Die Studierenden erwerben folgendes Wissen:

• Sie kennen elementare Sprachelemente der Programmiersprache C. Sie kennen die grundlegenden Datentypen und wissen um ihre Einsatzgebiete.

• Sie haben ein Verständnis davon, was die Aufgaben eines Compilers, des Präprozessors und der Entwicklungsumgebung sind und wie diese interagieren.

• Sie beherrschen die Einbindung und Verwendung externer Programm-Bibliotheken zur Erweiterung des Funktionsumfangs.

• Sie wissen, wie man Header-Dateien verwendet und Funktionsschnittstellen festlegt, um größere Programmierprojekte kreieren zu können.

• Sie haben ein Verständnis dafür, wie das implementierte Programm mit dem Betriebssystem interagiert. Dies befähigt Sie dazu, Programme zu entwickeln, welche Eingaben des Benutzers, Betriebseingaben oder auch entsprechende Dateien verarbeiten und gewünschte Ausgaben erzeugen.

• Sie haben mehrere Herangehensweisen zur Implementierung häufig verwendeter Algorithmen gelernt.

• Die Studierenden sind in der Lage, die Komplexität eines Algorithmus zu bewerten und eine effiziente Implementierung vorzunehmen.

• Die Studierenden können Algorithmen für eine Vielzahl von Funktionalitäten modellieren und programmieren. Zudem können Sie die Implementierung an eine vorgegebene API anpassen.

Die Studierenden erwerben folgende Kompetenzen:

• Sie können in Kleingruppen Aufgaben gemeinsam lösen, Programmfehler analysieren und beheben und ihr erzieltes Ergebnis gemeinsam präsentieren.

• Sie können sich Sachverhalte direkt am Rechner durch einfaches Ausprobieren gegenseitig klar machen.

• Sie können in Kleingruppen gemeinsam eine Projektidee und -planung erarbeiten.

• Sie müssen den betreuenden Tutoren ihre eigenen Lösungsansätze verständlich kommunizieren und ihre Programme präsentieren.

• Students can name the basic concepts in linear algebra. 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.

• Students can model problems in linear algebra 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 discover and verify further logical connections between the concepts studied in the course.
• For a given problem, the students can develop and execute a suitable approach, and are able to critically evaluate the results.

- Students are able to work together (e.g. on their regular home work) in heterogeneously composed teams (i.e., teams from different study programs and background knowledge)  and to present their results appropriately (e.g. during exercise class).

Wissen: Die Studierenden kennen

• zahlentheoretische und funktionsbasierte Modelle der Kryptographie sowie Grundlagen der linearen Codes;
  
• den Aufbau und Struktur von Restklassenringen (Euklidische Ringe) und endlichen Körpern;
  
• den Aufbau und die Struktur von Unter-, Summen- und Faktorstrukturen in algebraischen Gebilden sowie Homomorphismen zwischen diesen Strukturen;
  
• den Aufbau und die Abzählung von elementaren kombinatorischen Strukturen;
• die wichtigsten Beweiskonzepte der modernen Mathematik;
• den Aufbau der höheren Mathematik basierend auf mathematischer Logik und Mengenlehre;
  
• grundlegende Aspekte des Einsatzes von mathematischer Software (Computeralgebrasystem Maple) zur Lösung von algebraischen oder kombinatorischen Aufgabenstellungen.
  

Fertigkeiten: Die Studierenden können

• in Restklassenringen (Euklischen Ringen) rechnen;
  
• Unter-, Summen- und Faktorstrukturen in algebraischen Gebilden aufstellen und in ihnen rechnen sowie algebraische Strukturen durch Homomorphismen aufeinander beziehen;
  
• elementar-kombinatorische Strukturen identifizieren und abzählen;
• die Sprache der Mathematik, basierend auf Mathematischer Logik und Mengenlehre, dienstbar verwenden;
  
• einfache, im Kontext stehende mathematische Aussagen beweisen;
  
• einschlägige mathematische Software (Computeralgebrasystem Maple) zielgerichtet einsetzen.
  

