Bauch |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen | The students know and understand basic algorithms of digital signal processing. They are familiar with the spectral transforms of discrete-time signals and are able to describe and analyse signals and systems in time and image domain. They know basic structures of digital filters and can identify and assess important properties including stability. They are aware of the effects caused by quantization of filter coefficients and signals. They are familiar with the basics of adaptive filters. They can perform traditional and parametric methods of spectrum estimation, also taking a limited observation window into account. |
Fertigkeiten | The students are able to apply methods of digital signal processing to new problems. They can choose and parameterize suitable filter striuctures. In particular, the can design adaptive filters according to the minimum mean squared error (MMSE) criterion and develop an efficient implementation, e.g. based on the LMS or RLS algorithm. Furthermore, the students are able to apply methods of spectrum estimation and to take the effects of a limited observation window into account. |
Personale Kompetenzen | |
Sozialkompetenz |
The students can jointly solve specific problems. |
Selbstständigkeit |
The students are able to acquire relevant information from appropriate literature sources. They can control their level of knowledge during the lecture period by solving tutorial problems, software tools, clicker system. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Elektrotechnik: Vertiefung Regelungs- und Energietechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Signalverarbeitung: Wahlpflicht Mechanical Engineering and Management: Vertiefung Mechatronik: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Microelectronics and Microsystems: Vertiefung Microelectronics Complements: Wahlpflicht |
Lehrveranstaltung L0446: Digital Signal Processing and Digital Filters |
Typ | Vorlesung |
SWS | 3 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 78, Präsenzstudium 42 |
Dozenten | Prof. Gerhard Bauch |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
K.-D. Kammeyer, K. Kroschel: Digitale Signalverarbeitung. Vieweg Teubner. V. Oppenheim, R. W. Schafer, J. R. Buck: Zeitdiskrete Signalverarbeitung. Pearson StudiumA. V. W. Hess: Digitale Filter. Teubner. Oppenheim, R. W. Schafer: Digital signal processing. Prentice Hall. S. Haykin: Adaptive flter theory. L. B. Jackson: Digital filters and signal processing. Kluwer. T.W. Parks, C.S. Burrus: Digital filter design. Wiley. |
Lehrveranstaltung L0447: Digital Signal Processing and Digital Filters |
Typ | Hörsaalübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Gerhard Bauch |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0846: Control Systems Theory and Design |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Herbert Werner |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse | Introduction to Control Systems |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
Students can work in small groups on specific problems to arrive at joint solutions. |
Selbstständigkeit |
Students can obtain information from provided sources (lecture notes, software documentation, experiment guides) and use it when solving given problems. They can assess their knowledge in weekly on-line tests and thereby control their learning progress. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 120 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Kernqualifikation: Pflicht Energietechnik: Kernqualifikation: Wahlpflicht Flugzeug-Systemtechnik: Vertiefung Flugzeugsysteme: Pflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Elektrotechnik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Mechatronik: Wahlpflicht Mechanical Engineering and Management: Vertiefung Mechatronik: Wahlpflicht Mechatronics: Kernqualifikation: Pflicht Mediziningenieurwesen: Vertiefung Künstliche Organe und Regenerative Medizin: Wahlpflicht Mediziningenieurwesen: Vertiefung Implantate und Endoprothesen: Wahlpflicht Mediziningenieurwesen: Vertiefung Medizin- und Regelungstechnik: Pflicht Mediziningenieurwesen: Vertiefung Management und Administration: Wahlpflicht Produktentwicklung, Werkstoffe und Produktion: Kernqualifikation: Wahlpflicht Theoretischer Maschinenbau: Kernqualifikation: Pflicht |
Lehrveranstaltung L0656: Control Systems Theory and Design |
Typ | Vorlesung |
SWS | 2 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 92, Präsenzstudium 28 |
Dozenten | Prof. Herbert Werner |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
State space methods (single-input single-output) • State space models and transfer functions, state feedback Digital Control System identification and model order reduction Case study |
Literatur |
|
Lehrveranstaltung L0657: Control Systems Theory and Design |
