Studiengangsbeschreibung

Inhalt

Die Digitalisierung hat seit der Einführung des Internets unseren Alltag massiv verändert. Meilensteine waren die Erfindung der digitalen Fotografie und die Entwicklung des modernen Smartphones, welche unsere Kommunikationswege und Formen grundlegend verändert haben. Das Gebiet Data Science hat sich aufgrund dieser gesellschaftlichen Entwicklungen aus der mathematischen Statistik und der Informatik entwickelt und ist heute in der Wissenschaft, der Industrie und im Alltag der meisten Menschen zu einer Schlüsseltechnologie geworden.

Data Science hat das Ziel, Merkmalen und Wissen aus großen Datenmengen zu extrahieren. Daraus entsteht ein datengetriebenes Modell, welches nicht auf physikalischen Gleichungen beruht, sondern direkt aus den Daten abgeleitet wird. Um dies zu erreichen, sind drei Wissenschaftsgebiete nötig. Die Statistik stellt die entsprechenden mathematischen Werkzeuge bereit. Die Informatik ermöglicht die Umsetzung der mathematischen Modelle durch effiziente Algorithmen, und sorgt für die Darstellung, Verarbeitung, Bereitstellung und Speicherung der Daten. Das dritte Wissenschaftsgebiet ist das sogenannte Domänenwissen, welches die Anwendung beschreibt, in der Data Science angewendet wird. So ist es zum Beispiel für Anwendungen in der Medizin notwendig, über Kenntnisse in Anatomie oder regulatorische Nebenbedingungen wie die Vertraulichkeit von Patientendaten zu verfügen. Der Data Scientist ist somit stets mit dem Schutz von Daten und der Sicherheit von Daten konfrontiert und muss sich sowohl mit rechtlichen als auch ethischen Fragestellungen befassen.

Der Bachelorstudiengang Data Science bietet ein wissenschaftlich fundiertes, grundlagenorientiertes Studium. Er ist im Kern als Informatikstudium angelegt und enthält dementsprechend den in Deutschland üblichen Kanon (Mathematik, Programmierung, Algorithmenentwicklung) ab. Bei der mathematischen Ausbildung wird neben der linearen Algebra und der Analysis ein verstärkter Fokus auf die Stochastik gelegt. In der zweiten Hälfte des Studiums werden Data Science spezifische Inhalte wie zum Beispiel das maschinelle Lernen vermittelt. Neben dem Studium der mathematischen und informatorischen Methoden werden sich die Studierenden auch mit ethischen Fragestellungen auseinandersetzen, um die gelernten Fertigkeiten verantwortungsbewusst im späteren Beruf einsetzen zu können. Im dritten Jahr des Studiums können sich die Studierenden eine Anwendungsmodul gezielt aussuchen und einen Einblick in potentielle Anwendungsgebiete der Data Science erlangen.

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

Die Absolventinnen und Absolventen werden durch den Bachelorstudiengang Data Science sowohl auf eine berufliche Tätigkeit in der Industrie als auch auf ein einschlägiges Masterstudium vorbereitet. Aufgrund der zunehmenden Digitalisierung werden die Kompetenzen branchenübergreifend benötigt, sodass den Absolventen ein breites Berufsspektrum eröffnet wird. 

Ein Data Scientist arbeitet typischerweise in einem Umfeld, in dem große Datenmengen entstehen und ist dafür verantwortlich, diese zu bewerten, algorithmisch zu verarbeiten und aus ihnen Merkmale zu extrahieren. Er lernt sich das Wissen seiner Domäne an und kann so in einem interdisziplinären Team mit Anwendungsexperten zusammenarbeiten. Der Data Scientist arbeitet forschungsnah und ist somit immer auf dem neuesten Stand über neue Entwicklungen in dem sich rasant entwickelnden Feld. Aufgrund des hohen Informatik-Anteils in dem Studium sind die Absolventinnen und Absolventen des Studiengangs mit allen Regeln des Softwareentwurfs vertraut, sodass ihnen ein großer Teil der Berufsmöglichkeiten von klassischen Informatikern offenstehen.

Ein erfolgreicher Abschluss des Bachelorstudiums Data Science an der TUHH ermöglicht die Aufnahme eines Masterstudiums in Data Science, oder auch - nach individueller Abstimmung der Wahlpflichtmodule - in Informatik oder angewandter Mathematik.

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 Bachelorstudium Data Science soll die Studierenden sowohl auf eine berufliche Tätigkeit als auch auf ein einschlägiges Masterstudium vorbereiten. Die hierfür notwendigen Fertigkeiten und das nötige Wissen werden im Rahmen des Studiums erworben. Die Lernziele des Studiengangs werden durch ein Zusammenspiel von grundlegenden und weiterführenden Modulen aus Data Science, Mathematik und Informatik erreicht. Die Lernziele sind im Folgenden eingeteilt in die Kategorien Wissen, Fertigkeiten, Sozialkompetenz und Selbstständigkeit.