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

Die Nichttechnischen Angebote (NTA) 

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

Die Lehrarchitektur

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

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

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

Die Lehr-Lern-Arrangements

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

Die Lehrbereiche

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

Das Kompetenzniveau

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

Fachkompetenz (Wissen)

Die Studierenden können

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

Die Studierenden können in ausgewählten Teilbereichen

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

Die Studierenden sind fähig ,

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

Students can explain syntax, semantics, and decision problems of propositional logic, and they are able to give algorithms for solving decision problems. Students can show correspondences to Boolean algebra. Students can describe which application problems are hard to represent with propositional logic, and therefore, the students can motivate predicate logic, and define syntax, semantics, and decision problems for this representation formalism. Students can explain unification and resolution for solving the predicate logic SAT decision problem. Students can also describe syntax, semantics, and decision problems for various kinds of temporal logic, and identify their application areas. The participants of the course can define various kinds of finite automata and can identify relationships to logic and formal grammars. The spectrum that students can explain ranges from deterministic and nondeterministic finite automata and pushdown automata to Turing machines. Students can name those formalism for which nondeterminism is more expressive than determinism. They are also able to demonstrate which decision problems require which expressivity, and, in addition, students can transform decision problems w.r.t. one formalism into decision problems w.r.t. other formalisms. They understand that some formalisms easily induce algorithms whereas others are best suited for specifying systems and their properties. Students can describe the relationships between formalisms such as logic, automata, or grammars.

Students can apply propositional logic as well as predicate logic resolution to a given set of formulas. Students analyze application problems in order to derive propositional logic, predicate logic, or temporal logic formulas to represent them. They can evaluate which formalism is best suited for a particular application problem, and they can demonstrate the application of algorithms for decision problems to specific formulas. Students can also transform nondeterministic automata into deterministic ones, or derive grammars from automata and vice versa. They can show how parsers work, and they can apply algorithms for the language emptiness problem in case of infinite words.

• Students can name the basic concepts in analysis. 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.

• Students can model problems in analysis 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 discover and verify further logical connections between the concepts studied in the course.
• For a given problem, the students can develop and execute a suitable approach, and are able to critically evaluate the results.

- Students are able to work together (e.g. on their regular home work) in heterogeneously composed teams (i.e., teams from different study programs and background knowledge)  and to present their results appropriately (e.g. during exercise class).

Students can explain the main definitions of probability, and they can give basic definitions of modeling elements (random variables, events, dependence, independence assumptions) used in discrete and continuous settings (joint and marginal distributions, density functions). Students can describe characteristic notions such as expected values, variance, standard deviation, and moments. Students can define decision problems and explain algorithms for solving these problems (based on the chain rule or Bayesian networks). Algorithms, or estimators as they are caller, can be analyzed in terms of notions such as bias of an estimator, etc. Student can describe the main ideas of stochastic processes and explain algorithms for solving decision and computation problem for stochastic processes. Students can also explain basic statistical detection and estimation techniques.

- Students are able to work together (e.g. on their regular home work) in heterogeneously composed teams (i.e., teams from different study programs and background knowledge)  and to present their results appropriately (e.g. during exercise class).

Die Studenten haben ein grundlegendes Verständnis über die objektorientierte und die generische Programmierung erworben und können diese in eigenen Programmierprojekten umsetzen. Sie können eigene Klassenhierarchien erstellen und verschiedene Formen der Vererbung unterscheiden. Sie haben ein grundlegendes Verständnis des Polymorphismus und können zwischen Laufzeit- und Compilierzeit-Polymorphismus unterschieden. Die Studenten sind mit dem Konzept der Datenkapselung vertraut und können Schnittstellen in private und öffentliche Methoden unterteilen. Sie können mit Exceptions umgehen und nutzen generische Programmierung um Datenstrukturen zu verallgemeinern. Die Studenten können die Vor- und Nachteile der beiden Programmierparadigmen

Die Studenten können eine mittelgroße Problemstellung in Teilprobleme zerlegen und darauf aufbauend eigene Klassen in einer objektorientierten Programmiersprache erstellen. Sie können dabei ein öffentliche und private Schnittstellen entwerfen und die Implementierung durch Abstraktion generisch und erweiterbar umsetzen. Sie können verschiedene Sprachkonstrukte einer modernen Programmiersprache unterscheiden und diese geeignet in der Implementierung nutzen. Sie können Unit Tests entwerfen und implementieren.

Studierende können in Teams arbeiten und in Foren kommunizieren.

• Studierende können die grundlegenden Begriffe aus dem Gebiet der Analysis und Differentialgleichungen 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.

• Studierende können Aufgabenstellungen aus dem Gebiet der Analysis und Differentialgleichungen 
  mit Hilfe der kennengelernten Konzepte modellieren und mit den erlernten Methoden lösen.
• 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.

• Studierende sind in der Lage, in Teams zusammenzuarbeiten und beherrschen die Mathematik als gemeinsame Sprache.

• Sie können dabei insbesondere neue Konzepte adressatengerecht kommunizieren und anhand von Beispielen das Verständnis der Mitstudierenden überprüfen und vertiefen.

