Studiengangsbeschreibung

Inhalt

Die Informatik hat sich zu einer Triebfeder des technologischen Fortschrittes entwickelt, weil alle Berufszweige mit Informatikaspekten durchdrungen sind und immer noch zusätzliche Anwendungsfelder in der Informations- und Kommunikationstechnik erschlossen werden. Der Masterstudiengang Computer Science trägt dieser Entwicklung Rechnung. Es werden die kreativen und konstruktiven Fähigkeiten zur Neu- und Weiterentwicklung von IT-Systemen sowie die ökonomischen und Management-Kompetenzen zur Planung und Durchführung umfangreicher IT-Projekte gefördert. Da IT-Systeme größtenteils durch das Zusammenwirken von Mensch, Technik, Unternehmen und Gesellschaft entstehen, sind Anwendungswissen, Sozialkompetenz und ethisches Verantwortungsbewusstsein unverzichtbare Bestandteile der Ausbildung. Des Weiteren bereitet das Masterstudium auch auf eine Promotion in Informatik vor.

Im Masterstudiengang Computer Science wird ein breites, fundiertes und vertieftes Grundlagenwissen in den Bereichen mathematische Modellbildung in der Informatik, Softwaretechnik, Hardwareentwurf und Intelligente Systeme vermittelt. Zudem werden weitergehende Kenntnisse in Betriebswirtschaftslehre und Management sowie nichttechnischen Fächern erlangt, um die Kompetenzen für die Bewältigung umfangreicher IT-Projekte zu erhöhen. Das Masterprogramm bereitet auf Kompetenzebene sowohl auf praktische Berufsfelder als auch auf die Forschung in Informatik vor.


Berufliche Perspektiven

Der Masterstudiengang Computer Science bereitet die Absolventen und Absolventinnen sowohl auf eine berufliche Tätigkeit im IT-Sektor als auch auf eine Promotion in Informatik vor.

Der Studiengang bildet Informatikinnen und Informatiker aus, die auf dem deutschen und internationalen Arbeitsmarkt unabhängig von Konjunkturbewegungen sehr gute Beschäftigungsmöglichkeiten vorfinden. Absolventen und Absolventinnen werden nicht nur als Systementwickler in der IT-Branche oder in den Entwicklungsabteilungen des Maschinenbaus und der 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 im IT-Bereich als auch auf die Forschung in Informatik 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:

  1. Die Absolventen und Absolventinnen kennen in detaillierter Weise aktuelle Methoden und Verfahren zur mathematischen Modellbildung in der Informatik, wie etwa Agentensysteme, Bayessche Netze, dynamische Systeme, dynamische Programme, Entscheidungsbäume, lineare und nichtlineare (ganzzahlige) Programme, künstliche neuronale Netze sowie Fuzzylogik. Sie können diese Modelle detailliert beschreiben und verschiedene Repräsentationsformen desselben Modells vergleichen.
  2. Die Absolventen und Absolventinnen kennen Punkt für Punkt weitergehende Methoden und Verfahren zur Lösung oder Approximation von algorithmischen Entscheidungs- und Optimierungsaufgaben, wie etwa Algorithmen in Netzwerken, Inferenz- und Lernverfahren für probabilistische Modelle, dynamische Programmierung, lineare und nichtlineare (ganzzahlige) Programmierung, Verfahren zur Lösung von Ausgleichsproblemen, Eigenwertproblemen und nichtlinearen Nullstellenproblemen, Klassifikation mit künstlichen neuronalen Netzen, Bildung von Gruppierungen (Clustering) sowie Numerik und Algorithmik für Hochleistungsrechner.
  3. Die Absolventen und Absolventinnen kennen im Detail weiterführende Methoden und Verfahren der Softwaretechnik, insbesondere Methoden zur Analyse und Verifikation von Software, die Konzipierung von Web- und Cloud-Diensten, den Entwurf von Spiele-Software und Verfahren des verteilten Rechnens.
  4. Die Absolventen und Absolventinnen verstehen in Einzelheiten, wie Instanzen von Hardware-Modellen durch Verhaltens- und Strukturbeschreibungen spezifiziert werden und können die Einbettung von Strukturmodellen in einen technischen Rahmen unter Einbeziehung von Betriebssystem- und Netzwerkkomponenten beschreiben. Hierbei sind sie in der Lage auf Kenntnisse in den Bereichen Codierung und Decodierung von Daten, eingebettete Systeme, Kommunikationsnetze, Netzwerksicherheit, Sensornetze und Warteschlangenmodelle zurückzugreifen.
  5. Die Absolventen und Absolventinnen sind vertraut mit den Grundzügen komplexer informations- und kommunikationstechnischer Systeme, so genannter cyber-physischer Systeme. Dies beinhaltet relevante Steuerungsarchitekturen, Interaktionsmechanismen, Sensorik und Aktorik und die Gewinnung und Verarbeitung von Wissen und Erkenntnissen aus dem System heraus.
  6. Die Absolventen und Absolventinnen kennen im Einzelnen eine ganze Reihe von Anwendungsfällen valider mathematischer Modelle in der Informatik, wie etwa Algorithmen in Netzwerken, Bayessche Netze für die Analyse von Markov-Ketten in diversen Anwendungen, Medizintechnik, Robotik und Kameraführung sowie Methoden des Operations-Research für betriebswirtschaftliche und technische Planungsprobleme.

Fertigkeiten

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

  1. Die Absolventinnen und Absolventen sind in der Lage, Instanzen formaler Modelle in der Informatik anhand weitergehender Modellierungsansätze zu entwickeln, ihre Berechenbarkeit und Komplexität direkt oder durch Reduktion zu ermitteln und sie vermöge geeigneter Programmierwerkzeuge in einem technischen Rahmen umzusetzen.
  2. Die Absolventinnen und Absolventen sind imstande, Instanzen von algorithmischen Entscheidungs- und Optimierungsproblemen unter Verwendung weiterführender Verfahren und unter Einsatz einschlägiger Software-Werkzeuge optimal bzw. näherungsweise zu lösen und die Lösungen zu evaluieren.
  3. Die Absolventen und Absolventinnen können komplexe Softwaresysteme, wie etwa Web- und Cloud-Dienste, Spiele-Software und nebenläufige Systeme, entwickeln und diese analysieren und verifizieren.
  4. Die Absolventen und Absolventinnen sind in der Lage, Strukturbeschreibungen von komplexen Hardware-Bausteinen, wie etwa komplette CPUs, eingebettete Systeme, Coprozessoren oder Mikroprozessorsysteme, unter Verwendung spezifischer Entwicklungswerkzeuge zu konzipieren und zu evaluieren.
  5. Die Absolventen und Absolventinnen können Komponenten von cyber-physischen Systemen unter Einsatz spezifischer Methoden und Verfahren entwickeln und in größere Systeme integrieren und testen.
  6. Die Absolventen und Absolventinnen sind im Stande, weiterführende valide mathematische Modelle aus der Informatik unter Verwendung einer geeigneten Programmier- und Testumgebung technisch umzusetzen und zu validieren.

Erwerb von Sozialkompetenz

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

  1. Die Absolventen und Absolventinnen können Teamsitzungen und Gruppenprojektarbeiten zu einem Thema aus der Informatik leiten und durchführen.
  2. Die Absolventen und Absolventinnen sind in der Lage, Lösungen von Aufgabenstellungen aus der Informatik vor einer Hörerschaft mit Fachvertretern zu vertreten.

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.

  1. Die Absolventen und Absolventinnen können eigenständig ein Thema aus der Informatik erschließen und die Ergebnisse im Rahmen eines Vortrages mit fortgeschrittenen Präsentationstechniken oder anhand einer fundierten Abhandlung gemäß den Grundsätzen guter wissenschaftlicher Praxis darstellen.
  2. Die Absolventen und Absolventinnen sind im Stande, zeitlich begrenzte und ressourcenbeschränkte Forschungsaufgaben unter Reflexion des im Studium Erlernten eigenverantwortlich durchzuführen.


Studiengangsstruktur

Das Curriculum des Masterstudienganges Computer Science ist wie folgt gegliedert:
  • Kernqualifikation:
    • Forschungsprojekt & Seminar (18 LP), bestehend aus Projektarbeit (15 LP) und Hauptseminar (3 LP)
    • Betrieb & Managenment (6 LP)
    • Nichttechnische Ergänzungsfächer (6 LP)
  • Vertiefung: 
    • Vertiefungsrichtungen: Computer- und Software-Engineering, Intelligenz-Engineering
    • Wahl von 10 Modulen aus der gewählten Vertiefung (60 LP).
    • In jede Vertiefungen sind zwei Technische Ergänzungsfächer integriert, die aus dem Gesamtbereich der technischen Fächer der TU gewählt werden können.
  • Masterarbeit: 30 LP, 4. Semester

Dadurch ergibt sich ein Gesamtaufwand von 120 LP. Der Studienplan enthält ein Mobilitätsfenster, so dass Studierende das dritte Semester im Ausland absolvieren können.

Fachmodule der Kernqualifikation

Die Kernqualifikation setzt sich aus mehreren Komponenten zusammen:

Näheres zum Informatik-Forschungsprojekt und zur Masterarbeit regelt die FSPO des Studienganges.

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


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


Personale Kompetenzen
Sozialkompetenz
  • Die Studierenden sind in der Lage, in interdisziplinären Kleingruppen zu kommunizieren und gemeinsam Lösungen für komplexe Problemstellungen zu erarbeiten.


Selbstständigkeit
  • Die Studierenden sind in der Lage, sich notwendiges Wissen durch Recherchen und Aufbereitungen von Material selbstständig zu erschließen.


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 Angebote 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

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



Fertigkeiten

Die Studierenden können in ausgewählten Teilbereichen

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




Personale Kompetenzen
Sozialkompetenz

Die Studierenden sind fähig ,

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



Selbstständigkeit

Die Studierenden sind in ausgewählten Bereichen in der Lage,

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




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

Modul M0804: Forschungsprojekt und Seminar

Lehrveranstaltungen
Titel Typ SWS LP
Forschungsprojekt (L1761) Projektierungskurs 10 15
Hauptseminar (L0817) Seminar 2 3
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
Studienleistung Keine
Prüfung Studienarbeit
Prüfungsdauer und -umfang Das Seminar erfordert die Präsentation eines aktuellen Forschungsthemas (Vortrag 25-30 min und Diskussion 5 min).
Zuordnung zu folgenden Curricula Computer Science: 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.
/
Current literature on research topics of the chosen specialization.

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
  • Seminarvorträge der teilnehmenden Studierenden über die im Forschungsprojekt durchgeführten Arbeiten
  • Aktive Teilnahme an der Diskussion


Literatur Wird vom Veranstalter bekanntgegeben.

Fachmodule der Vertiefung Computer- und Software-Engineering

Die Vertiefung Computer- und Software-Engineering versteht sich als konsekutive Weiterführung der Vertiefung gleichen Namens im zugehörigen Bachelor-Studiengang.

