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.

Ergänzend zu dem fachlichen Grundlagenkanon an der TUHH sind Seminare zur Personalen Kompetenzentwicklung im Rahmen des Theorie-Praxis-Transfers in das duale Studium integriert, die den modernen Berufsanforderungen an eine Ingenieurin bzw. einen Ingenieur gerecht werden und die Verknüpfung der beiden Lernorte unterstützt.

Die praxisintegrierenden dualen Intensivstudiengänge der TUHH bestehen aus einem wissenschaftsorientierten und einem praxisorientierten Teil, welche an zwei Lernorten durchgeführt werden. Der wissenschaftsorientierte Teil umfasst das Studium an der TUHH. Der praxisorientierte Teil ist mit dem Studium inhaltlich und zeitlich abgestimmt und findet jeweils in der vorlesungsfreien Zeit in einem Kooperationsunternehmen in Form von Praxismodulen und -phasen statt.


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.

Zudem erlangen die Studentinnen und Studenten grundlegende fachliche und personale Kompetenzen im dualen Studium, die sowohl zu einem frühen Einstieg in die Berufspraxis als auch zu einem wissenschaftlich vertiefenden Studium befähigen. Darüber hinaus werden berufspraktische Erfahrungen durch die integrierten Praxismodule erweitert. Die Absolventinnen und Absolventen des dualen Studiengangs verfügen über ein breites Grundlagenwissen, grundlegende Fähigkeiten des wissenschaftlichen Arbeitens und über anwendungsbezogene personale Kompetenzen.


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.

Der kontinuierliche Wechsel der Lernorte im dualen Studium ermöglicht es, dass Theorie und Praxis zueinander in Beziehung gesetzt werden können. Die individuellen berufspraktischen Erfahrungen werden von den Studierenden theoretisch reflektiert und in neue Formen der Praxis überführt, wie auch die praktische Erprobung theoretischer Elemente als Anregung für die theoretische Auseinandersetzung genutzt wird.


Studiengangsstruktur

Das Curriculum des Masterstudienganges Computer Science ist wie folgt gegliedert:

  • Kernqualifikation:
    • Forschungsprojekt Informatik (12 LP)
    • Betrieb & Managenment (6 LP)
    • Theorie-Praxis-Verzahnung (6 LP)
    • Praxisphasen im dualen Studium (30 LP)
  • Vertiefung: 
    • Vertiefungsrichtungen: Computer- und Software-Engineering, Intelligenz-Engineering, Mathematik, Fachspezifische Fokussierung (66 LP)
  • Masterarbeit: 30 LP, 4. Semester

Dadurch ergibt sich ein Gesamtaufwand von 150 LP. Der Studienplan enthält ein Mobilitätsfenster, so dass Studierende das dritte Semester im Ausland absolvieren können.

Das Strukturmodell der dualen Studienvariante folgt einem moduldifferenzierenden Ansatz. Aufgrund des praxisorientierten Teils weist das Curriculum der dualen Studienvariante Unterschiede im Vergleich zum regulären Bachelorstudium auf. Die fünf Praxismodule sind in entsprechenden Praxisphasen in der vorlesungsfreien Zeit verortet und finden im Kooperationsunternehmen der dual Studierenden statt.

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 M1759: Theorie-Praxis-Verzahnung im dualen Master

Modulverantwortlicher Dr. Henning Haschke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Modul „Theorie-Praxis-Verzahnung im dualen Bachelor“
  • Praxismodule aus dem dualen Bachelor der TUHH
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden …

… können ausgewählte klassische und aktuelle Theorien, Konzepte und Methoden ...

  • des Projektmanagements und
  • des Veränderungs- und Transformationsmanagements

... beschreiben, einordnen sowie auf konkrete Situationen, Prozesse und Vorhaben in Ihrem persönlichen beruflichen Kontext anwenden.

Fertigkeiten

Die Studierenden …

  • ... antizipieren typische Schwierigkeiten, positive und negative Auswirkungen sowie Erfolgs- und Misserfolgsfaktoren im Ingenieurbereich, beurteilen diese und wägen aussichtsreiche Strategien und Handlungsoptionen gegeneinander ab.
  • … entwickeln spezialisierte fachliche und konzeptionelle Fertigkeiten zur Lösung komplexer Aufgaben- und Problemstellungen im beruflichen Tätigkeitsfeld/Arbeitsbereich. 
Personale Kompetenzen
Sozialkompetenz

Die Studierenden …

  • … sind in der Lage, auch interdisziplinäre Teams im Rahmen komplexer Aufgaben- und Problemstellungen verantwortlich zu leiten.
  • … führen bereichsspezifische und -übergreifende Diskussionen mit Fachexpertinnen und Fachexperten, Stakeholdern sowie Mitarbeiterinnen und Mitarbeitern und vertreten dabei ihre Vorgehensweisen, Standpunkte und Arbeitsergebnisse. 
Selbstständigkeit

Die Studierenden …

  • … definieren, reflektieren und bewerten Ziele und Maßnahmen für komplexe anwendungsorientierte Projekte und Veränderungsprozesse.
  • … gestalten ihren beruflichen Zuständigkeitsbereich eigenständig und nachhaltig.
  • … übernehmen Verantwortung für ihr Handeln und für ihre Arbeitsergebnisse.
Arbeitsaufwand in Stunden Eigenstudium 96, Präsenzstudium 84
Leistungspunkte 6
Studienleistung Keine
Prüfung Schriftliche Ausarbeitung
Prüfungsdauer und -umfang Studienbegleitende und semesterübergreifende Dokumentation: Die Leistungspunkte für das Modul werden durch die Anfertigung eines digitalen Lern- und Entwicklungsberichtes (E-Portfolio) erworben. Dabei handelt es sich um eine fortlaufende Dokumentation und Reflexion der Lernerfahrungen und der Kompetenzentwicklung im Bereich der Personalen Kompetenz.
Lehrveranstaltung L2890: Projektmanagement im Ingenieurbereich verantwortungsvoll gestalten (duale Studienvariante)
Typ Seminar
SWS 3
LP 3
Arbeitsaufwand in Stunden Eigenstudium 48, Präsenzstudium 42
Dozenten Dr. Henning Haschke, Heiko Sieben
Sprachen DE
Zeitraum WiSe/SoSe
Inhalt
  • Theorien und Methoden des Projektmanagements
  • Innovationsmanagement
  • Agiles Projektmanagement
  • Grundlagen agiler und klassischer Methoden
  • Hybrider Einsatz klassischer und agiler Methoden  
  • Rollen, Perspektiven und Stakeholder im Projektverlauf
  • Initiierung und Koordination von komplexen Projekten im Ingenieurbereich
  • Grundlagen Moderation, Teamsteuerung, Teamführung, Konfliktmanagement
  • Kommunikationsstrukturen: betriebsintern, unternehmensübergreifend
  • Öffentliche Informationspolitik
  • Förderung von Commitment und Empowerment
  • Erfahrungsaustausch mit Fach- und Führungskräften aus dem Ingenieurbereich
  • Dokumentation und Reflexion von Lernerfahrungen
Literatur

Seminarapparat

Lehrveranstaltung L2891: Veränderungs- und Transformationsmanagement im Ingenieurbereich verantwortungsvoll gestalten (duale Studienvariante)
Typ Seminar
SWS 3
LP 3
Arbeitsaufwand in Stunden Eigenstudium 48, Präsenzstudium 42
Dozenten Dr. Henning Haschke, Heiko Sieben
Sprachen DE
Zeitraum WiSe/SoSe
Inhalt
  • Grundkonzepte, Chancen und Grenzen organisationalen Wandels 
  • Modelle und Methoden der Organisationsgestaltung und -entwicklung
  • Strategische Ausrichtung und Veränderung und deren kurz-, mittel- und langfristigen Konsequenzen für Individuum, Organisation und Gesellschaft
  • Rollen, Perspektiven und Stakeholder in Veränderungsprozessen
  • Initiierung und Koordinierung von Veränderungsmaßnahmen im Ingenieurbereich
  • Phasen-Modelle des organisationalen Wandels (Lewin, Kotter etc.) 
  • Veränderungsgerechte Informationspolitik und Umgang mit Widerständen und Unsicherheit 
  • Förderung von Commitment und Empowerment
  • Erfolgreicher Umgang mit Change und Transformation: persönlich, als Mitarbeiterin bzw. Mitarbeiter, als Führungskraft (persönlich, professional, organisational)
  • Unternehmen und Globe (systemisch)
  • Erfahrungsaustausch mit Fach- und Führungskräften aus dem Ingenieurbereich
  • Dokumentation und Reflexion von Lernerfahrungen
Literatur Seminarapparat

Modul M1756: Praxismodul 1 im dualen Master

Lehrveranstaltungen
Titel Typ SWS LP
Praxisphase 1 im dualen Master (L2887) 0 10
Modulverantwortlicher Dr. Henning Haschke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Erfolgreicher Abschluss eines dualen Bachelors der TU Hamburg bzw. vergleichbare berufspraktische Erfahrungen und Kompetenzen im Bereich der Theorie-Praxis-Verzahnung
  • LV D "Projektmanagement im Ingenieurbereich verantwortungsvoll gestalten" aus dem Modul "Theorie-Praxis-Verzahnung im dualen Master"
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden …

  • … verbinden ihre Kenntnisse von Fakten, Grundsätzen, Theorien und Methoden der bisherigen Studieninhalte mit dem erworbenen Praxiswissen, insbesondere ihrem Wissen um berufspraktische Verfahrens- und Vorgehensmöglichkeiten, im aktuellen Tätigkeitsfeld im Ingenieurbereich. 
  • … verfügen über ein kritisches Verständnis über die praktischen Anwendungsmöglichkeiten ihres ingenieurwissenschaftlichen Faches. 
Fertigkeiten

Die Studierenden …

  • … wenden fachtheoretisches Wissen auf komplexe, bereichsübergreifende Problemstellungen des Betriebes an und beurteilen die dazugehörigen Arbeitsprozesse und -ergebnisse unter Einbeziehung von Handlungsoptionen.
  • … setzen die mit ihren aktuellen Aufgaben korrespondierenden hochschulseitigen Anwendungsempfehlungen um. 
  • … erarbeiten Lösungen sowie Verfahrens- und Vorgehensweisen in ihrem Tätigkeitsfeld und Zuständigkeitsbereich.
Personale Kompetenzen
Sozialkompetenz