Wissen

Die Fachkompetenz Wissen beschreibt die Gesamtheit der Fakten, Grundsätze und Theorien in einem Lern- oder Arbeitsbereich. Es wird im Bachelorstudiengang Data Science in folgenden Gebieten erworben:

  1. Die Absolventinnen und Absolventen können die Grundlagen und Methoden der linearen Algebra, der Differentialrechnung in einer und in mehreren Veränderlichen, der höheren Analysis, und der Numerik beschreiben. Sie können ihre Beweise skizzieren.
  2. Die Absolventinnen und Absolventen können einen Überblick über die Grundlagen und Methoden der Statistik und Wahrscheinlichkeitsrechnung geben. Sie können Schätzverfahren erklären und statistische Tests durchführen.
  3. Die Absolventinnen und Absolventen können die Grundlagen und Methoden der Programmierung, der Softwareentwicklung, der Algorithmen und Datenstrukturen erläutern. Sie können Algorithmen beschreiben und bezüglich ihrer Komplexität bewerten.
  4. Die Absolventinnen und Absolventen kennen Methoden zum Erheben, Aufbereiten, Analysieren und Visualisieren von kleinen und großen sowie homogenen und heterogenen Datenmengen. Sie können diese durch geeignete Datenstrukturen behandeln und sind mit dem Umgang von Datenbanksystemen vertraut.
  5. Die Absolventinnen und Absolventen können die Grundlagen und Methoden des maschinellen Lernens darstellen und die beiden Teilgebiete des überwachten und unüberwachten Lernensvergleichen. Sie sind in der Lage, Methoden zum Trainieren und Validieren datengetriebener Modelle zu benennen.
  6. Die Studierenden können die Grundlagen und Methoden der Betriebswirtschaftslehre wiedergeben und einen Überblick über die relevanten sozialen, ethischen, ökologischen und ökonomischen Randbedingungen ihres Faches geben.

Fertigkeiten

Die Fähigkeit, erlerntes Wissen zur Lösung spezifischer Probleme anzuwenden, wird im Studiengang Data Science auf folgende Weise unterstützt:

  1. Die Absolventinnen und Absolventen können mathematische Aufgabenstellungen aus der Stochastik, der Analysis, der linearen Algebra, und der Numerik mit den erlernten Methoden lösen.

  2. Die Absolventinnen und Absolventen können einfache Algorithmen modellieren, programmieren und anpassen. Sie können Software entwerfen, testen und deren Komplexität abschätzen. Sie sind in der Lage, die unterschiedlichen Abstraktionsebenen heutiger Rechensysteme zu unterscheiden.
  3. Die Absolventinnen und Absolventen können ein gegebenen Datenkollektiv analysieren und durch Anwenden von Data-Science-Methoden Muster in den Daten finden. Sie können die Gültigkeit von Aussagen durch statistische Tests untersuchen.
  4. Die Absolventinnen und Absolventen können für eine konkrete Anwendungsdomäne ein Konzept für ein datengetriebenes Model erstellen. Hierzu gehört die Spezifikation, welche Daten für das Modell erhoben werden sollen, das Erheben der eigentlichen Daten, das Aufbereiten der Daten, sowie das Trainieren eines maschinellen Lernverfahrens. Sie können die Daten in Trainings- und Validierungsdaten aufteilen und so die Genauigkeit des trainierten Modells untersuchen. Die Absolventen können Methoden der Erklärbarkeit (englisch: Explainability) anwenden und können so den Anwendern direktes Feedback über die Wirkweise eines Models liefern.

  5. Die Absolventinnen und Absolventen können ethische Grundpositionen in Bezug auf die Informationsverarbeitung und Data Science anwenden. Sie können ethische Konflikte bezüglich der Erhebung und der Verarbeitung von Daten erkennen und beschreiben, ihr eigenes Handeln bei der Erfassung, Verarbeitung und Analyse von Daten und die dessen Folgen reflektieren und Datenschutzrichtlinien berücksichtigen und die Konformität von Softwaresystemen mit Datenschutzrichtlinien bewerten.

Sozialkompetenz

  1. Sozialkompetenz umfasst die individuelle Fähigkeit und den Willen, zielorientiert mit anderen zusammenzuarbeiten, die Interessen der anderen zu erfassen, sich zu verständigen und die Arbeits- und Lebenswelt mitzugestalten.
  2. Die Absolventinnen und Absolventen können Data-Science-Konzepte schriftlich und mündlich adressatengerecht kommunizieren. Sie sind in der Lage das Verständnis der Gesprächspartner anhand von Beispielen zu vertiefen und können auf Nachfragen, Ergänzungen und Kommentare geeignet reagieren.

  3. Die Absolventinnen und Absolventen können in fachlich homogenen und heterogenen Teams zusammenarbeiten. Sie beherrschen die Mathematik und Informatik als gemeinsame Sprache und können diese gegebenenfalls auch anderen vermitteln. Sie sind in der Lage Teilaufgaben zu definieren, zu verteilen und zu integrieren. Sie können Vereinbarungen treffen und sozial interagieren

Selbstständigkeit

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

  1. Die Absolventinnen und Absolventen können selbstorganisiert und -motiviert über längere Zeiträume zielgerichtet an schwierigen Problemstellungen arbeiten.

  2. Die Absolventinnen und Absolventen können sich selbstständig ein eingegrenztes Data-Science-Teilgebiet der erschließen. Sie sind dabei insbesondere in der Lage, notwendige Informationen zu beschaffen und in den Kontext ihres Wissens zu setzen. Sie können eigenständig ihr Verständnis komplexer Konzepte überprüfen, noch offene Fragen auf den Punkt bringen und sich gegebenenfalls gezielt Hilfe holen.