Modul M0753: Software Verification

Lehrveranstaltungen
Titel Typ SWS LP
Softwareverifikation (L0629) Vorlesung 2 3
Softwareverifikation (L0630) Gruppenübung 2 3
Modulverantwortlicher Prof. Sibylle Schupp
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Automata theory and formal languages
  • Computational logic
  • Object-oriented programming, algorithms, and data structures
  • Functional programming or procedural programming
  • Concurrency
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
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 15 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: 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
  • Syntax and semantics of logic-based systems
  • Deductive verification
    • Specification
    • Proof obligations
    • Program properties
    • Automated vs. interactive theorem proving
  • Model checking
    • Foundations
    • Property languages
    • Tool support
  • Timed automata
  • Recent developments of verification techniques and applications
Literatur
  • C. Baier and J-P. Katoen, Principles of Model Checking, MIT Press 2007.
  • M. Huth and M. Bryan, Logic in Computer Science. Modelling and Reasoning about Systems, 2nd Edition, 2004.
  • Selected Research Papers
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 M1270: Technischer Ergänzungskurs I für CSMS (laut FSPO)

Lehrveranstaltungen
Titel Typ SWS LP
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 Abhängig von der Wahl der Lehrveranstaltungen
Leistungspunkte 6
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht

Modul M0667: Algorithmische Algebra

Lehrveranstaltungen
Titel Typ SWS LP
Algorithmische Algebra (L0422) Vorlesung 3 5
Algorithmische Algebra (L0423) Gruppenübung 1 1
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
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: 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
Cambridge: Cambridge University Press (ISBN 978-1-107-03903-2/hbk; 978-1-139-85606-5/ebook).


Yap, Chee Keng
Fundamental problems of algorithmic algebra. (English) Zbl 0999.68261
Oxford: Oxford University Press. xvi, 511 p. $ 87.00 (2000).


Free download for students from author's website: http://cs.nyu.edu/yap/book/berlin/

Cox, David; Little, John; O’Shea, Donal
Ideals, varieties, and algorithms. An introduction to computational algebraic geometry and commutative algebra. 3rd ed. (English) Zbl 1118.13001
Undergraduate Texts in Mathematics. New York, NY: Springer (ISBN 978-0-387-35650-1/hbk; 978-0-387-35651-8/ebook). xv, 551 p.

eBook: http://dx.doi.org/10.1007/978-0-387-35651-8


Concrete abstract algebra : from numbers to Gröbner bases / Niels Lauritzen
Verfasser: 
Lauritzen, Niels
Ausgabe: 
Reprinted with corr.
Erschienen: 
Cambridge [u.a.] : Cambridge Univ. Press, 2006
Umfang: 
XIV, 240 S. : graph. Darst.
Anmerkung: 
Includes bibliographical references and index
ISBN: 
0-521-82679-9, 978-0-521-82679-2 (hbk.) : GBP 55.00
0-521-53410-0, 978-0-521-53410-9 (pbk.) : USD 39.99

Koepf, Wolfram
Computer algebra. An algorithmic oriented introduction. (Computeralgebra. Eine algorithmisch orientierte Einführung.) (German) Zbl 1161.68881
Berlin: Springer (ISBN 3-540-29894-0/pbk). xiii, 515 p.

springer eBook: http://dx.doi.org/10.1007/3-540-29895-9

Kaplan, Michael
Computer algebra. (Computeralgebra.) (German) Zbl 1093.68148
Berlin: Springer (ISBN 3-540-21379-1/pbk). xii, 391 p.

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

Lehrveranstaltungen
Titel Typ SWS LP
Analyse und Struktur von Kommunikationsnetzen (L0897) Vorlesung 2 2
Ausgewählte Themen der Kommunikationsnetze (L0899) Projekt-/problembasierte Lehrveranstaltung 2 2
Übung Kommunikationsnetze (L0898) Projekt-/problembasierte Lehrveranstaltung 1 2
Modulverantwortlicher Prof. Andreas Timm-Giel
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Fundamental stochastics
  • Basic understanding of computer networks and/or communication technologies is beneficial
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
Studienleistung Keine
Prüfung Referat
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- und Software-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht
Elektrotechnik: Vertiefung Regelungs- und Energiesystemtechnik: Wahlpflicht
Flugzeug-Systemtechnik: Vertiefung Avionik und Eingebettete Systeme: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Netze: Wahlpflicht
Information and Communication Systems: Vertiefung Kommunikationssysteme: 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
  • Skript des Instituts für Kommunikationsnetze
  • Tannenbaum, Computernetzwerke, Pearson-Studium


Further literature is announced at the beginning of the lecture.

Lehrveranstaltung L0899: Selected Topics of Communication Networks
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Andreas Timm-Giel
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
  • see lecture
Lehrveranstaltung L0898: Communication Networks Excercise
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Andreas Timm-Giel
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
  • announced during lecture

Modul M0926: Verteilte Algorithmen

Lehrveranstaltungen
Titel Typ SWS LP
Verteilte Algorithmen (L1071) Vorlesung 2 3
Verteilte Algorithmen (L1072) Hörsaalübung 2 3
Modulverantwortlicher Prof. Volker Turau
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Algorithmen und Datenstrukturen
  • Verteilte Systeme
  • Diskrete Mathematik
  • Graphentheorie
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
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 45 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. 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
  • Leader Election
  • Färbungen & Unabhängige Mengen
  • Algorithmen für Bäume
  • Minimal aufspannende Bäume
  • Randomisierte Verteilte Algorithmen
  • Wechselseitiger Ausschluss
Literatur
  1. David Peleg: Distributed Computing - A Locality-Sensitive Approach. SIAM Monograph, 2000

  2. Gerard Tel: Introduction to Distributed Algorithms, Cambridge University Press, 2nd edition, 2000
  3. Nancy Lynch: Distributed Algorithms. Morgan Kaufmann, 1996
  4. Volker Turau: Algorithmische Graphentheorie. Oldenbourg Wissenschaftsverlag, 3. Auflage, 2004.


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
Titel Typ SWS LP
Effiziente Algorithmen (L0120) Vorlesung 2 3
Effiziente Algorithmen (L1207) Gruppenübung 2 3
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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Modellierung und Simulation: 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 M1271: Technischer Ergänzungskurs II für CSMS (laut FSPO)

Lehrveranstaltungen
Titel Typ SWS LP
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 Abhängig von der Wahl der Lehrveranstaltungen
Leistungspunkte 6
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht

Modul M1318: Wireless Sensor Networks

Lehrveranstaltungen
Titel Typ SWS LP
Drahtlose Sensornetze (L1815) Vorlesung 2 2
Drahtlose Sensornetze (L1816) Gruppenübung 1 1
Drahtlose Sensornetze: Projekt (L1819) Projekt-/problembasierte Lehrveranstaltung 2 3
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 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht
Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Signalverarbeitung: Wahlpflicht
Microelectronics and Microsystems: Vertiefung Embedded Systems: Wahlpflicht
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 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Bernd-Christian Renner
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L1819: Wireless Sensor Networks: Project
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Bernd-Christian Renner
Sprachen EN
Zeitraum SoSe
Inhalt

The PrBL course part will be performed in small groups of students. Topics are from the field of wireless sensor networks and are loosely related to the lecture contents. Project descriptions and goals are provided but have to be solved by the students as follow:

  1. Group meeting, creation of working plan and milestones
  2. kick-off presentation (during lecture)
  3. free working
  4. poster creation and presentation

Throughout the semester, there will be meetings with the supervisor on a regular basis (weekly or biweekly). Details about the topics and course organization will be provided in the first lecture. Please note that the number of participants is limited due to the available capacity (rooms, equipment, supervisors).

Literatur

Will be provided individually

Modul M0556: Computer Graphics

Lehrveranstaltungen
Titel Typ SWS LP
Computer-Grafik (L0145) Vorlesung 2 3
Computer-Grafik (L0768) Gruppenübung 2 3
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

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


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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und 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:

  • Object-oriented Computer Graphics
  • Projections and Transformations
  • Polygonal and Parametric Modelling
  • Illuminating, Shading, Rendering
  • Computer Animation Techniques
  • Kinematics and Dynamics Effects

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 M1248: Compiler für Eingebettete Systeme

Lehrveranstaltungen
Titel Typ SWS LP
Compiler für Eingebettete Systeme (L1692) Vorlesung 3 4
Compiler für Eingebettete Systeme (L1693) Projekt-/problembasierte Lehrveranstaltung 1 2
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,

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

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

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

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

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
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht
Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht
Mechatronics: Vertiefung Systementwurf: Wahlpflicht
Mechatronics: Technischer Ergänzungskurs: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht
Theoretischer Maschinenbau: 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
  • Einleitung und Motivation
  • Compiler für Eingebettete Systeme - Anforderungen und Abhängigkeiten
  • Interne Struktur von Compilern
  • Pre-Pass Optimierungen
  • HIR Optimierungen und Transformationen
  • Code-Generierung
  • LIR Optimierungen und Transformationen
  • Register-Allokation
  • WCET-bewusste Code-Generierung
  • Ausblick
Literatur
  • Peter Marwedel. Embedded System Design - Embedded Systems Foundations of Cyber-Physical Systems. 2nd Edition, Springer, 2012.
  • Steven S. Muchnick. Advanced Compiler Design and Implementation. Morgan Kaufmann, 1997.
  • Andrew W. Appel. Modern compiler implementation in C. Oxford University Press, 1998.
Lehrveranstaltung L1693: Compiler für Eingebettete Systeme
Typ Projekt-/problembasierte Lehrveranstaltung
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 M0837: Simulation of Communication Networks

Lehrveranstaltungen
Titel Typ SWS LP
Simulation von Kommunikationsnetzen (L0887) Projekt-/problembasierte Lehrveranstaltung 5 6
Modulverantwortlicher Prof. Andreas Timm-Giel
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Knowledge of computer and communication networks
  • Basic programming skills
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
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht
Flugzeug-Systemtechnik: Vertiefung Avionik und Eingebettete Systeme: Wahlpflicht
Information and Communication Systems: Vertiefung Kommunikationssysteme: Wahlpflicht
Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Netze: Wahlpflicht
Lehrveranstaltung L0887: Simulation of Communication Networks
Typ Projekt-/problembasierte 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
  • Skript des Instituts für Kommunikationsnetze

Further literature is announced at the beginning of the lecture.

Modul M0924: Software für Eingebettete Systeme

Lehrveranstaltungen
Titel Typ SWS LP
Software für Eingebettete Systeme (L1069) Vorlesung 2 3
Software für Eingebettete Systeme (L1070) Gruppenübung 3 3
Modulverantwortlicher Prof. Volker Turau
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Sehr gute Kenntnisse und Erfahrung in Programmiersprache C
  • Grundkenntnisse in Softwaretechnik
  • Prinzipielles Verständnis von Assembler Sprachen
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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: 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
  • General-Purpose Processors
  • Programming the Atmel AVR
  • Interrupts
  • C für Embedded Systems
  • Standard Single Purpose Processors: Peripherals
  • Finite-State Machines
  • Speicher
  • Betriebssystem für Eingebettete Systeme
  • Echtzeit Eingebettete Systeme
Literatur
  1. Embedded System Design,  F. Vahid and T. Givargis,  John Wiley
  2. Programming Embedded Systems: With C and Gnu Development Tools, M. Barr and A. Massa, O'Reilly

  3. C und C++ für Embedded Systems,  F. Bollow, M. Homann, K. Köhn,  MITP
  4. The Art of Designing  Embedded Systems, J. Ganssle, Newnses

  5. Mikrocomputertechnik mit Controllern der Atmel AVR-RISC-Familie,  G. Schmitt, Oldenbourg
  6. Making Embedded Systems: Design Patterns for Great Software, E. White, O'Reilly

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
Titel Typ SWS LP
Softwaretesten (L1791) Vorlesung 2 3
Softwaretesten (L1792) Projekt-/problembasierte Lehrveranstaltung 2 3
Modulverantwortlicher Prof. Sibylle Schupp
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Software Engineering
  • Higher Programming Languages
  • Object-Oriented Programming
  • Algorithms and Data Structures
  • Experience with (Small) Software Projects
  • Statistics
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.
They communicate in English.