Typ | Gruppenübung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Herbert Werner |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0586: Effiziente Algorithmen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Siegfried Rump |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Programmieren in Matlab und/oder C Grundkenntnisse in diskreter Mathematik |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden können in kleinen Gruppen fachspezifische Aufgaben gemeinsam bearbeiten und Ergebnisse in geeigneter Weise präsentieren, zum Beispiel während Kleingruppenübungen. |
Selbstständigkeit |
Die Studierenden sind in der Lage, die notwendigen Informationen aus den angegebenen Literaturquellen zu beschaffen und in den Kontext der Vorlesung zu setzen. Sie können ihren Wissensstand mit Hilfe vorlesungsbegleitender Maßnahmen (Quiz-Fragen in den Vorlesungen, klausurnahe Aufgaben) kontinuierlich überprüfen und auf dieser Basis ihre Lernprozesse steuern. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Elektrotechnik: Vertiefung Modellierung und Simulation: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Wissenschaftliches Rechnen: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht |
Lehrveranstaltung L0120: Effiziente Algorithmen |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Siegfried Rump |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt |
- Lineare Optimierung - Datenstrukturen - Leftist heaps - Minimum spanning tree - Shortest path - Maximum flow - NP-harte Probleme via max-cut |
Literatur |
R. E. Tarjan: Data Structures and Network Algorithms. CBMS 44, Society for Industrial and Applied Mathematics, Philadelphia, PA, 1983. Wesley, 2011 http://algs4.cs.princeton.edu/home/ V. Chvátal, ``Linear Programming'', Freeman, New York, 1983. |
Lehrveranstaltung L1207: Effiziente Algorithmen |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Siegfried Rump |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0633: Industrial Process Automation |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Alexander Schlaefer |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
mathematics and optimization methods |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
The students work in teams to solve problems. |
Selbstständigkeit |
The students can reflect their knowledge and document the results of their work. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 Minuten |
Zuordnung zu folgenden Curricula |
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Regelungs- und Energietechnik: Wahlpflicht Flugzeug-Systemtechnik: Vertiefung Kabinensysteme: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht International Production Management: Vertiefung Produktionstechnik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Mechatronik: Wahlpflicht Mechanical Engineering and Management: Vertiefung Mechatronik: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Verfahrenstechnik: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht Verfahrenstechnik: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht |
Lehrveranstaltung L0344: Industrial Process Automation |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
- foundations of problem solving and system modeling, discrete event systems |
Literatur |
J. Lunze: „Automatisierungstechnik“, Oldenbourg Verlag, 2012 |
Lehrveranstaltung L0345: Industrial Process Automation |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0549: Wissenschaftliches Rechnen und Genauigkeit |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Siegfried Rump |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Grundkenntnisse in numerischer Mathematik |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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.
|
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden können in kleinen Gruppen fachspezifische Aufgaben gemeinsam bearbeiten und Ergebnisse in geeigneter Weise präsentieren, zum Beispiel während Kleingruppenübungen. |
Selbstständigkeit |
Die Studierenden sind in der Lage, die notwendigen Informationen aus den angegebenen Literaturquellen zu beschaffen und in den Kontext der Vorlesung zu setzen. Sie können ihren Wissensstand mit Hilfe vorlesungsbegleitender Maßnahmen (Quiz-Fragen in den Vorlesungen, klausurnahe Aufgaben) kontinuierlich überprüfen und auf dieser Basis ihre Lernprozesse steuern. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Wissenschaftliches Rechnen: Wahlpflicht Technomathematik: Vertiefung II. Informatik: Wahlpflicht Verfahrenstechnik: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht Verfahrenstechnik: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht |
Lehrveranstaltung L0122: Einschließungsmethoden |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Siegfried Rump |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
Neumaier: Interval Methods for Systems of Equations. In: Encyclopedia of Mathematics and its Applications. Cambridge University Press, 1990 S.M. Rump. Verification methods: Rigorous results using floating-point arithmetic. Acta Numerica, 19:287-449, 2010. |
