Studiengangsbeschreibung

Inhalt

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

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


Berufliche Perspektiven

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

Der Studiengang bildet Informatikinnen und Informatiker aus, die auf dem deutschen und internationalen Arbeitsmarkt unabhängig von Konjunkturbewegungen sehr gute Beschäftigungsmöglichkeiten vorfinden. Absolventen und Absolventinnen werden nicht nur als Systementwickler in der IT-Branche oder in den Entwicklungsabteilungen des Maschinenbaus und der Automobilindustrie tätig sein, sondern auch in der Medienindustrie als Entwickler von autonom agierenden Systemen oder Computerspielen.


Lernziele

Das Masterstudium Computer Science soll die Studierenden sowohl auf eine gehobene berufliche Tätigkeit im IT-Bereich als auch auf die Forschung in Informatik vorbereiten. Die dazu notwendigen methodischen Kompetenzen werden im Rahmen des Studiums erworben. Die Lernziele sind im Folgenden eingeteilt in die Kategorien Wissen, Fertigkeiten, Sozialkompetenz und Selbstständigkeit.

Wissen

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

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

Fertigkeiten

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

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

Erwerb von Sozialkompetenz

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

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

Kompetenz zum selbstständigen Arbeiten

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

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


Studiengangsstruktur

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

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

Fachmodule der Kernqualifikation

Die Kernqualifikation setzt sich aus mehreren Komponenten zusammen:

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

Modul M0523: Betrieb & Management

Modulverantwortlicher Prof. Matthias Meyer
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Keine
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Die Studierenden sind in der Lage, ausgewählte betriebswirtschaftliche Spezialgebiete innerhalb der Betriebswirtschaftslehre zu verorten.
  • Die Studierenden können in ausgewählten betriebswirtschaftlichen Teilbereichen grundlegende Theorien, Kategorien und Modelle erklären.
  • Die Studierenden können technisches und betriebswirtschaftliches Wissen miteinander in Beziehung setzen.


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


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


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


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

Modul M0524: Nichttechnische Angebote im Master

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

Die Nichttechnischen Angebote  (NTA)

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

Die Lehrarchitektur

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

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

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

Die Lehr-Lern-Arrangements

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

Die Lehrbereiche

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

Das Kompetenzniveau

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

Fachkompetenz (Wissen)

Die Studierenden können

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



Fertigkeiten

Die Studierenden können in ausgewählten Teilbereichen

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




Personale Kompetenzen
Sozialkompetenz

Die Studierenden sind fähig ,

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



Selbstständigkeit

Die Studierenden sind in ausgewählten Bereichen in der Lage,

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




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

Modul M1563: Forschungsprojekt Informatik

Lehrveranstaltungen
Titel Typ SWS LP
Forschungsprojekt Informatik (L2353) Projektierungskurs 8 12
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
Titel Typ SWS LP
Hauptseminar Informatik I (L2352) Seminar 2 3
Hauptseminar Informatik II (L2429) Seminar 2 3
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

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

Die Studierenden können

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

Die Studierenden sind in der Lage,

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

Die Studierenden werden die Lage versetzt,

  • eigenständig Aufgaben zu definieren,
  • notwendiges Wissen zu erschließen,
  • geeignete Hilfsmittel einzusetzen, 
  • unter Anleitung der Betreuerin bzw. des Betreuers den Arbeitsstand kritisch zu überprüfen.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Referat
Prüfungsdauer und -umfang x
Zuordnung zu folgenden Curricula 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/SoSe
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/SoSe
Inhalt
Literatur

Fachmodule der Vertiefung I. Computer- und Software-Engineering

Modul M0753: Software Verification

Lehrveranstaltungen
Titel Typ SWS LP
Softwareverifikation (L0629) Vorlesung 2 3
Softwareverifikation (L0630) Gruppenübung 2 3
Modulverantwortlicher Prof. Sibylle Schupp
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Automata theory and formal languages
  • Computational logic
  • Object-oriented programming, algorithms, and data structures
  • Functional programming or procedural programming
  • Concurrency
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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

Fertigkeiten

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

Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

Using accompanying on-line material for self study, students can assess their level of knowledge continuously and adjust it appropriately.  Working on exercise problems, they receive additional feedback. Within limits, they can set their own learning goals. Upon successful completion, students can identify and precisely formulate new problems in academic or applied research in the field of software verification. Within this field, they can conduct independent studies to acquire the necessary competencies and compile their findings in academic reports. They can devise plans to arrive at new solutions or assess existing ones. 

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 15 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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
  • Syntax and semantics of logic-based systems
  • Deductive verification
    • Specification
    • Proof obligations
    • Program properties
    • Automated vs. interactive theorem proving
  • Model checking
    • Foundations
    • Property languages
    • Tool support
  • Timed automata
  • Recent developments of verification techniques and applications
Literatur
  • C. Baier and J-P. Katoen, Principles of Model Checking, MIT Press 2007.
  • M. Huth and M. Bryan, Logic in Computer Science. Modelling and Reasoning about Systems, 2nd Edition, 2004.
  • Selected Research Papers
Lehrveranstaltung L0630: Software Verification
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0942: Software Security

Lehrveranstaltungen
Titel Typ SWS LP
Software-Sicherheit (L1103) Vorlesung 2 3
Software-Sicherheit (L1104) Gruppenübung 2 3
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 

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

Students are capable of 

  • performing a software vulnerability analysis 
  • developing secure code 
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
  • Reliabilty and Software Security
  • Attacks exploiting character and integer representations
  • Buffer overruns
  • Vulnerabilities in memory managemet: double free attacks
  • Race conditions
  • SQL injection
  • Cross-site scripting and cross-site request forgery
  • Testing for security; taint analysis
  • Type safe languages
  • Development proceses for secure software
  • Code-based access control


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
Titel Typ SWS LP
Sicherheit von Cyber-physischen Systemen (L2691) Vorlesung 2 3
Sicherheit von Cyber-physischen Systemen (L2692) Gruppenübung 2 3
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
Titel Typ SWS LP
Verteilte Algorithmen (L1071) Vorlesung 2 3
Verteilte Algorithmen (L1072) Hörsaalübung 2 3
Modulverantwortlicher Prof. Volker Turau
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Algorithmen und Datenstrukturen
  • Verteilte Systeme
  • Diskrete Mathematik
  • Graphentheorie
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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

Fertigkeiten

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

Personale Kompetenzen
Sozialkompetenz
Selbstständigkeit
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 45 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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
  • Leader Election
  • Färbungen & Unabhängige Mengen
  • Algorithmen für Bäume
  • Minimal aufspannende Bäume
  • Randomisierte Verteilte Algorithmen
  • Wechselseitiger Ausschluss
Literatur
  1. David Peleg: Distributed Computing - A Locality-Sensitive Approach. SIAM Monograph, 2000

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


Lehrveranstaltung L1072: Verteilte Algorithmen
Typ Hörsaalübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Volker Turau
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1400: Entwurf von Dependable Systems