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
Studienleistung Keine
Prüfung Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang Software
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: 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
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
  • Fundamentals of software testing
  • Model-based testing
  • Test automation
  • Criteria-based testing
Literatur
  • M. Pezze and M. Young, Software Testing and Analysis, John Wiley 2008.
  • P. Ammann and J. Offutt, "Introduction to Software Testing", 2nd edition 2016.
  • A. Zeller: "Why Programs Fail: A Guide to Systematic Debugging", 2nd edition 2012.
Lehrveranstaltung L1792: Software Testing
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum SoSe
Inhalt
  • Fundamentals of software testing
  • Model-based testing
  • Test automation
  • Criteria-based testing
Literatur
  • M. Pezze and M. Young, Software Testing and Analysis, John Wiley 2008.
  • P. Ammann and J. Offutt, "Introduction to Software Testing", 2nd edition 2015.

Modul M0711: Numerische Mathematik II

Lehrveranstaltungen
Titel Typ SWS LP
Numerische Mathematik II (L0568) Vorlesung 2 3
Numerische Mathematik II (L0569) Gruppenübung 2 3
Modulverantwortlicher Prof. Sabine Le Borne
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Numerische Mathematik I
  • MATLAB Kenntnisse
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende können

  • weiterführende numerische Verfahren zur Interpolation, Integration, Lösung von Ausgleichproblemen, Lösung von Eigenwertproblemen und nichtlinearen Nullstellenproblemen benennen und deren Kernideen erläutern,
  • Konvergenzaussagen zu den numerischen Methoden wiedergeben,

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

Studierende sind in der Lage,

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

Studierende können

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

Studierende sind fähig,

  • selbst einzuschätzen, ob sie die begleitenden theoretischen und praktischen Übungsaufgaben besser allein oder im Team lösen,
  • ihren Lernstand konkret zu beurteilen und gegebenenfalls gezielt Fragen zu stellen und Hilfe zu suchen.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 25 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung III. Mathematik: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht
Theoretischer Maschinenbau: Technischer Ergänzungskurs: 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. Jens-Peter Zemke
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  1. Fehler und Stabilität: Begriffe und Abschätzungen
  2. Interpolation: Rationale und trigonometrische Interpolation
  3. Quadratur: Gauß-Quadratur, Orthogonalpolynome
  4. Lineare Systeme: Perturbationstheorie von Zerlegungen, strukturierte Matrizen
  5. Eigenwertaufgaben: LR-, QD-, QR-Algorithmus
  6. Krylovraum-Verfahren: Arnoldi-, Lanczos-Verfahren
Literatur
  • Stoer/Bulirsch: Numerische Mathematik 1, Springer
  • Dahmen, Reusken: Numerik für Ingenieure und Naturwissenschaftler, Springer
Lehrveranstaltung L0569: Numerische Mathematik II
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sabine Le Borne, Dr. Jens-Peter Zemke
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1397: Modellprüfung - Beweiser und Algorithmen

Lehrveranstaltungen
Titel Typ SWS LP
Modellprüfung - Beweiser und Algorithmen (L1979) Vorlesung 2 3
Modellprüfung - Beweiser und Algorithmen (L1980) Gruppenübung 2 3
Modulverantwortlicher Prof. Görschwin Fey
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Grundlegende Kenntnisse zu Datenstrukturen und Algorithmen
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende kennen

  • Algorithmen und Datenstrukturen für die Modellprüfung,
  • grundlegende Beweisverfahren sowie
  • den Einfluss der Modellierung und Spezifikation auf den Rechenaufwand für den Nachweis mittels Modellprüfung.


Fertigkeiten

Studierende können

  • Algorithmen und Datenstrukturen zur Modellprüfung erläutern und implementieren
  • abschätzen, ob sich eine Problemstellung mittels Boolescher Beweisverfahren oder Modellprüfung beantworten lässt, und
  • solche Lösungsverfahren realisieren.

Personale Kompetenzen
Sozialkompetenz

Studierende können

  • die jeweiligen Konzepte diskutieren und erläutern sowie
  • die Lösungen mündlich darstellen.
Selbstständigkeit Studierende erlernen mittels Zusatzmaterial selbständig vertiefende Zusammenhänge der Konzepte aus der Vorlesung und erweiterte Lösungsverfahren.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme: Wahlpflicht
Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht
Lehrveranstaltung L1979: Modellprüfung - Beweiser und Algorithmen
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Görschwin Fey
Sprachen DE/EN
Zeitraum SoSe
Inhalt

Correctness is a major concern in embedded systems. Model checking can fully automatically proof formal properties about digital hardware or software. Such properties are given in temporal logic, e.g., to prove "No two orthogonal traffic lights will ever be green."

And how do the underlying reasoning algorithms work so effectively in practice despite a computational complexity of NP hardness and beyond?

But what are the limitations of model checking?
How are the models generated from a given design?
The lecture will answer these questions. Open source tools will be used to gather a practical experience.

Among other topics, the lecture will consider the following topics:

  • Modelling digital Hardware, Software, and Cyber Physical Systems

  • Data structures, decision procedures and proof engines

    • Binary Decision Diagrams

    • And-Inverter-Graphs

    • Boolean Satisfiability

    • Satisfiability Modulo Theories

  • Specification Languages

    • CTL

    • LTL

    • System Verilog Assertions

  • Algorithms for

    • Reachability Analysis

    • Symbolic CTL Checking

    • Bounded LTL-Model Checking

    • Optimizations, e.g., induction, abstraction

  • Quality assurance

Literatur

Edmund M. Clarke, Jr., Orna Grumberg, and Doron A. Peled. 1999. Model Checking. MIT Press, Cambridge, MA, USA.

A. Biere, A. Biere, M. Heule, H. van Maaren, and T. Walsh. 2009. Handbook of Satisfiability: Volume 185 Frontiers in Artificial Intelligence and Applications. IOS Press, Amsterdam, The Netherlands, The Netherlands.

Selected research papers

Lehrveranstaltung L1980: Modellprüfung - Beweiser und Algorithmen
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Görschwin Fey
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1405: Randomisierte Algorithmen und Zufällige Graphen

Lehrveranstaltungen
Titel Typ SWS LP
Randomisierte Algorithmen und Zufällige Graphen (L2010) Vorlesung 2 3
Randomisierte Algorithmen und Zufällige Graphen (L2011) Hörsaalübung 2 3
Modulverantwortlicher Prof. Anusch Taraz
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Algorithmen und Datenstrukturen
  • Mathematik I und II
  • Stochastik
  • Graphentheorie



Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Students can describe basic concepts in the area of Randomized Algorithms and Random Graphs such as random walks, tail bounds, fingerprinting and algebraic techniques, first and second moment methods, and various random graph models. They are able to explain them using appropriate examples.
  • Students can discuss logical connections between these concepts.  They are capable of illustrating these connections with the help of examples.
  • They know proof strategies and can apply them.

Fertigkeiten
  • Students can model problems with the help of the concepts studied in this course. Moreover, they are capable of solving them by applying established methods.
  • Students are able to explore and verify further logical connections between the concepts studied in the course.
  • For a given problem, the students can develop and execute a suitable technique, and are able to critically evaluate the results.
Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together in teams. They are capable to establish a common language.
  • In doing so, they can communicate new concepts according to the needs of their cooperating partners. Moreover, they can design examples to check and deepen the understanding of their peers.
Selbstständigkeit
  • Students are capable of checking their understanding of complex concepts on their own. They can specify open questions precisely and know where to get help in solving them.
  • Students have developed sufficient persistence to be able to work for longer periods in a goal-oriented manner on hard problems.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung III. Mathematik: Wahlpflicht
Mathematical Modelling in Engineering: Theory, Numerics, Applications: Vertiefung l. Numerics (TUHH): Wahlpflicht
Lehrveranstaltung L2010: Randomisierte Algorithmen und Zufällige Graphen
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Anusch Taraz, Prof. Volker Turau
Sprachen DE/EN
Zeitraum SoSe
Inhalt

Randomized Algorithms:

  • introduction and recalling basic tools from probability
  • randomized search
  • random walks
  • text search with fingerprinting
  • parallel and distributed algorithms
  • online algorithms


Random Graphs: 

  • typical properties 
  • first and second moment method
  • tail bounds 
  • thresholds and phase transitions 
  • probabilistic method  
  • models for complex networks 

Literatur
  • Motwani, Raghavan: Randomized Algorithms
  • Worsch: Randomisierte Algorithmen
  • Dietzfelbinger: Randomisierte Algorithmen
  • Bollobas: Random Graphs
  • Alon, Spencer: The Probabilistic Method
  • Frieze, Karonski: Random Graphs
  • van der Hofstad: Random Graphs and Complex Networks


Lehrveranstaltung L2011: Randomisierte Algorithmen und Zufällige Graphen
Typ Hörsaalübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Anusch Taraz, Prof. Volker Turau
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0758: Application Security

Lehrveranstaltungen
Titel Typ SWS LP
Anwendungssicherheit (L0726) Vorlesung 3 3
Anwendungssicherheit (L0729) Gruppenübung 2 3
Modulverantwortlicher Prof. Dieter Gollmann
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse Familiarity with Information security, fundamentals of cryptography, Web protocols and the architecture of the Web
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen Students can name current approaches for securing selected applications, in particular of web applications
Fertigkeiten

Students are capable of

  • performing a security analysis
  • developing security solutions for distributed applications
  • recognizing the limitations of existing standard solutions  




Personale Kompetenzen
Sozialkompetenz Students are capable of appreciating the impact of security problems on  those affected and of the potential responsibilities for their resolution. 
Selbstständigkeit 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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 Minuten
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht
Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme: Wahlpflicht
Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht
Lehrveranstaltung L0726: Application Security
Typ Vorlesung
SWS 3
LP 3
Arbeitsaufwand in Stunden Eigenstudium 48, Präsenzstudium 42
Dozenten Prof. Dieter Gollmann
Sprachen EN
Zeitraum SoSe
Inhalt
  • Email security 
  • Web Services security
  • Security in Web applications
  • Access control
  • Trust Management
  • Trusted Computing
  • Digital Rights Management
  • Security Solutions for selected applications
Literatur

Webseiten der OMG, W3C, OASIS, WS-Security, OECD, TCG

D. Gollmann: Computer Security, 3rd edition, Wiley (2011)

R. Anderson: Security Engineering, 2nd edition, Wiley (2008)

U. Lang: CORBA Security, Artech House, 2002

Lehrveranstaltung L0729: Application 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 M1400: Entwurf von Dependable Systems

Lehrveranstaltungen
Titel Typ SWS LP
Entwurf von Dependable Systems (L2000) Vorlesung 2 3
Entwurf von Dependable Systems (L2001) Gruppenübung 2 3
Modulverantwortlicher Prof. Görschwin Fey
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Grundlegende Kenntnisse zu Datenstrukturen und Algorithmen
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Im Folgenden wird "Dependable" als Zusammenfassung von Zuverlässigkeit, Verfügbarkeit, Wartbarkeit, Sicherheit (Safety & Security) verwendet.

Kenntnis von Ansätzen zum Entwurf von Dependable Systems, z.B.

  • Strukturelle Lösungen wie z.B. Modular Redundancy
  • Algorithmische Lösungen wie z.B. Behandlung Byzantinischer Fehler, Checkpointing, etc.