    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 Bachelorstudiengangs Data Science ist wie folgt gegliedert:

Kernqualifikation (insg. 180 LP)

Sie enthält Pflichtmodule aus den Grundlagen der Mathematik (Lineare Algebra, Analysis, Numerik, Stochastik; insg. 54 LP), der Informatik (Programmierung, Algorithmen und Datenstrukturen, Automatentheorie, Datenbanken, Informationssicherheit; insg. 42 LP), dem Data-Science-Kerngebiet (Einführung in Data Science, Maschinelles Lernen, Data Mining, Praktikum Data Science, Signalverarbeitung, Ethik; insg. 36 LP). Auch die Praxisphasen des dualen Studiums sind Bestandteil der Kernqualifikation (insg. 30 LP).

Die Kernqualifikation enthält außerdem noch Seminare (insg. 6 LP) sowie die überfachlichen Pflichtmodule zur Betriebswirtschaftslehre und zur Theorie-Praxis-Verzahnung im dualen Studium (je 6 LP).  

Vertiefung I. Mathematik/Informatik (insg. 12 LP)

Die Studierenden können in der obligatorischen Vertiefung Mathematik/Informatik zwei Module (je 6 LP) aus dem folgenden Katalog auswählen:

  • Bildverarbeitung
  • Funktionales Programmieren
  • Einführung in die Datenerfassung und Datenverarbeitung
  • Technische Informatik
  • Kombinatorische Strukturen und Algorithmen
  • Löser für schwachbesetzte lineare Gleichungssysteme
  • Berechenbarkeit und Komplexität
  • Einführung in die Nachrichtentechnik und ihre stochastischen Methoden
  • Rechnernetze und Internet-Sicherheit
  • Mathematik IV (EN)

Vertiefung II. Anwendung (insg. 6 LP)

Die Studierenden können in der obligatorischen Vertiefung Anwendung 1-2 Module im Gesamtumfang von 6 LP aus dem folgenden Katalog auswählen:

  • MED I: Einführung in die Radiologie und Strahlentherapie (3 LP)
  • MED I: Einführung in die Anatomie (3 LP)
  • Einführung in Medizintechnische Systeme (6 LP)
  • Logistikmanagement (6 LP)
  • Einführung in die Elektrotechnik (Technomathematik) (6 LP)
  • Technische Mechanik I (6 LP)
  • Grundlagen der Regelungstechnik (6 LP)
  • Grundlagen der Werkstoffwissenschaften (6 LP)

Bachelorarbeit (12 LP, 6. Semester)

Das Studium schließt mit der Bachelorarbeit ab, die einen Umfang von 12 LP umfasst und im 6. Semester angefertigt wird.

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

Modul M0561: Diskrete Algebraische Strukturen

Lehrveranstaltungen
Titel Typ SWS LP
Diskrete Algebraische Strukturen (L0164) Vorlesung 2 3
Diskrete Algebraische Strukturen (L0165) Gruppenübung 2 3
Modulverantwortlicher Prof. Karl-Heinz Zimmermann
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Abiturkenntnisse in Mathematik.
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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

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.


Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

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


Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Lehrveranstaltung L0164: Diskrete Algebraische Strukturen
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Karl-Heinz Zimmermann
Sprachen DE/EN
Zeitraum WiSe
Inhalt
Literatur
Lehrveranstaltung L0165: Diskrete Algebraische Strukturen
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Karl-Heinz Zimmermann
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1436: Prozedurale Programmierung für Informatiker

Lehrveranstaltungen
Titel Typ SWS LP
Prozedurale Programmierung für Informatiker (L2163) Vorlesung 1 2
Prozedurale Programmierung für Informatiker (L2164) Hörsaalübung 1 1
Prozedurale Programmierung für Informatiker (L2165) Laborpraktikum 2 3
Modulverantwortlicher Prof. Bernd-Christian Renner
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Keine
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Studierende kennen


        - die wesentlichen Merkmale einer prozeduralen Programmiersprache
        - die Schritte während der Kompilation von prozeduralem Quellcode zu Maschinencode
        - alle wesentlichen Sprachkonstrukte und Datentypen einer prozeduralen Programmiersprache
        - Softwaredesignkonzepte für die Umsetzung prozeduraler Programme

Fertigkeiten

       - Beherrschen der typischen Entwicklungswerkzeuge  
       - Entwurf von einfachen, strukturierten Programmen auf Basis einer prozeduralen Programmiersprache
       - Fehlersuche durch Analyse von Compiler-Warnungen und Fehlermeldungen
       - Analyse und Erklärung von prozeduralen rogrammen

Personale Kompetenzen
Sozialkompetenz

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


Selbstständigkeit

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

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Technomathematik: Kernqualifikation: Pflicht
Lehrveranstaltung L2163: Prozedurale Programmierung für Informatiker
Typ Vorlesung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Bernd-Christian Renner
Sprachen DE/EN
Zeitraum WiSe
Inhalt

- Prozedurale Programmierung: Fundamentale Datentypen, Operatoren, Kontrollstrukturen, Funktionen, Zeiger und Arrays, Gültigkeitsbereiche und Lebensdauer von Variablen, Strukturen / Unionen, Funktionszeiger,
  Kommandozeilenargumente
- Programmiertechniken: Modularisierung, Trennung von Schnittstelle und Implementierung, Callback-Funktionen, Strukturierte Datentypen
- Entwicklungswerkzeuge: Präprozessor, Compiler, Linker, Assembler, IDE, Versionsverwaltung (Git)

Literatur

- Greg Perry and Dean Miller. C Programming Absolute Beginner's Guide: No experience necessary! Que Publishing; 3. Auflage (7. August 2013). ISBN 978-0789751980.
- Helmut Erlenkötter. C: Programmieren von Anfang an. Rowohlt Taschenbuch; 25. Auflage (1. Dezember 1999). ISBN 978-3499600746.
- Markus Neumann. C Programmieren: für Einsteiger: Der leichte Weg zum C-Experten (Einfach Programmieren lernen, Band 8). BMU Verlag (30. Januar 2020). ISBN  ‎ 978-3966450607.
- Brian W. Kernighan, Dennis M. Ritchie: The C Programming Language. Prentice Hall; 2. Auflage (1988), ISBN 0-13-110362-8.

