Studiengangsbeschreibung
Inhalt
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 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:
- 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.
- 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.
- 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.
- 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.
- 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.
- 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:
- 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.
- 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.
- Die Absolventen und Absolventinnen können komplexe Softwaresysteme, wie etwa Web- und Cloud-Dienste, Spiele-Software und nebenläufige Systeme, entwickeln und diese analysieren und verifizieren.
- 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.
- Die Absolventen und Absolventinnen können Komponenten von cyber-physischen Systemen unter Einsatz spezifischer Methoden und Verfahren entwickeln und in größere Systeme integrieren und testen.
- 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.
- Die Absolventen und Absolventinnen können Teamsitzungen und Gruppenprojektarbeiten zu einem Thema aus der Informatik leiten und durchführen.
- 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.
- 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.
- Die Absolventen und Absolventinnen sind im Stande, zeitlich begrenzte und ressourcenbeschränkte Forschungsaufgaben unter Reflexion des im Studium Erlernten eigenverantwortlich durchzuführen.
Studiengangsstruktur
- 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:
- einem Studium-Generale-Anteil von 12 LP, bestehend aus betriebswirtschaftlichen und nichttechnischen Vertiefungsveranstaltungen,
- einem Informatik-Forschungsprojekt von 10 LP, das einer Projektarbeit mit einem forschungsbezogenen Thema entspricht,
- einem Hauptseminar von 2 LP, in dem sich die Studierenden mit einem Thema aus der Informatik intensiv beschäftigen sollen, und
- einer Masterarbeit von 30 LP, im Rahmen derer eine wissenschaftliche Arbeit selbständig, aber unter Betreuung zu verfassen ist.
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 |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Abhängig von der Wahl der Lehrveranstaltungen |
Leistungspunkte | 6 |
Lehrveranstaltungen |
Die Informationen zu den Lehrveranstaltungen entnehmen Sie dem separat veröffentlichten Modulhandbuch des Moduls. |
Modul M0524: Nichttechnische 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
|
Fertigkeiten |
Die Studierenden können in ausgewählten Teilbereichen
|
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden sind fähig ,
|
Selbstständigkeit |
Die Studierenden sind in ausgewählten Bereichen in der Lage,
|
Arbeitsaufwand in Stunden | Abhängig von der Wahl der Lehrveranstaltungen |
Leistungspunkte | 6 |
Lehrveranstaltungen |
Die Informationen zu den Lehrveranstaltungen entnehmen Sie dem separat veröffentlichten Modulhandbuch des Moduls. |
Modul M1563: Forschungsprojekt Informatik |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Wissen und Fertigkeiten aus den Master-Veranstaltungen im 1. und 2. Semester. |
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 selbständig erschließt und selbständig vertiefte Kenntnisse in diesem Gebiet erwirbt. |
Fertigkeiten |
Die Studierenden sind iin der Lage, wissenschafltiche Problemstellungen zu beschreiben und die selbständig erarbeiteten Lösungswege in einer gut strukturierten Form umzusetzen. |
Personale Kompetenzen | |
Sozialkompetenz |
Studierenden erläutern die in einem wissenschaftlichen Aufsatz geschilderten Probleme und die im Aufsatz entwickelten Lösungen aus einem Fachgebiet der Informatik, bewerten die vorgeschlagenen Lösungen in einem Vortrag und reagieren auf wissenschaftliche Nachfragen, Ergänzungen und Kommentare. |
Selbstständigkeit |
Die Studierenden können ein Teilgebiet der Informatik zeitgerecht 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 248, Präsenzstudium 112 |
Leistungspunkte | 12 |
Studienleistung | Keine |
Prüfung | Studienarbeit |
Prüfungsdauer und -umfang | Vortrag |
Zuordnung zu folgenden Curricula |
Computer Science: Kernqualifikation: Pflicht |
Lehrveranstaltung L2353: Forschungsprojekt Informatik |
Typ | Projektierungskurs |
SWS | 8 |
LP | 12 |
Arbeitsaufwand in Stunden | Eigenstudium 248, Präsenzstudium 112 |
Dozenten | Prof. Karl-Heinz Zimmermann |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | |
Literatur |
Modul M1564: Hauptseminare Informatik |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Grundlegende Module aus der Informatik und Mathematik auf Masterebene. |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden können
|
Fertigkeiten |
Die Studierenden können
|
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden sind in der Lage,
|
Selbstständigkeit |
Die Studierenden werden die Lage versetzt,
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Referat |
Prüfungsdauer und -umfang | x |
Zuordnung zu folgenden Curricula |
Computer Science: Kernqualifikation: Wahlpflicht |
Lehrveranstaltung L2352: Hauptseminar Informatik I |
Typ | Seminar |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Karl-Heinz Zimmermann |
Sprachen | DE/EN |
Zeitraum |
WiSe/ |
Inhalt | |
Literatur |
Lehrveranstaltung L2429: Hauptseminar Informatik II |
Typ | Seminar |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Karl-Heinz Zimmermann |
Sprachen | DE/EN |
Zeitraum |
WiSe/ |
Inhalt | |
Literatur |
Fachmodule der Vertiefung I. Computer- und Software-Engineering
Modul M0753: Software Verification |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Sibylle Schupp | ||||||||
Zulassungsvoraussetzungen | None | ||||||||
Empfohlene Vorkenntnisse |
|
||||||||
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht | ||||||||
Fachkompetenz | |||||||||
Wissen |
Students apply the major verification techniques in model checking and deductive verification. They explain in formal terms syntax and semantics of the underlying logics, and assess the expressivity of different logics as well as their limitations. They classify formal properties of software systems. They find flaws in formal arguments, arising from modeling artifacts or underspecification. |
||||||||
Fertigkeiten |
Students formulate provable properties of a software system in a formal language. They develop logic-based models that properly abstract from the software under verification and, where necessary, adapt model or property. They construct proofs and property checks by hand or using tools for model checking or deductive verification, and reflect on the scope of the results. Presented with a verification problem in natural language, they select the appropriate verification technique and justify their choice. |
||||||||
Personale Kompetenzen | |||||||||
Sozialkompetenz |
Students discuss relevant topics in class. They defend their solutions orally. They communicate in English. |
||||||||
Selbstständigkeit |
Using accompanying on-line material for self study, students can assess their level of knowledge continuously and adjust it appropriately. Working on exercise problems, they receive additional feedback. Within limits, they can set their own learning goals. Upon successful completion, students can identify and precisely formulate new problems in academic or applied research in the field of software verification. Within this field, they can conduct independent studies to acquire the necessary competencies and compile their findings in academic reports. They can devise plans to arrive at new solutions or assess existing ones. |
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 | ||||||||
Leistungspunkte | 6 | ||||||||
Studienleistung |
|
||||||||
Prüfung | Klausur | ||||||||
Prüfungsdauer und -umfang | 90 min | ||||||||
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. 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 |
|
Literatur |
|
Lehrveranstaltung L0630: Software Verification |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sibylle Schupp |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0942: Software Security |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Riccardo Scandariato |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse | Familiarity with C/C++, web programming |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students can
|
Fertigkeiten |
Students are capable of
|
Personale Kompetenzen | |
Sozialkompetenz | None |
Selbstständigkeit | Students are capable of acquiring knowledge independently from professional publications, technical standards, and other sources, and are capable of applying newly acquired knowledge to new problems. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 120 Minuten |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme: Wahlpflicht |
Lehrveranstaltung L1103: Software Security |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Riccardo Scandariato |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