Lehrveranstaltung L1208: Einschließungsmethoden |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Siegfried Rump |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0623: Intelligent Systems in Medicine |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
Modulverantwortlicher | Prof. Alexander Schlaefer |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
The students discuss the results of other groups, provide helpful feedback and can incoorporate feedback into their work. |
Selbstständigkeit |
The students can reflect their knowledge and document the results of their work. They can present the results in an appropriate manner. |
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 Minuten |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht 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 Theoretischer Maschinenbau: Vertiefung Bio- und Medizintechnik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht |
Lehrveranstaltung L0331: Intelligent Systems in Medicine |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
- methods for search, optimization, planning, classification, regression and prediction in a clinical context |
Literatur |
Russel & Norvig: Artificial Intelligence: a Modern Approach, 2012 |
Lehrveranstaltung L0334: Intelligent Systems in Medicine |
Typ | Projektseminar |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Lehrveranstaltung L0333: Intelligent Systems in Medicine |
Typ | Gruppenübung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0676: Digitale Nachrichtenübertragung |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
Modulverantwortlicher | Prof. Gerhard Bauch |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen | Die Studierenden sind in der Lage, moderne digitale Nachrichtenübertragungsverfahren zu verstehen, zu vergleichen und zu entwerfen. Sie sind vertraut mit den Eigenschaften linearer und nicht-linearer digitaler Modulationsverfahren. Sie können die Verzerrungen durch Übertragungskanäle beschreiben sowie Empfänger einschließlich Kanalschätzung und Entzerrung entwerfen und beurteilen. Sie kennen die Prinzipien der Single Carrier- und Multicarrier-Übertragung und die Grundlagen wichtiger Vielfachzugriffsverfahren. |
Fertigkeiten |
Die Studierenden sind in der Lage, ein digitales Nachrichtenübertragungsverfahren einschließlich Vielfachzugriff zu analysieren und zu entwerfen. Sie sind in der Lage, ein hinsichtlich Übertragungsrate, Bandbreitebedarf, Fehlerwahrscheinlichkeit und weiterer Signaleigenschaften geeignetes digitales Modulationsverfahren zu wählen. Sie können einen geeigneten Detektor einschließlich Kanalschätzung und Entzerrung entwerfen und dabei Eigenschaften suboptimaler Verfahren hinsichtlich Leistungsfähigkeit und Aufwand berücksichtigen. Sie sind in der Lage, ein Single-Carrierverfahren oder ein Multicarrier-Verfahren zu dimensionieren und die Eigenschaften beider Ansätze gegeneinander abzuwägen. |
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden können in 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 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Kernqualifikation: Pflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme: Pflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Netze: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Elektrotechnik: Wahlpflicht |
Lehrveranstaltung L0444: Digitale Nachrichtenübertragung |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Gerhard Bauch |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
K. Kammeyer: Nachrichtenübertragung, Teubner P.A. Höher: Grundlagen der digitalen Informationsübertragung, Teubner. J.G. Proakis, M. Salehi: Digital Communications. McGraw-Hill. S. Haykin: Communication Systems. Wiley R.G. Gallager: Principles of Digital Communication. Cambridge A. Goldsmith: Wireless Communication. Cambridge. D. Tse, P. Viswanath: Fundamentals of Wireless Communication. Cambridge. |
Lehrveranstaltung L0445: Digitale Nachrichtenübertragung |
Typ | Hörsaalübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Gerhard Bauch |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Lehrveranstaltung L0646: Praktikum Digitale Nachrichtenübertragung |
Typ | Laborpraktikum |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Prof. Gerhard Bauch |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
- DSL-Übertragung - Stochastische Prozesse - Digitale Datenübertragung |
Literatur |
K. Kammeyer: Nachrichtenübertragung, Teubner P.A. Höher: Grundlagen der digitalen Informationsübertragung, Teubner. J.G. Proakis, M. Salehi: Digital Communications. McGraw-Hill. S. Haykin: Communication Systems. Wiley R.G. Gallager: Principles of Digital Communication. Cambridge A. Goldsmith: Wireless Communication. Cambridge. D. Tse, P. Viswanath: Fundamentals of Wireless Communication. Cambridge. |
Modul M0926: Verteilte Algorithmen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Volker Turau |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