Students are able to

• name numerical methods for interpolation, integration, least squares problems, eigenvalue problems, nonlinear root finding problems and to explain their core ideas,
• repeat convergence statements for the numerical methods,

• explain aspects for the practical execution of numerical methods with respect to computational and storage complexitx.

  
  

Students are able to

• implement, apply and compare numerical methods using MATLAB,
• justify the convergence behaviour of numerical methods with respect to the problem and solution algorithm,
• select and execute a suitable solution approach for a given problem.
  

Students are able to

• work together in heterogeneously composed teams (i.e., teams from different study programs and background knowledge), explain theoretical foundations and support each other with practical aspects regarding the implementation of algorithms.

• Studierende können die grundlegenden Begriffe des Algorithmenentwurfs, der Algorithmenanalyse und Problemreduktionen 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.

• Studierende können diskrete Entscheidungsprobleme, Such- und Optimierungsprobleme mit Hilfe der kennengelernten Konzepte 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.

• Studierende sind in der Lage, in Teams 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.

Students can explain the general architecture of an application system that is based on a database. They describe the syntax and semantics of the Entity Relationship conceptual modeling languages, and they can enumerate basic decision problems and know which features of a domain model can be captured with ER and which features cannot be represented. Furthermore, students can summarize the features of the relational data model, and can describe how ER models can be systematically transformed into the relational data model. Student are able to discuss dependency theory using the operators of relational algebra, and they know how to use relational algebra as a query language. In addition, they can sketch the main modules of the architecture of a database system from an implementation point of view. Storage and index structures as well as query answering and optimization techniques can be explained. The role of transactions can be described in terms of ACID conditions and common recovery mechanisms can be characterized. The students can recall why recursion is important for query languages and describe how Datalog can be used and implemented.They demonstrate how Datalog can be used for information integration. For solving ER decision problems the students can explain description logics with their syntax and semantics, they describe description logic decision problems and explain how these problems can be mapped onto each other. They can sketch the idea of ontology-based data access and can name the main complexity measure in database theory. Last but not least, the students can describe the main features of XML and can explain XPath and XQuery as query languages.

Students can apply ER for describing domains for which they receive a textual description, and students can transform relational schemata with a given set of functional dependencies into third normal form or even Boyce-Codd normal form. They can also apply relational algebra, SQL, or Datalog to specify queries. Using specific datasets, they can explain how index structures work (e.g., B-trees) and how index structures change while data is added or deleted. They can rewrite queries for better performance of query evaluation. Students can analyse which query language expressivity is required for which application problem. Description logics can be applied for domain modeling, and students can transform ER diagrams into description logics in order to check for consistency and implicit subsumption relations.  They solve data integration problems using Datalog and LAV or GAV rules. Students can apply XPath and Xquery to retrieve certain patterns in XML data.

Die Studierenden kennen

• Grundlegende Prinzipien maschineller Lernverfahren: überwachtes/unüberwachtes Lernen, generative/deskriptives Lernen, parametrischer/nicht-parametrisches Lernen
• verschiedeneLernmethoden: Neuronale Netze, Support-Vektor-Maschinen, Clusterung, Dimensionsreduzierung, Kernel-Methoden
• Grundlagen der statistischen Lerntheorie
• Fortgeschrittene Techniken wie Transfer Learning, Bestärkendes Lernen, Generative Adversarial Networks und Adaptive Control
  

Die Studierenden können

• maschinelle Lernverfahren auf konkrete Probleme anwenden
• für konkrete Problemstellungen geeignete Verfahren auswählen und bewerten
• die Güte eines trainierten datengetriebenen Modells evaluieren
• mit bekannten Softwareframeworks für das maschinelle Lernen umgehen
• bei neuronalen Netzen die Architektur und Kostenfunktion an konkrete Problemstellungen anpassen
• die Grenzen maschineller Lernverfahren aufzeigen

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.

Die Studierenden können Signale und lineare zeitinvariante (LTI) Systeme im Sinne der Signal- und Systemtheorie klassifizieren und beschreiben. Sie beherrschen die grundlegenden Integraltransformationen zeitkontinuierlicher und zeitdiskreter deterministischer Signale und Systeme. Sie können deterministische Signale und Systeme in Zeit- und Bildbereich mathematisch beschreiben und analysieren. Sie verstehen elementare Operationen und Konzepte der Signalverarbeitung und können diese in Zeit- und Bildbereich beschreiben. Insbesondere verstehen Sie die mit dem Übergang vom zeitkontinuierlichen zum zeitdiskreten Signal bzw. System einhergehenden Effekte in Zeit- und Bildbereich.