M. Howard, D. LeBlanc: Writing Secure Code, 2nd edition, Microsoft Press (2002) G. Hoglund, G. McGraw: Exploiting Software, Addison-Wesley (2004) L. Gong, G. Ellison, M. Dageforde: Inside Java 2 Platform Security, 2nd edition, Addison-Wesley (2003) B. LaMacchia, S. Lange, M. Lyons, R. Martin, K. T. Price: .NET Framework Security, Addison-Wesley Professional (2002) D. Gollmann: Computer Security, 3rd edition (2011) |
Lehrveranstaltung L1104: Software Security |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Riccardo Scandariato |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1694: Security of Cyber-Physical Systems |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Sibylle Fröschle |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
IT security, programming skills, statistics |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
The students know and can explain - the threats posed by cyber attacks to cyber-physical systems (CPS) - concrete attacks at a technical level, e.g. on bus systems - security solutions specific to CPS with their capabilities and limitations - examples of security architectures for CPS and the requirements they guarantee - standard security engineering processes for CPS |
Fertigkeiten |
The students are able to - identify security threats and assess the risks for a given CPS - apply attack toolkits to analyse a networked control system, and detect attacks beyond those taught in class - identify and apply security solutions suitable to the requirements - follow security engineering processes to develop a security architecture for a given CPS - recognize challenges and limitations, e.g. posed by novel types of attack |
Personale Kompetenzen | |
Sozialkompetenz |
The students are able to - expertly discuss security risks and incidents of CPS and their mitigation in a solution-oriented fashion with experts and non-experts - foster a security culture with respect to CPS and the corresponding critical infrastructures |
Selbstständigkeit |
The students are able to - follow up and critically assess current developments in the security of CPS including relevant security incidents - master a new topic within the area by self-study and self-initiated interaction with experts and peers. |
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 I. Computer- und Software-Engineering: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht |
Lehrveranstaltung L2691: Security of Cyber-Physical Systems |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sibylle Fröschle |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
Embedded systems in energy, production, and transportation are currently undergoing a technological transition to highly networked automated cyber-physical systems (CPS). Such systems are potentially vulnerable to cyber attacks, and these can have physical impact. In this course we investigate security threats, solutions and architectures that are specific to CPS. The topics are as follows: Fundamentals and motivating examples Networked and embedded control systems Bus system level attacks Intruder detection systems (IDS), in particular physics-based IDS System security architectures, including cryptographic solutions Adversarial machine learning attacks in the physical world Aspects of Location and Localization Wireless networks and infrastructures for critical applications Communication security architectures and remaining threats Intruder detection systems (IDS), in particular data-centric IDS Resilience against multi-instance attacks Security Engineering of CPS: Process and Norms |
Literatur |
Recent scientific papers and reports in the public domain. |
Lehrveranstaltung L2692: Security of Cyber-Physical Systems |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sibylle Fröschle |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0926: Verteilte Algorithmen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Volker Turau |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Studierende können die wichtigsten Abstraktion von Verteilten Algorithmen erklären (synchrones/asynchrones Model, nachrichtenbasierte und speicherbasierte Kommunikation, Randomisierung). Sie sind in der Lage, komplexitätsmaße für verteilte Algorithmen zu beschreiben (Runden-, Nachrichten- und Speicherkomplexität). Sie können Basisalgorithmen für die wichtigsten verteilten Probleme: Leader election, wechselseitiger Ausschluss, Graphfärbungen, Spannbäume beschreiben. Sie kennen die wesentlichen Techniken von radomisierten Algorithmen. |
Fertigkeiten |
Studierende können eigene verteilte Algorithmen entwerfen und der Komplexität analysieren. Sie greifen dabei auf existierende Standardalgorithmen zurück. Sie analysieren die Komplexität randomisierter Algorithmen. |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 45 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. 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 |
|
Literatur |
|
Lehrveranstaltung L1072: Verteilte Algorithmen |
Typ | Hörsaalübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Volker Turau |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1400: Entwurf von Dependable Systems |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
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.
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
|
||||||||
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 |
|
||||||||
Prüfung | Mündliche Prüfung | ||||||||
Prüfungsdauer und -umfang | 30 min | ||||||||
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. 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:
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:
|
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 M1685: Ausgewählte Aspekte der Informatik |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Görschwin Fey |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen | |
Fertigkeiten | |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht |
Lehrveranstaltung L2672: Ausgewählte Aspekte der Informatik |
Typ | Vorlesung |
SWS | 3 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 78, Präsenzstudium 42 |
Dozenten | Dozenten des SD E |
Sprachen | DE/EN |
Zeitraum |
WiSe/ |
Inhalt |
Dieses Modul vermittelt einen Einblick in ein aktuelles Thema der Informatik. |
Literatur |
Lehrveranstaltung L2673: Ausgewählte Aspekte der Informatik |
Typ | Gruppenübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Dozenten des SD E |
Sprachen | DE/EN |
Zeitraum |
WiSe/ |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1682: Secure Software Engineering |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Riccardo Scandariato |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse | |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen | |
Fertigkeiten | |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 120 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. 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 |
Lehrveranstaltung L2667: Secure Software Engineering |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Riccardo Scandariato |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | |
Literatur |
Lehrveranstaltung L2668: Secure Software Engineering |
Typ | Projekt-/problembasierte Lehrveranstaltung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Riccardo Scandariato |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | |
Literatur |
Modul M1397: Modellprüfung - Beweiser und Algorithmen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
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
|
||||||||
Fertigkeiten |
Studierende können
|
||||||||
Personale Kompetenzen | |||||||||
Sozialkompetenz |
Studierende können
|
||||||||
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 |
|
||||||||
Prüfung | Mündliche Prüfung | ||||||||
Prüfungsdauer und -umfang | 30 min | ||||||||
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. 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 |
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? Among other topics, the lecture will consider the following topics:
|
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 M1301: Software Testing |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Sibylle Schupp |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students explain the different phases of testing, describe fundamental techniques of different types of testing, and paraphrase the basic principles of the corresponding test process. They give examples of software development scenarios and the corresponding test type and technique. They explain algorithms used for particular testing techniques and describe possible advantages and limitations. |
Fertigkeiten |