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

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

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

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

Kenntnis von Methoden zur Analyse der Dependability von Systemen

Fertigkeiten

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

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

Personale Kompetenzen
Sozialkompetenz

Studierende können

  • die jeweiligen Konzepte diskutieren und erläutern sowie
  • die Lösungen mündlich darstellen.
Selbstständigkeit Studierende erlernen mittels Zusatzmaterial selbständig vertiefende Zusammenhänge der Konzepte aus der Vorlesung und erweiterte Lösungsverfahren.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja Keiner Fachtheoretisch-fachpraktische Studienleistung Die Lösung einer Aufgabe ist Zuslassungsvoraussetzung für die Prüfung. Die Aufgabe wird in Vorlesung und Übung definiert.
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:
  • Zuverlässigkeit
  • Verfügbarkeit
  • Wartbarkeit
  • Sicherheit - Safety & Security
Damit ist Dependability ein zentraler Aspekt, der früh im Systementwurf betrachtet werden muss. Dies gilt für Software, Eingebette Systeme wie auch umfassende Cyber-Physical Systems.

Inhalt

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

Modul M1685: Ausgewählte Aspekte der Informatik

Lehrveranstaltungen
Titel Typ SWS LP
Ausgewählte Aspekte der Informatik (L2672) Vorlesung 3 4
Ausgewählte Aspekte der Informatik (L2673) Gruppenübung 1 2
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/SoSe
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/SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1682: Secure Software Engineering

Lehrveranstaltungen
Titel Typ SWS LP
Entwicklung von sicherer Software (L2667) Vorlesung 2 3
Entwicklung von sicherer Software (L2668) Projekt-/problembasierte Lehrveranstaltung 2 3
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
Titel Typ SWS LP
Modellprüfung - Beweiser und Algorithmen (L1979) Vorlesung 2 3
Modellprüfung - Beweiser und Algorithmen (L1980) Gruppenübung 2 3
Modulverantwortlicher Prof. Görschwin Fey
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Grundlegende Kenntnisse zu Datenstrukturen und Algorithmen
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende kennen

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


Fertigkeiten

Studierende können

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

Personale Kompetenzen
Sozialkompetenz

Studierende können

  • die jeweiligen Konzepte diskutieren und erläutern sowie
  • die Lösungen mündlich darstellen.
Selbstständigkeit Studierende erlernen mittels Zusatzmaterial selbständig vertiefende Zusammenhänge der Konzepte aus der Vorlesung und erweiterte Lösungsverfahren.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja Keiner Fachtheoretisch-fachpraktische Studienleistung Die Aufgabe wird im Rahmen von Volresung und Prüfung definiert. Die Lösung der Aufgabe ist Zulassungsvoraussetzung für die Prüfung.
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?
How are the models generated from a given design?
The lecture will answer these questions. Open source tools will be used to gather a practical experience.

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

  • Modelling digital Hardware, Software, and Cyber Physical Systems

  • Data structures, decision procedures and proof engines

    • Binary Decision Diagrams

    • And-Inverter-Graphs

    • Boolean Satisfiability

    • Satisfiability Modulo Theories

  • Specification Languages

    • CTL

    • LTL

    • System Verilog Assertions

  • Algorithms for

    • Reachability Analysis

    • Symbolic CTL Checking

    • Bounded LTL-Model Checking

    • Optimizations, e.g., induction, abstraction

  • Quality assurance

Literatur

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

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

Selected research papers

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

Modul M1301: Software Testing

Lehrveranstaltungen
Titel Typ SWS LP
Softwaretesten (L1791) Vorlesung 2 3
Softwaretesten (L1792) Projekt-/problembasierte Lehrveranstaltung 2 3
Modulverantwortlicher Prof. Sibylle Schupp
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Software Engineering
  • Higher Programming Languages
  • Object-Oriented Programming
  • Algorithms and Data Structures
  • Experience with (Small) Software Projects
  • Statistics
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
Students explain the different phases of testing, describe fundamental
techniques of different types of testing, and paraphrase the basic
principles of the corresponding test process. They give examples of
software development scenarios and the corresponding test type and
technique. They explain algorithms used for particular testing
techniques and describe possible advantages and limitations.
Fertigkeiten
Students identify the appropriate testing type and technique for a given
problem. They adapt and execute respective algorithms to execute a
concrete test technique properly. They interpret testing results and
execute corresponding steps for proper re-test scenarios. They write and
analyze test specifications. They apply bug finding techniques for
non-trivial problems.
Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

Students can assess their level of knowledge continuously and adjust it appropriately, based on feedback and on self-guided studies. Within limits, they can set their own learning goals. Upon successful completion, students can identify and precisely formulate new problems in academic or applied research in the field of software testing. Within this field, they can conduct independent studies to acquire the necessary competencies and compile their findings in academic reports. They can devise plans to arrive at new solutions or assess existing ones

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang Software
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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
  • Fundamentals of software testing
  • Model-based testing
  • Test automation
  • Criteria-based testing
Literatur
  • M. Pezze and M. Young, Software Testing and Analysis, John Wiley 2008.
  • P. Ammann and J. Offutt, "Introduction to Software Testing", 2nd edition 2016.
  • A. Zeller: "Why Programs Fail: A Guide to Systematic Debugging", 2nd edition 2012.
Lehrveranstaltung L1792: Software Testing
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum SoSe
Inhalt
  • Fundamentals of software testing
  • Model-based testing
  • Test automation
  • Criteria-based testing
Literatur
  • M. Pezze and M. Young, Software Testing and Analysis, John Wiley 2008.
  • P. Ammann and J. Offutt, "Introduction to Software Testing", 2nd edition 2015.

Modul M1427: Algorithmische Spieltheorie

Lehrveranstaltungen
Titel Typ SWS LP
Algorithmische Spieltheorie (L2060) Vorlesung 2 4
Algorithmische Spieltheorie (L2061) Hörsaalübung 2 2
Modulverantwortlicher Prof. Matthias Mnich
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Mathematik I
  • Mathematik II
  • Algorithmen und Datenstrukturen
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Die Studierenden können die Grundkonzepte der algorithmischen Spieltheorie und des Mechanismusdesigns benennen. Sie können sie anhand geeigneter Beispiele erklären.
  • Die Studierenden können logische Zusammenhänge zwischen diesen Konzepten diskutieren. Sie können diese Zusammenhänge anhand von Beispielen veranschaulichen.
  • Sie kennen Spiel- und Mechanismusdesignstrategien und können diese reproduzieren.