Die Studierenden …

  • … arbeiten verantwortlich in Projektteams ihres Arbeitsbereichs und gehen vorausschauend mit Problemen in der Arbeitsgruppe um. 
  • … vertreten komplexe ingenieurwissenschaftliche Standpunkte, Sachverhalte, Problemstellungen und Lösungsansätze im Gespräch mit internen und externen betrieblichen Stakeholdern argumentativ. 
Selbstständigkeit

Die Studierenden …

  • … definieren Ziele für die eigenen Lern- und Arbeitsprozesse als Ingenieurin bzw. Ingenieur.
  • … reflektieren Lern- und Arbeitsprozesse in ihrem Zuständigkeitsbereich.
  • … reflektieren die Bedeutung von Fachmodulen, Vertiefungsrichtungen und Spezialisierung für die Arbeit als Ingenieurin bzw. Ingenieur sowie die Umsetzung der hochschulseitigen Anwendungsempfehlungen und der damit einhergehenden Herausforderungen eines positiven Theorie-Praxis-Transfers.
Arbeitsaufwand in Stunden Eigenstudium 300, Präsenzstudium 0
Leistungspunkte 10
Studienleistung Keine
Prüfung Schriftliche Ausarbeitung
Prüfungsdauer und -umfang Studienbegleitende und semesterübergreifende Dokumentation: Die Leistungspunkte für das Modul werden durch die Anfertigung eines digitalen Lern- und Entwicklungsberichtes (E-Portfolio) erworben. Dabei handelt es sich um eine Dokumentation und Reflexion der individuellen Lernerfahrungen und Kompetenzentwicklungen im Bereich der Theorie-Praxis-Verzahnung und der Berufspraxis. Zusätzlich erbringt das Kooperationsunternehmen gegenüber der Koordinierungsstelle dual@TUHH den Nachweis, dass die bzw. der dual Studierende die Praxisphase absolviert hat.
Zuordnung zu folgenden Curricula Bauingenieurwesen: Kernqualifikation: Pflicht
Bioverfahrenstechnik: Kernqualifikation: Pflicht
Chemical and Bioprocess Engineering: Kernqualifikation: Pflicht
Computer Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Energietechnik: Kernqualifikation: Pflicht
Environmental Engineering: Kernqualifikation: Pflicht
Flugzeug-Systemtechnik: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Information and Communication Systems: Kernqualifikation: Pflicht
Internationales Wirtschaftsingenieurwesen: Kernqualifikation: Pflicht
Logistik, Infrastruktur und Mobilität: Kernqualifikation: Pflicht
Materialwissenschaft: Kernqualifikation: Pflicht
Mechanical Engineering and Management: Kernqualifikation: Pflicht
Mechatronics: Kernqualifikation: Pflicht
Mediziningenieurwesen: Kernqualifikation: Pflicht
Microelectronics and Microsystems: Kernqualifikation: Pflicht
Produktentwicklung, Werkstoffe und Produktion: Kernqualifikation: Pflicht
Regenerative Energien: Kernqualifikation: Pflicht
Schiffbau und Meerestechnik: Kernqualifikation: Pflicht
Theoretischer Maschinenbau: Kernqualifikation: Pflicht
Verfahrenstechnik: Kernqualifikation: Pflicht
Wasser- und Umweltingenieurwesen: Kernqualifikation: Pflicht
Lehrveranstaltung L2887: Praxisphase 1 im dualen Master
Typ
SWS 0
LP 10
Arbeitsaufwand in Stunden Eigenstudium 300, Präsenzstudium 0
Dozenten Dr. Henning Haschke
Sprachen DE
Zeitraum WiSe/SoSe
Inhalt

Onboarding Betrieb

  • Zuweisung berufliches Tätigkeitsfeld als Ingenieurin bzw. Ingenieur (B.Sc.) und dazugehöriger Arbeitsbereiche
  • Festlegung der Zuständigkeiten und Befugnisse des dual Studierenden im Betrieb als Ingenieurin bzw. Ingenieur (B.Sc.)
  • Eigenverantwortliches Arbeiten im Team und ausgewählten Projekten - bereichs- und ggf. unternehmensübergreifend
  • Ablaufplanung des aktuellen Praxismoduls mit klarer Zuordnung zu den Arbeitsstrukturen 
  • Ablaufplanung der Prüfungsphase/nächstes Studiensemester

Betriebliches Wissen und betriebliche Fertigkeiten

  • Unternehmensspezifika: Verantwortung als Ingenieurin bzw. Ingenieur (B.Sc.) im eigenen Arbeitsbereich, Koordination von Team- und Projektarbeit, Umgang mit komplexen Zusammenhängen und ungelösten Problemstellungen, Entwicklung und Realisierung von Innovationen
  • Fachliche Spezialisierung (korrespondierend mit dem gewählten Studiengang (M.Sc.) im Tätigkeitsfeld
  • Systemische Fertigkeiten
  • Umsetzung der hochschulseitigen Anwendungsempfehlungen (Theorie-Praxis-Transfer) in damit korrespondierenden Arbeits- und Aufgabenbereichen des Betriebes 

Lerntransfer/-reflexion

  • Anlegen E-Portfolio
  • Bedeutung der Studieninhalte (M.Sc.) für die Arbeit als Ingenieurin bzw. Ingenieur
  • Bedeutung von Entwicklung und Innovation für die Arbeit als Ingenieurin bzw. Ingenieur 
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer
Literatur
  • Studierendenhandbuch
  • Betriebliche Dokumente
  • Hochschulseitige Handlungsempfehlungen zum Theorie-Praxis-Transfer

Modul M1757: Praxismodul 2 im dualen Master

Lehrveranstaltungen
Titel Typ SWS LP
Praxisphase 2 im dualen Master (L2888) 0 10
Modulverantwortlicher Dr. Henning Haschke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Erfolgreicher Abschluss des Praxismoduls 1 im dualen Master
  • LV D "Projektmanagement im Ingenieurbereich verantwortungsvoll gestalten" aus dem Modul "Theorie-Praxis-Verzahnung im dualen Master"
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden …

  • … verbinden ihre Kenntnisse von Fakten, Grundsätzen, Theorien und Methoden der bisherigen Studieninhalte mit dem erworbenen Praxiswissen, insbesondere ihrem Wissen um berufspraktische Verfahrens- und Vorgehensmöglichkeiten, im aktuellen Tätigkeitsfeld im Ingenieurbereich. 
  • … verfügen über ein kritisches Verständnis über die praktischen Anwendungsmöglichkeiten ihres ingenieurwissenschaftlichen Faches. 
Fertigkeiten

Die Studierenden …

  • … wenden fachtheoretisches Wissen auf komplexe, bereichsübergreifende Problemstellungen des Betriebes an und beurteilen die dazugehörigen Arbeitsprozesse und -ergebnisse unter Einbeziehung von Handlungsoptionen.
  • … setzen die mit ihren aktuellen Aufgaben korrespondierenden hochschulseitigen Anwendungsempfehlungen um. 
  • … erarbeiten (neue) Lösungen sowie Verfahrens- und Vorgehensweisen in ihrem Tätigkeitsfeld und Zuständigkeitsbereich - auch bei sich häufig ändernden Anforderungen (systemische Fertigkeiten).
Personale Kompetenzen
Sozialkompetenz

Die Studierenden …

  • … arbeiten verantwortlich in bereichs- und übergreifenden Projektteams und gehen vorausschauend mit Problemen in der Arbeitsgruppe um. 
  • … vertreten komplexe ingenieurwissenschaftliche Standpunkte, Sachverhalte, Problemstellungen und Lösungsansätze im Gespräch mit internen und externen betrieblichen Stakeholdern argumentativ und entwickeln diese gemeinsam weiter. 
Selbstständigkeit

Die Studierenden …

  • … definieren Ziele für die eigenen Lern- und Arbeitsprozesse als Ingenieurin bzw. Ingenieur.
  • … reflektieren Lern- und Arbeitsprozesse in ihrem Zuständigkeitsbereich.
  • … reflektieren die Bedeutung von Fachmodulen, Vertiefungsrichtungen und Spezialisierung für die Arbeit als Ingenieurin bzw. Ingenieur sowie die Umsetzung der hochschulseitigen Anwendungsempfehlungen und der damit einhergehenden Herausforderungen eines positiven Theorie-Praxis-Transfers.
Arbeitsaufwand in Stunden Eigenstudium 300, Präsenzstudium 0
Leistungspunkte 10
Studienleistung Keine
Prüfung Schriftliche Ausarbeitung
Prüfungsdauer und -umfang Studienbegleitende und semesterübergreifende Dokumentation: Die Leistungspunkte für das Modul werden durch die Anfertigung eines digitalen Lern- und Entwicklungsberichtes (E-Portfolio) erworben. Dabei handelt es sich um eine Dokumentation und Reflexion der individuellen Lernerfahrungen und Kompetenzentwicklungen im Bereich der Theorie-Praxis-Verzahnung und der Berufspraxis. Zusätzlich erbringt das Kooperationsunternehmen gegenüber der Koordinierungsstelle dual@TUHH den Nachweis, dass die bzw. der dual Studierende die Praxisphase absolviert hat.
Zuordnung zu folgenden Curricula Bauingenieurwesen: Kernqualifikation: Pflicht
Bioverfahrenstechnik: Kernqualifikation: Pflicht
Chemical and Bioprocess Engineering: Kernqualifikation: Pflicht
Computer Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Energietechnik: Kernqualifikation: Pflicht
Environmental Engineering: Kernqualifikation: Pflicht
Flugzeug-Systemtechnik: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Information and Communication Systems: Kernqualifikation: Pflicht
Internationales Wirtschaftsingenieurwesen: Kernqualifikation: Pflicht
Logistik, Infrastruktur und Mobilität: Kernqualifikation: Pflicht
Materialwissenschaft: Kernqualifikation: Pflicht
Mechanical Engineering and Management: Kernqualifikation: Pflicht
Mechatronics: Kernqualifikation: Pflicht
Mediziningenieurwesen: Kernqualifikation: Pflicht
Microelectronics and Microsystems: Kernqualifikation: Pflicht
Produktentwicklung, Werkstoffe und Produktion: Kernqualifikation: Pflicht
Regenerative Energien: Kernqualifikation: Pflicht
Schiffbau und Meerestechnik: Kernqualifikation: Pflicht
Theoretischer Maschinenbau: Kernqualifikation: Pflicht
Verfahrenstechnik: Kernqualifikation: Pflicht
Wasser- und Umweltingenieurwesen: Kernqualifikation: Pflicht
Lehrveranstaltung L2888: Praxisphase 2 im dualen Master
Typ
SWS 0
LP 10
Arbeitsaufwand in Stunden Eigenstudium 300, Präsenzstudium 0
Dozenten Dr. Henning Haschke
Sprachen DE
Zeitraum WiSe/SoSe
Inhalt