Die Studierenden können deterministische Signale und lineare zeitinvariante Systeme mit den Methoden der Signal- und Systemtheorie beschreiben und analysieren. Sie können einfache Systeme hinsichtlich wichtiger Eigenschaften wie Betrags- und Phasenfrequenzgang, Stabilität, Linearität etc. analysieren und entwerfen. Sie können den Einfluß von LTI-Systemen auf die Signaleigenschaften in Zeit- und Frequenzbereich beurteilen.

Die Studierenden können fachspezifische Aufgaben gemeinsam bearbeiten.

• Studierende können die grundlegenden Begriffe der Graphentheorie und 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.

• Studierende können Aufgabenstellungen der Graphentheorie und 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.

• 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.
  
  

Die Studierenden können...

• grundlegende Begriffe und Kategorien aus dem Bereich Wirtschaft und Management benennen und erklären
• grundlegende Aspekte wettbewerblichen Unternehmertums beschreiben (Betrieb und Unternehmung, betrieblicher Zielbildungsprozess)
• wesentliche betriebliche Funktionen erläutern, insb. Funktionen der Wertschöpfungskette (z.B. Produktion und Beschaffung, Innovationsmanagement, Absatz und Marketing) sowie Querschnittsfunktionen (z.B. Organisation, Personalmanagement, Supply Chain Management, Informationsmanagement) und die wesentlichen Aspekte von Entrepreneurship-Projekten benennen
  
• Grundlagen der Unternehmensplanung (Entscheidungstheorie, Planung und Kontrolle) wie auch spezielle Planungsaufgaben (z.B. Projektplanung, Investition und Finanzierung) erläutern
• Grundlagen des Rechnungswesens erklären (Buchführung, Bilanzierung, Kostenrechnung, Controlling)
  
  

Die Studierenden können

• Unternehmensziele definieren und in ein Zielsystem einordnen sowie Zielsysteme strukturieren
  
• Organisations- und Personalstrukturen von Unternehmen analysieren
• Methoden für Entscheidungsprobleme unter mehrfacher Zielsetzung, unter Ungewissheit sowie unter Risiko zur Lösung von entsprechenden Problemen anwenden
• Produktions- und Beschaffungssysteme sowie betriebliche Informationssysteme analysieren und einordnen
• Einfache preispolitische und weitere Instrumente des Marketing analysieren und anwenden
  
• Grundlegende Methoden der Finanzmathematik auf Invesititions- und Finanzierungsprobleme anwenden
• Die Grundlagen der Buchhaltung, Bilanzierung, Kostenrechnung und des Controlling erläutern und Methoden aus diesen Bereichen auf einfache Problemstellungen anwenden.
  
  

Die Studierenden sind in der Lage

• sich im Team zu organisieren und ein Projekt aus dem Bereich Entrepreneurship gemeinsam zu bearbeiten und einen Projektbericht zu erstellen
  
• erfolgreich problemlösungsorientiert zu kommunizieren
  
• respektvoll und erfolgreich zusammenzuarbeiten

Die Studierenden  

• können wissenschaftliche Probleme in einer modernen Programmiersprache effizient lösen.
  
• sind mit dem Konzept der reproduzierbaren Wissenschaft vertraut.
• können mit mehrdimensionalen Arrays, sparse Arrays, Data Frames (tabellenförmige Daten) und Missing Data umgehen. Sie kennen sie Vor- und Nachteile spezifischer Datenstrukturen.
• kennen verschiedene Möglichkeiten um Daten, Datenbeziehungen und Fehlermaße geeignet darzustellen. Sie kennen bekannte Datenformate zur Speicherung von wissenschaftlichen Daten und können für spezifische Daten ein geeignetes Format auswählen.
  

Sie sind in der Lage 

• komplexe Probleme aus einer mathematischen Formulierung in eine geeignetes Programm zu übersetzen.
• ein komplexes Problem in Teilprobleme aufzuteilen welche modular umgesetzt werden können.
• numerische Standardprobleme zu identifizieren und hierfür geeignete Standardalgorithmen nutzen, die in Bibliotheken vorhanden sind.
  
• wartbaren Programmcode zu schreiben, dessen Korrektheit durch geeignete Tests überprüft wird.
• die Laufzeit von Programmen zu messen, Flaschenhalse zu identifizieren und geeignete Beschleunigungstechniken anzuwenden.

Students can 

• name the main security risks when using Information and Communication Systems and name the fundamental security mechanisms, 

• describe commonly used methods for risk and security analysis,  

• name the fundamental principles of data protection.

Students can

• evaluate the strenghts and weaknesses of the fundamental security mechanisms and of the commonly used methods for risk and security analysis, 

• apply the fundamental principles of data protection to concrete cases.