Students identify the appropriate testing type and technique for a given problem. They adapt and execute respective algorithms to execute a concrete test technique properly. They interpret testing results and execute corresponding steps for proper re-test scenarios. They write and analyze test specifications. They apply bug finding techniques for non-trivial problems. |
Personale Kompetenzen | |
Sozialkompetenz |
Students discuss relevant topics in class. They defend their solutions orally. |
Selbstständigkeit |
Students can assess their level of knowledge continuously and adjust it appropriately, based on feedback and on self-guided studies. Within limits, they can set their own learning goals. Upon successful completion, students can identify and precisely formulate new problems in academic or applied research in the field of software testing. Within this field, they can conduct independent studies to acquire the necessary competencies and compile their findings in academic reports. They can devise plans to arrive at new solutions or assess existing ones |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Fachtheoretisch-fachpraktische Arbeit |
Prüfungsdauer und -umfang | Software |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. 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 |
|
Literatur |
|
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 |
|
Literatur |
|
Modul M1427: Algorithmische Spieltheorie |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Matthias Mnich |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht |
Lehrveranstaltung L2060: Algorithmische Spieltheorie |
Typ | Vorlesung |
SWS | 2 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 92, Präsenzstudium 28 |
Dozenten | Prof. Matthias Mnich |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
Algorithmische Spieltheorie ist ein Thema an der Schnittstelle von Informatik, Wirtschaft und Mathematik. Es befasst sich mit der Analyse des Verhaltens und der Interaktionen strategischer Akteure, die häufig versuchen, ihre Anreize zu maximieren. Die Umgebung, in der diese Agenten interagieren, wird als Spiel bezeichnet. Wir möchten verstehen, ob die Agenten ein "Gleichgewicht" oder einen stabilen Zustand des Spiels erreichen können, in dem die Agenten keinen Anreiz haben, von ihren gewählten Strategien abzuweichen. Der algorithmische Teil besteht darin, effiziente Methoden zu entwickeln, um Gleichgewichte in Spielen zu finden, und den Agenten Empfehlungen zu geben, damit sie schnell einen Zustand persönlicher Zufriedenheit erreichen können. Wir werden auch das Mechanismusdesign untersuchen. Beim Mechanismusdesign möchten wir Märkte und Auktionen gestalten und den Agenten strategische Optionen geben, damit sie einen Anreiz haben, rational zu handeln. Wir möchten die Märkte und Auktionen auch so gestalten, dass sie effizient sind, dass alle Waren freigegeben werden und die Agenten die von ihnen erworbenen Waren nicht überbezahlen. Themen:
|
Literatur |
|
Lehrveranstaltung L2061: Algorithmische Spieltheorie |
Typ | Hörsaalübung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Matthias Mnich |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1248: Compiler für Eingebettete Systeme |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Heiko Falk |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Modul "Eingebettete Systeme" C/C++ Programmierkenntnisse |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Bedeutung Eingebetteter Systeme steigt von Jahr zu Jahr. Innerhalb Eingebetteter Systeme steigt der Software-Anteil, der auf Prozessoren ausgeführt wird, aufgrund geringerer Kosten und höherer Flexibilität ebenso kontinuierlich. Wegen der besonderen Einsatzgebiete Eingebetteter Systeme kommen hier hochgradig spezialisierte Prozessoren zum Einsatz, die applikationsspezifisch auf ihr jeweiliges Einsatzgebiet ausgerichtet sind. Diese hochgradig spezialisierten Prozessoren stellen hohe Anforderungen an einen Compiler, der Code von hoher Qualität generieren soll. Nach erfolgreichem Besuch der Veranstaltung sind die Studierenden in der Lage,
Wegen der hohen Anforderungen an Compiler für Eingebettete Systeme sind effektive Optimierungen unerlässlich. Die Studierenden lernen insbes.,
Da Compiler für Eingebettete Systeme oft verschiedene Zielfunktionen optimieren sollen (z.B. durchschnittliche oder worst-case Laufzeit, Energieverbrauch, Code-Größe), lernen die Studierenden den Einfluss von Optimierungen auf diese verschiedenen Zielfunktionen zu beurteilen. |
Fertigkeiten |
Studierende werden in die Lage versetzt, hochsprachlichen Programmcode in Maschinensprache zu übersetzen. Die Studierenden erwerben die Fähigkeit zu beurteilen, welche Art von Code-Optimierung innerhalb eines Compilers am effektivsten auf welchem Abstraktionsniveau (bspw. Quell- oder Assemblercode) durchzuführen ist. Während der Übungen erwerben die Studierenden die Fähigkeit, einen funktionierenden Compiler mitsamt Optimierungen zu implementieren. |
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden sind nach Abschluss des Moduls in der Lage, ähnliche Aufgaben alleine oder in einer Gruppe zu bearbeiten und die Resultate geeignet zu präsentieren. |
Selbstständigkeit |
Die Studierenden sind nach Abschluss des Moduls in der Lage, sich Teilbereiche des Fachgebietes anhand von Fachliteratur selbständig zu erarbeiten, das erworbene Wissen zusammenzufassen, zu präsentieren und es mit den Inhalten anderer Lehrveranstaltungen zu verknüpfen. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Flugzeug-Systemtechnik: Kernqualifikation: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Mechatronics: Vertiefung Systementwurf: Wahlpflicht Mechatronics: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht |
Lehrveranstaltung L1692: Compiler für Eingebettete Systeme |
Typ | Vorlesung |
SWS | 3 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 78, Präsenzstudium 42 |
Dozenten | Prof. Heiko Falk |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L1693: Compiler für Eingebettete Systeme |
Typ | 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 M0556: Computer Graphics |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Tobias Knopp |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students can explain and describe basic algorithms in 3D computer graphics. |
Fertigkeiten |
Students are capable of
|
Personale Kompetenzen | |
Sozialkompetenz |
Students can collaborate in a small team on the realization and validation of a 3D computer graphics pipeline. |
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 I. 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 Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht |
Lehrveranstaltung L0145: Computer Graphics |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Tobias Knopp |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
Computer graphics and animation are leading to an unprecedented visual revolution. The course deals with its technological foundations:
Students will be be working on a series of mini-projects which will eventually evolve into a final project. Learning computer graphics and animation resembles learning a musical instrument. Therefore, doing your projects well and in time is essential for performing well on this course. |
Literatur |
Alan H. Watt: 3D Computer Graphics. Harlow: Pearson (3rd ed., repr., 2009). Dariush Derakhshani: Introducing Autodesk Maya 2014. New York, NY : Wiley (2013). |
Lehrveranstaltung L0768: Computer Graphics |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Tobias Knopp |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1741: Betriebssystembau |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
Modulverantwortlicher | Prof. Christian Dietrich | ||||||||
Zulassungsvoraussetzungen | Keine | ||||||||
Empfohlene Vorkenntnisse |
|
||||||||
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht | ||||||||
Fachkompetenz | |||||||||
Wissen |
Studierende, die das Modul erfolgreich abgeschlossen haben:
|
||||||||
Fertigkeiten |
Studierende, die das Modul erfolgreich abgeschlossen haben:
|
||||||||
Personale Kompetenzen | |||||||||
Sozialkompetenz |
Studierende, die das Modul erfolgreich abgeschlossen haben:
|
||||||||
Selbstständigkeit |
Studierende, die das Modul erfolgreich abgeschlossen haben:
|
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 | ||||||||
Leistungspunkte | 6 | ||||||||
Studienleistung |
|
||||||||
Prüfung | Mündliche Prüfung | ||||||||
Prüfungsdauer und -umfang | 25 min | ||||||||
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht |
Lehrveranstaltung L2812: Betriebssystembau |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Christian Dietrich |
Sprachen | DE |
Zeitraum | SoSe |
Inhalt |
Ziel der Vorlesung ist die Vermittlung von konzeptionellen Grundlagen und wichtigen Techniken, die für den Bau eines Betriebssystems erforderlich sind. Dabei werden gleichzeitig Grundlagen aus dem Betriebssystembereich wie Unterbrechungen, Synchronisation und Ablaufplanung, die aus anderen Veranstaltungen weitgehend bekannt sein sollten, wiederholt und vertieft.