Kenntnis von Methoden zur Analyse der Dependability von Systemen

Fertigkeiten

Fähigkeit zum Entwurf von Dependable Systems durch Implementierung der obigen Ansätze.

Fähigkeit zur Analyse der Dependability von Systemen durch Anwendung der obigen Analysemethoden.

Personale Kompetenzen
Sozialkompetenz

Studierende können

  • die jeweiligen Konzepte diskutieren und erläutern sowie
  • die Lösungen mündlich darstellen.
Selbstständigkeit Studierende erlernen mittels Zusatzmaterial selbständig vertiefende Zusammenhänge der Konzepte aus der Vorlesung und erweiterte Lösungsverfahren.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein Keiner Übungsaufgaben Praktische Übungsaufgaben zur Anwendung der gelernten Ansätze
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme: Wahlpflicht
Mechatronics: Vertiefung Systementwurf: Wahlpflicht
Microelectronics and Microsystems: Vertiefung Embedded Systems: Wahlpflicht
Lehrveranstaltung L2000: Entwurf von Dependable Systems
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Görschwin Fey
Sprachen DE/EN
Zeitraum SoSe
Inhalt

Beschreibung

Der Begriff „Dependability“ umfasst verschiedene Aspekte eines Systems. Dies sind typischer Weise:
  • Zuverlässigkeit
  • Verfügbarkeit
  • Wartbarkeit
  • Sicherheit - Safety & Security
Damit ist Dependability ein zentraler Aspekt, der früh im Systementwurf betrachtet werden muss. Dies gilt für Software, Eingebette Systeme wie auch umfassende Cyber-Physical Systems.

Inhalt

Das Modul führt grundlegende Konzept zum Entwurf und zur Analyse von Dependable Systems ein. Entwurfsbeispiele dienen dazu, eigene praktische Erfahrung zu sammeln. Ein Schwerpunkt des Moduls liegt im Bereich eingebetteter Systeme. Folgende Gebiete werden betrachtet:
  • Modellierung
  • Fehlertoleranz
  • Entwurfskonzepte
  • Analyse von Systemen
Literatur
Lehrveranstaltung L2001: Entwurf von Dependable Systems
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Görschwin Fey
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1337: Kurven, Kryptosysteme und Quanten-Computing

Lehrveranstaltungen
Titel Typ SWS LP
Kurven, Kryptosysteme und Quanten-Computing (L1870) Vorlesung 4 6
Modulverantwortlicher Prof. Karl-Heinz Zimmermann
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Grundkenntnisse in Algebra, Linearer Algebra und Analysis.
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierende kennen

  • die grundlegende Theorie der elliptischen Kurven (Weierstraß-Gleichung, projektive Räume, Gruppengesetz, Diskriminante, j-Invariante, Endomorphismen, singuläre elliptische Kurven, elliptische Kurven über endlichen Körpern),
  • die grundlegenden klassischen Kryptosysteme (symmetrisch und asymmetrisch),
  • grundlegende kryptologische Ansätze (diskrete Logarithmen, Faktorisierung),
  • die Kryptographie elliptischer Kurven,
  • Quantum-Computation aus algebraischer Sicht und Post-Quantum-Szenarien,
  • algebraische Codes über beliebigen Kurven,
  • den berühmten Satz von Riemann-Roch.
Fertigkeiten

Die Studierenden sind in der Lage,

  • das Gruppengesetz elliptischen Kurven anzuwenden,
  • festzustellen, ob eine Kurve nicht-singulär ist,
  • kryptographische Algorithmen, die elliptische Kurven beinhalten, zu skizzieren,
  • quantentheoretische Algorithmen zu spezifizieren,
  • die Parameter algebraischer Codes über Kurven zu bestimmen.


Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

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

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 25 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Lehrveranstaltung L1870: Kurven, Kryptosysteme und Quanten-Computing
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 M0839: Traffic Engineering

Lehrveranstaltungen
Titel Typ SWS LP
Seminar Traffic Engineering (L0902) Seminar 2 2
Traffic Engineering (L0900) Vorlesung 2 2
Traffic Engineering Übung (L0901) Gruppenübung 1 2
Modulverantwortlicher Prof. Andreas Timm-Giel
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Fundamentals of communication or computer networks
  • Stochastics
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
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: 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, Dr. Phuong Nga Tran
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
  • U. Killat, Entwurf und Analyse von Kommunikationsnetzen, Vieweg + Teubner
  • further literature announced in the lecture
Lehrveranstaltung L0900: Traffic Engineering
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Andreas Timm-Giel, Dr. Phuong Nga Tran
Sprachen EN
Zeitraum WiSe
Inhalt

Network Planning and Optimization
• Linear Programming (LP)
• Network planning with LP solvers
• Planning of communication networks
Queueing Theory for Communication Networks
• Stochastic processes
• Queueing systems
• Switches (circuit- and packet switching)
• Network of queues

Literatur

Literatur:
U. Killat, Entwurf und Analyse von Kommunikationsnetzen, Springer
Weitere Literatur wird in der Lehrveranstaltung bekanntgegeben
/
 Literature:
U. Killat, Entwurf und Analyse von Kommunikationsnetzen, Springer
further literature announced in the lecture

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:
U. Killat, Entwurf und Analyse von Kommunikationsnetzen, Springer
Weitere Literatur wird in der Lehrveranstaltung bekanntgegeben / Literature:
U. Killat, Entwurf und Analyse von Kommunikationsnetzen, Springer
further literature announced in the lecture

Modul M0910: Fortgeschrittener Entwurf von Chip-Systemen (Praktikum)

Lehrveranstaltungen
Titel Typ SWS LP
Fortgeschrittener Entwurf von Chip-Systemen (L1061) Projekt-/problembasierte Lehrveranstaltung 3 6
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
Studienleistung Keine
Prüfung Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang VHDL-Code und FPGA-basiere Implementierungen
Zuordnung zu folgenden Curricula Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Microelectronics and Microsystems: Vertiefung Embedded Systems: Wahlpflicht
Microelectronics and Microsystems: Vertiefung Embedded Systems: Wahlpflicht
Lehrveranstaltung L1061: Fortgeschrittener Entwurf von Chip-Systemen
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 3
LP 6
Arbeitsaufwand in Stunden Eigenstudium 138, Präsenzstudium 42
Dozenten Prof. Heiko Falk
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Einführung in grundlegende Technologien (FPGAs, MIPS Einzelzyklus-Maschine)
  • Fließband-Befehlsverarbeitung
  • Cache-basierte Speicher-Hierarchien
  • Busse und Bus-Arbitrierung
  • Multi-Prozessor Chip-Systeme
  • Optional: Fortgeschrittene Fließband-Konzepte (Dynamisches Scheduling, Sprungvorhersage)
Literatur
  • D. Patterson, J. Hennessy. Rechnerorganisation und -entwurf. Elsevier, 2005.
  • A. Tanenbaum, J. Goodman. Computerarchitektur. Pearson, 2001.
  • A. Clements. The Principles of Computer Hardware. 3. Auflage, Oxford University Press, 2000.

Fachmodule der Vertiefung Intelligenz-Engineering

Modul M1270: Technischer Ergänzungskurs I für CSMS (laut FSPO)

Lehrveranstaltungen
Titel Typ SWS LP
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 Abhängig von der Wahl der Lehrveranstaltungen
Leistungspunkte 6
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht

Modul M0550: Digital Image Analysis

Lehrveranstaltungen
Titel Typ SWS LP
Digitale Bildanalyse (L0126) Vorlesung 4 6
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

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


Fertigkeiten

Students are able to

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

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

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

Students can undertake a prototypical analysis of processes in Matlab.


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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 60 Minuten, Umfang Vorlesung und Materialien im StudIP
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht
Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht
Elektrotechnik: Vertiefung Medizintechnik: 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
  • Image representation, definition of images and volume data sets, illumination, radiometry, multispectral imaging, reflectivities, shape from shading
  • Perception of luminance and color, color spaces and transforms, color matching functions, human visual system, color appearance models
  • imaging sensors (CMOS, CCD, HDR, X-ray, IR), sensor characterization(EMVA1288), lenses and optics
  • spatio-temporal sampling (interpolation, decimation, aliasing, leakage, moiré, flicker, apertures)
  • features (filters, edge detection, morphology, invariance, statistical features, texture)
  • optical flow ( variational methods, quadratic optimization, Euler-Lagrange equations)
  • segmentation (distance, region growing, cluster analysis, active contours, level sets, energy minimization and graph cuts)
  • registration (distance and similarity, variational calculus, iterative closest points)
Literatur

Bredies/Lorenz, Mathematische Bildverarbeitung, Vieweg, 2011
Wedel/Cremers, Stereo Scene Flow for 3D Motion Analysis, Springer 2011
Handels, Medizinische Bildverarbeitung, Vieweg, 2000
Pratt, Digital Image Processing, Wiley, 2001
Jain, Fundamentals of Digital Image Processing, Prentice Hall, 1989

Modul M0677: Digital Signal Processing and Digital Filters

Lehrveranstaltungen
Titel Typ SWS LP
Digitale Signalverarbeitung und Digitale Filter (L0446) Vorlesung 3 4
Digitale Signalverarbeitung und Digitale Filter (L0447) Hörsaalübung 1 2
Modulverantwortlicher Prof. Gerhard Bauch
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Mathematics 1-3
  • Signals and Systems
  • Fundamentals of signal and system theory as well as random processes.
  • Fundamentals of spectral transforms (Fourier series, Fourier transform, Laplace transform)
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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Regelungs- und Energiesystemtechnik: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung II. Ingenieurwissenschaften: 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 Communication and Signal Processing: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht
Theoretischer Maschinenbau: Technischer Ergänzungskurs: 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
  • Transforms of discrete-time signals:

    • Discrete-time Fourier Transform (DTFT)

    • Discrete Fourier-Transform (DFT), Fast Fourier Transform (FFT)

    • Z-Transform

  • Correspondence of continuous-time and discrete-time signals, sampling, sampling theorem

  • Fast convolution, Overlap-Add-Method, Overlap-Save-Method

  • Fundamental structures and basic types of digital filters

  • Characterization of digital filters using pole-zero plots, important properties of digital filters

  • Quantization effects

  • Design of linear-phase filters

  • Fundamentals of stochastic signal processing and adaptive filters

    • MMSE criterion

    • Wiener Filter

    • LMS- and RLS-algorithm

  • Traditional and parametric methods of spectrum estimation

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 M0563: Robotics

Lehrveranstaltungen
Titel Typ SWS LP
Robotik: Modellierung und Regelung (L0168) Vorlesung 3 3
Robotik: Modellierung und Regelung (L1305) Gruppenübung 2 3
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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Flugzeug-Systemtechnik: Vertiefung Flugzeugsysteme: 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

Spong, Mark W.; Hutchinson, Seth;  Vidyasagar, M. : Robot Modeling and Control. WILEY. ISBN 0-471-64990-2


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 M0633: Industrial Process Automation

Lehrveranstaltungen
Titel Typ SWS LP
Prozessautomatisierungstechnik (L0344) Vorlesung 2 3
Prozessautomatisierungstechnik (L0345) Gruppenübung 2 3
Modulverantwortlicher Prof. Alexander Schlaefer
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

mathematics and optimization methods
principles of automata 
principles of algorithms and data structures
programming skills

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

The students can evaluate and assess discrete event systems. They can evaluate properties of processes and explain methods for process analysis. The students can compare methods for process modelling and select an appropriate method for actual problems. They can discuss scheduling methods in the context of actual problems and give a detailed explanation of advantages and disadvantages of different programming methods. The students can relate process automation to methods from robotics and sensor systems as well as to recent topics like 'cyberphysical systems' and 'industry 4.0'.