Lehrveranstaltung L2164: Prozedurale Programmierung für Informatiker
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Bernd-Christian Renner
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2165: Prozedurale Programmierung für Informatiker
Typ Laborpraktikum
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Bernd-Christian Renner
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1809: Einführung in Data Science

Lehrveranstaltungen
Titel Typ SWS LP
Einführung in Data Science (L2998) Vorlesung 2 4
Einführung in Data Science (L2999) Seminar 1 2
Modulverantwortlicher Prof. Tobias Knopp
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse keine
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden erhalten in der Lehrveranstaltung einen breiten Überblick über das Wissenschaftsgebiet Data Science. Die grundlegenden Begriffe und Konzepte werden auf einer hohen Abstraktionsebene erläutert und ermöglichen den Studierenden, die im weiteren Studienverlauf vermittelten Methoden einzuordnen. Neben einem historischen Überblick werden auch aktuelle Anwendungsbeispiele der Data Science vorgestellt.

Fertigkeiten

Die Studierenden können:

  • das Wissenschaftsgebiet Data Science definieren;
  • ableiten, dass es bei Problemformulierung und Problemlösung unterschiedliche Sichtweisen, Herangehensweisen und Motive gibt;
  • die Verantwortung von Data Science und Informatik bei der Gestaltung von Technologien im gesellschaftlichen Wandel diskutieren; 
  • wesentliche Methoden und Ideen der Data Science aufzählen und deren Relevanz kritisch reflektieren.
Personale Kompetenzen
Sozialkompetenz Die Studierenden können in kleinen Gruppen eine Fragestellung mit Data Science Bezug erörtern und gemeinsam präsentieren.
Selbstständigkeit

Die Studierenden sind in der Lage die Vorlesungsinhalte eigenständig vor- und nachzubearbeiten.

Arbeitsaufwand in Stunden Eigenstudium 138, Präsenzstudium 42
Leistungspunkte 6
Studienleistung Keine
Prüfung Referat
Prüfungsdauer und -umfang Erstellung und Vorstellung eines Posters über ein Data Science Thema
Zuordnung zu folgenden Curricula Data Science: Kernqualifikation: Pflicht
Lehrveranstaltung L2998: Einführung in Data Science
Typ Vorlesung
SWS 2
LP 4
Arbeitsaufwand in Stunden Eigenstudium 92, Präsenzstudium 28
Dozenten Prof. Tobias Knopp
Sprachen DE
Zeitraum WiSe
Inhalt

Die Studierenden erhalten in der Lehrveranstaltung einen breiten Überblick über das Wissenschaftsgebiet Data Science. Die grundlegenden Begriffe und Konzepte werden auf einer hohen Abstraktionsebene erläutert und ermöglichen den Studierenden, die im weiteren Studienverlauf vermittelten Methoden einzuordnen. Neben einem historischen Überblick werden auch aktuelle Anwendungsbeispiele der Data Science vorgestellt.

Literatur

Christopher M. Bishop: Pattern Recognition and Machine Learning

Lehrveranstaltung L2999: Einführung in Data Science
Typ Seminar
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Tobias Knopp
Sprachen DE
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1728: Mathematics I (EN)

Lehrveranstaltungen
Titel Typ SWS LP
Mathematik I (EN) (L2973) Vorlesung 4 4
Mathematik I (EN) (L2974) Hörsaalübung 2 2
Mathematik I (EN) (L2975) Gruppenübung 2 2
Modulverantwortlicher Prof. Daniel Ruprecht
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

School mathematics

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Students can name the basic concepts in analysis and 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.
Fertigkeiten
  • Students can model problems in analysis and 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.
Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together in teams. They are capable to use mathematics as 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 128, Präsenzstudium 112
Leistungspunkte 8
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Lehrveranstaltung L2973: Mathematics I (EN)
Typ Vorlesung
SWS 4
LP 4
Arbeitsaufwand in Stunden Eigenstudium 64, Präsenzstudium 56
Dozenten Prof. Anusch Taraz
Sprachen EN
Zeitraum WiSe
Inhalt

Mathematical Foundations:

sets, statements, induction, mappings, trigonometry

Analysis: Foundations of differential calculus in one variable

  • natural and real numbers
  • convergence of sequences and series
  • continuous and differentiable functions
  • mean value theorems
  • Taylor series
Literatur
  • T. Arens u.a. : Mathematik, Springer Spektrum, Heidelberg 2015
  • W. Mackens, H. Voß: Mathematik I für Studierende der Ingenieurwissenschaften, HECO-Verlag, Alsdorf 1994
  • W. Mackens, H. Voß: Aufgaben und Lösungen zur Mathematik I für Studierende der Ingenieurwissenschaften, HECO-Verlag, Alsdorf 1994
  • G. Strang: Lineare Algebra, Springer-Verlag, 2003
  • G. und S. Teschl: Mathematik für Informatiker, Band 1, Springer-Verlag, 2013
Lehrveranstaltung L2974: Mathematics I (EN)
Typ Hörsaalübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Anusch Taraz
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2975: Mathematics I (EN)
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Anusch Taraz
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1750: Praxismodul 1 im dualen Bachelor

Lehrveranstaltungen
Titel Typ SWS LP
Praxisphase 1 im dualen Bachelor (L2879) 0 6
Modulverantwortlicher Dr. Henning Haschke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

LV A „Selbstmanagement, Arbeits- und Lernorganisation im dualen Studium“ aus dem Modul „Theorie-Praxis-Verzahnung im dualen Bachelor“.