Onboarding Betrieb

  • Zuweisung berufliches Tätigkeitsfeld als Ingenieurin bzw. Ingenieur (B.Sc.) und dazugehöriger Arbeitsbereiche
  • Festlegung der Zuständigkeiten und Befugnisse des dual Studierenden im Betrieb als Ingenieurin bzw. Ingenieur (B.Sc.)
  • Eigenverantwortliches Arbeiten im Team und ausgewählten Projekten - im bereichs- und ggf. unternehmensübergreifend
  • Ablaufplanung des aktuellen Praxismoduls mit klarer Zuordnung zu den Arbeitsstrukturen 
  • Ablaufplanung der Prüfungsphase/nächstes Studiensemester

Betriebliches Wissen und betriebliche Fertigkeiten

  • Unternehmensspezifika: Verantwortung als Ingenieurin bzw. Ingenieur (B.Sc.) im eigenen Arbeitsbereich, Koordination von Team- und Projektarbeit, Umgang mit komplexen Zusammenhängen und ungelösten Problemstellungen, Entwicklung und Realisierung von Innovationen
  • Fachliche Spezialisierung (korrespondierend mit dem gewählten Studiengang (M.Sc.) im Tätigkeitsfeld
  • Systemische Fertigkeiten
  • Umsetzung der hochschulseitigen Anwendungsempfehlungen (Theorie-Praxis-Transfer) in damit korrespondierenden Arbeits- und Aufgabenbereichen des Betriebes 

Lerntransfer/-reflexion

  • Fortschreiben E-Portfolio
  • Bedeutung der Studieninhalte (M.Sc.) für die Arbeit als Ingenieurin bzw. Ingenieur
  • Bedeutung von Entwicklung und Innovation für die Arbeit als Ingenieurin bzw. Ingenieur 
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer
Literatur
  • Studierendenhandbuch
  • Betriebliche Dokumente
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer

Modul M1563: Forschungsprojekt Informatik

Lehrveranstaltungen
Titel Typ SWS LP
Forschungsprojekt Informatik (L2353) Projektierungskurs 8 12
Modulverantwortlicher Dozenten des SD E
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
Data Science: Kernqualifikation: Pflicht
Lehrveranstaltung L2353: Forschungsprojekt Informatik
Typ Projektierungskurs
SWS 8
LP 12
Arbeitsaufwand in Stunden Eigenstudium 248, Präsenzstudium 112
Dozenten Dozenten des SD E
Sprachen DE/EN
Zeitraum WiSe
Inhalt
Literatur

Modul M1758: Praxismodul 3 im dualen Master

Lehrveranstaltungen
Titel Typ SWS LP
Praxisphase 3 im dualen Master (L2889) 0 10
Modulverantwortlicher Dr. Henning Haschke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Erfolgreicher Abschluss des Praxismoduls 2 im dualen Master
  • LV E aus dem Modul "Theorie-Praxis-Verzahnung im dualen Master"
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden …

  • … verbinden ihr umfassendes und spezialisiertes ingenieurwissenschaftliches Wissen der bisherigen Studieninhalte mit dem erworbenen strategieorientierten Praxiswissen im aktuellen Arbeits- und Verantwortungsbereich. 
  • … verfügen über ein kritisches Verständnis über die praktischen Anwendungsmöglichkeiten ihres ingenieurwissenschaftlichen Faches sowie der angrenzenden Bereiche bei der Realisierung von Innovationen.
Fertigkeiten

Die Studierenden …

  • … wenden spezialisierte und konzeptionelle Fertigkeiten zur Lösung komplexer, mitunter bereichsübergreifender Problemstellungen des Betriebes an und beurteilen die dazugehörigen Arbeitsprozesse und -ergebnisse unter Einbeziehung von Handlungsoptionen.
  • … setzen die mit ihren aktuellen Aufgaben korrespondierenden hochschulseitigen Anwendungsempfehlungen um. 
  • … erarbeiten neue Lösungen sowie Verfahrens- und Vorgehensweisen für die Umsetzung betrieblicher Projekte und Aufträge - auch bei sich häufig ändernden Anforderungen und unvorhersehbaren Veränderungen (systemische Fertigkeiten).
  • … sind in der Lage, mit wissenschaftlichen Methoden neue Ideen und Verfahren für betriebliche Problem- und Fragestellungen zu entwickeln und diese hinsichtlich ihrer Verwendbarkeit zu beurteilen.
Personale Kompetenzen
Sozialkompetenz

Die Studierenden …

  • … arbeiten verantwortlich in bereichs- und unternehmensübergreifenden Projektteams und gehen vorausschauend mit Problemen in der Arbeitsgruppe um. 
  • … sind in der Lage, die fachliche Entwicklung anderer gezielt zu fördern.
  • … vertreten komplexe und interdisziplinäre ingenieurwissenschaftliche Standpunkte, Sachverhalte, Problemstellungen und Lösungsansätze im Gespräch mit internen und externen betrieblichen Stakeholdern argumentativ und entwickeln diese gemeinsam weiter. 
Selbstständigkeit

Die Studierenden …

  • … reflektieren Lern- und Arbeitsprozesse in ihrem Zuständigkeitsbereich.
  • … definieren Ziele für neue anwendungsorientierte Aufgaben, Projekte und Innovationsvorhaben unter Reflexion möglicher Auswirkungen auf Betrieb und Öffentlichkeit. 
  • … reflektieren die Bedeutung von Vertiefungsrichtungen, Spezialisierung und Forschung für die Arbeit als Ingenieurin bzw. Ingenieur sowie die Umsetzung der hochschulseitigen Anwendungsempfehlungen und der damit einhergehenden Herausforderungen eines positiven Theorie-Praxis-Transfers.
Arbeitsaufwand in Stunden Eigenstudium 300, Präsenzstudium 0
Leistungspunkte 10
Studienleistung Keine
Prüfung Schriftliche Ausarbeitung
Prüfungsdauer und -umfang Studienbegleitende und semesterübergreifende Dokumentation: Die Leistungspunkte für das Modul werden durch die Anfertigung eines digitalen Lern- und Entwicklungsberichtes (E-Portfolio) erworben. Dabei handelt es sich um eine Dokumentation und Reflexion der individuellen Lernerfahrungen und Kompetenzentwicklungen im Bereich der Theorie-Praxis-Verzahnung und der Berufspraxis. Zusätzlich erbringt das Kooperationsunternehmen gegenüber der Koordinierungsstelle dual@TUHH den Nachweis, dass die bzw. der dual Studierende die Praxisphase absolviert hat.
Zuordnung zu folgenden Curricula Bauingenieurwesen: Kernqualifikation: Pflicht
Bioverfahrenstechnik: Kernqualifikation: Pflicht
Chemical and Bioprocess Engineering: Kernqualifikation: Pflicht
Computer Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Energietechnik: Kernqualifikation: Pflicht
Environmental Engineering: Kernqualifikation: Pflicht
Flugzeug-Systemtechnik: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Information and Communication Systems: Kernqualifikation: Pflicht
Internationales Wirtschaftsingenieurwesen: Kernqualifikation: Pflicht
Logistik, Infrastruktur und Mobilität: Kernqualifikation: Pflicht
Luftfahrttechnik: Kernqualifikation: Pflicht
Materials Science and Engineering: Kernqualifikation: Pflicht
Materialwissenschaft: Kernqualifikation: Pflicht
Mechanical Engineering and Management: Kernqualifikation: Pflicht
Mechatronics: Kernqualifikation: Pflicht
Mediziningenieurwesen: Kernqualifikation: Pflicht
Microelectronics and Microsystems: Kernqualifikation: Pflicht
Produktentwicklung, Werkstoffe und Produktion: Kernqualifikation: Pflicht
Regenerative Energien: Kernqualifikation: Pflicht
Schiffbau und Meerestechnik: Kernqualifikation: Pflicht
Theoretischer Maschinenbau: Kernqualifikation: Pflicht
Verfahrenstechnik: Kernqualifikation: Pflicht
Wasser- und Umweltingenieurwesen: Kernqualifikation: Pflicht
Lehrveranstaltung L2889: Praxisphase 3 im dualen Master
Typ
SWS 0
LP 10
Arbeitsaufwand in Stunden Eigenstudium 300, Präsenzstudium 0
Dozenten Dr. Henning Haschke
Sprachen DE
Zeitraum WiSe/SoSe
Inhalt

Onboarding Betrieb

  • Zuweisung zukünftiges berufliches Tätigkeitsfeld als Ingenieurin bzw. Ingenieur (M.Sc.) und dazugehöriger Arbeitsbereiche
  • Erweiterung der Zuständigkeiten und Befugnisse des dual Studierenden im Betrieb bis hin zur vorgesehenen Erstverwendung nach dem Studium 
  • Verantwortliches Arbeiten im Team; Projektverantwortung im eigenen Zuständigkeitsbereich ggf. auch bereichs- und unternehmensübergreifend
  • Ablaufplanung des letzten Praxismoduls mit klarer Zuordnung zu den Arbeitsstrukturen 
  • Betriebsinterne Abstimmung über eine potenzielle Problemstellung oder ein Innovationsvorhaben für die Masterarbeit
  • Ablaufplanung der Masterarbeit im Betrieb in der Zusammenarbeit mit der TU Hamburg  
  • Ablaufplanung der Prüfungsphase/nächstes Studiensemester

Betriebliches Wissen und betriebliche Fertigkeiten

  • Unternehmensspezifika: Umgang mit Veränderungen, Projekt- und Teamentwicklung, Verantwortung als Ingenieurin bzw. Ingenieur im zukünftigen Arbeitsbereich (M.Sc.), Umgang mit komplexen Zusammenhängen, häufigen und unvorhersehbaren Veränderungen, Entwicklung und Realisierung von Innovationen
  • Fachliche Spezialisierung in einem Arbeitsbereich (Abschlussarbeit)
  • Systemische Fertigkeiten
  • Umsetzung der hochschulseitigen Anwendungsempfehlungen (Theorie-Praxis-Transfer) in damit korrespondierenden Arbeits- und Aufgabenbereichen des Betriebes 