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
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 10 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht
Chemical and Bioprocess Engineering: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht
Chemical and Bioprocess Engineering: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht
Chemical and Bioprocess Engineering: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht
Chemical and Bioprocess Engineering: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht
Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Regelungs- und Energiesystemtechnik: Wahlpflicht
Elektrotechnik: Vertiefung Regelungs- und Energiesystemtechnik: Wahlpflicht
Flugzeug-Systemtechnik: Vertiefung Kabinensysteme: Wahlpflicht
Flugzeug-Systemtechnik: Vertiefung Kabinensysteme: Wahlpflicht
Internationales Wirtschaftsingenieurwesen: Vertiefung II. Mechatronik: Wahlpflicht
Internationales Wirtschaftsingenieurwesen: Vertiefung II. Mechatronik: Wahlpflicht
Mechanical Engineering and Management: Vertiefung Mechatronik: Wahlpflicht
Mechanical Engineering and Management: Vertiefung Mechatronik: Wahlpflicht
Mechatronics: Vertiefung Intelligente Systeme und Robotik: 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
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
- properties of processes, modeling using automata and Petri-nets
- design considerations for processes (mutex, deadlock avoidance, liveness)
- optimal scheduling for processes
- optimal decisions when planning manufacturing systems, decisions under uncertainty
- software design and software architectures for automation, PLCs

Literatur

J. Lunze: „Automatisierungstechnik“, Oldenbourg Verlag, 2012
Reisig: Petrinetze: Modellierungstechnik, Analysemethoden, Fallstudien; Vieweg+Teubner 2010
Hrúz, Zhou: Modeling and Control of Discrete-event Dynamic Systems; Springer 2007
Li, Zhou: Deadlock Resolution in Automated Manufacturing Systems, Springer 2009
Pinedo: Planning and Scheduling in Manufacturing and Services, Springer 2009

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
Titel Typ SWS LP
Einschließungsmethoden (L0122) Vorlesung 2 3
Einschließungsmethoden (L1208) Gruppenübung 2 3
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
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht
Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung Systemtechnik - Robotik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung Wissenschaftliches Rechnen: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht
Theoretischer Maschinenbau: Technischer Ergänzungskurs: 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
  • Schnelle und optimale Intervallarithmetik
  • Fehlerfreie Transformationen
  • Verifikationsmethoden für lineare und nichtlineare Gleichungssysteme
  • Verifikationsmethoden für bestimmte Integrale
  • Behandlung mehrfacher Nullstellen
  • Automatische Differentiation
  • Implementierung in Matlab/INTLAB
  • Praktische Anwendungen
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
Titel Typ SWS LP
Intelligente Systeme in der Medizin (L0331) Vorlesung 2 3
Intelligente Systeme in der Medizin (L0334) Projektseminar 2 2
Intelligente Systeme in der Medizin (L0333) Gruppenübung 1 1
Modulverantwortlicher Prof. Alexander Schlaefer
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • principles of math (algebra, analysis/calculus)
  • principles of stochastics
  • principles of programming, Java/C++ and R/Matlab
  • advanced programming skills
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
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Schriftliche Ausarbeitung
Ja 10 % Referat
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-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: Technischer Ergänzungskurs: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Bio- und Medizintechnik: 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
- representation of medical knowledge
- understanding challenges due to clinical and patient related data and data acquisition
The students will work in groups to apply the methods introduced during the lecture using problem based learning.


Literatur

Russel & Norvig: Artificial Intelligence: a Modern Approach, 2012
Berner: Clinical Decision Support Systems: Theory and Practice, 2007
Greenes: Clinical Decision Support: The Road Ahead, 2007
Further literature will be given in the lecture


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
Titel Typ SWS LP
Digitale Nachrichtenübertragung (L0444) Vorlesung 2 3
Digitale Nachrichtenübertragung (L0445) Hörsaalübung 1 2
Praktikum Digitale Nachrichtenübertragung (L0646) Laborpraktikum 1 1
Modulverantwortlicher Prof. Gerhard Bauch
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Mathematik 1-3
  • Signale und Systeme
  • Einführung in die Nachrichtentechnik und ihre stochastischen Methoden
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
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja Keiner Schriftliche Ausarbeitung
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Vertiefung II. Ingenieurwissenschaften: 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
  • Digitale Modulationsverfahren

  • Kohärente und nicht-kohärente Detektion

  • Kanalschätzung und Entzerrung

  • Single-Carrier- und Multicarrierübertragungsverfahren, Vielfachzugriffsverfahren (TDMA, FDMA, CDMA, OFDM)

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 M0846: Control Systems Theory and Design

Lehrveranstaltungen
Titel Typ SWS LP
Theorie und Entwurf regelungstechnischer Systeme (L0656) Vorlesung 2 4
Theorie und Entwurf regelungstechnischer Systeme (L0657) Gruppenübung 2 2
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
  • Students can explain how linear dynamic systems are represented as state space models; they can interpret the system response to initial states or external excitation as trajectories in state space
  • They can explain the system properties controllability and observability, and their relationship to state feedback and state estimation, respectively
  • They can explain the significance of a minimal realisation
  • They can explain observer-based state feedback and how it can be used to achieve tracking and disturbance rejection
  • They can extend all of the above to multi-input multi-output systems
  • They can explain the z-transform and its relationship with the Laplace Transform
  • They can explain state space models and transfer function models of discrete-time systems
  • They can explain the experimental identification of ARX models of dynamic systems, and how the identification problem can be solved by solving a normal equation
  • They can explain how a state space model can be constructed from a discrete-time impulse response

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

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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Kernqualifikation: Pflicht
Energietechnik: Kernqualifikation: Wahlpflicht
Flugzeug-Systemtechnik: Vertiefung Flugzeugsysteme: Pflicht
Flugzeug-Systemtechnik: Vertiefung Avionik und Eingebettete Systeme: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung II. Ingenieurwissenschaften: 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 
• Coordinate basis, similarity transformations 
• Solutions of state equations, matrix exponentials, Caley-Hamilton Theorem
• Controllability and pole placement 
• State estimation, observability, Kalman decomposition 
• Observer-based state feedback control, reference tracking 
• Transmission zeros
• Optimal pole placement, symmetric root locus 
Multi-input multi-output systems
• Transfer function matrices, state space models of multivariable systems, Gilbert realization 
• Poles and zeros of multivariable systems, minimal realization 
• Closed-loop stability
• Pole placement for multivariable systems, LQR design, Kalman filter 

Digital Control
• Discrete-time systems: difference equations and z-transform 
• Discrete-time state space models, sampled data systems, poles and zeros 
• Frequency response of sampled data systems, choice of sampling rate 

System identification and model order reduction 
• Least squares estimation, ARX models, persistent excitation 
• Identification of state space models, subspace identification 
• Balanced realization and model order reduction 

Case study
• Modelling and multivariable control of a process evaporator using Matlab and Simulink 
Software tools
• Matlab/Simulink

Literatur
  • Werner, H., Lecture Notes „Control Systems Theory and Design“
  • T. Kailath "Linear Systems", Prentice Hall, 1980
  • K.J. Astrom, B. Wittenmark "Computer Controlled Systems" Prentice Hall, 1997
  • L. Ljung "System Identification - Theory for the User", Prentice Hall, 1999
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 M0881: Mathematische Bildverarbeitung

Lehrveranstaltungen
Titel Typ SWS LP
Mathematische Bildverarbeitung (L0991) Vorlesung 3 4
Mathematische Bildverarbeitung (L0992) Gruppenübung 1 2
Modulverantwortlicher Prof. Marko Lindner
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Analysis: partielle Ableitungen, Gradient, Richtungsableitung
  • Lineare Algebra: Eigenwerte, lineares Ausgleichsproblem
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden können

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

Die Studierenden können 

  • elementare Methoden der Bildverarbeitung implementieren und anwenden  
  • moderne Methoden der Bildverarbeitung erklären und anwenden
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
  • Studierende können eigenständig ihr Verständnis mathematischer Konzepte überprüfen, noch offene Fragen auf den Punkt bringen und sich gegebenenfalls gezielt Hilfe holen.
  • Studierende haben eine genügend hohe Ausdauer entwickelt, um auch über längere Zeiträume an schwierigen Problemstellungen zu arbeiten.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 20 min
Zuordnung zu folgenden Curricula Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht
Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Modellierung und Simulation: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung III. Mathematik: 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, Dr. Christian Seifert
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Elementare Methoden der Bildverarbeitung 
  • Glättungsfilter
  • Grundlagen der Diffusions- bzw. Wärmeleitgleichung
  • Variationsformulierungen in der Bildverarbeitung
  • Kantenerkennung
  • Entfaltung
  • Inpainting
  • Segmentierung
  • Registrierung
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 M0629: Intelligent Autonomous Agents and Cognitive Robotics

Lehrveranstaltungen
Titel Typ SWS LP
Intelligente Autonome Agenten und kognitive Robotik (L0341) Vorlesung 2 4
Intelligente Autonome Agenten und kognitive Robotik (L0512) Gruppenübung 2 2
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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: 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
Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: 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
  • Definition of agents, rational behavior, goals, utilities, environment types
  • Adversarial agent cooperation: 
    Agents with complete access to the state(s) of the environment, games, Minimax algorithm, alpha-beta pruning, elements of chance
  • Uncertainty: 
    Motivation: agents with no direct access to the state(s) of the environment, probabilities, conditional probabilities, product rule, Bayes rule, full joint probability distribution, marginalization, summing out, answering queries, complexity, independence assumptions, naive Bayes, conditional independence assumptions
  • Bayesian networks: 
    Syntax and semantics of Bayesian networks, answering queries revised (inference by enumeration), typical-case complexity, pragmatics: reasoning from effect (that can be perceived by an agent) to cause (that cannot be directly perceived).
  • Probabilistic reasoning over time:
    Environmental state may change even without the agent performing actions, dynamic Bayesian networks, Markov assumption, transition model, sensor model, inference problems: filtering, prediction, smoothing, most-likely explanation, special cases: hidden Markov models, Kalman filters, Exact inferences and approximations
  • Decision making under uncertainty:
    Simple decisions: utility theory, multivariate utility functions, dominance, decision networks, value of informatio
    Complex decisions: sequential decision problems, value iteration, policy iteration, MDPs
    Decision-theoretic agents: POMDPs, reduction to multidimensional continuous MDPs, dynamic decision networks
  • Simultaneous Localization and Mapping
  • Planning
  • Game theory (Golden Balls: Split or Share) 
    Decisions with multiple agents, Nash equilibrium, Bayes-Nash equilibrium
  • Social Choice 
    Voting protocols, preferences, paradoxes, Arrow's Theorem,
  • Mechanism Design 
    Fundamentals, dominant strategy implementation, Revelation Principle, Gibbard-Satterthwaite Impossibility Theorem, Direct mechanisms, incentive compatibility, strategy-proofness, Vickrey-Groves-Clarke mechanisms, expected externality mechanisms, participation constraints, individual rationality, budget balancedness, bilateral trade, Myerson-Satterthwaite Theorem
Literatur
  1. Artificial Intelligence: A Modern Approach (Third Edition), Stuart Russell, Peter Norvig, Prentice Hall, 2010, Chapters 2-5, 10-11, 13-17
  2. Probabilistic Robotics, Thrun, S., Burgard, W., Fox, D. MIT Press 2005

  3. Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations, Yoav Shoham, Kevin Leyton-Brown, Cambridge University Press, 2009

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 M1336: Soft-Computing - Einführung in Maschinenlernen

Lehrveranstaltungen
Titel Typ SWS LP
Soft-Computing (L1869) Vorlesung 4 6
Modulverantwortlicher Prof. Karl-Heinz Zimmermann
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Bachelor-Informatik.