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

Die dual Studierenden …

  • … beschreiben die Organisation ihres Arbeitgebers (Betrieb) mit den dazugehörigen Regelungen, die sich auf die Verteilung von Aufgaben und Kompetenzen sowie die Abwicklung von Arbeitsprozessen beziehen.

  • … verstehen den Aufbau und die Zielsetzungen der dualen Studienvariante und die ansteigenden Anforderungen im Studienverlauf.
Fertigkeiten

Die dual Studierenden …

  • … wenden den zugewiesenen Arbeitsbereichen und -aufgaben entsprechend Geräte und Hilfsmittel an und können betriebliche Verfahrens- und Vorgehensweisen hinsichtlich der angestrebten Arbeitsergebnisse/-ziele beschreiben.
  • … setzen die mit ihren aktuellen Aufgaben korrespondierenden hochschulseitigen Anwendungsempfehlungen um.
Personale Kompetenzen
Sozialkompetenz

Die dual Studierenden …

  • … haben sich mit ihrer neuen Arbeitsumgebung (Lernort) und den damit verbundenen Aufgaben/Prozessen/Arbeitsbeziehungen vertraut gemacht.
  • … kennen ihre zentralen Ansprechpersonen und die Kolleg:innen im Betrieb und tauschen sich konstruktiv mit ihnen aus.
  • … stimmen Arbeitsaufgaben mit ihrer fachlichen Betreuung ab und bitten bedarfsgerecht um Unterstützung.
  • … gestalten die Arbeit im zugewiesenen Arbeitsbereich mit und bieten den Kolleg:innen bei ihrer Arbeit Unterstützung an.
  • … arbeiten zielorientiert mit anderen in kleineren Arbeitsteams zusammen.
Selbstständigkeit

Die dual Studierenden …

  • … strukturieren ihre Arbeits- und Lernprozesse im Betrieb gemäß der Zuständigkeiten und Befugnisse selbständig und stimmen sie mit ihrer fachlichen Betreuung ab. 
  • … setzen die Arbeitsaufgaben/-aufträge mit Unterstützung von Kolleginnen und Kollegen um.
  • … koordinieren den Ablauf der Praxisphase mit der individuellen Vorbereitung auf die Prüfungsphase an der TU Hamburg.
  • … dokumentieren und reflektieren den Zusammenhang zwischen Grundlagenfächern und der Arbeit als Ingenieurin bzw. Ingenieur.
Arbeitsaufwand in Stunden Eigenstudium 180, Präsenzstudium 0
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 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 Allgemeine Ingenieurwissenschaften (7 Semester): Kernqualifikation: Pflicht
Bau- und Umweltingenieurwesen: Kernqualifikation: Pflicht
Chemie- und Bioingenieurwesen: Kernqualifikation: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Green Technologies: Energie, Wasser, Klima: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Maschinenbau: Kernqualifikation: Pflicht
Mechatronik: Kernqualifikation: Pflicht
Schiffbau: Kernqualifikation: Pflicht
Technomathematik: Kernqualifikation: Pflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Kernqualifikation: Pflicht
Lehrveranstaltung L2879: Praxisphase 1 im dualen Bachelor
Typ
SWS 0
LP 6
Arbeitsaufwand in Stunden Eigenstudium 180, Präsenzstudium 0
Dozenten Dr. Henning Haschke
Sprachen DE
Zeitraum WiSe
Inhalt

Onboarding Betrieb

  • Zuweisung erste Arbeitsbereiche (Vorgesetzte/r, Kolleg:innen)
  • Zuweisung Ansprechperson im Betrieb (idR. Personalabteilung) 
  • Zuweisung fachliche Lernbegleitung im Arbeitsbereich (Feld praktischer Anwendung) 
  • Zuständigkeiten und Befugnisse des dual Studierenden im Betrieb
  • Unterstützung/Zusammenarbeit mit Kolleg:innen
  • Ablaufplanung des jeweiligen Praxismoduls mit ersten Arbeitsaufgaben
  • Möglichkeiten TP-Transfer
  • Ablaufplanung der Prüfungsphase/nächstes Studiensemester

Betriebliches Wissen und betriebliche Fertigkeiten

  • Unternehmensspezifika: Organisationsstruktur, Unternehmensstrategie, Geschäfts- und Arbeitsbereiche, Arbeitsabläufe- und Prozesse, Arbeitsebenen
  • Verfahrens- und Vorgehensmöglichkeiten im arbeitsmarktrelevanten Tätigkeitsfeld des Ingenieurwesens
  • Betriebliche Geräte und Hilfsmittel
  • Umsetzung der hochschulseitigen Anwendungsempfehlungen (Theorie-Praxis-Transfer) in damit korrespondierenden Arbeits- und Aufgabenbereichen des Betriebes

Lerntransfer/-reflexion

  • Anlegen E-Portfolio
  • Bedeutung der Grundlagenfächer für die Arbeit als Ingenieur:in
  • Vergleich der Lern- und Arbeitsprozesse unterschiedlicher Lernorte hinsichtlich ihrer Ergebnisse und Auswirkungen 
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer
Literatur
  • Studierendenhandbuch
  • Betriebliche Dokumente
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer

Modul M1755: Theorie-Praxis-Verzahnung im dualen Bachelor

Modulverantwortlicher Dr. Henning Haschke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse keine
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die dual Studierenden können ausgewählte klassische und moderne Theorien, Konzepte und Methoden ...