Lerntransfer/-reflexion

  • E-Portfolio
  • Bedeutung von Studieninhalten und der eigenen Spezialisierung für die Arbeit als Ingenieurin bzw. Ingenieur
  • Bedeutung von Forschung und Innovation für die Arbeit als Ingenieurin bzw. Ingenieur 
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer
Literatur
  • Studierendenhandbuch
  • betriebliche Dokumente
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer

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 Sichere und zuverlässige IT-Systeme: Pflicht
Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht
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
    • Model checking (bounded model checking, CTL, LTL)

    • Real-time model checking (TCTL, timed automata)
    • Deductive verification (Hoare logic)
    • Tool support
    • 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 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 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
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 10 % Übungsaufgaben Die Übungsaufgaben finden semesterbegleitend statt.
Prüfung Klausur
Prüfungsdauer und -umfang 120 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, 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 M1749: Energieeffizienz in eingebetteten Systemen

Lehrveranstaltungen
Titel Typ SWS LP
Energieeffizienz in eingebetteten Systemen (L2870) Vorlesung 2 3
Energieeffizienz in eingebetteten Systemen (L2872) Projekt-/problembasierte Lehrveranstaltung 2 2
Energieeffizienz in eingebetteten Systemen (L2871) Hörsaalübung 1 1
Modulverantwortlicher Prof. Ulf Kulau
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Technische Informatik (notwendig)
  • Programmierkenntnisse in C (notwendig)
  • Rechnerarchitekturen (empfohlen)
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen Motivation:

Auf dem Gebiet der Informatik haben wir nur eingeschränkte Möglichkeiten auf die Effizienz der Hardware direkt einzuwirken, bzw. sind abhängig von den Herstellern (bspw. von Mikrocontrollern). Um jedoch das volle Potential der uns gestellten Hardware auf Systemebene auszunutzen, benötigen wir ein tiefergehendes Verständnis über die Hintergründe, Prozesse und Mechanismen von Verlustleistungen in eingebetteten Systemen. Woher kommt die Verlustleistung, was passiert auf Hardware-Ebene, welche Mechanismen kann ich direkt/indirekt nutzen, welchen Tradeoff zwischen Flexibilität und Effizienz habe ich,... sind nur einige Fragen, welche in dieser Veranstaltung erarbeitet und diskutiert werden sollen.

Lehrinhalte:
  • Motivation und Verlustleistung von Halbleitern
  • Verlustleistung digitaler Schaltungen, insbesondere CMOS
  • Power Management in Hard- und Software (Sleep Modes, DVS, FS, Undervolting)
  • Energieeffizientes Systemdesign (Anwendungen)
  • Energy Harvesting und Transiently Powered Computing (TPC)
Fertigkeiten

Nach Abschluss dieses Moduls besitzen die Studierenden ein tiefergehendes Verständnis von Hard- uns Software-Mechanismen zur Bewertung und Entwicklung energieeffizienter eingebetteter Systeme:

  • Sie besitzen ein tieferes Verständnis für die elektrotechnischen Grundlagen der Verlustleistung digitaler Systeme
  • Sie können die Verlustleistung von Systemen auf jeder Ebene analysieren und geeignete Methoden zur Erhöhung der Effizienz anwenden
  • Sie können eine Vielfalt von Standardtechniken anwenden, um „Energy-Efficiency by Design“ zu erreichen.
  • Sie können Energie-autonome modellieren, bewerten und implementieren.
Personale Kompetenzen
Sozialkompetenz Als Teil des Moduls sollen in Kleingruppen erlernte Konzepte auf einer Hardwareplattform umgesetzt werden. Studierende lernen dabei im Team zu agieren und gemeinsam Lösungen zu erarbeiten. Spezifische Aufgaben werden innerhalb der Gruppe bearbeitet, wobei auch eine Gruppen-übergreifende Zusammenarbeit (Austausch) stattfindet. Als zweiter Teil erfolgt ein Challenge-Based Project, bei dem die Gruppen in einem gesunden Wettbewerb zueinander möglichst energieeffiziente Lösungen finden. Dies stärkt den Zusammenhalt in den Gruppen und stärkt die gegenseitige Motivation, Unterstüzung und Kreativität.
Selbstständigkeit

Nach Abschluss dieses Moduls sind die Studierenden in der Lage aus dem erlernten Wissen und weiterführender Fachliteratur selbstständig Lösungen für eingebette Systeme zu entwickeln, zu optimieren und zu bewerten. 

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 25 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Elektrotechnik: Vertiefung Nanoelektronik und Mikrosystemtechnik: Wahlpflicht
Microelectronics and Microsystems: Vertiefung Embedded Systems: Wahlpflicht
Lehrveranstaltung L2870: Energieeffizienz in eingebetteten Systemen
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Ulf Kulau
Sprachen DE/EN
Zeitraum WiSe
Inhalt Motivation:

Auf dem Gebiet der Informatik haben wir nur eingeschränkte Möglichkeiten auf die Effizienz der Hardware direkt einzuwirken, bzw. sind abhängig von den Herstellern (bspw. von Mikrocontrollern). Um jedoch das volle Potential der uns gestellten Hardware auf Systemebene auszunutzen, benötigen wir ein tiefergehendes Verständnis über die Hintergründe, Prozesse und Mechanismen von Verlustleistungen in eingebetteten Systemen. Woher kommt die Verlustleistung, was passiert auf Hardware-Ebene, welche Mechanismen kann ich direkt/indirekt nutzen, welchen Tradeoff zwischen Flexibilität und Effizienz habe ich,... sind nur einige Fragen, welche in dieser Veranstaltung erarbeitet und diskutiert werden sollen.

Lehrinhalte:
  • Motivation und Verlustleistung von Halbleitern
  • Verlustleistung digitaler Schaltungen, insbesondere CMOS
  • Power Management in Hard- und Software (Sleep Modes, DVS, FS, Undervolting)
  • Energieeffizientes Systemdesign (Anwendungen)
  • Energy Harvesting und Transiently Powered Computing (TPC)
Literatur

DE: Die Vorlesung basiert af einer Vielzahl von Quellen, welche in [1.] angegeben sind.

ENG: The lecture is based on multiple sources which are listed in [1.].

  1. Kulau, Ulf: Course: Energy Efficiency in Embedded Systems-A System-Level Perspective for Computer Scientists, EWME, 2018.
  2. Harris, David, and N. Weste: CMOS VLSI Design ed., Pearson Education, 2010
  3. Rabaey, Jan: Low Power Design Essentials (Integrated Circuits and Systems), Springer, 2009
Lehrveranstaltung L2872: Energieeffizienz in eingebetteten Systemen
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Ulf Kulau
Sprachen DE/EN
Zeitraum WiSe
Inhalt

In dieser Projektbasierten Übung werden die erlernten Aspekte zur Erreichung von energieffizienten eingebetten Systemen in praxisnahen Umgebungen in einem kleinen Projekt imlementiert und gefestigt. Dabei wird zunächst durch definietre Aufgaben ein Tool-Set für die Implementierung von Energieeffizienzmechanismen in gemeinsamen Übungen implementiert. Im zweitenTeil erfolgt eine Challenge-Based Übung, bei der ein möglichst effizientes System eigenständig implementiert werden soll. Zur Anwendung kommt ein System basierend auf einem AVR Mikro-Controller, welcher durch einen Solar-Energy Harvester autonom betrieben werden kann.

  1. Aufgabenphase: 6 "hands-on" Aufgaben um Erfahrungen zu ammeln und eine SW Bibliothek zu erstellen
  2. Projekphase: Implementierung eines Energieautonomen Systems mit dem Ziel größtmögliche Energieefizienz (Challenge)
Literatur
Lehrveranstaltung L2871: Energieeffizienz in eingebetteten Systemen
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Ulf Kulau
Sprachen DE/EN
Zeitraum WiSe
Inhalt

In der Hörsaalübung werden die in der Vorlesung gelehrten theoertischen Grundlagen vertieft. Dies geschiet durch vertiefende Diskussion relevanter Asekte, aber auch durch Rechenbeispiele, bei denen ein tiefergehendes verständnis zu der thematik der Energieefizienz in eingebeteten Systemen eröangt wird. Übungsaufgaben werden im Vorfeld verteilt und Lösungen in der Hörsaalübung vorgestellt. Inhalte der Übung sind wie folgt:

  • Grundlagen und Berechnung von verlustleistung auf Halbleitern
  • Verlustleistung von CMOS am Beispiel eines Inverters
  • Einfluss des Aktivitätsfaktors und externer Komponenten
  • DVS und Scheduling
  • Evaluation zur Darstellung des Nutzen von Undervolting
  • Aspekte des Energy-Harvesting (MPPT)
Literatur

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 M1772: Smart Sensors

Lehrveranstaltungen
Titel Typ SWS LP
Smart Sensors (L2904) Vorlesung 2 2
Smart Sensors Lab (L2905) Projekt-/problembasierte Lehrveranstaltung 3 4
Modulverantwortlicher Prof. Ulf Kulau
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Eingebette Systeme
  • Technische Informatik
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Forschungsschwerpunkte des Fachbereichs „Smart Sensors“

  • Sensors and Sensor Applications
  • Signal Processing
  • Real-time data processing
  • Energy-efficient processing
  • Fault tolerance and embedded fault diagnosis
  • Integration aktueller Forschung in der Kurs

Veranstaltungen:

  • Vorlesung (wöchentlich) zur Vermittlung theoretischer Inhalte
  • Begleitende Praktische Übung (Implementierung eines Sensorsystems mit integrierter Signalverarbeitung)
Fertigkeiten
Personale Kompetenzen
Sozialkompetenz
Selbstständigkeit
Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 25 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Microelectronics and Microsystems: Vertiefung Embedded Systems: Wahlpflicht
Lehrveranstaltung L2904: Smart Sensors
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Ulf Kulau
Sprachen DE/EN
Zeitraum SoSe
Inhalt

Inhalte:

  • Physikalische Messgrößen und Sensorik
  • Processing Units (MCUs, FPGAs, DSPs, HW-Accelerator)
  • Low-Power Processing, Fehlertoleranzmechanismen (in Bezug auf Sensoren)
  • Integrierte digitale Signalverarbeitung (Aggregation, Filter, Vorverarbeitung, Feature Detection)
  • Erweiterte integrierte Signalverarbeitung (Sensor Fusion, embedded AI)
  • Anwendungen und Trends in Smart Sensors
Literatur
Lehrveranstaltung L2905: Smart Sensors Lab
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Ulf Kulau
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Kennenlernen einer ULP FPGA Plattform und anschließende...
  • Begleitende Praktische Übung (Implementierung eines Sensorsystems mit integrierter Signalverarbeitung)
  • Freie Aufgabe
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 M1794: Applied Cryptography

Lehrveranstaltungen
Titel Typ SWS LP
Angewandte Kryptographie (L2954) Vorlesung 3 4
Angewandte Kryptographie (L2955) Gruppenübung 1 2
Modulverantwortlicher Prof. Sibylle Fröschle
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
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 10 % Übungsaufgaben Die Übungsaufgaben finden semesterbegleitend statt
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 Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht
Lehrveranstaltung L2954: Applied Cryptography
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Sibylle Fröschle
Sprachen EN
Zeitraum SoSe
Inhalt

This module provides a comprehensive knowledge in modern cryptography and how it plays a key role in securing the digital world we live in today. We will thoroughly treat cryptographic primitives such as symmetric and asymmetric encryption schemes, cryptographic hash functions, message authentication codes, and digital signatures. Moreover, we will cover aspects of practical deployment such as key management, public key infrastructures, and secure storage of keys. We will see how everything comes together in applications such as the ubiquitous security protocols of the Internet (e.g. TLS and WPA3) and/or the Internet-of-things. We also discuss current challenges such as the need for post-quantum cryptography.


Literatur

Introduction to Modern Cryptography, Third Edition, Jonathan Katz and Jehuda Lindell, Chapman & Hall/CRC, 2021

Sicherheit und Kryptographie im Internet, 5th Edition, Jörg Schwenk, Springer-Verlag, 2020




Lehrveranstaltung L2955: Applied Cryptography
Typ Gruppenübung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Sibylle Fröschle
Sprachen EN
Zeitraum SoSe
Inhalt See corresponding lecture
Literatur Siehe korrespondierende Vorlesung

Modul M1842: GPU Architectures

Lehrveranstaltungen
Titel Typ SWS LP
GPU Architecture (L3039) Vorlesung 3 4
GPU Architecture (L3040) Projekt-/problembasierte Lehrveranstaltung 1 2
Modulverantwortlicher Prof. Sohan Lal
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

An introductory module on computer
engineering or computer architecture, and good programming skills in C/C++.

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
Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht
Microelectronics and Microsystems: Vertiefung Embedded Systems: Wahlpflicht
Lehrveranstaltung L3039: GPU Architecture
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Sohan Lal
Sprachen EN
Zeitraum SoSe
Inhalt

- Review of computer architecture basics - measuring performance,
benchmarks, five-stage RISC pipeline, caches
- GPU basics - evolution of GPU computing, a high-level overview of a
GPU architecture
- GPU programming with CUDA - program structure, CUDA threads
organization, warp/thread-block scheduling
- GPU (micro) architecture - streaming multiprocessors, single
instruction multiple threads (SIMT) core design, tensor/RT cores,
mixed-precision support
- GPU memory hierarchy - banked register file and operand collectors,
shared memory, GPU caches (differences w.r.t. CPU caches), global memory
- Branch and memory divergence - branch handling, stack-based
reconvergence, memory coalescing, coalescer design
- Barriers and synchronization
- Temporal and spatial locality exploitation challenges in GPU caches
- Global memory- high throughput requirements, GDDR/HBM, memory
bandwidth optimization techniques
- GPU research issues - performance bottlenecks, GPU power modeling,
high-power consumption/energy efficiency, GPU security
- Application case study - deep learning
- Cycle accurate simulators for GPUs

The learning in the lectures will be augmented by a semester-long
problem-based project.

Literatur
Lehrveranstaltung L3040: GPU Architecture
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Sohan Lal
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

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 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 Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht
Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Signalverarbeitung: Wahlpflicht
Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht
Lehrveranstaltung L0145: Computer Graphics
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Tobias Knopp
Sprachen EN
Zeitraum SoSe
Inhalt

Computer graphics and animation are leading to an unprecedented visual revolution. The course deals with its technological foundations:

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

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

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

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

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

Modul M1248: Compiler für Eingebettete Systeme

Lehrveranstaltungen
Titel Typ SWS LP
Compiler für Eingebettete Systeme (L1692) Vorlesung 3 4
Compiler für Eingebettete Systeme (L1693) Projekt-/problembasierte Lehrveranstaltung 1 2
Modulverantwortlicher Prof. Heiko Falk
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Modul "Eingebettete Systeme"

C/C++ Programmierkenntnisse

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

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

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

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

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

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

Fertigkeiten

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

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

Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

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

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Mündliche Prüfung
Prüfungsdauer und -umfang 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung 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: 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 M1741: Betriebssystembau

Lehrveranstaltungen
Titel Typ SWS LP
Betriebssystembau (L2812) Vorlesung 2 3
Betriebssystembau (L2814) Projekt-/problembasierte Lehrveranstaltung 3 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 96, Präsenzstudium 84
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
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 3
LP 2
Arbeitsaufwand in Stunden Eigenstudium 18, Präsenzstudium 42
Dozenten Prof. Christian Dietrich
Sprachen DE
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
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 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 Familiarity with basic software engineering concepts (e.g., requirements, design) and basic security concepts (e.g., confidentiality, integrity, availability) 
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Students can:

  • Elicit security requirements in a software project
  • Model and document security measures in a software design
  • Use threat and risk analysis techniques
  • Understand how security code reviews are performed
  • Understand the core definitions of concepts related to privacy
  • Understand privacy enhancing technologies
Fertigkeiten Select appropriate security assurance techniques to be used in a security assurance program
Personale Kompetenzen
Sozialkompetenz None
Selbstständigkeit

Students can apply the knowledge acquired throughout the course to the resolution of industrial case studies. Students should also be capable to acquire new knowledge independently from academic publications, techical standards, and white papers.

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 Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht
Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : 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
  • Secure software development processes and maturity models
  • Techniques to define security requirements
  • Techniques to create, document and analyse the design of secure applications
  • Threat and risk analysis techniques
  • Security code reviews
  • Program repair techniques for security vulnerabilities
  • Privacy engineering
Literatur

Sindre, G. and Opdahl, A.L., 2005. Eliciting security requirements with misuse cases. Requirements engineering, 10(1), pp.34-44.

Fontaine, P.J., Van Lamsweerde, A., Letier, E. and Darimont, R., 2001. Goal-oriented elaboration of security requirements.

Mead, N.R. and Stehney, T., 2005. Security quality requirements engineering (SQUARE) methodology. ACM SIGSOFT Software Engineering Notes, 30(4), pp.1-7.

Mirakhorli, M., Shin, Y., Cleland-Huang, J. and Cinar, M., 2012, June. A tactic-centric approach for automating traceability of quality concerns. In 2012 34th international conference on software engineering (ICSE) (pp. 639-649). IEEE.

Jürjens, J., UMLsec: Extending UML for secure systems development, International Conference on The Unified Modeling Language, 2002 

Lund, M.S., Solhaug, B. and Stølen, K., 2011. A guided tour of the CORAS method. In Model-Driven Risk Analysis (pp. 23-43). Springer, Berlin, Heidelberg.

Howard, M.A., 2006. A process for performing security code reviews. IEEE Security & privacy, 4(4), pp.74-79

Diaz, C. and Gürses, S., 2012. Understanding the landscape of privacy technologies. Proceedings of the information security summit, 12, pp.58-63.

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
  • Secure software development processes and maturity models
  • Techniques to define security requirements
  • Techniques to create, document and analyse the design of secure applications
  • Threat and risk analysis techniques
  • Security code reviews
  • Program repair techniques for security vulnerabilities
  • Privacy engineering
Literatur

Modul M1774: Advanced Internet Computing

Lehrveranstaltungen
Titel Typ SWS LP
Advanced Internet Computing (L2916) Vorlesung 2 3
Advanced Internet Computing (L2917) Projekt-/problembasierte Lehrveranstaltung 2 3
Modulverantwortlicher Prof. Stefan Schulte
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse Good programming skills are necessary. Previous knowledge in the field of distributed systems is helpful.
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

After successful completion of the course, students are able to:

  • Describe basic concepts of Cloud Computing, the Internet of Things (IoT), and blockchain technologies
  • Discuss and assess critical aspects of Cloud Computing, the IoT, and blockchain technologies
  • Select and apply cloud and IoT technologies for particular application areas
  • Design and develop practical solutions for the integration of smart objects in IoT, Cloud, and blockchain software
  • Implement IoT services
Fertigkeiten

The students acquire the ability to model Internet-based distributed systems and to work with these systems. This comprises especially the ability to select and utilize fitting technologies for different application areas. Furthermore, students are able to critically assess the chosen technologies. 

Personale Kompetenzen
Sozialkompetenz

Students can work on complex problems both independently and in teams. They can exchange ideas with each other and use their individual strengths to solve the problem.

Selbstständigkeit

Students are able to independently investigate a complex problem and assess which competencies are required to solve it. 

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang Guppenprojekt mit Präsentation (50 %), schriftlicher Test (60 min, 50 %)
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, Schwerpunkt Netze: Wahlpflicht
Lehrveranstaltung L2916: Advanced Internet Computing
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Stefan Schulte
Sprachen EN
Zeitraum SoSe
Inhalt

This lecture discusses modern Internet-based distributed systems in three blocks: (i) Cloud computing, (ii) the Internet of Things, and (iii) blockchain technologies. The following topics will be covered in the single lectures:

  • Cloud Computing
  • Elastic Computing
  • Technologies for identification for the IoT: RFID & EPC
  • Communication in the IoT: Standards and protocols
  • Security and trust in the IoT: Concerns and solution approaches
  • Edge and Fog Computing
  • Application areas: Smart factories, smart cities, smart healthcare
  • Blockchain technologies 
  • Consensus 
Literatur Will be discussed in the lecture
Lehrveranstaltung L2917: Advanced Internet Computing
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Stefan Schulte
Sprachen EN
Zeitraum SoSe
Inhalt

This project-/problemoriented part of the module augments the theoretical content of the lecture by a concrete technical problem, which needs to be solved by the students in group work during the semester. Possible topics are (blockchain-based) sensor data integration, Big Data processing, Cloud-based redundant data storages, and Cloud-based Onion Routing.