Grundlagen in Analysis, Linearer Algebra, Graphentheorie und Optimierung.

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

Die Studierenden kennen

  • den Aufbau von Bayesschen Netzen,
  • Inferenz- (Viterbi) und Lernverfahren (EM, Baum-Welch) im Hidden-Markov-Model,
  • Inferenz- (Felsenstein) und Parameterschätzung (PAM) im Hidden-Tree-Markov-Model (Abstammungsbäume),
  • Inferenzverfahren (Needleman-Wunsch) und dessen parametrisierte Verallgemeinerung (Polytope-Propagation) im Pair-Hidden-Markov-Model (Sequenzen-Alignment),
  • Inferenzverfahren und Lernverfahren für Strukturen und Wahrscheinlichkeiten in allgemeinen Bayesschen Netzen,
  • Aufbau und Arbeitsweise des Multiplayer-Perceptrons und zugehöriges überwachtes Lernverfahren (Backpropagation),
  • Aufbau von Kolmogorov-Netzwerken,
  • Aufbau und Arbeitsweise von Hopfieldnetzen und das physikalische Isingmodel,
  • Aufbau und Arbeitsweise von selbstorganisierenden Netzen,
  • Aufbau und Wirkungsweise von Boltzmann-Maschinen,
  • die Theorie der triangularen Normen,
  • Fuzzysets, Fuzzylogik sowie Aufbau und Konstruktion von Fuzzyreglern.
Fertigkeiten

Die Studierenden können

  • die einschlägigen Algorithmen anwenden und deren Komplexität berechnen,
  • die Statistik-Sprache R auf spezifische Aufgaben anwenden.
Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

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

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 25 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht
Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht
Lehrveranstaltung L1869: Soft-Computing
Typ Vorlesung
SWS 4
LP 6
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Dozenten Prof. Karl-Heinz Zimmermann, Dr. Mehwish Saleemi
Sprachen DE/EN
Zeitraum WiSe
Inhalt

Die Studierenden kennen

  • den Aufbau von Bayesschen Netzen,
  • Inferenz- (Viterbi) und Lernverfahren (EM, Baum-Welch) im Hidden-Markov-Models,
  • Inferenz- (Felsenstein) und Parameterschätzung (PAM) im Hidden-Tree-Markov-Model (Abstammungsbäume),
  • Inferenzverfahren (Needleman-Wunsch) und parametrisierte Verallgemeinerung (Polytope-Propagation) im Pair-Hidden-Markov-Model (Sequenzenalignment),
  • Inferenz-, Strukturerkennungs- und Lernverfahren in allgemeinen Bayesschen Netzen,
  • Aufbau und Arbeitsweise des Multiplayer-Perceptrons und zugehöriges überwachtes Lernverfahren (Backpropagation),
  • Aufbau von Kolmogorov-Netzwerken,
  • Aufbau und Arbeitsweise von Hopfieldnetzen und das physikalische Isingmodel,
  • Aufbau und Arbeitsweise von selbstorganisierenden Netzen,
  • Aufbau und Wirkungsweise von Boltzmann-Maschinen,
  • die Theorie der triangularen Normen,
  • Fuzzysets, Fuzzylogik sowie Aufbau und Konstruktion von Fuzzyreglern.

Die Studierenden können

  • die einschlägigen Algorithmen anwenden und deren Komplexität berechnen,
  • die Statistik-Sprache R auf spezifische Aufgaben anwenden.
Literatur

1. David Barber, Bayes Reasoning and Machine Learning, Cambridge Univ. Press, Cambridge, 2012.
2. Volker Claus, Stochastische Automaten, Teubner, Stuttgart, 1971.
3. Ernst Klement, Radko Mesiar, Endre Pap, Triangular Norms, Kluwer, Dordrecht, 2000.
4. Timo Koski, John M. Noble, Bayesian Networks, Wiley, New York, 2009.
5. Dimitris Margaritis, Learning Bayesian Network Model Structure from Data, PhD thesis, Carnegie Mellon
University, Pittsburgh, 2003.
6. Hidetoshi Nishimori, Statistical Physics of Spin Glasses and Information Processing, Oxford Univ. Press,
London, 2001.
7. James R. Norris, Markov Chains, Cambridge Univ. Press, Cambridge, 1996.
8. Maria Rizzo, Statistical Computing with R, Chapman & Hall/CRC, Boca Raton, 2008.
9. Peter Sprites, Clark Glymour, Richard Scheines, Causation, Prediction, and Search, Springer, New York,
1993.
10. Raul Royas, Neural Networks, Springer, Berlin, 1996.
11. Lior Pachter, Bernd Sturmfels, Algebraic Statistics for Computational Biology, Cambridge Univ. Press,
Cambridge, 2005.
12. David A. Sprecher, From Algebra to Computational Algorithms, Docent Press, Boston, 2017.
13. Karl-Heinz Zimmermann, Algebraic Statistics, TubDok, Hamburg, 2016.

Modul M1271: Technischer Ergänzungskurs II für CSMS (laut FSPO)

Lehrveranstaltungen
Titel Typ SWS LP
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 Abhängig von der Wahl der Lehrveranstaltungen
Leistungspunkte 6
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht

Modul M1302: Angewandte Humanoide Robotik

Lehrveranstaltungen
Titel Typ SWS LP
Angewandte Humanoide Robotik (L1794) Projekt-/problembasierte Lehrveranstaltung 6 6
Modulverantwortlicher Patrick Göttsch
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Objektorientierte Programmierung, Algorithmen und Datenstrukturen
  • Grundlagen der Regelungstechnik
  • Control systems theory and design
  • Mechanik
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Die Studierenden können Eigenschaften der humanoiden Robotik nennen und erläutern.
  • Die Studierenden können die grundlegenden Theorien, Zusammenhänge und Methoden der Vorwärts- & Rückwärtskinematik von humanoiden Robotersystemen erklären.
  • Die Studierenden können Regelkonzepte für verschiedene Aufgaben der Humanoiden Robotik anwenden.
Fertigkeiten
  • Die Studierenden können die Modelle der Systeme der humanoiden Robotik in Matlab und C++ implementieren und diese Modelle für Bewegungen des Roboters oder andere Aufgaben nutzen.
  • Sie sind in der Lage die Modelle in Matlab für Simulationen zu nutzen und dann ggf. auch mit C++ Code auf dem realen Robotersystem zu testen.
  • Sie sind darüber hinaus in der Lage, für eine abstrakte Aufgabenstellung, für die es keine standardisierte Lösung gibt, Methoden auszuwählen, die zu gewünschten Ergebnissen führen.
Personale Kompetenzen
Sozialkompetenz
  • Die Studierenden können in fachlich gemischten Teams gemeinsame Lösungen entwickeln und diese vor anderen vertreten.
  • Sie sind in der Lage angemessenes Feedback zu geben und mit Rückmeldungen zu ihren eigenen Leistungen konstruktiv umzugehen.
Selbstständigkeit
  • Die Studierenden sind in der Lage, die notwendigen Informationen aus den angegebenen Literaturquellen zu beschaffen und in den Kontext der Lehrveranstaltung zu setzen.
  • Sie können sich eigenständig Aufgaben definieren und geeignete Mittel zur Umsetzung einsetzen.
Arbeitsaufwand in Stunden Eigenstudium 96, Präsenzstudium 84
Leistungspunkte 6
Studienleistung Keine
Prüfung Schriftliche Ausarbeitung
Prüfungsdauer und -umfang 5-10 Seiten
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Bio- und Medizintechnik: Wahlpflicht
Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht
Lehrveranstaltung L1794: Angewandte Humanoide Robotik
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 6
LP 6
Arbeitsaufwand in Stunden Eigenstudium 96, Präsenzstudium 84
Dozenten Patrick Göttsch
Sprachen DE/EN
Zeitraum WiSe/SoSe
Inhalt
  • Grundlagen der Kinematik
  • Grundlagen der statischen und dynamischen Stabilität humanoider Robotersysteme
  • Verknüpfung verschiedener Entwicklungsumgebungen (Matlab, C++, etc.)
  • Einarbeitung in die notwendigen Frameworks
  • Bearbeitung einer Projektaufgabe im Team
  • Präsentation und Demonstration von Zwischen- und Endergebnissen
Literatur
  • B. Siciliano, O. Khatib. "Handbook of Robotics. Part A: Robotics Foundations", Springer (2008)

Modul M0551: Pattern Recognition and Data Compression

Lehrveranstaltungen
Titel Typ SWS LP
Mustererkennung und Datenkompression (L0128) Vorlesung 4 6
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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 60 Minuten, Umfang Vorlesung und Materialien im StudIP
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: 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
Internationales Wirtschaftsingenieurwesen: Vertiefung II. Elektrotechnik: Wahlpflicht
Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht
Mechatronics: Technischer Ergänzungskurs: 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
Murphy, Machine Learning, MIT Press, 2012
Barber, Bayesian Reasoning and Machine Learning, Cambridge, 2012
Duda, Hart, Stork: Pattern Classification, Wiley, 2001
Bishop: Pattern Recognition and Machine Learning, Springer 2006

Salomon, Data Compression, the Complete Reference, Springer, 2000
Sayood, Introduction to Data Compression, Morgan Kaufmann, 2006
Ohm, Multimedia Communication Technology, Springer, 2004
Solari, Digital video and audio compression, McGraw-Hill, 1997
Tekalp, Digital Video Processing, Prentice Hall, 1995

Modul M0630: Robotics and Navigation in Medicine

Lehrveranstaltungen
Titel Typ SWS LP
Robotik und Navigation in der Medizin (L0335) Vorlesung 2 3
Robotik und Navigation in der Medizin (L0338) Projektseminar 2 2
Robotik und Navigation in der Medizin (L0336) Gruppenübung 1 1
Modulverantwortlicher Prof. Alexander Schlaefer
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • principles of math (algebra, analysis/calculus)
  • principles of programming, e.g., in Java or C++
  • solid R or Matlab skills
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 detail. 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
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Schriftliche Ausarbeitung
Ja 10 % Referat
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Medizintechnik: 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
- calibration
- tracking systems
- navigation and image guidance
- motion compensation
The seminar extends and complements the contents of the lecture with respect to recent research results.


Literatur

Spong et al.: Robot Modeling and Control, 2005
Troccaz: Medical Robotics, 2012
Further literature will be given in the lecture.