  • des Selbstmanagements, der Arbeits- und Lernorganisation 
  • der Selbstkompetenz und
  • der Sozialkompetenz

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

Fertigkeiten

Die dual Studierenden ...

  • ... antizipieren typische Schwierigkeiten, positive und negative Auswirkungen sowie Erfolgs- und Misserfolgsfaktoren im Ingenieurbereich, beurteilen diese und wägen aussichtsreiche Strategien und Handlungsoptionen gegeneinander ab.
Personale Kompetenzen
Sozialkompetenz

Die dual Studierenden ...

  • … arbeiten problemorientiert und interdisziplinär in Expert:innen- und Arbeitsteams  zusammen. 
  • … sind in der Lage, Arbeitsgruppen zusammenzustellen und anzuleiten.
  • … vertreten komplexe, fachbezogene Problemlösungen gegenüber Fachleuten und Stakeholdern argumentativ und können diese gemeinsam weiterentwickeln. 
Selbstständigkeit

Die dual Studierenden ...

  • … definieren, reflektieren und bewerten Ziele für Lern- und Arbeitsprozesse.
  • … gestalten ihre Lern- und Arbeitsprozesse an den Lernorten Universität und Betrieb eigenständig und nachhaltig.
  • … übernehmen Verantwortung für ihre Lern- und Arbeitsprozesse.
  • … sind in der Lage, ihre Vorstellungen oder Handlungen bewusst zu durchdenken und auf ihr Selbstkonzept zu beziehen, um darauf aufbauend Folgerungen für zukünftiges Handeln zu entwickeln.  
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.
Lehrveranstaltungen
Die Informationen zu den Lehrveranstaltungen entnehmen Sie dem separat veröffentlichten Modulhandbuch des Moduls.

Modul M0624: Automata Theory and Formal Languages

Lehrveranstaltungen
Titel Typ SWS LP
Automatentheorie und Formale Sprachen (L0332) Vorlesung 2 4
Automatentheorie und Formale Sprachen (L0507) Gruppenübung 2 2
Modulverantwortlicher Prof. Matthias Mnich
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Participating students should be able to

- specify algorithms for simple data structures (such as, e.g., arrays) to solve computational problems 

- apply propositional logic and predicate logic for specifying and understanding mathematical proofs

- apply the knowledge and skills taught in the module Discrete Algebraic Structures

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

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.



Fertigkeiten

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.

Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together in teams. They are capable to use mathematics as 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 Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
General Engineering Science (7 Semester): Vertiefung Mechatronics: Wahlpflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0332: Automata Theory and Formal Languages
Typ Vorlesung
SWS 2
LP 4
Arbeitsaufwand in Stunden Eigenstudium 92, Präsenzstudium 28
Dozenten Prof. Matthias Mnich
Sprachen EN
Zeitraum SoSe
Inhalt
  1. Propositional logic, Boolean algebra, propositional resolution, SAT-2KNF
  2. Predicate logic, unification, predicate logic resolution
  3. Temporal Logics (LTL, CTL)
  4. Deterministic finite automata, definition and construction
  5. Regular languages, closure properties, word problem, string matching
  6. Nondeterministic automata: 
    Rabin-Scott transformation of nondeterministic into deterministic automata
  7. Epsilon automata, minimization of automata,
    elimination of e-edges, uniqueness of the minimal automaton (modulo renaming of states)
  8. Myhill-Nerode Theorem: 
    Correctness of the minimization procedure, equivalence classes of strings induced by automata
  9. Pumping Lemma for regular languages:
    provision of a tool which, in some cases, can be used to show that a finite automaton principally cannot be expressive enough to solve a word problem for some given language
  10. Regular expressions vs. finite automata:
    Equivalence of formalisms, systematic transformation of representations, reductions
  11. Pushdown automata and context-free grammars:
    Definition of pushdown automata, definition of context-free grammars, derivations, parse trees, ambiguities, pumping lemma for context-free grammars, transformation of formalisms (from pushdown automata to context-free grammars and back)
  12. Chomsky normal form
  13. CYK algorithm for deciding the word problem for context-free grammrs
  14. Deterministic pushdown automata
  15. Deterministic vs. nondeterministic pushdown automata:
    Application for parsing, LL(k) or LR(k) grammars and parsers vs. deterministic pushdown automata, compiler compiler
  16. Regular grammars
  17. Outlook: Turing machines and linear bounded automata vs general and context-sensitive grammars
  18. Chomsky hierarchy
  19. Mealy- and Moore automata:
    Automata with output (w/o accepting states), infinite state sequences, automata networks
  20. Omega automata: Automata for infinite input words, Büchi automata, representation of state transition systems, verification w.r.t. temporal logic specifications (in particular LTL)
  21. LTL safety conditions and model checking with Büchi automata, relationships between automata and logic
  22. Fixed points, propositional mu-calculus
  23. Characterization of regular languages by monadic second-order logic (MSO)
Literatur
  1. Logik für Informatiker Uwe Schöning, Spektrum, 5. Aufl.
  2. Logik für Informatiker Martin Kreuzer, Stefan Kühling, Pearson Studium, 2006
  3. Grundkurs Theoretische Informatik, Gottfried Vossen, Kurt-Ulrich Witt, Vieweg-Verlag, 2010.
  4. Principles of Model Checking, Christel Baier, Joost-Pieter Katoen, The MIT Press, 2007