|
Literatur |
Lehrveranstaltung L2814: Betriebssystembau |
Typ | Projekt-/problembasierte Lehrveranstaltung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Christian Dietrich |
Sprachen | DE |
Zeitraum | SoSe |
Inhalt |
Ziel ist es, schrittweise ein kleines Betriebssystem für den PC zu entwickeln. Für die Bearbeitung der Übungsaufgaben werden Gruppen gebildet. Dabei gibt es zwei Varianten der Übung:
Die Veranstaltung ist in mehrere Aufgaben geglidert, die von den Gruppen bearbeitet werden. Dabei arbeiten die Gruppen die gesamte Zeit an "ihrem" Betriebssystem, und erhalten durch die Betreuer für jede neue Aufgabe nur eine ergänzende Vorgabe. |
Literatur |
Lehrveranstaltung L2813: Betriebssystembau |
Typ | Hörsaalübung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Prof. Christian Dietrich |
Sprachen | DE |
Zeitraum | SoSe |
Inhalt |
In den Hörsaalübungen werden die abstrakt vorgestellten Konzepte aus der Vorlesung anhand einer konkreten Rechnerarchitektur (z.B. IA-32) vertieft. Dies findet dabei mit Hinblick auf die praktischen Aufgaben der begleitenden problembasierten Lehrveranstaltung statt und stattet die Studierenden mit den dafür nötigen Kenntnissen aus.
|
Literatur |
Modul M0910: Fortgeschrittener Entwurf von Chip-Systemen (Praktikum) |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Heiko Falk |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Erfolgreiche Teilnahme am praktischen FPGA-Labor des Moduls "Rechnerarchitektur" ist zwingende Voraussetzung. |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
In diesem Modul werden fortgeschrittene Konzepte der
Rechnerarchitektur praxisorientiert vermittelt. Mit Hilfe der Hardware-Beschreibungssprache VHDL und rekonfigurierbarer FPGA-Hardware lernen Studierende, wie komplexe Rechensysteme (sog. Systems-on-Chip, SoCs), wie sie insbesondere im Bereich der eingebetteten Systeme anzutreffen sind, in Hardware zu entwerfen sind. Ausgehend von einer einfachen Prozessor-Architektur lernen Studierende, die Verarbeitung von Befehlen durch eine Maschine nach dem Pipelining-Prinzip zu realisieren. Sie implementieren verschiedene Formen Cache-basierter Speicher-Hierarchien, untersuchen Ansätze zum dynamischen Scheduling von Maschinenbefehlen und zur Sprungvorhersage, und konstruieren letztlich ein komplexes MPSoC-System (multi-processor system-on-chip), das aus mehreren Kernen besteht, die über einen gemeinsamen Bus verbunden sind. |
Fertigkeiten |
Die Studierenden können analysieren, wie hochspezifische und individuelle Rechner aus einer Sammlung gängiger Einzelkomponenten zusammengesetzt werden. Sie sind in der Lage, die Wechselwirkungen zwischen einem physischen Rechensystem und der darauf ausgeführten Software beurteilen zu können. Sie sollen so in die Lage versetzt werden, Auswirkungen hardwarenaher Entwurfsentscheidungen auf die Leistung des Gesamtsystems abzuschätzen, zu beurteilen und geeignete Optionen vorzuschlagen. |
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden sind nach Abschluss des Moduls in der Lage, ähnliche Aufgaben alleine oder in einer Gruppe zu bearbeiten und die Resultate geeignet zu präsentieren. |
Selbstständigkeit |
Die Studierenden sind nach Abschluss des Moduls in der Lage, sich Teilbereiche des Fachgebietes anhand von Fachliteratur selbständig zu erarbeiten, das erworbene Wissen in konkrete Implementierungen komplexer Hardware-Strukturen zu überführen und es mit den Inhalten anderer Lehrveranstaltungen zu verknüpfen. |
Arbeitsaufwand in Stunden | Eigenstudium 138, Präsenzstudium 42 |
Leistungspunkte | 6 |
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 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 |
|
Literatur |
|
Modul M0839: Traffic Engineering |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
Modulverantwortlicher | Prof. Andreas Timm-Giel |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students are able to describe methods for planning, optimisation and performance evaluation of communication networks. |
Fertigkeiten |
Students are able to solve typical planning and optimisation tasks for communication networks. Furthermore they are able to evaluate the network performance using queuing theory. Students are able to apply independently what they have learned to other and new problems. They can present their results in front of experts and discuss them. |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit |
Students are able to acquire the necessary expert knowledge to understand the functionality and performance of new communication networks independently. |
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
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 |
|
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 |
Literatur |
Literatur: |
Lehrveranstaltung L0901: Traffic Engineering Exercises |
Typ | Gruppenübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Andreas Timm-Giel |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
Accompanying exercise for the traffic engineering course |
Literatur |
Literatur: |
Modul M1742: Betriebssystemtechnik |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Christian Dietrich |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Studierende, die das Modul erfolgreich abgeschlossen haben:
|
Fertigkeiten |
Studierende, die das Modul erfolgreich abgeschlossen haben:
|
Personale Kompetenzen | |
Sozialkompetenz |
Studierende, die das Modul erfolgreich abgeschlossen haben:
|
Selbstständigkeit |
Studierende, die das Modul erfolgreich abgeschlossen haben:
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Fachtheoretisch-fachpraktische Arbeit |
Prüfungsdauer und -umfang | 40 Minuten, Inhalte der Vorlesung und praktischen Veranstaltungen |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht |
Lehrveranstaltung L2815: Betriebssystemtechnik |
Typ | Vorlesung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Christian Dietrich |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt |
Schwerpunktthema der Veranstaltung ist die Verwaltung von Prozessadressräumen. Untersucht werden Verfahren und Techniken zur Trennung logischer Adressräume, zum Adressraumgrenzen überschreitenden Zugriff und zum Schutz von Prozessen. Vorgestellt wird die Implementierung von Systemaufrufen und seiten- wie auch segmentbasierte Techniken zur Abbildung logischer/virtueller Adressräume auf reale. Vor diesem Hintergrund werden verschiedene Betriebssystemarchitekturen verglichen und gängige Adressraummodelle von Betriebssystemen erläutert. Weitere Themen bildet die Interprozesskommunikation durch Nachrichtenversenden bei getrennten Adressräumen, aber auch die Nachbildung virtuell gemeinsamen Speichers auf Basis solcher Ansätze. Die Vorlesung vermittelt die notwendigen Kenntnisse um ein gegebenes Kleinstbetriebssystem um Speicherschutz und Privilegienisolation zu erweitern. |
Literatur |
Lehrveranstaltung L2816: Betriebssystemtechnik |
Typ | Projekt-/problembasierte Lehrveranstaltung |
SWS | 3 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 78, Präsenzstudium 42 |
Dozenten | Prof. Christian Dietrich |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt |
In der projektbasierten Teil der Lehrveranstaltung arbeiten die Studierenden an der Einkernvarariante von OOStuBS Betriebssystemes, welches auch in Betriebssystembau als Lehrgegenstand zum Einsatz kommt. In mehreren Aufgaben, die in Kleingruppen zu bearbeiten sind, wird das gegebene Betriebssystem schrittweise um Privilegienisolation, Speichervirtualisierung und Interprozesskommunikation erweitert, wodurch ein vollständiges Prozessmodell etabliert wird. Dabei werden werden folgende Themen behandelt:
|
Literatur |
Fachmodule der Vertiefung II. Intelligenz-Engineering
Modul M0633: Industrial Process Automation |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Alexander Schlaefer | ||||||||
Zulassungsvoraussetzungen | None | ||||||||
Empfohlene Vorkenntnisse |
mathematics and optimization methods |
||||||||
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht | ||||||||
Fachkompetenz | |||||||||
Wissen |
The students can evaluate and assess 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 |
|
||||||||
Prüfung | Klausur | ||||||||
Prüfungsdauer und -umfang | 90 Minuten | ||||||||