Fertigkeiten
  • Die Studierenden können mithilfe der in diesem Kurs untersuchten Konzepte strategische Interaktionssysteme von Agenten modellieren. Darüber hinaus sind sie in der Lage, ihre Effizienz und Gleichgewichte mithilfe etablierter Methoden zu analysieren.
  • Die Studierenden können weitere logische Zusammenhänge zwischen den im Kurs untersuchten Konzepten entdecken und überprüfen.
  • Für ein bestimmtes Problem können die Studierenden einen geeigneten Ansatz entwickeln und ausführen und die Ergebnisse kritisch bewerten.
Personale Kompetenzen
Sozialkompetenz
  • Die Studierenden können in Teams zusammenarbeiten. Sie können Mathematik als gemeinsame Sprache verwenden.
  • Auf diese Weise können sie neue Konzepte entsprechend den Bedürfnissen ihrer Kooperationspartner kommunizieren. Darüber hinaus können sie Beispiele entwerfen, um das Verständnis ihrer Kommilitonen zu überprüfen und zu vertiefen.
Selbstständigkeit
  • Die Studierenden können ihr Verständnis komplexer Konzepte selbst überprüfen. Sie können offene Fragen genau spezifizieren und wissen, wo sie Hilfe bei der Lösung erhalten können.
  • Die Studierenden haben eine ausreichende Ausdauer entwickelt, um länger zielgerichtet an schwierigen Problemen arbeiten zu können.
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:

  • grundlegende Gleichgewichtskonzepte (Nash-Gleichgewichte, korrelierte Gleichgewichte, ...)
  • strategische Maßnahmen (Best-Response-Dynamik, No-Regret-Dynamik, ...)
  • Auktionsdesign (umsatzmaximierende Auktionen, Vickrey-Auktionen)
  • stabile Matching-Theorie (Präferenzaggregationen, Nierenaustausch, ...)
  • Preis der Anarchie und egoistisches Routing (Braess 'Paradoxon, Überlastungsspiele, ...)
Literatur
  • T. Roughgarden: Twenty Lectures on Algorithmic Game Theory, Cambridge University Press, 2016.
  • N. Nisan, T. Roughgarden, E. Tardos, V. Vazirani. Algorithmic Game Theory. Cambridge University Press, 2007.
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
Titel Typ SWS LP
Compiler für Eingebettete Systeme (L1692) Vorlesung 3 4
Compiler für Eingebettete Systeme (L1693) Projekt-/problembasierte Lehrveranstaltung 1 2
Modulverantwortlicher Prof. Heiko Falk
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Modul "Eingebettete Systeme"

C/C++ Programmierkenntnisse

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

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

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

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

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

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

Fertigkeiten

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

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

Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

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

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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
  • Einleitung und Motivation
  • Compiler für Eingebettete Systeme - Anforderungen und Abhängigkeiten
  • Interne Struktur von Compilern
  • Pre-Pass Optimierungen
  • HIR Optimierungen und Transformationen
  • Code-Generierung
  • LIR Optimierungen und Transformationen
  • Register-Allokation
  • WCET-bewusste Code-Generierung
  • Ausblick
Literatur
  • Peter Marwedel. Embedded System Design - Embedded Systems Foundations of Cyber-Physical Systems. 2nd Edition, Springer, 2012.
  • Steven S. Muchnick. Advanced Compiler Design and Implementation. Morgan Kaufmann, 1997.
  • Andrew W. Appel. Modern compiler implementation in C. Oxford University Press, 1998.
Lehrveranstaltung L1693: Compiler für Eingebettete Systeme
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Heiko Falk
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0556: Computer Graphics

Lehrveranstaltungen
Titel Typ SWS LP
Computer-Grafik (L0145) Vorlesung 2 3
Computer-Grafik (L0768) Gruppenübung 2 3
Modulverantwortlicher Prof. Tobias Knopp
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  •  Linear Algebra (in particular matrix/vector computation)
  •  Basic programming skills in C/C++


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

  •  implementing a basic 3D rendering pipeline. This consists of projecting simple 3D structures (e.g. cube, spheres) onto a 2D surface using a virtual camera.
  •  apply geometric transformations (e.g. rotation, scaling) in 2D and 3D computer graphics.
  •  using well-known 2D/3D APIs (OpenGL, Cairo) for solving a given problem statement.
Personale Kompetenzen
Sozialkompetenz

Students can collaborate in a small team on the realization and validation of a 3D computer graphics pipeline.



Selbstständigkeit
  •  Students are able to solve simple tasks independently with reference to the contents of the lectures and the exercise sets.
  •  Students are able to solve detailed problems independently with the aid of the tutorial’s programming task.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 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:

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

Students will be be working on a series of mini-projects which will eventually evolve into a final project. Learning computer graphics and animation resembles learning a musical instrument. Therefore, doing your projects well and in time is essential for performing well on this course.

Literatur
Alan H. Watt:
3D Computer Graphics.
Harlow: Pearson (3rd ed., repr., 2009).

Dariush Derakhshani:
Introducing Autodesk Maya 2014.
New York, NY : Wiley (2013).

Lehrveranstaltung L0768: Computer Graphics
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Tobias Knopp
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1741: Betriebssystembau

Lehrveranstaltungen
Titel Typ SWS LP
Betriebssystembau (L2812) Vorlesung 2 3
Betriebssystembau (L2814) Projekt-/problembasierte Lehrveranstaltung 2 2
Betriebssystembau (L2813) Hörsaalübung 1 1
Modulverantwortlicher Prof. Christian Dietrich
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse


  • Objekt-orientiertes Programmieren (notwendig)
  • Grundlagen von Betriebssystemen (empfohlen)
  • Grundlagen der Rechnerarchitektur (empfohlen)
  • Programmieren in C/C++ (empfohlen)


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

Studierende, die das Modul erfolgreich abgeschlossen haben:

  • erläutern den Startvorgang eines Rechensystems am Beispiel eines IA32 PCs.
  • beschreiben die spezifischen Herausforderungen bei der Softwareentwicklung für "bare metal".
  • beschreiben den Ablauf einer Unterbrechungsbehandlung von der Hardware bis zur (System-)software.
  • skizzieren Besonderheiten und Strategien der Unterbrechungsbehandlung in Hardware für Mehrkernsystemen am Beispiel des IA32-APICs.
  • unterscheiden die verschiedenen Typen von Kontrollflüssen in einem Betriebssystem anhand des Ebenenmodells.
  • unterscheiden harte, mehrstufige, und weiche Verfahren zur Unterbrechungssynchronisation in Betriebssystemen.
  • analysieren das Zusammenspiel von Scheduling und Unterbrechungssynchronisation.
  • unterscheiden grundlegende Möglichkeiten der Koordinierung und Synchronisation von Fäden (aktives/passives Warten, nichtverdrängbare kritische Abschnitte).
  • kennen die grundlegenden Synchronisationsprobleme (lost update, lost wakeup) und schlagen geeignete Gegenmaßnahmen vor.
  • können verschiedene Treibermodelle unterscheiden.
  • vergleichen grundlegende BS-Architekturen (Bibliothek, Monolith, Mikrokern, Exokern, Hypervisor) anhand fundamentaler Charakteristika (Robustheit, Performanz, Portierbarkeit) und Mechanismen.
  • schildern die grundlegenden Paradigmen zur Interprozesskommunikation in Betriebssystemen (speicherbasiert vs. nachrichtenbasiert).