Studierende können eigene verteilte Algorithmen entwerfen und der Komplexität analysieren. Sie greifen dabei auf existierende Standardalgorithmen zurück. Sie analysieren die Komplexität randomisierter Algorithmen. |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 45 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht |
Lehrveranstaltung L1071: Verteilte Algorithmen |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Volker Turau |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L1072: Verteilte Algorithmen |
Typ | Hörsaalübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Volker Turau |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0629: Intelligent Autonomous Agents and Cognitive Robotics |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Rainer Marrone |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse | Vectors, matrices, Calculus |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
Students are able to discuss their solutions to problems with others. They communicate in English |
Selbstständigkeit |
Students are able of checking their understanding of complex concepts by solving varaints of concrete problems |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 Minuten |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht International Production Management: Vertiefung Produktionstechnik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht Mechatronics: Technischer Ergänzungskurs: Wahlpflicht 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 |
Lehrveranstaltung L0341: Intelligent Autonomous Agents and Cognitive Robotics |
Typ | Vorlesung |
SWS | 2 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 92, Präsenzstudium 28 |
Dozenten | Rainer Marrone |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0512: Intelligent Autonomous Agents and Cognitive Robotics |
Typ | Gruppenübung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Rainer Marrone |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1271: Technischer Ergänzungskurs II für CSMS (laut FSPO) |
||||
Lehrveranstaltungen | ||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Keine |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden erwerben weitergehende Kenntnisse in einem an der TUHH vertretenen technischen Fach. |
Fertigkeiten |
Die Studierenden erwerben weitergehende Fertigkeiten in einem an der TUHH ansässigen technischen Fach. |
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden sind in der Lage, alleine oder in kleinen Gruppen weitergehende Kenntnisse und Fähigkeiten in einem an der TUHH vertretenen technischen Fach zu erwerben. |
Selbstständigkeit |
Die Studierenden können die wesentlichen Inhalte des technischen Faches im Rahmen eines Vortrages oder einer Diskussion wiedergeben. |
Arbeitsaufwand in Stunden | Eigenstudium 180, Präsenzstudium 0 |
Leistungspunkte | 6 |
Prüfung | laut FSPO |
Prüfungsdauer und -umfang | |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht |
Modul M1302: Angewandte Humanoide Robotik |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Herbert Werner |
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 | Eigenstudium 96, Präsenzstudium 84 |
Leistungspunkte | 6 |
Prüfung | Kolloquium |
Prüfungsdauer und -umfang | |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Bio- und Medizintechnik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht |
Lehrveranstaltung L1794: Humanoide Robotik |
Typ | Problemorientierte Lehrveranstaltung |
SWS | 6 |
LP | 6 |
Arbeitsaufwand in Stunden | Eigenstudium 96, Präsenzstudium 84 |
Dozenten | Prof. Herbert Werner |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Modul M0551: Pattern Recognition and Data Compression |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Rolf-Rainer Grigat |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
Linear algebra (including PCA, unitary transforms), stochastics and statistics, binary arithmetics |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
k.A. |
Selbstständigkeit |
Students are capable of identifying problems independently and of solving them scientifically, using the methods they have learnt. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 60 Minuten, Umfang Vorlesung und Materialien im StudIP |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Signalverarbeitung: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Elektrotechnik: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht |
Lehrveranstaltung L0128: Pattern Recognition and Data Compression |
Typ | Vorlesung |
SWS | 4 |
LP | 6 |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Dozenten | Prof. Rolf-Rainer Grigat |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