Literatur

Will be discussed in the lecture.

Modul M1773: Cybersecurity Data Science

Lehrveranstaltungen
Titel Typ SWS LP
Data Science zur Cybersicherheit (L2914) Vorlesung 2 3
Data Science zur Cybersicherheit (L2915) Projekt-/problembasierte Lehrveranstaltung 2 3
Modulverantwortlicher Prof. Riccardo Scandariato
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Basic knowledge of probabilities and statistics. Familiarity with object oriented programming.

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

Students can:

  • Apply data science methods to the resolution of complex cybersecurity problems.
  • Use of data science methods to quantify risks and optimize cybersecurity operations.
  • Identify strengths and limitations of state-of-the-art methods
  • Select the performance indicators of data-oriented cybersecurity solutions.
  • Understand cybersecurity threats in data science methods.
Fertigkeiten

Implement and evaluate data-driven models for the identification, treatment, and mitigation of cybersecurity risks

Personale Kompetenzen
Sozialkompetenz None
Selbstständigkeit

Students can apply the knowledge acquired throughout the course to the resolution of industrial case studies. Students should also be capable to acquire new knowledge independently from academic publications, techical standards, and white papers.

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: Wahlpflicht
Lehrveranstaltung L2914: Cybersecurity Data Science
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Riccardo Scandariato
Sprachen EN
Zeitraum SoSe
Inhalt

Theoretical Foundations:

  • Introduction to data science
  • Supervised and unsupervised learning
  • Data science methods (e.g., clustering, decision trees, artificial neural networks)
  • Performance metrics

Cybersecutrity Applications:

  • Spam detection
  • Phishing detection
  • Intrusion detection
  • Access-control prediction
  • Denial of Service (DoS) prediction
  • Vulnerability/malware prediction
  • Adversarial machine learning
Literatur

[1] Sarker, I.H., Kayes, A.S.M., Badsha, S., Alqahtani, H., Watters, P. and Ng, A., 2020. Cybersecurity data science: an overview from machine learning perspective. Journal of Big data, 7(1), pp.1-29.

[2] Truong, T.C., Zelinka, I., Plucar, J., Čandík, M. and Šulc, V., 2020. Artificial intelligence and cybersecurity: Past, presence, and future. In Artificial intelligence and evolutionary computations in engineering systems (pp. 351-363). Springer, Singapore.

[3] Dua, S. and Du, X., 2016. Data mining and machine learning in cybersecurity. CRC press.

[4] Arp, D., Quiring, E., Pendlebury, F., Warnecke, A., Pierazzi, F., Wressnegger, C., Cavallaro, L. and Rieck, K., Dos and Don'ts of Machine Learning in Computer Security.

[5] Torres, J.M., Comesaña, C.I. and Garcia-Nieto, P.J., 2019. Machine learning techniques applied to cybersecurity. International Journal of Machine Learning and Cybernetics, 10(10), pp.2823-2836.

[6] Russell, S. and Norvig, P., 2010. Artificial Intelligence: A Modern Approach, Prentice Hall.

Lehrveranstaltung L2915: Exercise Cybersecurity Data Science
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Riccardo Scandariato
Sprachen EN
Zeitraum SoSe
Inhalt

Theoretical Foundations:

  • Introduction to data science
  • Supervised and unsupervised learning
  • Data science methods (e.g., clustering, decision trees, artificial neural networks)
  • Performance metrics

Cybersecutrity Applications:

  • Spam detection
  • Phishing detection
  • Intrusion detection
  • Access-control prediction
  • Denial of Service (DoS) prediction
  • Vulnerability/malware prediction
  • Adversarial machine learning
Literatur

[1] Sarker, I.H., Kayes, A.S.M., Badsha, S., Alqahtani, H., Watters, P. and Ng, A., 2020. Cybersecurity data science: an overview from machine learning perspective. Journal of Big data, 7(1), pp.1-29.

[2] Truong, T.C., Zelinka, I., Plucar, J., Čandík, M. and Šulc, V., 2020. Artificial intelligence and cybersecurity: Past, presence, and future. In Artificial intelligence and evolutionary computations in engineering systems (pp. 351-363). Springer, Singapore.

[3] Dua, S. and Du, X., 2016. Data mining and machine learning in cybersecurity. CRC press.

[4] Arp, D., Quiring, E., Pendlebury, F., Warnecke, A., Pierazzi, F., Wressnegger, C., Cavallaro, L. and Rieck, K., Dos and Don'ts of Machine Learning in Computer Security.

[5] Torres, J.M., Comesaña, C.I. and Garcia-Nieto, P.J., 2019. Machine learning techniques applied to cybersecurity. International Journal of Machine Learning and Cybernetics, 10(10), pp.2823-2836.

[6] Russell, S. and Norvig, P., 2010. Artificial Intelligence: A Modern Approach, Prentice Hall.

Modul M0924: Software für Eingebettete Systeme

Lehrveranstaltungen
Titel Typ SWS LP
Software für Eingebettete Systeme (L1069) Vorlesung 2 3
Software für Eingebettete Systeme (L1070) Gruppenübung 3 3
Modulverantwortlicher Prof. Bernd-Christian Renner
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Sehr gute Kenntnisse und praktische Erfahrung in der Programmiersprache C
  • Grundkenntnisse in Softwaretechnik
  • Prinzipielles Verständnis von Assembler Sprachen
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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

Fertigkeiten Studierende erstellen interrupt-basierte Programme für einen konkreten Mikrocontroller. Sie erstellen und benutzen einen preemptiven scheduler. Sie setzen periphere Komponenten (Timer, ADCs, EEPROM) für komplexe Aufgaben eingebetteter System ein. Für den Anschluss externer Komponenten setzen sie serielle Protokolle ein.
Personale Kompetenzen
Sozialkompetenz
Selbstständigkeit
Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 10 % Testate
Prüfung Klausur
Prüfungsdauer und -umfang 90 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 Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht
Mechatronics: Technischer Ergänzungskurs: Wahlpflicht
Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht
Mechatronics: Vertiefung Systementwurf: Wahlpflicht
Microelectronics and Microsystems: Vertiefung Embedded Systems: Wahlpflicht
Lehrveranstaltung L1069: Software für Eingebettete Systeme
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Bernd-Christian Renner
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • General-Purpose Processors
  • Programming the Atmel AVR
  • Interrupts
  • C für Embedded Systems
  • Standard Single Purpose Processors: Peripherals
  • Finite-State Machines
  • Speicher
  • Betriebssystem für Eingebettete Systeme
  • Echtzeit Eingebettete Systeme
Literatur
  1. Embedded System Design,  F. Vahid and T. Givargis,  John Wiley
  2. Programming Embedded Systems: With C and Gnu Development Tools, M. Barr and A. Massa, O'Reilly

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

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

Lehrveranstaltung L1070: Software für Eingebettete Systeme
Typ Gruppenübung
SWS 3
LP 3
Arbeitsaufwand in Stunden Eigenstudium 48, Präsenzstudium 42
Dozenten Prof. Bernd-Christian Renner
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1810: Autonomous Cyber-Physical Systems

Lehrveranstaltungen
Titel Typ SWS LP
Autonomous Cyber-Physical Systems (L3000) Vorlesung 2 3
Autonomous Cyber-Physical Systems (L3001) Gruppenübung 2 3
Modulverantwortlicher Prof. Bernd-Christian Renner
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Very Good knowledge and practical experience in programming in the C language (Module: Procedural Programming)
  • Basic knowledge in software engineering
  • Basic knowledge in wired and wireless communication protocols
  • Principal understanding of simple electronic circuits
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
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 10 % Testate
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 Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht
Lehrveranstaltung L3000: Autonomous Cyber-Physical Systems
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Bernd-Christian Renner
Sprachen EN
Zeitraum SoSe
Inhalt
Literatur
Lehrveranstaltung L3001: Autonomous Cyber-Physical Systems
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Bernd-Christian Renner
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1812: Constraint Satisfaction Problems

Lehrveranstaltungen
Titel Typ SWS LP
Constraint Satisfaction Problems (L3002) Vorlesung 2 3
Constraint Satisfaction Problems (L3003) Hörsaalübung 2 3
Modulverantwortlicher Prof. Antoine Mottet
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

The students should have followed the courses Complexity Theory, Discrete Algebraic Structures, Linear Algebra.

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


  • Students can describe basic concepts from the theory of constraint satisfaction such as primitive positive formulas, interpretations, polymorphisms, clones
  • Students can discuss the connections between these concepts
  • Students know proofs strategies and can reproduce them

Fertigkeiten
  • Students can use CSPs to model problems from complexity theory and decide their complexity using methods from the course.
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
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L3002: Constraint Satisfaction Problems
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Antoine Mottet
Sprachen EN
Zeitraum SoSe
Inhalt

This course gives an introduction to the topic of constraint satisfaction problems and their complexity. It will cover the basics of the theory such as the universal-algebraic approach to constraint satisfaction and several classical algorithms such as local consistency checking and the Bulatov-Dalmau algorithm. We will finally discuss the recent research directions in the field.

Literatur
Lehrveranstaltung L3003: Constraint Satisfaction Problems
Typ Hörsaalübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Antoine Mottet
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

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 M1780: Massively Parallel Systems: Architecture and Programming

Lehrveranstaltungen
Titel Typ SWS LP
Massiv parallele Systeme: Architektur und Programmierung (L2936) Vorlesung 2 3
Massiv parallele Systeme: Architektur und Programmierung (L2937) Projekt-/problembasierte Lehrveranstaltung 2 3
Modulverantwortlicher Prof. Sohan Lal
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

An introductory module on computer Engineering or computer architecture, good programming skills in C/C++.

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

The course starts with parallel computers classification, multithreading, and covers the architecture of centralized and distributed shared-memory parallel systems, multiprocessor cache coherence, snooping / directory-based cache coherence protocols, implementation, and limitations. Next, students study interconnection networks and routing in parallel systems. To ensure the correctness of shared-memory multithreaded programs, independent of the speed of execution of their individual threads, the important topics of memory consistency and synchronization will be covered in detail. As a case study, the architecture of a few accelerators such as GPUs will also be discussed in detail. Besides understanding the architecture and organization of parallel systems, programming them is also very challenging. The course will also cover how to program massively parallel systems using API/libraries such as CUDA/OpenCL/MPI/OpenMP.