Studierende lernen Werkzeuge kennen, die von Entwicklungsteams eingesetzt werden, um

• Entwicklungsabläufe zu planen
• Daten zu sammeln, zu verarbeiten und zu analysieren
  
• Lernplattformen zu implementieren und zu validieren
• Softwaretechnische Aspekte umzusetzen

Studierende arbeiten im Team an einem größeren Datenprojekt. Dabei werden die benötigten Fertigkeiten erlernt und praktisch angewandt. Dies sind zum Beispiel

• die Projektspezifikation durch nutzerseitige Anforderungen
• die Erstellung einer datenorientierten Software-Architektur
• das Sammeln und Vorbearbeiten und Analysieren von großen Datensätzen
• das gemeinsame Implementieren einer Lernplattform
• der Vergleich verschiedener Lernmethoden
• die Durchführung statistischer Tests

Die Teamarbeit birgt eigene Herausforderungen einerseits hinsichtlich der Interaktionen im Team andererseits auch in Bezug auf die notwendigen Absprachen bei der gemeinsamen Entwicklung von Software. Im Rahmen des Projektes erlernen Studierende die hierfür notwendigen Kompetenzen und erleben die praktischen Aspekte.

Die Studierenden kennen

• verschiedene Formen der Wissensdarstellung
• verschiedenen Verfahren zur Clusteranalyse und Klassifizierung
  
• Methoden zur Datenvorverarbeitung
  
• Tools zur Visualisierung von großen Datenmengen
• Methoden zur Bewertung von Daten
• Assoziationsregeln
• Text-, Web- und Stream Mining; Zeitserienanalyse

Die Studierenden sind in der Lage große, heterogene Daten zu analysieren und nutzen dabei Methoden der Clusterung und Klassifizierung. Sie können die Daten vorverarbeiten, sodass ein datengetriebenes Modell mit homogenen Daten trainiert werden kann. Die Studierenden sind in der Lage große Datenmengen und ihre internen Strukturen zu visualisieren und die Daten zu bewerten.

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.

Die Studierenden kennen

• Visuelle Wahrnehmung
• Mehrdimensionale Signalverarbeitung
• Abtastung und Abtasttheorem
• Filterung
• Bildverbesserung
• Kantendetektion
• Mehrfachauflösende Verfahren: Gauss- und Laplace-Pyramide, Wavelets
• Bildkompression
• Segmentierung
• Morphologische Bildverarbeitung

Die Studierenden können

• multidimensionale Bilddaten analysieren, bearbeiten, verbessern
• einfache Kompressionsalgorithmen implementieren
• eigene Filter für konkrete Anwendungen entwerfen

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.

Students apply the principles, constructs, and simple design techniques of functional programming. They demonstrate their ability to read Haskell programs and to explain Haskell syntax as well as Haskell's read-eval-print loop. They interpret warnings and find errors in programs. They apply the fundamental data structures, data types, and type constructors. They employ strategies for unit tests of functions and simple proof techniques for partial and total correctness. They distinguish laziness from other evaluation strategies. 

Students break a natural-language description down in parts amenable to a formal specification and develop a functional program in a structured way. They assess different language constructs, make conscious selections both at specification and implementations level, and justify their choice. They analyze given programs and rewrite them in a controlled way. They design and implement unit tests and can assess the quality of their tests. They argue for the correctness of their program.

Students practice peer programming with varying peers. They explain problems and solutions to their peer. They defend their programs orally. They communicate in English.

• Studierende können die grundlegenden Begriffe der Kombinatorik und Algorithmik 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.

• Studierende können Aufgabenstellungen aus der Kombinatorik und Algorithmik mit Hilfe der kennengelernten Konzepte modellieren und mit den erlernten Methoden lösen.
• 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.

• Studierende sind in der Lage, in Teams zusammenzuarbeiten und beherrschen die Mathematik als gemeinsame Sprache.
• Sie können dabei insbesondere neue Konzepte adressatengerecht kommunizieren und anhand von Beispielen das Verständnis der Mitstudierenden überprüfen und vertiefen.