Zuordnung zu folgenden Curricula |
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht Computer Science: Vertiefung II. Intelligenz-Engineering: Wahlpflicht Elektrotechnik: Vertiefung Regelungs- und Energiesystemtechnik: Wahlpflicht Flugzeug-Systemtechnik: Kernqualifikation: Wahlpflicht Flugzeug-Systemtechnik: Vertiefung Kabinensysteme: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Mechatronik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Produktentwicklung und Produktion: Wahlpflicht Mechanical Engineering and Management: Vertiefung Mechatronik: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht Verfahrenstechnik: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht Verfahrenstechnik: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht |
Lehrveranstaltung L0344: Industrial Process Automation |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
- foundations of problem solving and system modeling, discrete event systems |
Literatur |
J. Lunze: „Automatisierungstechnik“, Oldenbourg Verlag, 2012 |
Lehrveranstaltung L0345: Industrial Process Automation |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0550: Digital Image Analysis |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Rolf-Rainer Grigat |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
System theory of one-dimensional signals (convolution and correlation, sampling theory, interpolation and decimation, Fourier transform, linear time-invariant systems), linear algebra (Eigenvalue decomposition, SVD), basic stochastics and statistics (expectation values, influence of sample size, correlation and covariance, normal distribution and its parameters), basics of Matlab, basics in optics |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students can
|
Fertigkeiten |
Students are able to
Students can solve simple arithmetical problems relating to the specification and design of image processing and image analysis systems. Students are able to assess different solution approaches in multidimensional decision-making areas. Students can undertake a prototypical analysis of processes in Matlab. |
Personale Kompetenzen | |
Sozialkompetenz |
k.A. |
Selbstständigkeit |
Students can solve image analysis tasks independently using the relevant literature. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 60 Minuten, Umfang Vorlesung und Materialien im StudIP |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung II. Intelligenz-Engineering: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: 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: Vertiefung Robotik und Informatik: Wahlpflicht |
Lehrveranstaltung L0126: Digital Image Analysis |
Typ | Vorlesung |
SWS | 4 |
LP | 6 |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Dozenten | Prof. Rolf-Rainer Grigat |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
Bredies/Lorenz, Mathematische Bildverarbeitung, Vieweg, 2011 |
Modul M0629: Intelligent Autonomous Agents and Cognitive Robotics |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Rainer Marrone |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse | Vectors, matrices, Calculus |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students can explain the agent abstraction, define intelligence in terms of rational behavior, and give details about agent design (goals, utilities, environments). They can describe the main features of environments. The notion of adversarial agent cooperation can be discussed in terms of decision problems and algorithms for solving these problems. For dealing with uncertainty in real-world scenarios, students can summarize how Bayesian networks can be employed as a knowledge representation and reasoning formalism in static and dynamic settings. In addition, students can define decision making procedures in simple and sequential settings, with and with complete access to the state of the environment. In this context, students can describe techniques for solving (partially observable) Markov decision problems, and they can recall techniques for measuring the value of information. Students can identify techniques for simultaneous localization and mapping, and can explain planning techniques for achieving desired states. Students can explain coordination problems and decision making in a multi-agent setting in term of different types of equilibria, social choice functions, voting protocol, and mechanism design techniques. |
Fertigkeiten |
Students can select an appropriate agent architecture for concrete agent application scenarios. For simplified agent application students can derive decision trees and apply basic optimization techniques. For those applications they can also create Bayesian networks/dynamic Bayesian networks and apply bayesian reasoning for simple queries. Students can also name and apply different sampling techniques for simplified agent scenarios. For simple and complex decision making students can compute the best action or policies for concrete settings. In multi-agent situations students will apply techniques for finding different equilibria states,e.g., Nash equilibria. For multi-agent decision making students will apply different voting protocols and compare and explain the results. |
Personale Kompetenzen | |
Sozialkompetenz |
Students are able to discuss their solutions to problems with others. They communicate in English |
Selbstständigkeit |
Students are able of checking their understanding of complex concepts by solving varaints of concrete problems |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 Minuten |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung II. Intelligenz-Engineering: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht Mechatronics: Technischer Ergänzungskurs: 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 Robotik 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 |
|
Literatur |
|
Lehrveranstaltung L0512: Intelligent Autonomous Agents and Cognitive Robotics |
Typ | Gruppenübung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Rainer Marrone |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0630: Robotics and Navigation in Medicine |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
Modulverantwortlicher | Prof. Alexander Schlaefer | ||||||||||||
Zulassungsvoraussetzungen | None | ||||||||||||
Empfohlene Vorkenntnisse |
|
||||||||||||
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht | ||||||||||||
Fachkompetenz | |||||||||||||
Wissen |
The students can explain kinematics and tracking systems in clinical contexts and illustrate systems and their components in 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 |
|
||||||||||||
Prüfung | Klausur | ||||||||||||
Prüfungsdauer und -umfang | 90 Minuten | ||||||||||||
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung II. Intelligenz-Engineering: Wahlpflicht Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Elektrotechnik: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Verfahrenstechnik und Biotechnologie: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Mediziningenieurwesen: Vertiefung Künstliche Organe und Regenerative Medizin: Wahlpflicht Mediziningenieurwesen: Vertiefung Implantate und Endoprothesen: Wahlpflicht Mediziningenieurwesen: Vertiefung Medizin- und Regelungstechnik: Wahlpflicht Mediziningenieurwesen: Vertiefung Management und Administration: Wahlpflicht Produktentwicklung, Werkstoffe und Produktion: Vertiefung Produktentwicklung: Wahlpflicht Produktentwicklung, Werkstoffe und Produktion: Vertiefung Produktion: Wahlpflicht Produktentwicklung, Werkstoffe und Produktion: Vertiefung Werkstoffe: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Bio- und Medizintechnik: Wahlpflicht |
Lehrveranstaltung L0335: Robotics and Navigation in Medicine |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
- kinematics |
Literatur |
Spong et al.: Robot Modeling and Control, 2005 |
Lehrveranstaltung L0338: Robotics and Navigation in Medicine |
Typ | Projektseminar |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Lehrveranstaltung L0336: Robotics and Navigation in Medicine |
Typ | Gruppenübung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1702: Process Imaging |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Alexander Penn |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse | |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen | |
Fertigkeiten | |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 120 min |
Zuordnung zu folgenden Curricula |
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Bioverfahrenstechnik: Vertiefung B - Industrielle Bioverfahrenstechnik: Wahlpflicht Bioverfahrenstechnik: Vertiefung B - Industrielle Bioverfahrenstechnik: Wahlpflicht Bioverfahrenstechnik: Vertiefung C - Bioökonomische Verfahrenstechnik, Schwerpunkt Energie und Bioprozesstechnik: Wahlpflicht Bioverfahrenstechnik: Vertiefung C - Bioökonomische Verfahrenstechnik, Schwerpunkt Energie und Bioprozesstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Bioverfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Bioverfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht Computer Science: Vertiefung II. Intelligenz-Engineering: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Signalverarbeitung: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Verfahrenstechnik und Biotechnologie: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht Verfahrenstechnik: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht Verfahrenstechnik: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht Verfahrenstechnik: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht Verfahrenstechnik: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht Verfahrenstechnik: Vertiefung Umweltverfahrenstechnik: Wahlpflicht Verfahrenstechnik: Vertiefung Umweltverfahrenstechnik: Wahlpflicht Wasser- und Umweltingenieurwesen: Vertiefung Umwelt: Wahlpflicht Wasser- und Umweltingenieurwesen: Vertiefung Umwelt: Wahlpflicht Wasser- und Umweltingenieurwesen: Vertiefung Wasser: Wahlpflicht Wasser- und Umweltingenieurwesen: Vertiefung Wasser: Wahlpflicht |
Lehrveranstaltung L2723: Process Imaging |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Alexander Penn |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | |
Literatur |
Lehrveranstaltung L2724: Process Imaging |
Typ | Projekt-/problembasierte Lehrveranstaltung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Alexander Penn |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | |
Literatur |
Modul M0627: Machine Learning and Data Mining |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | NN |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students can explain the difference between instance-based and model-based learning approaches, and they can enumerate basic machine learning technique for each of the two basic approaches, either on the basis of static data, or on the basis of incrementally incoming data . For dealing with uncertainty, students can describe suitable representation formalisms, and they explain how axioms, features, parameters, or structures used in these formalisms can be learned automatically with different algorithms. Students are also able to sketch different clustering techniques. They depict how the performance of learned classifiers can be improved by ensemble learning, and they can summarize how this influences computational learning theory. Algorithms for reinforcement learning can also be explained by students. |
Fertigkeiten |
Student derive decision trees and, in turn, propositional rule sets from simple and static data tables and are able to name and explain basic optimization techniques. They present and apply the basic idea of first-order inductive leaning. Students apply the BME, MAP, ML, and EM algorithms for learning parameters of Bayesian networks and compare the different algorithms. They also know how to carry out Gaussian mixture learning. They can contrast kNN classifiers, neural networks, and support vector machines, and name their basic application areas and algorithmic properties. Students can describe basic clustering techniques and explain the basic components of those techniques. Students compare related machine learning techniques, e.g., k-means clustering and nearest neighbor classification. They can distinguish various ensemble learning techniques and compare the different goals of those techniques. |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 Minuten |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung II. Intelligenz-Engineering: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht Mechatronics: Technischer Ergänzungskurs: Wahlpflicht Mechatronics: Vertiefung Systementwurf: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht |
Lehrveranstaltung L0340: Machine Learning and Data Mining |
Typ | Vorlesung |
SWS | 2 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 92, Präsenzstudium 28 |
Dozenten | Rainer Marrone |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0510: Machine Learning and Data Mining |
Typ | Gruppenübung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Rainer Marrone |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0623: Intelligent Systems in Medicine |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
Modulverantwortlicher | Prof. Alexander Schlaefer | ||||||||||||
Zulassungsvoraussetzungen | None | ||||||||||||
Empfohlene Vorkenntnisse |
|
||||||||||||
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht | ||||||||||||
Fachkompetenz | |||||||||||||
Wissen |
The students are able to analyze and solve clinical treatment planning and decision support problems using methods for search, optimization, and planning. They are able to explain methods for classification and their respective advantages and disadvantages in clinical contexts. The students can compare different methods for representing medical knowledge. They can evaluate methods in the context of clinical data and explain challenges due to the clinical nature of the data and its acquisition and due to privacy and safety requirements. |
||||||||||||
Fertigkeiten |
The students can give reasons for selecting and adapting methods for classification, regression, and prediction. They can assess the methods based on actual patient data and evaluate the implemented methods. |
||||||||||||
Personale Kompetenzen | |||||||||||||
Sozialkompetenz |
The students discuss the results of other groups, provide helpful feedback and can incoorporate feedback into their work. |
||||||||||||
Selbstständigkeit |
The students can reflect their knowledge and document the results of their work. They can present the results in an appropriate manner. |
||||||||||||
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 | ||||||||||||
Leistungspunkte | 6 | ||||||||||||
Studienleistung |
|
||||||||||||
Prüfung | Klausur | ||||||||||||
Prüfungsdauer und -umfang | 90 Minuten | ||||||||||||
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung II. Intelligenz-Engineering: Wahlpflicht Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht Interdisciplinary Mathematics: Vertiefung III. Computational Methods in Biomedical Imaging: Pflicht 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 |
Literatur |
Russel & Norvig: Artificial Intelligence: a Modern Approach, 2012 |
Lehrveranstaltung L0334: Intelligent Systems in Medicine |
Typ | Projektseminar |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Lehrveranstaltung L0333: Intelligent Systems in Medicine |
Typ | Gruppenübung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Prof. Alexander Schlaefer |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1302: Angewandte Humanoide Robotik |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Patrick Göttsch |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 96, Präsenzstudium 84 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Schriftliche Ausarbeitung |
Prüfungsdauer und -umfang | 5-10 Seiten |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung II. Intelligenz-Engineering: Wahlpflicht Elektrotechnik: Vertiefung Regelungs- und Energiesystemtechnik: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Bio- und Medizintechnik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: 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/ |
Inhalt |
|
Literatur |
|
Modul M1249: Medizinische Bildgebung |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