Fertigkeiten

Studierende, die das Modul erfolgreich abgeschlossen haben:

  • diskutieren die Aufgabenteilung zwischen Hardware und Systemsoftware bei der Unterbrechungsbearbeitung.
  • können mehrstufige Verfahren zur Unterbrechungssynchronisation implementieren.
  • klassifizieren konkrete Konkurrenzsituationen und leiten daraus geeignete Synchronisationsmaßnahmen ab.
  • entwickeln den Koroutinenwechsel für einen gegebene Architektur.
  • können verdrängendes Scheduling in einem Betriebssystem implementieren.
  • entwickeln Mechanismen für die Synchronisation auf Fadenebene.
  • können Gerätetreiber in eine Betriebssystemarchitektur einbinden.
  • skizzieren, wie höhere Synchronisationskonstrukte aus grundlegenden Synchronisationsprimitiven implementiert werden (Monitore, Leser-/Schreiber-Sperre).
  • können Primitiven zur Interprozesskommunikation implementieren und einsetzen.
Personale Kompetenzen
Sozialkompetenz

Studierende, die das Modul erfolgreich abgeschlossen haben:

  • können in Kleingruppen kooperativ arbeiten.
  • können die ihre Entwurfs- und Implementierungsentscheidungen kompakt präsentieren und argumentativ vertreten.
Selbstständigkeit

Studierende, die das Modul erfolgreich abgeschlossen haben:

  • können sich komplexe Fehlerbilder durch methodisches Vorgehen schrittweise erschließen.
  • reflektieren ihre Entscheidungen kritisch und leiten Alternativen ab.
  • können offen und konstruktiv mit Schwachpunkten und Irrwegen umgehen.
  • können getroffene Fehlentscheidungen revidieren bzw. die entstehenden Kosten bewusst in Kauf nehmen.
Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 20 % Fachtheoretisch-fachpraktische 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.

  • Grundlagen der Betriebssystementwicklung
  • Unterbrechungen (Hardware, Software, Synchronisation)
  • IA-32: Die 32-Bit-Intel-Architektur
  • Koroutinen und Programmfäden
  • Scheduling
  • Betriebssystem-Architekturen
  • Fadensynchronisation
  • Gerätetreiber
  • Interprozesskommunikation
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:

  • OOStuBS ist die klassische Uniprozessorvariante
  • MPStuBS ist die Variante für moderne Mehrkernrechner

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.

  • Grundlegende Ein-/Ausgasgabekanäle
  • Behandlung von Hardwareunterbrechungen
  • Harte Synchronisationsprimitiven
  • Pro-/Epilogmodell zur Interruptsynchronisation
  • Kontextwechsel und Kooperatives Scheduling
  • Programmierung des Zeitgebers
  • Übergang von und zum Leerlaufmodus des Betriebssystems
  • Implementierung von Semaphoren
  • Beenden von Fäden in einem Mehrkernsystem
Literatur

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

Lehrveranstaltungen
Titel Typ SWS LP
Fortgeschrittener Entwurf von Chip-Systemen (L1061) Projekt-/problembasierte Lehrveranstaltung 3 6
Modulverantwortlicher Prof. Heiko Falk
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Erfolgreiche Teilnahme am praktischen FPGA-Labor des Moduls "Rechnerarchitektur" ist zwingende Voraussetzung.
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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

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

Fertigkeiten

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

Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

Die Studierenden sind nach Abschluss des Moduls in der Lage, sich Teilbereiche des Fachgebietes anhand von Fachliteratur selbständig zu erarbeiten, das erworbene Wissen in konkrete Implementierungen komplexer Hardware-Strukturen zu überführen und es mit den Inhalten anderer Lehrveranstaltungen zu verknüpfen.

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

Modul M0839: Traffic Engineering

Lehrveranstaltungen
Titel Typ SWS LP
Seminar Traffic Engineering (L0902) Seminar 2 2
Traffic Engineering (L0900) Vorlesung 2 2
Traffic Engineering Übung (L0901) Gruppenübung 1 2
Modulverantwortlicher Prof. Andreas Timm-Giel
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Fundamentals of communication or computer networks
  • Stochastics
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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

Fertigkeiten

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

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

Personale Kompetenzen
Sozialkompetenz
Selbstständigkeit

Students are able to acquire the necessary expert knowledge to understand the functionality and performance of new communication networks independently.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht
Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Netze: Wahlpflicht
Lehrveranstaltung L0902: Seminar Traffic Engineering
Typ Seminar
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Andreas Timm-Giel, Dr. Phuong Nga Tran
Sprachen EN
Zeitraum WiSe
Inhalt Selected applications of methods for planning, optimization, and performance evaluation of communication networks, which have been introduced in the traffic engineering lecture are prepared by the students and presented in a seminar.
Literatur
  • U. Killat, Entwurf und Analyse von Kommunikationsnetzen, Vieweg + Teubner
  • further literature announced in the lecture
Lehrveranstaltung L0900: Traffic Engineering
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Andreas Timm-Giel, Dr. Phuong Nga Tran
Sprachen EN
Zeitraum WiSe
Inhalt

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

Literatur

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

Lehrveranstaltung L0901: Traffic Engineering Exercises
Typ Gruppenübung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Andreas Timm-Giel
Sprachen EN
Zeitraum WiSe
Inhalt

Accompanying exercise for the traffic engineering course

Literatur

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

Modul M1742: Betriebssystemtechnik

Lehrveranstaltungen
Titel Typ SWS LP
Betriebssystemtechnik (L2815) Vorlesung 1 2
Betriebssystemtechnik (L2816) Projekt-/problembasierte Lehrveranstaltung 3 4
Modulverantwortlicher Prof. Christian Dietrich
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Objekt-orientiertes Programmieren (notwendig)
  • Programmieren in C/C++ (notwendig)
  • Betriebssystembau (empfohlen)
  • Grundlagen der Rechnerarchitektur (empfohlen)
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende, die das Modul erfolgreich abgeschlossen haben:

  • erläutern und implementieren Entwurfsprinzipien für Systemaufrufe und diskutieren deren spezifischen Vor-/Nachteile.
  • klassifizieren Schutz-, Verwaltungs-, und Virtualisierungstechniken für Programmzustände (Seitennummerierung, Segementierung, Sprachbasierung, Capabilities) und implementieren diese auf der IA-32-Architektur
  • vergleichen grundlegende BS-Architekturen (Monolith, Mikrokern, Makrokern, Exokern) anhand fundamentaler Charakteristika (Robustheit, Performanz, Portierbarkeit) und deren Einfluss auf die Implementierung von Mechanismen (Systemaufrufe, Addressraumschutz).
  • diskutieren Adressraummodelle (Mehradressraummodell, Einadressraummodell, mehrstufige und inverse Seitenabbildungen, Mitbenutzung) und deren Implementierbarkeit auf gängigen Hardwarearchitekturen.
  • diskutieren Prinzipien der Mitbenutzung von Code und Daten unter Berücksichtigung der Betriebssystem- und Addressraumarchitektur.
  • können logischen, virtuellen und physischen Speicher voneinander abgrenzen.
  • können die Kostenvorteile von Zero-Copy Schnittstellen herleiten
  • können technische und konzeptionelle Sichtweise bei der Prozesserzeugung durch fork() voneinander abgrenzen.