Dieses Modul vermittelt Grundkenntnisse der Funktionsweise von Rechensystemen. Abgedeckt werden die Ebenen von der Assemblerprogrammierung bis zur Gatterebene. Das Modul behandelt folgende Inhalte:

• Einführung
• Kombinatorische Logik: Gatter, Boolesche Algebra, Schaltfunktionen, Synthese von Schaltungen, Schaltnetze
• Sequentielle Logik: Flip-Flops, Schaltwerke, systematischer Schaltwerkentwurf
• Technologische Grundlagen
• Rechnerarithmetik: Ganzzahlige Addition, Subtraktion, Multiplikation und Division
• Grundlagen der Rechnerarchitektur: Programmiermodelle, MIPS-Einzelzyklusmaschine, Pipelining
• Speicher-Hardware: Speicherhierarchien, SRAM, DRAM, Caches
• Ein-/Ausgabe: I/O aus Sicht der CPU, Prinzipien der Datenübergabe, Point-to-Point Verbindungen, Busse
  

Die Studierenden fassen ein Rechensystem aus der Perspektive des Architekten auf, d.h. sie erkennen die interne Struktur und den physischen Aufbau von Rechensystemen. Die Studierenden können analysieren, wie hochspezifische und individuelle Rechner aus einer Sammlung gängiger Einzelkompenenten zusammengesetzt werden. Sie sind in der Lage, die unterschiedlichen Abstraktionsebenen heutiger Rechensysteme - von Gattern und Schaltungen bis hin zu Prozessoren - zu unterscheiden und zu erklären.

Nach erfolgreichem Besuch der Veranstaltung sind die Studierenden in der Lage, die Wechselwirkungen zwischen einem physischen Rechensystem und der darauf ausgeführten Software beurteilen zu können. Insbesondere sollen sie die Konsequenzen der Ausführung von Software in den hardwarenahen Schichten von der Assemblersprache bis zu Gattern erkennen können. Sie sollen so in die Lage versetzt werden, Auswirkungen unterer Schichten auf die Leistung des Gesamtsystems abzuschätzen und geeignete Optionen vorzuschlagen.

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.

Students are able to explain important and common Internet protocols in detail and classify them, in order to be able to analyse and develop networked systems in further studies and job.

Students are able to analyse common Internet protocols and evaluate the use of them in different domains.

Die Studierenden können einen Überblick über die konventionelle und moderne elektrische Energietechnik geben. Technologien der elektrischen Energieerzeugung, -übertragung, -speicherung und -verteilung sowie Integration von Betriebsmitteln können detailliert erläutert und kritisch bewertet werden. 

Mit Abschluss dieses Moduls sind die Studierenden in der Lage, das erlernte Fachwissen in Aufgabenstellungen zur Auslegung, Integration oder Entwicklung elektrischer Energiesysteme angemessen anzuwenden und die Ergebnisse einzuschätzen und zu beurteilen.

Die Studierenden können fachspezifische und fachübergreifende Diskussionen führen, Ideen weiterentwicklen und ihre eigenen Arbeitsergebnissen vor anderen vertreten. 

Die Studierenden kennen und verstehen die grundlegenden Funktionseinheiten eines Nachrichtenübertragungssystems. Sie können die einzelnen Funktionsblöcke mit Hilfe grundlegender Kenntnisse der Signal- und Systemtheorie sowie der Theorie stochastischer Prozesse beschreiben und analysieren. Sie kennen die entscheidenden Resourcen und Bewertungskriterien der Nachrichtenübertragung und können ein elementares nachrichtentechnisches System entwerfen und beurteilen.  

Die Studierenden sind in der Lage, ein elementares nachrichtentechnisches System zu entwerfen und zu beurteilen.  Insbesondere können Sie den Bedarf an Resourcen wie Bandbreite und Leistung abschätzen. Sie sind in der Lage, wichtige Beurteilungskriterien wie die Bandbreiteneffizienz oder die Bitfehlerwahrscheinlichkeit elementarer Nachrichtenübertragungssysteme abzuschätzen und darauf basierend ein Übertragungsverfahren auszuwählen.

Die Studierenden können fachspezifische Aufgaben gemeinsam bearbeiten.

Die Studierenden können die Aufgaben von Messsystemen sowie das Vorgehen bei Messdatenerfassungen und -verarbeitungen erklären. Die dafür relevanten Aspekte der Wahrscheinlichkeitstheorie und der Messfehlerbehandlung sowie das Vorgehen bei Messungen stochastischer Signale können wiedergegeben werden. Methoden zur Beschreibungen gemessener Signale und zur Digitalisierungen von Signalen sind den Studierenden bekannt und können erläutert werden. Die Verarbeitungskette von der Erfassung von Messwerten bis zur Auswertung der Daten mit Klassifikations- und Regressionsverfahren kann im Zusammenhang beschrieben werden.

Die Studierenden sind in der Lage messtechnische Fragestellungen zu erklären und Methoden zur Beschreibung und Verarbeitung von Messdaten anzuwenden.

Die Studierenden lösen Übungsaufgaben in Kleingruppen. Eine praktische Aufgabenstellung wird von der Datenerfassung bis zur Datenverarbeitung in Gruppenarbeit gelöst.