Structure of a pattern recognition system, statistical decision theory, classification based on statistical models, polynomial regression, dimension reduction, multilayer perceptron regression, radial basis functions, support vector machines, unsupervised learning and clustering, algorithm-independent machine learning, mixture models and EM, adaptive basis function models and boosting, Markov random fields Information, entropy, redundancy, mutual information, Markov processes, basic coding schemes (code length, run length coding, prefix-free codes), entropy coding (Huffman, arithmetic coding), dictionary coding (LZ77/Deflate/LZMA2, LZ78/LZW), prediction, DPCM, CALIC, quantization (scalar and vector quantization), transform coding, prediction, decorrelation (DPCM, DCT, hybrid DCT, JPEG, JPEG-LS), motion estimation, subband coding, wavelets, HEVC (H.265,MPEG-H) |
Literatur |
Schürmann: Pattern Classification, Wiley 1996 Salomon, Data Compression, the Complete Reference, Springer, 2000 |
Modul M0840: Optimal and Robust Control |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Herbert Werner |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz | Students can work in small groups on specific problems to arrive at joint solutions. |
Selbstständigkeit |
Students are able to find required information in sources provided (lecture notes, literature, software documentation) and use it to solve given problems. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Regelungs- und Energietechnik: Wahlpflicht Energietechnik: Kernqualifikation: Wahlpflicht Flugzeug-Systemtechnik: Vertiefung Flugzeugsysteme: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Mechatronics: Vertiefung Systementwurf: Wahlpflicht 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 Produktentwicklung, Werkstoffe und Produktion: Vertiefung Produktentwicklung: Wahlpflicht Produktentwicklung, Werkstoffe und Produktion: Vertiefung Produktion: Wahlpflicht Produktentwicklung, Werkstoffe und Produktion: Vertiefung Werkstoffe: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Kernqualifikation: Wahlpflicht |
Lehrveranstaltung L0658: Optimal and Robust Control |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Herbert Werner |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0659: Optimal and Robust Control |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Herbert Werner |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0630: Robotics and Navigation in Medicine |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
Modulverantwortlicher | Prof. Alexander Schlaefer |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
The students are able to design and evaluate navigation systems and robotic systems for medical applications. |
Personale Kompetenzen | |
Sozialkompetenz |
The students discuss the results of other groups, provide helpful feedback and can incoorporate feedback into their work. |
Selbstständigkeit |
The students can reflect their knowledge and document the results of their work. They can present the results in an appropriate manner. |
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 Minuten |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Elektrotechnik: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht 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 Produktentwicklung, Werkstoffe und Produktion: Vertiefung Produktentwicklung: Wahlpflicht Produktentwicklung, Werkstoffe und Produktion: Vertiefung Produktion: Wahlpflicht Produktentwicklung, Werkstoffe und Produktion: Vertiefung Werkstoffe: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Bio- und Medizintechnik: Wahlpflicht |
Lehrveranstaltung L0335: Robotics and Navigation in Medicine |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
- kinematics |
Literatur |
Spong et al.: Robot Modeling and Control, 2005 |
Lehrveranstaltung L0338: Robotics and Navigation in Medicine |
Typ | Projektseminar |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Lehrveranstaltung L0336: Robotics and Navigation in Medicine |
Typ | Gruppenübung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0673: Informationstheorie und Codierung |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Gerhard Bauch |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden können in 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 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Information and Communication Systems: Kernqualifikation: Pflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Elektrotechnik: Wahlpflicht Mechatronics: Technischer Ergänzungskurs: Wahlpflicht |
Lehrveranstaltung L0436: Informationstheorie und Codierung |
Typ | Vorlesung |
SWS | 3 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 78, Präsenzstudium 42 |
Dozenten | Prof. Gerhard Bauch |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
Bossert, M.: Kanalcodierung. Oldenbourg. Friedrichs, B.: Kanalcodierung. Springer. Lin, S., Costello, D.: Error Control Coding. Prentice Hall. Roth, R.: Introduction to Coding Theory. Johnson, S.: Iterative Error Correction. Cambridge. Richardson, T., Urbanke, R.: Modern Coding Theory. Cambridge University Press. Gallager, R. G.: Information theory and reliable communication. Whiley-VCH Cover, T., Thomas, J.: Elements of information theory. Wiley. |
Lehrveranstaltung L0438: Informationstheorie und Codierung |