Fertigkeiten

Studierende, die das Modul erfolgreich abgeschlossen haben:

  • erläutern und implementieren Entwurfsprinzipien für Systemaufrufe und diskutieren deren spezifischen Vor-/Nachteile.
  • können grundlegende Mechanismen zur Speicherverwaltung implementieren
  • erschließen sich typische Probleme (Nebenläufigkeit, Compilerverhalten, Debuggen ohne dedizierte Hilfsmittel) und Fehlerquellen bei der hardwarenahen Softwareentwicklung.
  • sind in der Lage grundlegende Abstraktionen zur Adressraumvirtualisierung zu entwerfen.
  • können  die notwendigen Vorraussetzungen für Privilegientrennung benennen und diese auch technisch umsetzen 
  • implementieren Techniken zur Latezverbergung bei Speicheroperationen (Copy-On Write)
  • implementieren Mechanismen und Abtraktionen zur Interprozesskommunikation.

Personale Kompetenzen
Sozialkompetenz

Studierende, die das Modul erfolgreich abgeschlossen haben:

  • können in Kleingruppen kooperativ arbeiten.
  • können die ihre Entwurfs- und Implementierungsentscheidungen kompakt präsentieren und argumentativ vertreten.

Selbstständigkeit

Studierende, die das Modul erfolgreich abgeschlossen haben:

  • können sich komplexe Fehlerbilder durch methodisches Vorgehen schrittweise erschließen.
  • reflektieren ihre Entscheidungen kritisch und leiten geeignete Alternativen ab.
  • können offen und konstruktiv mit Schwachpunkten und Irrwegen umgehen.
  • können getroffene Fehlentscheidungen revidieren bzw. nehmen die entstehenden Kosten nur bewusst in Kauf.
  • können abstrakt gestellte Aufgaben zielgerichtet umsetzen.
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:

  • Privilegienisolation
  • Verwendung von x86 Schutzringen zur Trennung von Benutzermodus und Systemmodus
  • Systemeintritt durch Systemaufrufe
  • Räumliche Isolation
  • Verwaltung von freiem physikalischen Speicher
  • Erzeugung und Verwaltung von Adressräumen
  • Ausführung von Prozessen in eigenem Adressraum
  • Laden von Programmen; Erzeugen von Prozessen
  • Fortgeschrittene Adressraumkonzepte
  • Nachrichtenversand ohne Kopieren
  • Copy on Write
  • Implementierung von fork(2)
Literatur

Fachmodule der Vertiefung II. Intelligenz-Engineering

Modul M0633: Industrial Process Automation

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

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

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

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


Fertigkeiten

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

Personale Kompetenzen
Sozialkompetenz

The students work in teams to solve problems.


Selbstständigkeit

The students can reflect their knowledge and document the results of their work. 


Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 10 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht
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
- properties of processes, modeling using automata and Petri-nets
- design considerations for processes (mutex, deadlock avoidance, liveness)
- optimal scheduling for processes
- optimal decisions when planning manufacturing systems, decisions under uncertainty
- software design and software architectures for automation, PLCs

Literatur

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

Lehrveranstaltung L0345: Industrial Process Automation
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Alexander Schlaefer
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0550: Digital Image Analysis

Lehrveranstaltungen
Titel Typ SWS LP
Digitale Bildanalyse (L0126) Vorlesung 4 6
Modulverantwortlicher Prof. Rolf-Rainer Grigat
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

System theory of one-dimensional signals (convolution and correlation, sampling theory, interpolation and decimation, Fourier transform, linear time-invariant systems), linear algebra (Eigenvalue decomposition, SVD), basic stochastics and statistics (expectation values, influence of sample size, correlation and covariance, normal distribution and its parameters), basics of Matlab, basics in optics

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

Students can

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


Fertigkeiten

Students are able to

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

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

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

Students can undertake a prototypical analysis of processes in Matlab.


Personale Kompetenzen
Sozialkompetenz k.A.


Selbstständigkeit

Students can solve image analysis tasks independently using the relevant literature.


Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 60 Minuten, Umfang Vorlesung und Materialien im StudIP
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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
  • Image representation, definition of images and volume data sets, illumination, radiometry, multispectral imaging, reflectivities, shape from shading
  • Perception of luminance and color, color spaces and transforms, color matching functions, human visual system, color appearance models
  • imaging sensors (CMOS, CCD, HDR, X-ray, IR), sensor characterization(EMVA1288), lenses and optics
  • spatio-temporal sampling (interpolation, decimation, aliasing, leakage, moiré, flicker, apertures)
  • features (filters, edge detection, morphology, invariance, statistical features, texture)
  • optical flow ( variational methods, quadratic optimization, Euler-Lagrange equations)
  • segmentation (distance, region growing, cluster analysis, active contours, level sets, energy minimization and graph cuts)
  • registration (distance and similarity, variational calculus, iterative closest points)
Literatur

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

Modul M0629: Intelligent Autonomous Agents and Cognitive Robotics

Lehrveranstaltungen
Titel Typ SWS LP
Intelligente Autonome Agenten und kognitive Robotik (L0341) Vorlesung 2 4
Intelligente Autonome Agenten und kognitive Robotik (L0512) Gruppenübung 2 2
Modulverantwortlicher Rainer Marrone
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse Vectors, matrices, Calculus
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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

Fertigkeiten

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


Personale Kompetenzen
Sozialkompetenz

Students are able to discuss their solutions to problems with others. They communicate in English

Selbstständigkeit

Students are able of checking their understanding of complex concepts by solving varaints of concrete problems