Die Studierenden können

• die axiomatische Vorgehensweise bei der Erarbeitung der mechanischen Zusammenhänge beschreiben;
• wesentliche Schritte der Modellbildung erkläutern;
• Fachwissen aus der Hydrostatik, der Kinematik und der Kinetik präsentieren.

Die Studierenden können

• die wesentlichen Elemente der mathematischen / mechanischen Analyse und Modellbildung anwenden und im Kontext eigener Fragestellung umsetzen;
• grundlegende Methoden der Hydrostatik, der Kinematik und der Kinetik auf Probleme des Ingenieurwesens anwenden;
• Tragweite und Grenzen der eingeführten Methoden der Statik abschätzen, beurteilen und sich weiterführende Ansätze erarbeiten.

Die Studierenden können in Gruppen zu Arbeitsergebnissen kommen und sich gegenseitig bei der Lösungsfindung unterstützen. 

Die Studierenden kennen

• Ethische Grundpositionen 
• Bedeutungen des Informationsbegriffs und ihren historischen Wandel 
• Ethische Grundprobleme der Informationstechnologie (Entscheidungsautonomie von Algorithmen und künstlicher Intelligenz; Macht durch Zugang und Nutzen von Daten etc.)
• Auswirkungen einer zunehmenden Erhebung und Analyse von Daten auf Individuen und moderne Gesellschaften
• Datenschutzrichtlinien im Allgemeinen und in spezifischen Anwendungsgebieten (Beispiel: medizinische Daten)
• Auswirkungen von Fehlern in Softwaresystemen
• Die ethischen Leitlinien der Deutschen Gesellschaft für Informatik und die Empfehlungen zur Guten wissenschaftlichen Praxis der DFG

Die Studierenden können

• ethische Grundpositionen in der Analyse von Beispielen aus der Geschichte und Gegenwart der Informatik und Data Science anwenden.
• ethische Konflikte bezüglich dem Sammeln und der Verarbeitung von Daten erkennen und beschreiben
• ihr eigenes Handeln bei der Erfassung, Verarbeitung und Analyse von Daten und die dessen Folgen reflektieren 
• Datenschutzrichtlinien berücksichtigen und die Konformität von Softwaresystemen mit Datenschutzrichtlinien bewerten.
• die Auswirkung von Softwarefehlern in einem konkreten Anwendungsgebiet einschätzen und geeignete Maßnahmen zur Minimierung von Fehlern umsetzen

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

Die Studierenden können…

• den Aufbau und die Funktionsweise der geläufigsten außerbetrieblichen Logistiksysteme erläutern.
• die Vorteile der Nutzung von Simulationssoftware in Abhängigkeit von der Ausgangssituation erklären.
• Verschiedene, weit verbreitete Simulationsprogramme und -arten vorstellen und ihre Charakteristika erläutern.

Die Studierenden sind in der Lage…

• die elementaren Bausteine eines Logistiksystems zu erkennen, zu analysieren und zu einem Modell zusammenzufügen.
• komplexe außerbetriebliche Logistikprozesse mit der Simulationssoftware Plant Simulation® abzubilden.
• Rückschlüsse aus den Ergebnissen der Simulation zu ziehen, diese auf die Realität zu übertragen und daraus Handlungsempfehlungen abzuleiten.

Die Studierenden können…

• im Team komplexe Aufgabenstellungen lösen und diese entsprechend dokumentieren.
• verschiedene Rollen während der Teamarbeit wahrnehmen und sich im Team dafür angemessenes Feedback geben.
• die relevanten Ergebnisse ihres Projektes vor Fachpersonen vorzustellen und vertreten.

• Studierende können das Verhalten dynamischer Systeme in Zeit- und Frequenzbereich darstellen und interpretieren, und insbesondere die Eigenschaften Systeme 1. und 2. Ordnung erläutern.
• Sie können die Dynamik einfacher Regelkreise erklären und anhand von Frequenzgang und Wurzelortskurve interpretieren.
• Sie können das Nyquist-Stabilitätskriterium sowie die daraus abgeleiteten Stabilitätsreserven erklären.
• Sie können erklären, welche Rolle die Phasenreserve in der Analyse und Synthese von Regelkreisen spielt.
• Sie können die Wirkungsweise eines PID-Reglers anhand des Frequenzgangs interpretieren.
• Sie können erklären, welche Aspekte bei der digitalen Implementierung zeitkontinuierlich entworfener Regelkreise berücksichtigt werden müssen.