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
Titel Typ SWS LP
Informationstheorie und Codierung (L0436) Vorlesung 3 4
Informationstheorie und Codierung (L0438) Hörsaalübung 1 2
Modulverantwortlicher Prof. Gerhard Bauch
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Mathematik 1-3 
  • Wahrscheinlichkeitsrechnung und Stochastische Prozesse
  •  Grundkenntnisse der Nachrichtentechnik, z.B. aus der Vorlesung "Einführung in die Nachrichtentechnik und deren stochastische Methoden"
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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung II. Ingenieurwissenschaften: 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
  • Grundlagen der Informationstheorie

    • Selbstinformation, Entropie, Mutual Information

    • Quellencodierungstheorem, Kanalcodierungstheorem

    • Kanalkapazität verschiedener Kanäle

  • Grundlegende Algorithmen der Quellencodierung:

    • Huffman Code, Lempel Ziv Algorithmus

  • Grundlagen der Kanalcodierung

    • Grundlegende Parameter der Kanalcodierung und deren Abschätzung durch obere und untere Schranken

    • Prinzipien der Decodierung: Maximum-A-Posteriori Decodierung, Maximum-Likelihood Decodierung, Hard-Decision-Decodierung und Soft-Decision-Decodierung

    • Bestimmung der Fehlerwahrscheinlichkeit

  • Blockcodes

  • Low Density Parity Check (LDPC) Codes und iterative Decodierung

  • Faltungscodes und Viterbi-Decodierung

  • Turbo Codes und iterative Decodierung

  • Codierte Modulation

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: Diskrete Differentialgeometrie

Lehrveranstaltungen
Titel Typ SWS LP
Diskrete Differentialgeometrie (L1808) Vorlesung 4 6
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

Diese Vorlesung befaßt sich mit geometrischen Aspekten der Lösungen von Differentialgleichungen und ihrer Umsetzung auf den Rechner. Die benötigten Grundlagen aus linearer Algebra und Analysis werden zu Beginn resümiert. Anwendungen ergeben sich in der Behandlung gekrümmter Flächen, der Mechanik und Mechatronik, verschiedenen Typen von Feldgleichungen, und in der Übertragung mathematischer Konstruktionen in Datentypen, Compilerfunktionen, Programmiersprachen und spezielle Rechenwerke.

- Grundbegriffe aus der linearen Algebra, Tensoren, äußere Algebra, Clifford-Algebren

- Grundbegriffe der Analysis in koordinatenfreier Formulierung, Vektorfelder und  Differenzialformen, Integration, Diskretisierung

- Lokale Differenzialgeometrie: Zusammenhänge, symplektische Geometrie und Hamilton'sche Systeme, Riemann'sche Geometrie, Diskretisierung

- Globale Differenzialgeometrie: Mannigfaltigkeiten, Liegruppen, Faserbündel, Zufallsprozesse, Raum und Zeit


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
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 25 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Lehrveranstaltung L1808: Diskrete 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 befaßt sich mit geometrischen Aspekten von Differentialgleichungen und ihrer Bearbeitung auf den Rechner. Die benötigten Grundlagen aus linearer Algebra und Analysis werden zu Beginn resümiert. Anwendungen ergeben sich in der Behandlung gekrümmter Flächen, der klassischen Mechanik und Mechatronik, verschiedenen Typen von Feldgleichungen, in der Computergraphik und der Übertragung mathematischer Konstruktionen in Datentypen, Compilerfunktionen, Programmiersprachen und spezielle Rechenwerke. Stichworte:

- Grundbegriffe aus der linearen Algebra, Tensoren, äußere Algebra, Clifford-Algebren, Tupeltypen

- Grundbegriffe der Analysis in koordinatenfreier Formulierung, Vektorfelder und Differenzialformen, Integration, Diskretisierung

- Lokale Differenzialgeometrie: Zusammenhänge, Symplektische Geometrie, Riemann'sche Geometrie, Diskretisierung

- Globale Differenzialgeometrie: Mannigfaltigkeiten, Liegruppen, Faserbündel, Fourier-Zerlegung, Zufallsprozesse, Raum und Zeit


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
Titel Typ SWS LP
Numerische Mathematik II (L0568) Vorlesung 2 3
Numerische Mathematik II (L0569) Gruppenübung 2 3
Modulverantwortlicher Prof. Sabine Le Borne
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Numerische Mathematik I
  • MATLAB Kenntnisse
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende können

  • weiterführende numerische Verfahren zur Interpolation, Integration, Lösung von Ausgleichproblemen, Lösung von Eigenwertproblemen und nichtlinearen Nullstellenproblemen benennen und deren Kernideen erläutern,
  • Konvergenzaussagen zu den numerischen Methoden wiedergeben,

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

Studierende sind in der Lage,

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

Studierende können

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

Studierende sind fähig,

  • selbst einzuschätzen, ob sie die begleitenden theoretischen und praktischen Übungsaufgaben besser allein oder im Team lösen,
  • ihren Lernstand konkret zu beurteilen und gegebenenfalls gezielt Fragen zu stellen und Hilfe zu suchen.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 25 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Computer Science: Vertiefung Computer- und Software-Engineering: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung III. Mathematik: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: Wahlpflicht
Theoretischer Maschinenbau: Technischer Ergänzungskurs: 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. Jens-Peter Zemke
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  1. Fehler und Stabilität: Begriffe und Abschätzungen
  2. Interpolation: Rationale und trigonometrische Interpolation
  3. Quadratur: Gauß-Quadratur, Orthogonalpolynome
  4. Lineare Systeme: Perturbationstheorie von Zerlegungen, strukturierte Matrizen
  5. Eigenwertaufgaben: LR-, QD-, QR-Algorithmus
  6. Krylovraum-Verfahren: Arnoldi-, Lanczos-Verfahren
Literatur
  • Stoer/Bulirsch: Numerische Mathematik 1, Springer
  • Dahmen, Reusken: Numerik für Ingenieure und Naturwissenschaftler, Springer
Lehrveranstaltung L0569: Numerische Mathematik II
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sabine Le Borne, Dr. Jens-Peter Zemke
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0840: Optimal and Robust Control

Lehrveranstaltungen
Titel Typ SWS LP
Optimale und robuste Regelung (L0658) Vorlesung 2 3
Optimale und robuste Regelung (L0659) Gruppenübung 2 3
Modulverantwortlicher Prof. Herbert Werner
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Classical control (frequency response, root locus)
  • State space methods
  • Linear algebra, singular value decomposition
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Students can explain the significance of the matrix Riccati equation for the solution of LQ problems.
  • They can explain the duality between optimal state feedback and optimal state estimation.
  • They can explain how the H2 and H-infinity norms are used to represent stability and performance constraints.
  • They can explain how an LQG design problem can be formulated as special case of an H2 design problem.
  • They  can explain how model uncertainty can be represented in a way that lends itself to robust controller design
  • They can explain how - based on the small gain theorem - a robust controller can guarantee stability and performance for an uncertain plant.
  • They understand how analysis and synthesis conditions on feedback loops can be represented as linear matrix inequalities.
Fertigkeiten
  • Students are capable of designing and tuning LQG controllers for multivariable plant models.
  • They are capable of representing a H2 or H-infinity design problem in the form of a generalized plant, and of using standard software tools for solving it.
  • They are capable of translating time and frequency domain specifications for control loops into constraints on closed-loop sensitivity functions, and of carrying out a mixed-sensitivity design.
  • They are capable of constructing an LFT uncertainty model for an uncertain system, and of designing a mixed-objective robust controller.
  • They are capable of formulating analysis and synthesis conditions as linear matrix inequalities (LMI), and of using standard LMI-solvers for solving them.
  • They can carry out all of the above using standard software tools (Matlab robust control toolbox).
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
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Regelungs- und Energiesystemtechnik: Wahlpflicht
Energietechnik: Kernqualifikation: Wahlpflicht
Flugzeug-Systemtechnik: Vertiefung Flugzeugsysteme: 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
  • Optimal regulator problem with finite time horizon, Riccati differential equation
  • Time-varying and steady state solutions, algebraic Riccati equation, Hamiltonian system
  • Kalman’s identity, phase margin of LQR controllers, spectral factorization
  • Optimal state estimation, Kalman filter, LQG control
  • Generalized plant, review of LQG control
  • Signal and system norms, computing H2 and H∞ norms
  • Singular value plots, input and output directions
  • Mixed sensitivity design, H∞ loop shaping, choice of weighting filters
  • Case study: design example flight control
  • Linear matrix inequalities, design specifications as LMI constraints (H2, H∞ and pole region)
  • Controller synthesis by solving LMI problems, multi-objective design
  • Robust control of uncertain systems, small gain theorem, representation of parameter uncertainty
Literatur
  • Werner, H., Lecture Notes: "Optimale und Robuste Regelung"
  • Boyd, S., L. El Ghaoui, E. Feron and V. Balakrishnan "Linear Matrix Inequalities in Systems and Control", SIAM, Philadelphia, PA, 1994
  • Skogestad, S. and I. Postlewhaite "Multivariable Feedback Control", John Wiley, Chichester, England, 1996
  • Strang, G. "Linear Algebra and its Applications", Harcourt Brace Jovanovic, Orlando, FA, 1988
  • Zhou, K. and J. Doyle "Essentials of Robust Control", Prentice Hall International, Upper Saddle River, NJ, 1998
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 M0627: Machine Learning and Data Mining

Lehrveranstaltungen
Titel Typ SWS LP
Maschinelles Lernen und Data Mining (L0340) Vorlesung 2 4
Maschinelles Lernen und Data Mining (L0510) Gruppenübung 2 2
Modulverantwortlicher NN
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Calculus
  • Stochastics
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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht
Mechatronics: Technischer Ergänzungskurs: 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
  • Decision trees
  • First-order inductive learning
  • Incremental learning: Version spaces
  • Uncertainty
  • Bayesian networks
  • Learning parameters of Bayesian networks
    BME, MAP, ML, EM algorithm
  • Learning structures of Bayesian networks
  • Gaussian Mixture Models
  • kNN classifier, neural network classifier, support vector machine (SVM) classifier
  • Clustering
    Distance measures, k-means clustering, nearest neighbor clustering
  • Kernel Density Estimation
  • Ensemble Learning
  • Reinforcement Learning
  • Computational Learning Theory
Literatur
  1. Artificial Intelligence: A Modern Approach (Third Edition), Stuart Russel, Peter Norvig, Prentice Hall, 2010, Chapters 13, 14, 18-21
  2. Machine Learning: A Probabilistic Perspective, Kevin Murphy, MIT Press 2012
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
Titel Typ SWS LP
Ausgewählte Themen der Regelungstechnik (L0661) Vorlesung 2 3
Ausgewählte Themen der Regelungstechnik (L0662) Gruppenübung 2 3
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
  • Students can explain the advantages and shortcomings of the classical gain scheduling approach
  • They can explain the representation of nonlinear systems in the form of quasi-LPV systems
  • They can explain how stability and performance conditions for LPV systems can be formulated as LMI conditions
  • They can explain how gridding techniques can be used to solve analysis and synthesis problems for LPV systems
  • They are familiar with polytopic and LFT representations of LPV systems and some of the basic synthesis techniques associated with each of these model structures


  • Students can explain how graph theoretic concepts are used to represent the communication topology of multiagent systems
  • They can explain the convergence properties of  first order consensus protocols
  • They can explain analysis and synthesis conditions for formation control loops involving either LTI or LPV agent models


  • Students can explain the state space representation of spatially invariant distributed systems that are discretized according to an actuator/sensor array
  • They can explain (in outline) the extension of the bounded real lemma to such distributed systems and the associated synthesis conditions for distributed controllers

Fertigkeiten
  • Students are capable of constructing LPV models of nonlinear plants and carry out a mixed-sensitivity design of gain-scheduled controllers; they can do this using polytopic, LFT or general LPV models 
  • They are able to use standard software tools (Matlab robust control toolbox) for these tasks