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, Rekonstruktionsverfahren für verschiedene tomographische Bildgebungsmodalitäten wie die Computertomographie und die Magnetresonanztomographie zu beschreiben. Sie kennen die nötigen Grundlagen aus den Bereichen der Signalverarbeitung und der inversen Probleme und kennen sowohl analytische als auch iterative Bildrekonstruktionsmethoden. Die Studierenden verfügen über vertiefende Kenntnisse über die Bildgebungoperatoren der Computertomographie und die Magnetresonanztomographie. |
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. Zudem können die Studierenden die zeitliche Komplexität von Bildgebungsalgorithmen abschätzen. |
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden können in sowohl selbstständig als auch in Teams an komplexen Problemen arbeiten. Sie können sich untereinander austauschen und ihre individuellen Stärken zur Lösung des Problems einbringen. |
Selbstständigkeit |
Die Studierenden sind in der Lage ein komplexes Problem eigenständig zu untersuchen und einzuschätzen, welche Kompetenzen zur Lösung des Problems benötigt werden. |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung II. Intelligenz-Engineering: Wahlpflicht Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht Interdisciplinary Mathematics: Vertiefung III. Computational Methods in Biomedical Imaging: Pflicht Microelectronics and Microsystems: Vertiefung Communication and Signal Processing: 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/EN |
Zeitraum | WiSe |
Inhalt |
|
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/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Fachmodule der Vertiefung III. Mathematik
Modul M0667: Algorithmische Algebra |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Dr. Prashant Batra |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Mathe I-III (Reelle Analysis,Rechnen in Vektorräumen, Vollst. Induktion) Diskrete Mathematik I (Gruppen, Ringe, Ideale, Körper; euklidscher Algorithmus) |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern: Smith-Normalform, Chinesischer Restsatz, Gitterpunktsätze, Ganzzahlige Lösung von Ungleichungssystemen. |
Fertigkeiten |
Studierende sind in der Lage, sich weitere logische Zusammenhänge zwischen den kennengelernten Konzepten selbständig zu erschließen und können diese verifizieren. Studierende können zu gegebenen Problemstellungen einen geeigneten Lösungsansatz entwickeln, diesen verfolgen und die Ergebnisse kritisch auswerten, wie beispielsweise bei der Lösung multivariater Gleichungssysteme und in der Gitterpunkttheorie. |
Personale Kompetenzen | |
Sozialkompetenz | , |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung III. Mathematik: Wahlpflicht |
Lehrveranstaltung L0422: Algorithmische Algebra |
Typ | Vorlesung | ||||||||||||||
SWS | 3 | ||||||||||||||
LP | 5 | ||||||||||||||
Arbeitsaufwand in Stunden | Eigenstudium 108, Präsenzstudium 42 | ||||||||||||||
Dozenten | Dr. Prashant Batra | ||||||||||||||
Sprachen | DE | ||||||||||||||
Zeitraum | WiSe | ||||||||||||||
Inhalt |
Erweiterter Euklidscher Algorithmus, Lösen der Bezout-Gleichung Teilen mit Rest in Ringen Schnelle Rechenalgorithmen (Konversion in Zahlformate, Schnelle Multiplikationen) Diskrete Fourier-Transformation in Ringe Rechnen mit modularen Resten, Lösen von Restsystemen (Chinesischer Restsatz), Lösbarkeit ganzzahliger 'Gleichungssysteme Linearisierung polynomialer Gleichungen - Matrizenansatz Sylvester-Matrix, Elimination Elimination in Ringen, Elimination mehrer Veränderlicher Buchberger-Algorithmus, Gröbner-Basis Minkowskischer Gitterpunktsatz und Ganzzahlige Optimierung LLL-Algorithmus zum Auffinden 'kurzer' Vektoren in polynomialer Zeit |
||||||||||||||
Literatur |
von zur Gathen, Joachim; Gerhard, Jürgen Modern computer algebra. 3rd ed. (English) Zbl 1277.68002 Yap, Chee Keng Free download for students from author's website: http://cs.nyu.edu/yap/book/berlin/ Cox, David; Little, John; O’Shea, Donal eBook: http://dx.doi.org/10.1007/978-0-387-35651-8
Koepf, Wolfram springer eBook: http://dx.doi.org/10.1007/3-540-29895-9 Kaplan, Michael springer eBook: http://dx.doi.org/10.1007/b137968 |
Lehrveranstaltung L0423: Algorithmische Algebra |
Typ | Gruppenübung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Dr. Prashant Batra |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1428: Lineare und Nichtlineare Optimierung |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Matthias Mnich |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung III. Mathematik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung III. Mathematik: Wahlpflicht |
Lehrveranstaltung L2062: Lineare und Nichtlineare Optimierung |
Typ | Vorlesung |
SWS | 4 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 64, Präsenzstudium 56 |
Dozenten | Prof. Matthias Mnich |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L2063: Lineare und Nichtlineare Optimierung |
Typ | Hörsaalübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Matthias Mnich |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0716: Hierarchische Algorithmen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Sabine Le Borne |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Studierende können
|
Fertigkeiten |
Studierende sind in der Lage,
|
Personale Kompetenzen | |
Sozialkompetenz |
Studierende können
|
Selbstständigkeit |
Studierende sind fähig,
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 20 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung III. Mathematik: Wahlpflicht Technomathematik: Vertiefung I. Mathematik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Simulationstechnik: Wahlpflicht |
Lehrveranstaltung L0585: Hierarchische Algorithmen |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sabine Le Borne |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur | W. Hackbusch: Hierarchische Matrizen: Algorithmen und Analysis |
Lehrveranstaltung L0586: Hierarchische Algorithmen |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sabine Le Borne |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1405: Randomisierte Algorithmen und Zufällige Graphen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Anusch Taraz |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung III. Mathematik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung III. Mathematik: 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:
|
Literatur |
|
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 M0714: Numerik gewöhnlicher Differentialgleichungen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Daniel Ruprecht |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Studierende können
|
Fertigkeiten |
Studierende sind in der Lage,
|
Personale Kompetenzen | |
Sozialkompetenz |
Studierende können
|
Selbstständigkeit |
Studierende sind fähig,
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht Chemical and Bioprocess Engineering: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht Computer Science: Vertiefung III. Mathematik: Wahlpflicht Elektrotechnik: Vertiefung Regelungs- und Energiesystemtechnik: Wahlpflicht Energietechnik: Kernqualifikation: Wahlpflicht Flugzeug-Systemtechnik: Kernqualifikation: Wahlpflicht Interdisciplinary Mathematics: Vertiefung II. Numerical - Modelling Training: Pflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Technomathematik: Vertiefung I. Mathematik: Wahlpflicht Theoretischer Maschinenbau: Kernqualifikation: Pflicht Verfahrenstechnik: Vertiefung Chemische Verfahrenstechnik: Wahlpflicht Verfahrenstechnik: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht |
Lehrveranstaltung L0576: Numerik gewöhnlicher Differentialgleichungen |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Daniel Ruprecht |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
Numerische Verfahren für Anfangswertprobleme
Numerische Verfahren für Randwertaufgaben
|
Literatur |
|
Lehrveranstaltung L0582: Numerik gewöhnlicher Differentialgleichungen |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Daniel Ruprecht |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1668: Probability Theory |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Matthias Schulte |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