Typ | Hörsaalübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Gerhard Bauch |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1310: Methoden und Anwendungen der Differentialgeometrie |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Mathematik I-III |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Fachliche Modulziele: Diese Vorlesung resümiert Inhalte der Vorlesungen über Analysis und lineare Algebra unter dem Gesichtspunkt der Abstraktion von Koordinaten und führt sodann in Methoden der Differentialgeometrie ein, die Anwendungen in der Computergraphik, der Robotik, aber auch den Feldgleichungen der Physik und ihrer Behandlung auf dem Rechner hat. Sie erhält zusätzliche Interdiziplinarität, indem Beziehungen zwischen in der Mathematik gebräuchlichen Datentypen wie Zahlen, Vektorräumen, Mannigfaltigkeiten und Datentypen auf dem Rechner hergestellt und mathematische Konstruktionen im Hinblick auf eine Rechnerimplementierung diskutiert werden. Inhalt:
Literatur: Agricola, Friedrich Vektoranalysis Vieweg/Teubner 2010 A.C. Da Silva Lectures on Symplectic Geometry Springer L.N. Math. 1764 J. Snygg Differential Geometry using Clifford's Algebra Birkhäuser 2010 M.Desbrun et al. Discrete exterior calculus arXiv:math/0508341v2 J.E.Marsden et al. Discrete Mechanics and Variational Integrators Acta Num. 2001 |
Fertigkeiten | |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 25 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht |
Lehrveranstaltung L1808: Methoden und Anwendungen der Differentialgeometrie |
Typ | Vorlesung |
SWS | 4 |
LP | 6 |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Dozenten | Prof. Georg Friedrich Mayer-Lindenberg |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
Diese Vorlesung resümiert Grundbegriffe der Analysis und linearen Algebra unter dem Blickwinkel der Abstraktion von Koordinaten und führt dann in Methoden der Differentialgeometrie mit Anwendungen in der Computergraphik, der Robotik und den Feldgleichungen der Physik ein. Als CS-Kurs stellt sie auch Beziehungen zu Datentypen auf dem Rechner her und diskutiert Rechnerimplementierungen mathematischer Konstruktionen. Stichworte: Datentypbegriff, Algorithmen, Zahlen und Zahlcodierungen, Diskretisierung kontinuierlicher Strukturen, Koordinatensysteme; Vektorräume, Tensoren, Quaternionen, äußere Algebra, Clifford-Algebren, Lie-Algebren; koordinatenfreie Vektoranalysis, Vektorfelder, Lie-Ableitung, Differenzialgleichungen, Variationsrechnung, Differentialformen und -operatoren; Flächen im Raum, Krümmung, kovariante Ableitung, Geodätische; Mannigfaltigkeiten, Faserbündel, Transformationsgruppen,Riemann'sche Metriken, symplektische Strukturen; Symmetriegruppen, Invarianten, spezielle Funktionen
|
Literatur |
Agricola, Friedrich, Vektoranalysis, Vieweg/Teubner 2010 A.C. Da Silva, Lectures on Symplectic Geometry, Springer L.N. Math. 1764 J. Snygg, Differential Geometry using Clifford's Algebra, Birkhäuser 2010 T. Frankel The Geometry of Physics Cambridge U. P. 2012 M.Desbrun et al. Discrete exterior calculus, arXiv:math/0508341v2 J.Marsden et al. Discrete Mechanics and Variational Integrators, Acta numerica. 2001 |
Modul M0711: Numerische Mathematik II |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Sabine Le Borne |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Studierende können
|
Fertigkeiten |
Studierende sind in der Lage,
|
Personale Kompetenzen | |
Sozialkompetenz |
Studierende können
|
Selbstständigkeit |
Studierende sind fähig,
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 25 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Computer Science: Vertiefung Computer and Software Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Informations- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Wissenschaftliches Rechnen: Wahlpflicht Technomathematik: Vertiefung I. Mathematik: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht |
Lehrveranstaltung L0568: Numerische Mathematik II |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sabine Le Borne, Dr. Patricio Farrell |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0569: Numerische Mathematik II |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sabine Le Borne, Dr. Patricio Farrell |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0627: Machine Learning and Data Mining |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | NN |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 Minuten |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht |
Lehrveranstaltung L0340: Machine Learning and Data Mining |
Typ | Vorlesung |
SWS | 2 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 92, Präsenzstudium 28 |
Dozenten | Rainer Marrone |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0510: Machine Learning and Data Mining |