Fertigkeiten

After completing this course, students will be able to understand the architecture and organization of parallel systems. They will be able to evaluate different design choices and make decisions while designing a parallel system. In addition, they will be able to program parallel systems (ranging from an embedded system to a supercomputer) using CUDA/OpenCL/MPI/OpenMP. 

Personale Kompetenzen
Sozialkompetenz The course will encourage students to work in small groups to solve complex problems, thus, inculcating the importance of teamwork. 
Selbstständigkeit

Today, parallel computers are present everywhere. Students will be able to not only program parallel computers independently, but also understand their underlying organization and architecture. This will further help to understand the performance issues of parallel applications and provide insights to improve them. 

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 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
Data Science: Vertiefung II. Computer Science: Wahlpflicht
Data Science: Vertiefung IV. Special Focus Area: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Software: Wahlpflicht
Microelectronics and Microsystems: Vertiefung Embedded Systems: Wahlpflicht
Lehrveranstaltung L2936: Massively Parallel Systems: Architecture and Programming
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sohan Lal
Sprachen EN
Zeitraum WiSe
Inhalt

Brief outline:

  • Parallel computers and their classification
  • Centralized and distributed shared-memory architectures: snooping vs directory-based cache coherence protocols, implementation, and limitations
  • Chip multiprocessors: software-based, block (coarse-grain), interleaved (fine-grain), simultaneous multithreading
  • Synchronization: high-level primitives and implementation, memory consistency models: sequential and weaker memory consistency models
  • Interconnection networks: topologies (direct and indirect networks) and routing techniques
  • Graphics Processing Units (GPUs) architecture and programming using CUDA/OpenCL
  • Parallel programming with message passing interface (MPI), OpenMP


Literatur
  • Michel Dubois, Murali Annavaram, and Per Stenström, Parallel Computer Organization and Design (Book)
  • David A Patterson and John L. Hennessy, Computer Architecture: A Quantitative Approach, Elsevier (Book)
  • David B. Kirk, Wen-mei W. Hwu, Programming Massivley Parallel Processors, Elsevier (Book)


Lehrveranstaltung L2937: Massively Parallel Systems: Architecture and Programming
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sohan Lal
Sprachen EN
Zeitraum WiSe
Inhalt

There will be 3-4 assignments for project-based learning consisting of the following: 

  • Implement and compare different cache coherence protocols using a simulator or a high-level, event-driven simulation interface such as SystemC
  • Programming massively parallel systems to solve computationally intensive problems such as password cracking using CUDA/OpenCL/MPI/OpenMP


Literatur

The following literature will be useful for project-based learning. The further required resources will be discussed during the course.

  • David B. Kirk, Wen-mei W. Hwu, Programming Massivley Parallel Processors, Elsevier (Book)
  • MPI Forum, https://www.mpi-forum.org/ 
  • SystemC, https://www.accellera.org/community/systemc

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 Design-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 Mündliche Prüfung
Prüfungsdauer und -umfang 25 min
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/EN
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/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

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 can independently define work processes within their groups, distribute tasks within the group and develop solutions collaboratively.



Selbstständigkeit

The students are able to assess their level of knowledge and to document their work results adequately.



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
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: 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 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: 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 M1702: Process Imaging

Lehrveranstaltungen
Titel Typ SWS LP
Prozessbildgebung (L2723) Vorlesung 3 3
Prozessbildgebung (L2724) Projekt-/problembasierte Lehrveranstaltung 3 3
Modulverantwortlicher Prof. Alexander Penn
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse No special prerequisites needed
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Content: The module focuses primarily on discussing established imaging techniques including (a) optical and infrared imaging, (b) magnetic resonance imaging, (c) X-ray imaging and tomography, and (d) ultrasound imaging but also covers a range of more recent imaging modalities. The students will learn:

  1. what these imaging techniques can measure (such as sample density or concentration, material transport, chemical composition, temperature),
  2. how the measurements work (physical measurement principles, hardware requirements, image reconstruction), and
  3. how to determine the most suited imaging methods for a given problem.

Learning goals: After the successful completion of the course, the students shall:

  1. understand the physical principles and practical aspects of the most common imaging methods,
  2. be able to assess the pros and cons of these methods with regard to cost, complexity, expected contrasts, spatial and temporal resolution, and based on this assessment
  3. be able to identify the most suited imaging modality for any specific engineering challenge in the field of chemical and bioprocess engineering.


Fertigkeiten
Personale Kompetenzen
Sozialkompetenz In the problem-based interactive course, students work in small teams and set up two process imaging systems and use these systems to measure relevant process parameters in different chemical and bioprocess engineering applications. The teamwork will foster interpersonal communication skills.
Selbstständigkeit Students are guided to work in self-motivation due to the challenge-based character of this module. A final presentation improves presentation skills.
Arbeitsaufwand in Stunden Eigenstudium 96, Präsenzstudium 84
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht
Bioverfahrenstechnik: Vertiefung B - Industrielle Bioverfahrenstechnik: Wahlpflicht
Bioverfahrenstechnik: Vertiefung C - Bioökonomische Verfahrenstechnik, Schwerpunkt Energie und Bioprozesstechnik: Wahlpflicht
Chemical and Bioprocess Engineering: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht
Chemical and Bioprocess Engineering: Vertiefung Bioverfahrenstechnik: 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 Chemische Verfahrenstechnik: Wahlpflicht
Verfahrenstechnik: Vertiefung Umweltverfahrenstechnik: Wahlpflicht
Wasser- und Umweltingenieurwesen: Vertiefung Umwelt: Wahlpflicht
Wasser- und Umweltingenieurwesen: Vertiefung Wasser: Wahlpflicht
Lehrveranstaltung L2723: Process Imaging
Typ Vorlesung
SWS 3
LP 3
Arbeitsaufwand in Stunden Eigenstudium 48, Präsenzstudium 42
Dozenten Prof. Alexander Penn
Sprachen EN
Zeitraum SoSe
Inhalt
Literatur

Wang, M. (2015). Industrial Tomography. Cambridge, UK: Woodhead Publishing. 

Available as e-book in the library of TUHH: https://katalog.tub.tuhh.de/Record/823579395



Lehrveranstaltung L2724: Process Imaging
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 3
LP 3
Arbeitsaufwand in Stunden Eigenstudium 48, Präsenzstudium 42
Dozenten Prof. Alexander Penn, Dr. Stefan Benders
Sprachen EN
Zeitraum SoSe
Inhalt

Content: The module focuses primarily on discussing established imaging techniques including (a) optical and infrared imaging, (b) magnetic resonance imaging, (c) X-ray imaging and tomography, and (d) ultrasound imaging and also covers a range of more recent imaging modalities. The students will learn:

  1. what these imaging techniques can measure (such as sample density or concentration, material transport, chemical composition, temperature),
  2. how the measurements work (physical measurement principles, hardware requirements, image reconstruction), and
  3. how to determine the most suited imaging methods for a given problem.

Learning goals: After the successful completion of the course, the students shall:

  1. understand the physical principles and practical aspects of the most common imaging methods,
  2. be able to assess the pros and cons of these methods with regard to cost, complexity, expected contrasts, spatial and temporal resolution, and based on this assessment
  3. be able to identify the most suited imaging modality for any specific engineering challenge in the field of chemical and bioprocess engineering.
Literatur

Wang, M. (2015). Industrial Tomography. Cambridge, UK: Woodhead Publishing. 

Available as e-book in the library of TUHH: https://katalog.tub.tuhh.de/Record/823579395



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 are able to grasp practical tasks in groups, develop solution strategies independently, define work processes and work on them collaboratively.
The students are able to collaboratively organize their work processes and software solutions using virtual communication and software management tools.
The students can critically reflect on the results of other groups, make constructive suggestions for improvement, and also incorporate them into their own work.


Selbstständigkeit

The students can assess their level of knowledge and independently control their learning processes on this basis as well as document their work results. They can critically evaluate the results achieved and present them in an appropriate argumentative manner to the other groups.



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: 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 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: 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 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
Data Science: Vertiefung III. Applications: Wahlpflicht
Data Science: Vertiefung IV. Special Focus Area: Wahlpflicht
Elektrotechnik: Vertiefung Regelungs- und Energiesystemtechnik: Wahlpflicht
Mechatronics: Kernqualifikation: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Bio- und Medizintechnik: 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
Data Science: Vertiefung III. Applications: Wahlpflicht
Data Science: Vertiefung IV. Special Focus Area: Wahlpflicht
Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Interdisciplinary Mathematics: Vertiefung III. Computational Methods in Biomedical Imaging: Pflicht
Microelectronics and Microsystems: Vertiefung Communication and Signal Processing: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Bio- und Medizintechnik: 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

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 are able to grasp practical tasks in groups, develop solution strategies independently, define work processes and work on them collaboratively.
The students can critically reflect on the results of other groups, make constructive suggestions for improvement and also incorporate them into their own work.


Selbstständigkeit

The students can assess their level of knowledge and document their work results. They can critically evaluate the results achieved and present them in an appropriate argumentative manner to the other groups.


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
Data Science: Vertiefung III. Applications: Wahlpflicht
Data Science: Vertiefung IV. Special Focus Area: Wahlpflicht
Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht
Interdisciplinary Mathematics: Vertiefung III. Computational Methods in Biomedical Imaging: Pflicht
Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht
Mechatronics: Kernqualifikation: Wahlpflicht
Mediziningenieurwesen: Vertiefung Künstliche Organe und Regenerative Medizin: Wahlpflicht
Mediziningenieurwesen: Vertiefung Implantate und Endoprothesen: Wahlpflicht
Mediziningenieurwesen: Vertiefung Management und Administration: Wahlpflicht
Mediziningenieurwesen: Vertiefung Medizin- und Regelungstechnik: Pflicht
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

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 Klausur
Prüfungsdauer und -umfang 90 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: 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
  • Grundkenntnisse in MATLAB, Python oder einer vergleichbaren Programmiersprache
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,
  • passende numerische Methoden für konkrete Probleme auswählen, implementieren und die numerischen Ergebnisse interpretieren


Fertigkeiten

Studierende sind in der Lage,

  • numerische Methoden zur Lösung gewöhnlicher Differentialgleichungen zu implementieren, anzuwenden und zu vergleichen,
  • das Konvergenzverhalten numerischer 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
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.
  • D. Griffiths, D. Higham: Numerical Methods for Ordinary Differential Equations.
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
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
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: 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: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht
Mechatronics: Vertiefung Systementwurf: Wahlpflicht
Mechatronics: Kernqualifikation: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: 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 M1865: Complexity Theory

Lehrveranstaltungen
Titel Typ SWS LP
Komplexitätstheorie (L3062) Vorlesung 2 3
Komplexitätstheorie (L3063) Gruppenübung 2 3
Modulverantwortlicher Prof. Antoine Mottet
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Basic knowledge in computability and formal language theory

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
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 20 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung III. Mathematik: Wahlpflicht
Lehrveranstaltung L3062: Complexity theory
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Antoine Mottet
Sprachen EN
Zeitraum WiSe
Inhalt

Computational complexity is a field from theoretical computer science that is concerned with the study of computational problems and their organisation in various classes corresponding to the amount of resources (like time or memory) that are needed to solve the problems. This is one of the most active research fields in theoretical computer science and a number of famous open problems are directly connected to computational complexity (for example, the Millennium problem "P vs. NP" or the complexity of the graph isomorphism problem).