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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
  • Definition of agents, rational behavior, goals, utilities, environment types
  • Adversarial agent cooperation: 
    Agents with complete access to the state(s) of the environment, games, Minimax algorithm, alpha-beta pruning, elements of chance
  • Uncertainty: 
    Motivation: agents with no direct access to the state(s) of the environment, probabilities, conditional probabilities, product rule, Bayes rule, full joint probability distribution, marginalization, summing out, answering queries, complexity, independence assumptions, naive Bayes, conditional independence assumptions
  • Bayesian networks: 
    Syntax and semantics of Bayesian networks, answering queries revised (inference by enumeration), typical-case complexity, pragmatics: reasoning from effect (that can be perceived by an agent) to cause (that cannot be directly perceived).
  • Probabilistic reasoning over time:
    Environmental state may change even without the agent performing actions, dynamic Bayesian networks, Markov assumption, transition model, sensor model, inference problems: filtering, prediction, smoothing, most-likely explanation, special cases: hidden Markov models, Kalman filters, Exact inferences and approximations
  • Decision making under uncertainty:
    Simple decisions: utility theory, multivariate utility functions, dominance, decision networks, value of informatio
    Complex decisions: sequential decision problems, value iteration, policy iteration, MDPs
    Decision-theoretic agents: POMDPs, reduction to multidimensional continuous MDPs, dynamic decision networks
  • Simultaneous Localization and Mapping
  • Planning
  • Game theory (Golden Balls: Split or Share) 
    Decisions with multiple agents, Nash equilibrium, Bayes-Nash equilibrium
  • Social Choice 
    Voting protocols, preferences, paradoxes, Arrow's Theorem,
  • Mechanism Design 
    Fundamentals, dominant strategy implementation, Revelation Principle, Gibbard-Satterthwaite Impossibility Theorem, Direct mechanisms, incentive compatibility, strategy-proofness, Vickrey-Groves-Clarke mechanisms, expected externality mechanisms, participation constraints, individual rationality, budget balancedness, bilateral trade, Myerson-Satterthwaite Theorem
Literatur
  1. Artificial Intelligence: A Modern Approach (Third Edition), Stuart Russell, Peter Norvig, Prentice Hall, 2010, Chapters 2-5, 10-11, 13-17
  2. Probabilistic Robotics, Thrun, S., Burgard, W., Fox, D. MIT Press 2005

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

Lehrveranstaltung L0512: Intelligent Autonomous Agents and Cognitive Robotics
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Rainer Marrone
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0630: Robotics and Navigation in Medicine

Lehrveranstaltungen
Titel Typ SWS LP
Robotik und Navigation in der Medizin (L0335) Vorlesung 2 3
Robotik und Navigation in der Medizin (L0338) Projektseminar 2 2
Robotik und Navigation in der Medizin (L0336) Gruppenübung 1 1
Modulverantwortlicher Prof. Alexander Schlaefer
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • principles of math (algebra, analysis/calculus)
  • principles of programming, e.g., in Java or C++
  • solid R or Matlab skills
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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

Fertigkeiten

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


Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

The students can reflect their knowledge and document the results of their work. They can present the results in an appropriate manner.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Schriftliche Ausarbeitung
Ja 10 % Referat
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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
- calibration
- tracking systems
- navigation and image guidance
- motion compensation
The seminar extends and complements the contents of the lecture with respect to recent research results.


Literatur

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

Lehrveranstaltung L0338: Robotics and Navigation in Medicine
Typ Projektseminar
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Alexander Schlaefer
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L0336: Robotics and Navigation in Medicine
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Alexander Schlaefer
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1702: Process Imaging

Lehrveranstaltungen
Titel Typ SWS LP
Prozessbildgebung (L2723) Vorlesung 2 3
Prozessbildgebung (L2724) Projekt-/problembasierte Lehrveranstaltung 2 3
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
Titel Typ SWS LP
Maschinelles Lernen und Data Mining (L0340) Vorlesung 2 4
Maschinelles Lernen und Data Mining (L0510) Gruppenübung 2 2
Modulverantwortlicher NN
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Calculus
  • Stochastics
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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

Fertigkeiten

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




Personale Kompetenzen
Sozialkompetenz
Selbstständigkeit
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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
  • Decision trees
  • First-order inductive learning
  • Incremental learning: Version spaces
  • Uncertainty
  • Bayesian networks
  • Learning parameters of Bayesian networks
    BME, MAP, ML, EM algorithm
  • Learning structures of Bayesian networks
  • Gaussian Mixture Models
  • kNN classifier, neural network classifier, support vector machine (SVM) classifier
  • Clustering
    Distance measures, k-means clustering, nearest neighbor clustering
  • Kernel Density Estimation
  • Ensemble Learning
  • Reinforcement Learning
  • Computational Learning Theory
Literatur
  1. Artificial Intelligence: A Modern Approach (Third Edition), Stuart Russel, Peter Norvig, Prentice Hall, 2010, Chapters 13, 14, 18-21
  2. Machine Learning: A Probabilistic Perspective, Kevin Murphy, MIT Press 2012
Lehrveranstaltung L0510: Machine Learning and Data Mining
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Rainer Marrone
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0623: Intelligent Systems in Medicine

Lehrveranstaltungen
Titel Typ SWS LP
Intelligente Systeme in der Medizin (L0331) Vorlesung 2 3
Intelligente Systeme in der Medizin (L0334) Projektseminar 2 2
Intelligente Systeme in der Medizin (L0333) Gruppenübung 1 1
Modulverantwortlicher Prof. Alexander Schlaefer
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • principles of math (algebra, analysis/calculus)
  • principles of stochastics
  • principles of programming, Java/C++ and R/Matlab
  • advanced programming skills
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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

Fertigkeiten

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

Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

The students can reflect their knowledge and document the results of their work. They can present the results in an appropriate manner.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Referat
Ja 10 % Schriftliche Ausarbeitung
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
- representation of medical knowledge
- understanding challenges due to clinical and patient related data and data acquisition
The students will work in groups to apply the methods introduced during the lecture using problem based learning.


Literatur

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


Lehrveranstaltung L0334: Intelligent Systems in Medicine
Typ Projektseminar
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Alexander Schlaefer
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L0333: Intelligent Systems in Medicine
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Alexander Schlaefer
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1302: Angewandte Humanoide Robotik

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

Modul M1249: Medizinische Bildgebung

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

Grundkenntnisse in Linear Algebra, Numerik und Signalverarbeitung

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

Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage, 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
  • Überblick über bekannte Bildgebungsverfahren
  • Signalverarbeitung
  • Inverse Probleme
  • Computertomographie
  • Magnetresonanztomographie
  • Compressed Sensing
  • Magnetic-Particle-Pmaging


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
Titel Typ SWS LP
Algorithmische Algebra (L0422) Vorlesung 3 5
Algorithmische Algebra (L0423) Gruppenübung 1 1
Modulverantwortlicher Dr. Prashant Batra
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Mathe I-III (Reelle Analysis,Rechnen in Vektorräumen, Vollst. Induktion)  Diskrete Mathematik I (Gruppen, Ringe, Ideale, Körper; euklidscher Algorithmus)
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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


Fertigkeiten


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

Studierende können zu gegebenen Problemstellungen einen geeigneten Lösungsansatz entwickeln, diesen verfolgen und die Ergebnisse kritisch auswerten, wie beispielsweise bei der Lösung multivariater Gleichungssysteme und in der Gitterpunkttheorie.

Personale Kompetenzen
Sozialkompetenz ,
Selbstständigkeit
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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
Cambridge: Cambridge University Press (ISBN 978-1-107-03903-2/hbk; 978-1-139-85606-5/ebook).