Typ | Gruppenübung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Rainer Marrone |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0832: Advanced Topics in Control |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Herbert Werner |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse | H-infinity optimal control, mixed-sensitivity design, linear matrix inequalities |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz | Students can work in small groups and arrive at joint results. |
Selbstständigkeit |
Students are able to find required information in sources provided (lecture notes, literature, software documentation) and use it to solve given problems. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Regelungs- und Energietechnik: Wahlpflicht Elektrotechnik: Vertiefung Regelungs- und Energietechnik: Wahlpflicht Flugzeug-Systemtechnik: Vertiefung Flugzeugsysteme: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Mechatronik: Wahlpflicht Mechatronics: Vertiefung Systementwurf: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Mediziningenieurwesen: Vertiefung Implantate und Endoprothesen: Wahlpflicht Mediziningenieurwesen: Vertiefung Künstliche Organe und Regenerative Medizin: Wahlpflicht Mediziningenieurwesen: Vertiefung Management und Administration: Wahlpflicht Mediziningenieurwesen: Vertiefung Medizin- und Regelungstechnik: Wahlpflicht Theoretischer Maschinenbau: Kernqualifikation: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht |
Lehrveranstaltung L0661: Advanced Topics in Control |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Herbert Werner |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0662: Advanced Topics in Control |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Herbert Werner |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1249: Numerische Verfahren in der medizinischen Bildgebung |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Tobias Knopp |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Grundkenntnisse in Linear Algebra, insbesondere im Lösen von Gleichungssystemen |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
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. |
Fertigkeiten |
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. |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Modellierung und Simulation: Wahlpflicht Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht |
Lehrveranstaltung L1694: Numerische Verfahren in der medizinischen Bildgebung |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Tobias Knopp |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt |
In der Vorlesung werden numerische Verfahren in der medizinischen Bildgebung vorgestellt. Dies beinhaltet sowohl die physikalischen Grundprinzipien der tomographischen Verfahren als auch Algorithmen für die Bildrekonstruktion. Neben Radonbasierten Verfahren wie die Computertomographie werden magnetische Verfahren wie die Magnetresonanztomographie und das Magnetic-Particle-Imaging behandelt. |
Literatur |
Bildgebende Verfahren in der Medizin; O. Dössel; Springer, Berlin, 2000 Bildgebende Systeme für die medizinische Diagnostik; H. Morneburg (Hrsg.); Publicis MCD, München, 1995 Introduction to the Mathematics of Medical Imaging; C. L.Epstein; Siam, Philadelphia, 2008 Medical Image Processing, Reconstruction and Restoration; J. Jan; Taylor and Francis, Boca Raton, 2006 Principles of Magnetic Resonance Imaging; Z.-P. Liang and P. C. Lauterbur; IEEE Press, New York, 1999 |
Lehrveranstaltung L1695: Numerische Verfahren in der medizinischen Bildgebung |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Tobias Knopp |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0552: 3D Computer Vision |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Rolf-Rainer Grigat |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students can explain and describe the field of projective geometry. |
Fertigkeiten |
Students are capable of
With assistance from the teacher students are able to link the contents of the three subject areas (modules)
in practical assignments. |
Personale Kompetenzen | |
Sozialkompetenz |
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. |
Selbstständigkeit |
Students are able to solve simple tasks independently with reference to the contents of the lectures and the exercise sets. Students are able to solve detailed problems independently with the aid of the tutorial’s programming task. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 60 Minuten, Umfang Vorlesung und Materialien im StudIP |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Signalverarbeitung: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht Mechanical Engineering and Management: Vertiefung Mechatronik: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Microelectronics and Microsystems: Vertiefung Communication and Signal Processing: Wahlpflicht |
Lehrveranstaltung L0129: 3D Computer Vision |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Rolf-Rainer Grigat |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0130: 3D Computer Vision |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Rolf-Rainer Grigat |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0738: Digital Audio Signal Processing |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Udo Zölzer |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