The course will cover the core and advanced material from this discipline, such as the important complexity classes (including, but not limited to, P and NP), as well as the classical results relating these classes.

Literatur
  • Computational complexity: a modern approach, S. Arora and B. Barak
  • Computational complexity, C. H. Papadimitriou
Lehrveranstaltung L3063: Complexity theory
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Antoine Mottet
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1552: Fortgeschrittenes maschinelles Lernen

Lehrveranstaltungen
Titel Typ SWS LP
Fortgeschrittenes maschinelles Lernen (L2322) Vorlesung 2 3
Fortgeschrittenes maschinelles Lernen (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
Data Science: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Vertiefung III. Mathematik: Wahlpflicht
Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht
Mechatronics: Vertiefung Systementwurf: Wahlpflicht
Mechatronics: Kernqualifikation: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht
Lehrveranstaltung L2322: Fortgeschrittenes maschinelles Lernen
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: Fortgeschrittenes maschinelles Lernen
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 die gängigen numerischen Methoden wie Finite Differenzen oder Finite Volumen
  • Sie kennen das Konvergenzverhalten und andere wesentliche Eigenschaften dieser Verfahren.
Fertigkeiten

Die Studierenden sind in der Lage, für gegebene partiellen Differentialgleichungen numerische Lösungansätze zu formulieren, theoretische Konvergenzaussagen zu treffen und diese Ansätze 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 mentale 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 30 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung III. Mathematik: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: 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 Volumen
  • Anwendungen
Literatur

Dale R. Durran: Numerical Methods for Fluid Dynamics.

Randall J. LeVeque: Numerical Methods for Conservation Laws.

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

Modul M0720: Matrixalgorithmen

Lehrveranstaltungen
Titel Typ SWS LP
Matrixalgorithmen (L0984) Vorlesung 2 3
Matrixalgorithmen (L0985) Gruppenübung 2 3
Modulverantwortlicher Dr. Jens-Peter Zemke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Mathematik I - III
  • Numerische Mathematik 1/ Numerik
  • Grundkenntnisse der Programmiersprachen Matlab und C
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende können

  1. Krylov-Raum-Verfahren des neuesten Standes zur Lösung einiger Kernprobleme der Ingenieurwissenschaften im Bereich der Eigenwertaufgaben, der Lösung linearer Gleichungssysteme und der Modellreduktion benennen, wiedergeben und klassifizieren;
  2. Ansätze zur Lösung von Matrixgleichungen (Sylvester, Lyapunov, Riccati) benennen.
Fertigkeiten

Studierende sind in der Lage,

  1. grundlegende Krylov-Raum-Verfahren zur Lösung des Eigenwertproblemes, linearer Gleichungssysteme und zur Modellreduktion zu implementieren und zu bewerten;
  2. die in moderner Software verwendeten Verfahren bezüglich der Rechenzeit, Stabilität und ihrer Grenzen einzuschätzen;
  3. die gelernten Verfahren an neue, unbekannte Problemstellungen zu adaptieren.
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
Data Science: Vertiefung IV. Special Focus Area: Wahlpflicht
Data Science: Vertiefung I. Mathematics: Wahlpflicht
Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht
Mechatronics: Vertiefung Systementwurf: Wahlpflicht
Mechatronics: Kernqualifikation: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Simulationstechnik: Wahlpflicht
Lehrveranstaltung L0984: Matrixalgorithmen
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Dr. Jens-Peter Zemke
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Teil A: Krylov-Raum-Verfahren:
    • Grundlagen (Herleitung, Basis, Ritz, OR, MR)
    • Arnoldi-basierte Verfahren (Arnoldi, GMRes)
    • Lanczos-basierte Verfahren (Lanczos, CG, BiCG, QMR, SymmLQ, PvL)
    • Sonneveld-basierte Verfahren (IDR, CGS, BiCGStab, TFQMR, IDR(s))
  • Teil B: Matrixgleichungen:
    • Sylvester-Gleichung
    • Lyapunov-Gleichung
    • Algebraische Riccati-Gleichung


Literatur

Skript (224 Seiten)

Ergänzend können die folgenden Lehrbücher herangezogen werden:

  1. Saad, Yousef. Numerical methods for large eigenvalue problems: revised edition. Society for Industrial and Applied Mathematics, 2011.
  2. Saad, Yousef. Iterative methods for sparse linear systems. Society for Industrial and Applied Mathematics, 2003.
  3. Van der Vorst, Henk A. Iterative Krylov methods for large linear systems. No. 13. Cambridge University Press, 2003.

  4. Liesen, Jörg, and Zdenek Strakos. Krylov subspace methods: principles and analysis. Oxford University Press, 2013.

Lehrveranstaltung L0985: Matrixalgorithmen
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

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 Dozenten des SD E
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 Dozenten des SD E
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 M1564: Hauptseminare Informatik und Kommunikationstechnik

Lehrveranstaltungen
Titel Typ SWS LP
Hauptseminar Informatik und Kommunikationstechnik I (L2352) Seminar 2 3
Hauptseminar Informatik und Kommunikationstechnik II (L2429) Seminar 2 3
Modulverantwortlicher Dozenten des SD E
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: Vertiefung IV. Fachspezifische Fokussierung: Wahlpflicht
Information and Communication Systems: Vertiefung Kommunikationssysteme: Wahlpflicht
Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme: Wahlpflicht
Lehrveranstaltung L2352: Advanced Seminar Computer Science and Communication Technology I
Typ Seminar
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Dozenten des SD E
Sprachen EN
Zeitraum WiSe/SoSe
Inhalt
Literatur
Lehrveranstaltung L2429: Hauptseminar Informatik und Kommunikationstechnik II
Typ Seminar
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Dozenten des SD E
Sprachen DE/EN
Zeitraum WiSe/SoSe
Inhalt
Literatur

Thesis

Modul M1801: Masterarbeit im dualen Studium

Lehrveranstaltungen
Titel Typ SWS LP
Modulverantwortlicher Professoren der TUHH
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die dual Studierenden ...

  • ... setzen das Spezialwissen (Fakten, Theorien und Methoden) ihres Studienfaches und das erworbene berufliche Wissen sicher zur Bearbeitung fachlicher und berufspraktischer Fragestellungen ein.
  • ... können in einem oder mehreren Spezialbereichen ihres Faches die relevanten Ansätze und Terminologien in der Tiefe erklären, aktuelle Entwicklungen beschreiben und kritisch Stellung beziehen.
  • ... formulieren für eine berufliche Fragestellung eine eigene Forschungsaufgabe und verorten diese in ihrem Fachgebiet. Sie erheben den aktuellen Forschungsstand und schätzen diesen kritisch ein.
Fertigkeiten

Die dual Studierenden ...

  • ... sind in der Lage, für die jeweilige fachlich-berufspraktische Problemstellung geeignete Methoden auszuwählen, anzuwenden und nach Bedarf weiterzuentwickeln. 
  • ... beurteilen im Studium (inklusive Praxisphasen) erworbenes Wissen und erlernte Methoden und wenden ihre Fachkompetenzen auf komplexe und/oder unvollständig definierte Problemstellungen lösungs- und anwendungsorientiert an. 
  • ... erarbeiten sich in ihrem Fachgebiet neue wissenschaftliche Erkenntnisse und beurteilen diese kritisch.
Personale Kompetenzen
Sozialkompetenz

Die dual Studierenden ...

  • ... können eine berufliche Problemstellung in Form einer wissenschaftlichen Fragestellung sowohl für ein Fachpublikum als auch für berufliche Anspruchsgruppen schriftlich und mündlich strukturiert, verständlich und sachlich richtig darstellen.
  • ... antworten in einer Fachdiskussion Fragen fachkundig und zugleich adressatengerecht. Eigene Standpunkte und Einschätzungen vertreten sie dabei überzeugend.
Selbstständigkeit

Die dual Studierenden ...

  • ... sind in der Lage, ein eigenes Projekt in Arbeitspakete zu strukturieren, auf wissenschaftlichem Niveau abzuarbeiten und hinsichtlich umsetzbarer Handlungsoptionen für die Berufspraxis zu reflektieren.
  • ... arbeiten sich in ein teilweise unbekanntes Arbeitsgebiet des Studienfachs vertieft ein und erschließen sich die dafür benötigten Informationen.
  • ... wenden die Techniken des wissenschaftlichen Arbeitens umfassend in einer eigenen Forschungsarbeit mit einer betrieblichen Problem- und Fragestellung an.
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
Data Science: Abschlussarbeit: Pflicht
Elektrotechnik: Abschlussarbeit: Pflicht
Energietechnik: Abschlussarbeit: Pflicht
Environmental Engineering: Abschlussarbeit: Pflicht
Flugzeug-Systemtechnik: Abschlussarbeit: Pflicht
Informatik-Ingenieurwesen: Abschlussarbeit: Pflicht
Information and Communication Systems: Abschlussarbeit: Pflicht
Internationales Wirtschaftsingenieurwesen: Abschlussarbeit: Pflicht
Logistik, Infrastruktur und Mobilität: Abschlussarbeit: Pflicht
Luftfahrttechnik: Abschlussarbeit: Pflicht
Materials Science and Engineering: 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
Theoretischer Maschinenbau: Abschlussarbeit: Pflicht
Verfahrenstechnik: Abschlussarbeit: Pflicht
Wasser- und Umweltingenieurwesen: Abschlussarbeit: Pflicht