Lehrveranstaltung L0507: Automata Theory and Formal Languages
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Matthias Mnich
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0727: Stochastik

Lehrveranstaltungen
Titel Typ SWS LP
Stochastik (L0777) Vorlesung 2 4
Stochastik (L0778) Gruppenübung 2 2
Modulverantwortlicher Prof. Matthias Schulte
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Analysis
  • Aussagenlogik
  • Diskrete Algebraische Strukturen (Kombinatorik)
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Studierende können die grundlegenden Begriffe der Stochastik benennen und anhand von Beispielen erklären.
  • Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern. 
  • Studierende kennen Beweisstrategien und können diese wiedergeben.
Fertigkeiten
  • Studierende können Probleme aus der Stochastik 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 können in heterogen zusammengesetzten Teams (z.B. an Hausaufgaben) zusammenarbeiten und ihre Ergebnisse vor der Gruppe präsentieren.
  • 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 können ihr Wissen mit den Inhalten anderer Veranstaltungen in Verbindung bringen.
  • 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 Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Advanced Materials: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Advanced Materials: Wahlpflicht
Engineering Science: Vertiefung Elektrotechnik: Wahlpflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Logistik und Mobilität: Vertiefung Ingenieurwissenschaft: Wahlpflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Theoretischer Maschinenbau: Kernqualifikation: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Lehrveranstaltung L0777: Stochastik
Typ Vorlesung
SWS 2
LP 4
Arbeitsaufwand in Stunden Eigenstudium 92, Präsenzstudium 28
Dozenten Prof. Matthias Schulte
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Wahrscheinlichkeitsdefinitionen, bedingte Wahrscheinlichkeiten
  • Zufallsvariablen
  • Unabhängigkeit
  • Verteilungs- und Dichtefunktionen
  • Kenngrößen: Erwartungswert, Varianz, Standardabweichung, Momente
  • Multivariate Verteilungen
  • Gesetz der großen Zahlen und zentraler Grenzwertsatz
  • Grundbegriffe zu stochastischen Prozessen
  • Grundkonzepte der Statistik (Punktschätzer, Konfidenzintervalle und Hypothesentests)
Literatur
  • L. Dümbgen (2003): Stochastik für Informatiker, Springer.
  • H.-O. Georgii (2012): Stochastics: Introduction to Probability and Statistics, 2nd edition, De Gruyter.
  • N. Henze (2018): Stochastik für Einsteiger, 12th edition, Springer.
  • A. Klenke (2014): Probability Theory: A Comprehensive Course, 2nd edition, Springer.
  • U. Krengel (2005): Einführung in die Wahrscheinlichkeitstheorie und Statistik, 8th edition, Vieweg.
  • A.N. Shiryaev (2012): Problems in probability, Springer.
Lehrveranstaltung L0778: Stochastik
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Matthias Schulte
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1432: Programmierparadigmen

Lehrveranstaltungen
Titel Typ SWS LP
Programmierparadigmen (L2169) Vorlesung 2 2
Programmierparadigmen (L2170) Hörsaalübung 1 1
Programmierparadigmen (L2171) Laborpraktikum 2 3
Modulverantwortlicher NN
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Veranstaltung Prozedurale Programmierung oder gleichwertige Programmierkenntnisse in imperativer Programmierung


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

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

Fertigkeiten

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.

Personale Kompetenzen
Sozialkompetenz

Studierende können in Teams arbeiten und in Foren kommunizieren.

Selbstständigkeit

In Programmierpraktikum lernen die Studenten unter Aufsicht die objektorientierte Programmierung. In Übungen entwickeln sie individuell und unabhängig Lösungen und erhalten Feedback. 

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Technomathematik: Kernqualifikation: Pflicht
Lehrveranstaltung L2169: Programmierparadigmen
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Dozenten des SD E
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Grundlegende Idee der Objetorientierten Programmierung
  • Klassen und Objekte
  • Vererbung (einfach, mehrfach)
  • Schnittstellen (Interfaces)
  • Datenkapselung (private / public usw.)
  • Ausnahmebehandlung (Exceptions)
  • Generische Programmierung und deren Umsetzung im Compiler
  • Exkurs in die Programmierung mit dynamisch getypten Programmiersprachen
Literatur Skript
Lehrveranstaltung L2170: Programmierparadigmen
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des SD E
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Grundlegende Idee der Objetorientierten Programmierung
  • Klassen und Objekte
  • Vererbung (einfach, mehrfach)
  • Schnittstellen (Interfaces)
  • Datenkapselung (private / public usw.)
  • Ausnahmebehandlung (Exceptions)
  • Generische Programmierung und deren Umsetzung im Compiler
  • Exkurs in die Programmierung mit dynamisch getypten Programmiersprachen
Literatur Skript
Lehrveranstaltung L2171: Programmierparadigmen
Typ Laborpraktikum
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Dozenten des SD E
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Grundlegende Idee der Objetorientierten Programmierung
  • Klassen und Objekte
  • Vererbung (einfach, mehrfach)
  • Schnittstellen (Interfaces)
  • Datenkapselung (private / public usw.)
  • Ausnahmebehandlung (Exceptions)
  • Generische Programmierung und deren Umsetzung im Compiler
  • Exkurs in die Programmierung mit dynamisch getypten Programmiersprachen
Literatur Skript