Familiarity with the basic concepts of probability |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung III. Mathematik: Wahlpflicht Interdisciplinary Mathematics: Vertiefung II. Numerical - Modelling Training: Pflicht |
Lehrveranstaltung L2643: Probability Theory |
Typ | Vorlesung |
SWS | 3 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 78, Präsenzstudium 42 |
Dozenten | Prof. Matthias Schulte |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
H. Bauer, Probability theory and elements of measure theory, second edition, Academic Press, 1981. A. Klenke, Probability Theory: A Comprehensive Course, second edition, Springer, 2014. G. F. Lawler, Introduction to Stochastic Processes, second edition, Chapman & Hall/CRC, 2006. A. N. Shiryaev, Probability, second edition, Springer, 1996. |
Lehrveranstaltung L2644: Probability Theory |
Typ | Gruppenübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Matthias Schulte |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0711: Numerische Mathematik II |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Sabine Le Borne |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Studierende können
|
Fertigkeiten |
Studierende sind in der Lage,
|
Personale Kompetenzen | |
Sozialkompetenz |
Studierende können
|
Selbstständigkeit |
Studierende sind fähig,
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 25 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung III. Mathematik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung III. Mathematik: Wahlpflicht Technomathematik: Vertiefung I. Mathematik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Kernqualifikation: 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 |
|
Literatur |
|
Lehrveranstaltung L0569: Numerische Mathematik II |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Sabine Le Borne, Dr. Jens-Peter Zemke |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0881: Mathematische Bildverarbeitung |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Marko Lindner |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden können
|
Fertigkeiten |
Die Studierenden können
|
Personale Kompetenzen | |
Sozialkompetenz |
Studierende können in heterogen zusammengesetzten Teams (d.h. aus unterschiedlichen Studiengängen und mit unterschiedlichem Hintergrundwissen) zusammenarbeiten und sich theoretische Grundlagen erklären. |
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 20 min |
Zuordnung zu folgenden Curricula |
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Computer Science: Vertiefung III. Mathematik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung III. Mathematik: Wahlpflicht Interdisciplinary Mathematics: Vertiefung III. Computational Methods in Biomedical Imaging: Pflicht Mechatronics: Technischer Ergänzungskurs: Wahlpflicht Mechatronics: Vertiefung Systementwurf: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Technomathematik: Vertiefung I. Mathematik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht Verfahrenstechnik: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht |
Lehrveranstaltung L0991: Mathematische Bildverarbeitung |
Typ | Vorlesung |
SWS | 3 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 78, Präsenzstudium 42 |
Dozenten | Prof. Marko Lindner |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur | Bredies/Lorenz: Mathematische Bildverarbeitung |
Lehrveranstaltung L0992: Mathematische Bildverarbeitung |
Typ | Gruppenübung |
SWS | 1 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 46, Präsenzstudium 14 |
Dozenten | Prof. Marko Lindner |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1552: Mathematik neuronaler Netzwerke |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Dr. Jens-Peter Zemke |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
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
|
Selbstständigkeit |
Studierende sind fähig
|
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 III. Mathematik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung III. Mathematik: Wahlpflicht Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht Mechatronics: Technischer Ergänzungskurs: 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 |
|
Literatur |
|
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 M1020: Numerik partieller Differentialgleichungen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Daniel Ruprecht |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
Die Studierenden sind in der Lage, zu gegebenen partiellen Differentialgleichungsproblemen numerische Lösungansätze zu formulieren, theoretische Konvergenzaussagen zu treffen sowie diese Ansätze in der Praxis durchzuführen, d.h. zu implementieren und zu testen. |
Personale Kompetenzen | |
Sozialkompetenz |
Studierende können in heterogen zusammengesetzten Teams (d.h. aus unterschiedlichen Studiengängen und mit unterschiedlichem Hintergrundwissen) zusammenarbeiten und sich theoretische Grundlagen erklären. |
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 25 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung III. Mathematik: Wahlpflicht Technomathematik: Vertiefung I. Mathematik: Wahlpflicht Theoretischer Maschinenbau: Technischer Ergänzungskurs: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Simulationstechnik: Wahlpflicht |
Lehrveranstaltung L1247: Numerik partieller Differentialgleichungen |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Daniel Ruprecht |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt |
Elementare Theorie und Numerik Partielle Diferentialgleichungen:
|
Literatur |
Dietrich Braess: Finite Elemente: Theorie, schnelle Löser und Anwendungen in der Elastizitätstheorie, Berlin u.a., Springer 2007 Susanne Brenner, Ridgway Scott: The Mathematical Theory of Finite Element Methods, Springer, 2008 |
Lehrveranstaltung L1248: Numerik partieller Differentialgleichungen |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Daniel Ruprecht |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Fachmodule der Vertiefung IV. Fachspezifische Fokussierung
Die drei Technischen Ergänzungsfächer dienen der weiteren Vertiefung der im Wahlpflichtbereich gewählten Module.
Modul M1565: Technischer Ergänzungskurs I für CSMS |
||||
Lehrveranstaltungen | ||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen | |
Fertigkeiten | |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Abhängig von der Wahl der Lehrveranstaltungen |
Leistungspunkte | 6 |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung IV. Fachspezifische Fokussierung: Wahlpflicht |
Modul M1566: Technischer Ergänzungskurs II für CSMS |
||||
Lehrveranstaltungen | ||||
|
Modulverantwortlicher | Prof. Karl-Heinz Zimmermann |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen | |
Fertigkeiten | |
Personale Kompetenzen | |
Sozialkompetenz | |
Selbstständigkeit | |
Arbeitsaufwand in Stunden | Abhängig von der Wahl der Lehrveranstaltungen |
Leistungspunkte | 6 |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung IV. Fachspezifische Fokussierung: Wahlpflicht |
Thesis
Modul M-002: Masterarbeit |
||||
Lehrveranstaltungen | ||||
|
Modulverantwortlicher | Professoren der TUHH |
Zulassungsvoraussetzungen |
|
Empfohlene Vorkenntnisse | keine |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
Studierende können
|
Selbstständigkeit |
Studierende sind fähig,
|
Arbeitsaufwand in Stunden | Eigenstudium 900, Präsenzstudium 0 |
Leistungspunkte | 30 |
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 Interdisciplinary Mathematics: Abschlussarbeit: Pflicht Internationales Wirtschaftsingenieurwesen: Abschlussarbeit: Pflicht Joint European Master in Environmental Studies - Cities and Sustainability: Abschlussarbeit: Pflicht Logistik, Infrastruktur und Mobilität: Abschlussarbeit: Pflicht Materialwissenschaft: Abschlussarbeit: Pflicht Mechanical Engineering and Management: Abschlussarbeit: Pflicht Mechatronics: Abschlussarbeit: Pflicht Mediziningenieurwesen: Abschlussarbeit: Pflicht Microelectronics and Microsystems: Abschlussarbeit: Pflicht Produktentwicklung, Werkstoffe und Produktion: Abschlussarbeit: Pflicht Regenerative Energien: Abschlussarbeit: Pflicht Schiffbau und Meerestechnik: Abschlussarbeit: Pflicht Ship and Offshore Technology: Abschlussarbeit: Pflicht 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 |