• Studierende können Modelle linearer dynamischer Systeme vom Zeitbereich in den Frequenzbereich transformieren und umgekehrt. 
• Sie können das Verhalten von Systemen und Regelkreisen simulieren und bewerten.
• Sie können PID-Regler mithilfe heuristischer Einstellregeln (Ziegler-Nichols) entwerfen.
• Sie können anhand von Wurzelortskurve und Frequenzgang einfache Regelkreise entwerfen und analysieren.
• Sie können zeitkontinuierliche Modelle  dynamischer Regler für die digitale Implementierung zeitdiskret approximieren.
• Sie beherrschen die einschlägigen Software-Werkzeuge (Matlab Control Toolbox, Simulink) für die Durchführung all dieser Aufgaben.

Studierende können

• klassische und moderne Iterationsverfahren und deren Zusammenhänge untereinander benennen,

• Konvergenzaussagen zu Iterationsverfahren wiedergeben,
  

• Aspekte der effizienten Implementierung von Iterationsverfahren erklären.
  

Studierende sind in der Lage,

• Iterationsverfahren zu implementieren, anzuwenden und zu vergleichen,
• das Konvergenzverhalten von Iterationverfahren zu analysieren und gegebenenfalls Konvergenzraten zu berechnen.
  
  
  

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.
  

Die Studierenden können Funktionsprinzipien ausgewählter medizintechnischer Systeme (beispielsweise bildgebende Systeme, Assistenzsysteme im OP, medizintechnische Informationssysteme) erklären. Sie können einen Überblick über regulatorische Rahmenbedingungen und Standards in der Medizintechnik geben.

Die Studierenden sind in der Lage, die Funktion eines medizintechnischen Systems im Anwendungskontext zu bewerten.

Die Studierenden können in Gruppen ein medizintechnisches Thema als Projekt beschreiben, in Teilaufgaben untergliedern und gemeinsam bearbeiten.

• Studierende können die Funktionsweisen von verschiedenen MOS-Bauelementen in unterschiedlichen Schaltungen erklären.
• Studierende können die Funktionsweise von Analogschaltungen und deren Anwendungen erklären.
  
• Studierende können die Funktionsweise grundlegender Operationsverstärker erklären und Kenngrößen angeben.
  
• Studierende sind in der Lage, grundlegende digitale Logik-Schaltungen zu benennen und ihre Vor- und Nachteile zu diskutieren.
• Studierende sind in der Lage Speichertypen zu benennen, deren Funktionsweise zu erklären und Kenngrößen anzugeben.
• Studierende können geeignete Anwendungsbereiche von Bipolartransistoren benennen.

• Studierende können Kenngrößen von verschiedenen MOS-Bauelementen berechnen und Schaltungen dimensionieren.
• Studierende können logische Schaltungen mit unterschiedlichen Schaltungstypen entwerfen und  dimensionieren.
• Studierende können MOS-Bauelemente und Operationsverstärker sowie bipolare Transistoren in speziellen Anwendungsbereichen einsetzen.

• Studierende sind in der Lage, in heterogen (aus unterschiedlichen  Studiengängen) zusammengestellten Teams zusammenzuarbeiten.
• Studierende können in kleinen Gruppen Rechenaufgaben lösen und Fachfragen beantworten.

Wissen: Die Studierenden kennen

• maschinennahe Modelle der Berechenbarkeit;
• abstrakte funktionale Modelle der Berechenbarkeit;
  
• das Konzept der universellen Berechenbarkeit und seine Beschreibung durch partiell-rekursive Funktionen;
  
• das Konzept der Gödelisierung von Berechnungen sowie die Sätze von Kleene, Rice und Rice-Shapiro;
• die Konzepte der entscheidbaren und semientscheidbaren Probleme;
• die Wortprobleme in Semi-Thue-Systemen, Thue-Systemen, Halbgruppen und Post-Korrespondenz-Systemen;
  
• Hilberts zehntes Problem;
  
• die Komplexitätsklassen P und NP und deren Unterscheidung;
• das Konzept der NP-Vollständigkeit sowie den Satz von Cook.
  
  

Fertigkeiten: Die Studienden können

• maschinennahe und abstrakte Modelle der Berechenbarkeit beschreiben;
• Beziehungen zwischen den einzelnen Berechenbarkeitsbegriffen herstellen; 
• die grundlegenden Sätze von Kleene und Rice rekapitulieren und beweisen;
• das Konzept der universellen Berechenbarkeit darlegen;
• entscheidbare und semientscheidbare Probleme identifizieren und deren Bezug zu ähnlichen Problemen durch Reduktion herstellen;
  
• die Komplexitätsklassen P und NP beschreiben;
  
• NP-vollständige Probleme lokalisieren.
  

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