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


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

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

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


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

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

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

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

springer eBook:

http://dx.doi.org/10.1007/b137968



Lehrveranstaltung L0423: Algorithmische Algebra
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dr. Prashant Batra
Sprachen DE
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1428: Lineare und Nichtlineare Optimierung

Lehrveranstaltungen
Titel Typ SWS LP
Lineare und Nichtlineare Optimierung (L2062) Vorlesung 4 4
Lineare und Nichtlineare Optimierung (L2063) Hörsaalübung 1 2
Modulverantwortlicher Prof. Matthias Mnich
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Diskrete Algebraische Strukturen
  • Mathematik I
  • Graphentheorie und Optimierung
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Studierende können die grundlegenden Begriffe der Linearen und Nichtlinearen Optimierung benennen und anhand von Beispielen erklären.
  • Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern.
  • Sie kennen Beweisstrategien und können diese wiedergeben.
Fertigkeiten
  • Studierende können Aufgabenstellungen der Linearen und Nichtlinearen Optimierung mit Hilfe der kennengelernten Konzepte mathematisch modellieren und mit den erlernten Methoden lösen.
  • Studierende sind in der Lage, sich weitere einfache logische Zusammenhänge zwischen den kennengelernten Konzepten selbständig zu erschließen und können diese verifizieren.
  • Studierende können zu gegebenen Problemstellungen einen geeigneten Lösungsansatz entwickeln, diesen verfolgen und die Ergebnisse kritisch auswerten.
Personale Kompetenzen
Sozialkompetenz
  • Studierende sind in der Lage, in heterogen zusammengestellten Teams (mit unterschiedlichem mathematischen Hintergrundwissen und aus unterschiedlichen Studiengängen)  zusammenzuarbeiten und die Mathematik als gemeinsame Sprache zu entdecken und beherrschen.
  • Sie können sich dabei insbesondere gegenseitig neue Konzepte erklären und anhand von Beispielen das Verständnis der Mitstudierenden überprüfen und vertiefen.
Selbstständigkeit
  • Studierende können eigenständig ihr Verständnis mathematischer Konzepte überprüfen, noch offene Fragen auf den Punkt bringen und sich gegebenenfalls gezielt Hilfe holen.
  • Studierende haben eine genügend hohe Ausdauer entwickelt, um auch über längere Zeiträume an schwierigen Problemstellungen zu arbeiten.
Arbeitsaufwand in Stunden Eigenstudium 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
  • Modellierung mit Hilfe von linearen Programmen
  • Lösung durch die graphische Methode
  • Algebraisches Hintergrundwissen
  • Konvexität
  • Polyeder
  • Simplex-Algorithmus
  • Degeneriertheit und Konvergenz
  • Dualität
  • Innere-Punkte Methoden
  • Quadratische Optimierung


Literatur
  • A. Schrijver: Combinatorial Optimization: Polyhedra and Efficiency. Springer, 2003
  • B. Korte and T. Vygen: Combinatorial Optimization: Theory and Algorithms. Springer, 2018
  • T. Cormen, Ch. Leiserson, R. Rivest, C. Stein: Introduction to Algorithms. MIT Press, 2013
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
Titel Typ SWS LP
Hierarchische Algorithmen (L0585) Vorlesung 2 3
Hierarchische Algorithmen (L0586) Gruppenübung 2 3
Modulverantwortlicher Prof. Sabine Le Borne
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Mathematik I, II, III für Ingenieurstudierende (deutsch oder englisch) oder Analysis & Lineare Algebra I + II sowie Analysis III für Technomathematiker
  • Programmierkenntnisse in C
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende können

  • Vertreter hierarchischer Algorithmen benennen und ihre grundlegenden Merkmale herausstellen,
  • Konstruktionstechniken hierarchischer Algorithmen erklären,
  • Aspekte der effizienten Implementierung von hierarchischen Algorithmen diskutieren. 
Fertigkeiten

Studierende sind in der Lage,

  • die in der Vorlesung behandelten hierarchischen Algorithmen zu implementieren,
  • den Speicherbedarf und die Rechenzeitkomplexität der Algorithmen zu analysieren,
  • die Algorithmen an Problemstellungen unterschiedlicher Anwendungen anzupassen und somit problemadaptierte Varianten zu entwickeln.
Personale Kompetenzen
Sozialkompetenz

Studierende können

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

Studierende sind fähig,

  • selbst einzuschätzen, ob sie die begleitenden theoretischen und praktischen Übungsaufgaben besser allein oder im Team lösen,
  • mit ausreichender Ausdauer komplexe Problemstellungen über längere Zeiträume zu bearbeiten,
  • ihren Lernstand konkret zu beurteilen und gegebenenfalls gezielt Fragen zu stellen und Hilfe zu suchen.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 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
  • Niedrigrangmatrizen
  • Separable Entwicklungen
  • Hierarchische Matrixpartitionen
  • Hierarchische Matrizen
  • Formatierte Matrixoperationen
  • Anwendungen
  • weitere Themen (z.B. H2-Matrizen, Matrixfunktionen, Tensorprodukte)
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
Titel Typ SWS LP
Randomisierte Algorithmen und Zufällige Graphen (L2010) Vorlesung 2 3
Randomisierte Algorithmen und Zufällige Graphen (L2011) Hörsaalübung 2 3
Modulverantwortlicher Prof. Anusch Taraz
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Algorithmen und Datenstrukturen
  • Mathematik I und II
  • Stochastik
  • Graphentheorie



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

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

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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:

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


Random Graphs: 

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

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


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

Modul M0714: Numerik gewöhnlicher Differentialgleichungen

Lehrveranstaltungen
Titel Typ SWS LP
Numerik gewöhnlicher Differentialgleichungen (L0576) Vorlesung 2 3
Numerik gewöhnlicher Differentialgleichungen (L0582) Gruppenübung 2 3
Modulverantwortlicher Prof. Daniel Ruprecht
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Mathematik I, II, III für Ingenieurstudierende (deutsch oder englisch) oder Analysis & Lineare Algebra I + II sowie Analysis III für Technomathematiker
  • MATLAB Grundkenntnisse
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende können

  • numerische Verfahren zur Lösung gewöhnlicher Differentialgleichungen  benennen und deren Kernideen erläutern,
  • Konvergenzaussagen (inklusive der an das zugrundeliegende Problem gestellten Voraussetzungen) zu den behandelten numerischen Verfahren wiedergeben,

  • Aspekte der praktischen Durchführung numerischer Verfahren erklären.
  • Wählen Sie die entsprechende numerische Methode für konkrete Probleme, implementieren die numerischen Algorithmen effizient und interpretieren die numerischen Ergebnisse


Fertigkeiten

Studierende sind in der Lage,

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

Studierende können

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

Studierende sind fähig,

  • selbst einzuschätzen, ob sie die begleitenden theoretischen und praktischen Übungsaufgaben besser allein oder im Team lösen,
  • ihren Lernstand konkret zu beurteilen und gegebenenfalls gezielt Fragen zu stellen und Hilfe zu suchen.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung 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

  • Einschrittverfahren
  • Mehrschrittverfahren
  • Steife Probleme
  • Differentiell-algebraische Gleichungen vom Index 1

Numerische Verfahren für Randwertaufgaben

  • Mehrzielmethode
  • Differenzenverfahren
  • Variationsmethoden
Literatur
  • E. Hairer, S. Noersett, G. Wanner: Solving Ordinary Differential Equations I: Nonstiff Problems
  • E. Hairer, G. Wanner: Solving Ordinary Differential Equations II: Stiff and Differential-Algebraic Problems
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
Titel Typ SWS LP
Wahrscheinlichkeitstheorie (L2643) Vorlesung 3 4
Wahrscheinlichkeitstheorie (L2644) Gruppenübung 1 2
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
  • Students can name the basic concepts in probability theory. They are able to explain them using appropriate examples.
  • Students can discuss logical connections between these concepts.  They are capable of illustrating these connections with the help of examples.
  • They know proof strategies and can reproduce them.