  • Students are able to design distributed formation controllers for groups of agents with either LTI or LPV dynamics, using Matlab tools provided


  • Students are able to design distributed controllers for spatially interconnected systems, using the Matlab MD-toolbox
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
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Regelungs- und Energiesystemtechnik: Wahlpflicht
Flugzeug-Systemtechnik: Vertiefung Flugzeugsysteme: Wahlpflicht
Flugzeug-Systemtechnik: Vertiefung Avionik und eingebettete Systeme: 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 Medizin- und Regelungstechnik: Wahlpflicht
Mediziningenieurwesen: Vertiefung Management und Administration: Wahlpflicht
Mediziningenieurwesen: Vertiefung Künstliche Organe und Regenerative Medizin: Wahlpflicht
Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht
Theoretischer Maschinenbau: Kernqualifikation: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: 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
  • Linear Parameter-Varying (LPV) Gain Scheduling

    - Linearizing gain scheduling, hidden coupling
    - Jacobian linearization vs. quasi-LPV models
    - Stability and induced L2 norm of LPV systems
    - Synthesis of LPV controllers based on the two-sided projection lemma
    - Simplifications: controller synthesis for polytopic and LFT models
    - Experimental identification of LPV models
    - Controller synthesis based on input/output models
    - Applications: LPV torque vectoring for electric vehicles, LPV control of a robotic manipulator
  • Control of Multi-Agent Systems

    - Communication graphs
    - Spectral properties of the graph Laplacian
    - First and second order consensus protocols
    - Formation control, stability and performance
    - LPV models for agents subject to nonholonomic constraints
    - Application: formation control for a team of quadrotor helicopters
  • Control of Spatially Interconnected Systems

    - Multidimensional signals, l2 and L2 signal norm
    - Multidimensional systems in Roesser state space form
    - Extension of real-bounded lemma to spatially interconnected systems
    - LMI-based synthesis of distributed controllers
    - Spatial LPV control of spatially varying systems
    - Applications: control of temperature profiles, vibration damping for an actuated beam
Literatur
  • Werner, H., Lecture Notes "Advanced Topics in Control"
  • Selection of relevant research papers made available as pdf documents via StudIP
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 M0552: 3D Computer Vision

Lehrveranstaltungen
Titel Typ SWS LP
3D Computer Vision (L0129) Vorlesung 2 3
3D Computer Vision (L0130) Gruppenübung 2 3
Modulverantwortlicher Prof. Rolf-Rainer Grigat
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Knowlege of the modules Digital Image Analysis and Pattern Recognition and Data Compression are used in the practical task
  • Linear Algebra (including PCA, SVD), nonlinear optimization (Levenberg-Marquardt), basics of stochastics and basics of Matlab are required and cannot be explained in detail during the lecture.
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

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

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

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

in practical assignments.

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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 60 Minuten, Umfang Vorlesung und Materialien im StudIP
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Computer Science: Vertiefung II. Intelligenz-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
Mechanical Engineering and Management: Vertiefung Mechatronik: 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 Robotik und Informatik: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Numerik und Informatik: 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
  • Projective Geometry and Transformations in 2D und 3D in homogeneous coordinates
  • Projection matrix, calibration
  • Epipolar Geometry, fundamental and essential matrices, weak calibration, 5 point algorithm
  • Homographies 2D and 3D
  • Trifocal Tensor
  • Correspondence search
Literatur
  • Skriptum Grigat/Wenzel
  • Hartley, Zisserman: Multiple View Geometry in Computer Vision. Cambridge 2003.
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 M1552: Mathematik neuronaler Netzwerke

Lehrveranstaltungen
Titel Typ SWS LP
Mathematik neuronaler Netzwerke (L2322) Vorlesung 2 3
Mathematik neuronaler Netzwerke (L2323) Gruppenübung 2 3
Modulverantwortlicher Dr. Jens-Peter Zemke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  1. Mathematik I-III
  2. Numerische Mathematik 1/ Numerik
  3. Programmierkenntnisse, bestenfalls in Python
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende können die mathematischen Grundlagen verschiedener neuronaler Netze benennen, wiedergeben, neuronale Netze klassifizieren und hinsichtlich der Schwierigkeiten bewerten.

Fertigkeiten

Studierende können neuronale Netze implementieren, verstehen und gezielt sowie an die Problemstellung angepasst anwenden.

Personale Kompetenzen
Sozialkompetenz

Studierende können

  • in kleinen Gruppen Lösungen erarbeiten und dokumentieren;
  • in Gruppen Ideen weiterentwickeln und auf anderen Kontext übertragen;
  • im Team eine Software-Bibliothek entwickeln, aufbauen und weiterentwickeln.
Selbstständigkeit

Studierende sind fähig

  • den Aufwand und Umfang selbst definierter Aufgaben korrekt einzuschätzen;
  • selbst einzuschätzen, ob sie die begleitenden theoretischen und praktischen Übungsaufgaben besser allein oder im Team lösen;
  • sich eigenständig Aufgaben zum Test und zum Ausbau der Verfahren auszudenken;
  • ihren Lernstand konkret zu beurteilen und gegebenenfalls gezielt Fragen zu stellen und Hilfe zu suchen.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 25 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Computer Science: Vertiefung III. Mathematik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung III. Mathematik: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht
Lehrveranstaltung L2322: Mathematik neuronaler Netzwerke
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Dr. Jens-Peter Zemke
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  1. Grundlagen: Analogie, Aufbau neuronaler Netze, universelle Approximationseigenschaft, NP-Vollständigkeit
  2. Feedforward-Netze: Backpropagation, Varianten des stochastischen Gradientenverfahrens
  3. Deep Learning: Probleme und Lösungsstrategien
  4. Deep Belief Networks: Energie-basierte Modelle, Contrastive Divergence
  5. Faltungsnetze: Idee, Aufbau, FFT und Algorithmen von Winograd, Implementationsdetails
  6. Rekurrente Netze: Idee, dynamische Systeme, Training, LSTM
  7. Residuale Netze: Idee, Verbindung zu neuronalen ODEs
  8. Standardbibliotheken: Tensorflow, Keras, PyTorch
  9. Neue Trends
Literatur
  1. Skript
  2. Online-Werke:
    • http://neuralnetworksanddeeplearning.com/
    • https://www.deeplearningbook.org/


Lehrveranstaltung L2323: Mathematik neuronaler Netzwerke
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Dr. Jens-Peter Zemke
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0738: Digital Audio Signal Processing

Lehrveranstaltungen
Titel Typ SWS LP
Digitale Audiosignalverarbeitung (L0650) Vorlesung 3 4
Digitale Audiosignalverarbeitung (L0651) Hörsaalübung 1 2
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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 45 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- 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 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
  • Introduction (Studio Technology,  Digital Transmission Systems, Storage Media, Audio Components at Home)

  • Quantization (Signal Quantization, Dither, Noise Shaping, Number Representation)

  • AD/DA Conversion (Methods, AD Converters, DA Converters, Audio Processing Systems, Digital Signal Processors, Digital Audio Interfaces, Single-Processor Systems, Multiprocessor Systems)

  • Equalizers (Recursive Audio Filters, Nonrecursive Audio Filters, Multi-Complementary Filter Bank)

  • Room Simulation (Early Reflections, Subsequent Reverberation, Approximation of Room Impulse Responses)

  • Dynamic Range Control (Static Curve, Dynamic Behavior, Implementation, Realization Aspects)

  • Sampling Rate Conversion (Synchronous Conversion, Asynchronous Conversion, Interpolation Methods)

  • Data Compression (Lossless Data Compression, Lossy Data Compression, Psychoacoustics, ISO-MPEG1 Audio Coding)

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 M1249: Medizinische Bildgebung

Lehrveranstaltungen
Titel Typ SWS LP
Medizinische Bildgebung (L1694) Vorlesung 2 3
Medizinische Bildgebung (L1695) Gruppenübung 2 3
Modulverantwortlicher Prof. Tobias Knopp
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Grundkenntnisse in Linear Algebra, Numerik und Signalverarbeitung

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
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung Intelligenz-Engineering: Wahlpflicht
Computer Science: Vertiefung II. Intelligenz-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht
Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Bio- und Medizintechnik: Wahlpflicht
Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht
Lehrveranstaltung L1694: Medizinische 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: Medizinische 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

Thesis

Modul M-002: Masterarbeit

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

    Es müssen mindestens 60 Leistungspunkte im Studiengang erworben worden sein. Über Ausnahmen entscheidet der Prüfungsausschuss.


Empfohlene Vorkenntnisse keine
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Die Studierenden können das Spezialwissen (Fakten, Theorien und Methoden) ihres Studienfaches sicher zur Bearbeitung fachlicher Fragestellungen einsetzen.
  • Die Studierenden können in einem oder mehreren Spezialbereichen ihres Faches die relevanten Ansätze und Terminologien in der Tiefe erklären, aktuelle Entwicklungen beschreiben und kritisch Stellung beziehen.
  • Die Studierenden können eine eigene Forschungsaufgabe in ihrem Fachgebiet verorten, den Forschungsstand erheben und kritisch einschätzen.


Fertigkeiten
  • Die Studierenden sind in der Lage, für die jeweilige fachliche Problemstellung geeignete Methoden auszuwählen, anzuwenden und ggf. weiterzuentwickeln.
  • Die Studierenden sind in der Lage, im Studium erworbenes Wissen und erlernte Methoden auch auf komplexe und/oder unvollständig definierte Problemstellungen lösungsorientiert anzuwenden.
  • Die Studierenden können in ihrem Fachgebiet neue wissenschaftliche Erkenntnisse erarbeiten und diese kritisch beurteilen.


Personale Kompetenzen
Sozialkompetenz

Studierende können

  • eine wissenschaftliche Fragestellung für ein Fachpublikum sowohl schriftlich als auch mündlich strukturiert, verständlich und sachlich richtig darstellen.
  • in einer Fachdiskussion Fragen fachkundig und zugleich adressatengerecht beantworten und dabei eigene Einschätzungen überzeugend vertreten.


Selbstständigkeit

Studierende sind fähig,

  • ein eigenes Projekt in Arbeitspakete zu strukturieren und abzuarbeiten.
  • sich in ein teilweise unbekanntes Arbeitsgebiet des Studiengangs vertieft einzuarbeiten und dafür benötigte Informationen zu erschließen.
  • Techniken des wissenschaftlichen Arbeitens umfassend in einer eigenen Forschungsarbeit anzuwenden.


Arbeitsaufwand in Stunden Eigenstudium 900, Präsenzstudium 0
Leistungspunkte 30
Studienleistung Keine
Prüfung Abschlussarbeit
Prüfungsdauer und -umfang laut ASPO
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
Internationales Wirtschaftsingenieurwesen: Abschlussarbeit: Pflicht
Joint European Master in Environmental Studies - Cities and Sustainability: Abschlussarbeit: Pflicht
Logistik, Infrastruktur und Mobilität: Abschlussarbeit: Pflicht
Materialwissenschaft: Abschlussarbeit: Pflicht
Mathematical Modelling in Engineering: Theory, Numerics, Applications: 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
Teilstudiengang Lehramt Metalltechnik: Abschlussarbeit: Pflicht
Theoretischer Maschinenbau: Abschlussarbeit: Pflicht
Verfahrenstechnik: Abschlussarbeit: Pflicht
Wasser- und Umweltingenieurwesen: Abschlussarbeit: Pflicht
Zulassungs- und Sachverständigenwesen in der Luftfahrt: Abschlussarbeit: Pflicht