Signals and Systems |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden können die grundlegenden Verfahren und Methoden der digitalen Audiosignalverarbeitung erklären. Sie können die wesentlichen physikalischen Effekte bei der Sprach- und Audiosignalverarbeitung erläutern und in Kategorien einordnen. Sie können einen Überblick der numerischen Methoden und messtechnischen Charakterisierung von Algorithmen zur Audiosignalverarbeitung geben. Sie können die erarbeiteten Algorithmen auf weitere Anwendungen im Bereich der Informationstechnik und Informatik abstrahieren. |
Fertigkeiten |
The students will be able to apply methods and techniques from audio signal processing in the fields of mobile and internet communication. They can rely on elementary algorithms of audio signal processing in form of Matlab code and interactive JAVA applets. They can study parameter modifications and evaluate the influence on human perception and technical applications in a variety of applications beyond audio signal processing. Students can perform measurements in time and frequency domain in order to give objective and subjective quality measures with respect to the methods and applications. |
Personale Kompetenzen | |
Sozialkompetenz |
The students can work in small groups to study special tasks and problems and will be enforced to present their results with adequate methods during the exercise. |
Selbstständigkeit |
The students will be able to retrieve information out of the relevant literature in the field and putt hem into the context of the lecture. They can relate their gathered knowledge and relate them to other lectures (signals and systems, digital communication systems, image and video processing, and pattern recognition). They will be prepared to understand and communicate problems and effects in the field audio signal processing. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 45 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung Intelligence Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Signalverarbeitung: Wahlpflicht Microelectronics and Microsystems: Vertiefung Communication and Signal Processing: Wahlpflicht |
Lehrveranstaltung L0650: Digital Audio Signal Processing |
Typ | Vorlesung |
SWS | 3 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 78, Präsenzstudium 42 |
Dozenten | Prof. Udo Zölzer |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
- U. Zölzer, Digitale Audiosignalverarbeitung, 3. Aufl., B.G. Teubner, 2005. - U. Zölzer, Digitale Audio Signal Processing, 2nd Edition, J. Wiley & Sons, 2005. - U. Zölzer (Ed), Digital Audio Effects, 2nd Edition, J. Wiley & Sons, 2011.
|
Lehrveranstaltung L0651: Digital Audio Signal Processing |
Typ | Hörsaalübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Udo Zölzer |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M-002: Masterarbeit |
||||
Lehrveranstaltungen | ||||
|
Modulverantwortlicher | Professoren der TUHH |
Zulassungsvoraussetzungen |
|
Empfohlene Vorkenntnisse | keine |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
Studierende können
|
Selbstständigkeit |
Studierende sind fähig,
|
Arbeitsaufwand in Stunden | Eigenstudium 900, Präsenzstudium 0 |
Leistungspunkte | 30 |
Prüfung | laut FSPO |
Prüfungsdauer und -umfang | laut FSPO |
Zuordnung zu folgenden Curricula |
Bauingenieurwesen: Abschlussarbeit: Pflicht Bioverfahrenstechnik: Abschlussarbeit: Pflicht Chemical and Bioprocess Engineering: Abschlussarbeit: Pflicht Computer Science: Abschlussarbeit: Pflicht Elektrotechnik: Abschlussarbeit: Pflicht Energie- und Umwelttechnik: Abschlussarbeit: Pflicht Energietechnik: Abschlussarbeit: Pflicht Environmental Engineering: Abschlussarbeit: Pflicht Flugzeug-Systemtechnik: Abschlussarbeit: Pflicht Global Innovation Management: Abschlussarbeit: Pflicht Informatik-Ingenieurwesen: Abschlussarbeit: Pflicht Information and Communication Systems: Abschlussarbeit: Pflicht International Production Management: Abschlussarbeit: Pflicht Internationales Wirtschaftsingenieurwesen: Abschlussarbeit: Pflicht Joint European Master in Environmental Studies - Cities and Sustainability: Abschlussarbeit: Pflicht Logistik, Infrastruktur und Mobilität: Abschlussarbeit: Pflicht Materialwissenschaft: Abschlussarbeit: Pflicht Mechanical Engineering and Management: Abschlussarbeit: Pflicht Mechatronics: Abschlussarbeit: Pflicht Mediziningenieurwesen: Abschlussarbeit: Pflicht Microelectronics and Microsystems: Abschlussarbeit: Pflicht Produktentwicklung, Werkstoffe und Produktion: Abschlussarbeit: Pflicht Regenerative Energien: Abschlussarbeit: Pflicht Schiffbau und Meerestechnik: Abschlussarbeit: Pflicht Ship and Offshore Technology: Abschlussarbeit: Pflicht Theoretischer Maschinenbau: Abschlussarbeit: Pflicht Verfahrenstechnik: Abschlussarbeit: Pflicht Wasser- und Umweltingenieurwesen: Abschlussarbeit: Pflicht |