Fertigkeiten
  • Students can model problems from probability theory with the help of the concepts studied in this course. Moreover, they are capable of solving them by applying established methods.
  • Students are able to explore and verify further logical connections between the concepts studied in the course.
  • For a given problem, the students can develop and execute a suitable technique, and are able to critically evaluate the results.
Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together (e.g. on their regular home work) and to present their results appropriately (e.g. during exercise class).
  • In doing so, they can communicate new concepts according to the needs of their cooperating partners. Moreover, they can design examples to check and deepen the understanding of their peers.
Selbstständigkeit
  • Students are capable of checking their understanding of complex concepts on their own. They can specify open questions precisely and know where to get help in solving them.
  • Students can put their knowledge in relation to the contents of other lectures.
  • Students have developed sufficient persistence to be able to work for longer periods in a goal-oriented manner on hard problems.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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
  • Measure and probability spaces
  • Integration and expectation
  • Types of stochastic convergence
  • Law of large numbers
  • Central limit theorem
  • Radon-Nikodym theorem
  • Conditional expectation
  • Martingales
  • Markov chains
  • Poisson processes
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
Titel Typ SWS LP
Numerische Mathematik II (L0568) Vorlesung 2 3
Numerische Mathematik II (L0569) Gruppenübung 2 3
Modulverantwortlicher Prof. Sabine Le Borne
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Numerische Mathematik I
  • Python-Kenntnisse
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende können

  • weiterführende numerische Verfahren zur Interpolation, Approximation, Integration, Lösung von Eigenwertaufgaben, Lösung von Eigenwertproblemen und nichtlinearen Nullstellenproblemen benennen und deren Kernideen erläutern,
  • Konvergenzbeweise skizzieren,
  • Aspekte der praktischen Durchführung numerischer Verfahren im Hinblick auf Rechenzeit und Speicherbedarf erklären.
  • Konvergenzaussagen zu den numerischen Methoden wiedergeben
Fertigkeiten

Studierende sind in der Lage,

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

Studierende können

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

Studierende sind fähig,

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

Modul M0881: Mathematische Bildverarbeitung

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

Die Studierenden können

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

Die Studierenden können 

  • elementare Methoden der Bildverarbeitung implementieren und anwenden  
  • moderne Methoden der Bildverarbeitung erklären und anwenden
Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit
  • Studierende können eigenständig ihr Verständnis mathematischer Konzepte überprüfen, noch offene Fragen auf den Punkt bringen und sich gegebenenfalls gezielt Hilfe holen.
  • Studierende haben eine genügend hohe Ausdauer entwickelt, um auch über längere Zeiträume an schwierigen Problemstellungen zu arbeiten.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 20 min
Zuordnung zu folgenden Curricula Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht
Computer Science: Vertiefung 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
  • Elementare Methoden der Bildverarbeitung 
  • Glättungsfilter
  • Grundlagen der Diffusions- bzw. Wärmeleitgleichung
  • Variationsformulierungen in der Bildverarbeitung
  • Kantenerkennung
  • Entfaltung
  • Inpainting
  • Segmentierung
  • Registrierung
Literatur Bredies/Lorenz: Mathematische Bildverarbeitung
Lehrveranstaltung L0992: Mathematische Bildverarbeitung
Typ Gruppenübung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Marko Lindner
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1552: Mathematik neuronaler Netzwerke

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

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

Fertigkeiten

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

Personale Kompetenzen
Sozialkompetenz

Studierende können

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

Studierende sind fähig

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


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

Modul M1020: Numerik partieller Differentialgleichungen

Lehrveranstaltungen
Titel Typ SWS LP
Numerik partieller Differentialgleichungen (L1247) Vorlesung 2 3
Numerik partieller Differentialgleichungen (L1248) Gruppenübung 2 3
Modulverantwortlicher Prof. Daniel Ruprecht
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Mathematik I - IV (für Ingenieurstudierende) oder Analysis & Lineare Algebra I + II für Technomathematiker
  • Numerische Mathematik 1
  • Numerik gewöhnlicher Differentialgleichungen
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Die Studierenden können partielle Differentialgleichungen den drei Grundtypen zuordnen.
  • Sie kennen für jeden Typ die passenden numerischen Zugänge.
  • Sie kennen das Konvergenzverhalten dieser Verfahren.
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
  • Studierende können eigenständig ihr Verständnis mathematischer Konzepte überprüfen, noch offene Fragen auf den Punkt bringen und sich gegebenenfalls gezielt Hilfe holen.
  • Studierende haben eine genügend hohe Ausdauer entwickelt, um auch über längere Zeiträume an schwierigen Problemstellungen zu arbeiten.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 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:

  • Typen partieller Differentialgleichungen
  • wohlgestellte Probleme
  • Finite Differenzen
  • Finite Elemente
  • Finite Volumen
  • Anwendungen
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

Peter Deuflhard, Martin Weiser: Numerische Mathematik 3
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
Titel Typ SWS LP
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
Titel Typ SWS LP
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
Titel Typ SWS LP
Modulverantwortlicher Professoren der TUHH
Zulassungsvoraussetzungen
  • Laut ASPO § 21 (1):

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


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


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


Personale Kompetenzen
Sozialkompetenz

Studierende können

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


Selbstständigkeit

Studierende sind fähig,

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


Arbeitsaufwand in Stunden Eigenstudium 900, Präsenzstudium 0
Leistungspunkte 30
Studienleistung Keine
Prüfung Abschlussarbeit
Prüfungsdauer und -umfang laut ASPO
Zuordnung zu folgenden Curricula Bauingenieurwesen: Abschlussarbeit: Pflicht
Bioverfahrenstechnik: Abschlussarbeit: Pflicht
Chemical and Bioprocess Engineering: Abschlussarbeit: Pflicht
Computer Science: Abschlussarbeit: Pflicht
Elektrotechnik: Abschlussarbeit: Pflicht
Energie- und Umwelttechnik: Abschlussarbeit: Pflicht
Energietechnik: Abschlussarbeit: Pflicht
Environmental Engineering: Abschlussarbeit: Pflicht
Flugzeug-Systemtechnik: Abschlussarbeit: Pflicht
Global Innovation Management: Abschlussarbeit: Pflicht
Informatik-Ingenieurwesen: Abschlussarbeit: Pflicht
Information and Communication Systems: Abschlussarbeit: Pflicht
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