Modul M1729: Mathematics II (EN)

Lehrveranstaltungen
Titel Typ SWS LP
Mathematik II (EN) (L2979) Vorlesung 4 4
Mathematik II (EN) (L2980) Hörsaalübung 2 2
Mathematik II (EN) (L2981) Gruppenübung 2 2
Modulverantwortlicher Prof. Daniel Ruprecht
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

School mathematics

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Students can name the basic concepts in analysis and 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.
Fertigkeiten
  • Students can model problems in analysis and 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.
Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together in teams. They are capable to use mathematics as 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 128, Präsenzstudium 112
Leistungspunkte 8
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Lehrveranstaltung L2979: Mathematics II (EN)
Typ Vorlesung
SWS 4
LP 4
Arbeitsaufwand in Stunden Eigenstudium 64, Präsenzstudium 56
Dozenten Prof. Anusch Taraz
Sprachen EN
Zeitraum SoSe
Inhalt
Literatur
Lehrveranstaltung L2980: Mathematics II (EN)
Typ Hörsaalübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Anusch Taraz
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2981: Mathematics II (EN)
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Anusch Taraz
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0829: Grundlagen der Betriebswirtschaftslehre

Lehrveranstaltungen
Titel Typ SWS LP
Betriebswirtschaftliche Übung (L0882) Gruppenübung 2 3
Grundlagen der Betriebswirtschaftslehre (L0880) Vorlesung 3 3
Modulverantwortlicher Prof. Christoph Ihl
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Schulkenntnisse in Mathematik und Wirtschaft
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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)

Fertigkeiten

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.


Personale Kompetenzen
Sozialkompetenz

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
Selbstständigkeit

Die Studierenden sind in der Lage

  • Ein Projekt in einem Team zu bearbeiten und einer Lösung zuzuführen
  • unter Anleitung einen Projektbericht  zu verfassen
Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang mehrere schriftliche Leistungen über das Semester verteilt
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Kernqualifikation: Pflicht
Bau- und Umweltingenieurwesen: Vertiefung Bauingenieurwesen: Wahlpflicht
Bau- und Umweltingenieurwesen: Vertiefung Wasser und Umwelt: Wahlpflicht
Bau- und Umweltingenieurwesen: Vertiefung Verkehr und Mobilität: Wahlpflicht
Bioverfahrenstechnik: Kernqualifikation: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Integrierte Gebäudetechnik: Kernqualifikation: Pflicht
Logistik und Mobilität: Kernqualifikation: Pflicht
Maschinenbau: Kernqualifikation: Pflicht
Mechatronik: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Schiffbau: Kernqualifikation: Pflicht
Technomathematik: Kernqualifikation: Pflicht
Verfahrenstechnik: Kernqualifikation: Pflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Kernqualifikation: Pflicht
Lehrveranstaltung L0882: Betriebswirtschaftliche Übung
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Christoph Ihl, Katharina Roedelius
Sprachen DE
Zeitraum WiSe/SoSe
Inhalt

In der betriebswirtschaftlichen Horsaalübung werden die Inhalte der Vorlesung durch praktische Beispiele und die Anwendung der diskutierten Werkzeuge vertieft.

Bei angemessener Nachfrage wird parallel auch eine Problemorientierte Lehrveranstaltung angeboten, die Studierende alternativ wählen können. Hier bearbeiten die Studierenden in Gruppen ein selbstgewähltes Projekt, das sich thematisch mit der Ausarbeitung einer innovativen Geschäftsidee aus Sicht eines etablierten Unternehmens oder Startups befasst. Auch hier sollen die betriebswirtschaftlichen Grundkenntnisse aus der Vorlesung zum praktischen Einsatz kommen. Die Gruppenarbeit erfolgt unter Anleitung eines Mentors.

Literatur Relevante Literatur aus der korrespondierenden Vorlesung.
Lehrveranstaltung L0880: Grundlagen der Betriebswirtschaftslehre
Typ Vorlesung
SWS 3
LP 3
Arbeitsaufwand in Stunden Eigenstudium 48, Präsenzstudium 42
Dozenten Prof. Christoph Ihl, Prof. Thorsten Blecker, Prof. Christian Lüthje, Prof. Christian Ringle, Prof. Kathrin Fischer, Prof. Cornelius Herstatt, Prof. Wolfgang Kersten, Prof. Matthias Meyer, Prof. Thomas Wrona
Sprachen DE
Zeitraum WiSe/SoSe
Inhalt
  • Die Abgrenzung der BWL von der VWL und die Gliederungsmöglichkeiten der BWL
  • Wichtige Definitionen aus dem Bereich Management und Wirtschaft
  • Die wichtigsten Unternehmensziele und ihre Einordnung sowie (Kern-) Funktionen der Unternehmung
  • Die Bereiche Produktion und Beschaffungsmanagement, der Begriff des Supply Chain Management und die Bestandteile einer Supply Chain
  • Die Definition des Begriffs Information, die Organisation des Informations- und Kommunikations (IuK)-Systems und Aspekte der Datensicherheit; Unternehmensstrategie und strategische Informationssysteme
  • Der Begriff und die Bedeutung von Innovationen, insbesondere Innovationschancen, -risiken und prozesse
  • Die Bedeutung des Marketing, seine Aufgaben, die Abgrenzung von B2B- und B2C-Marketing
  • Aspekte der Marketingforschung (Marktportfolio, Szenario-Technik) sowie Aspekte der strategischen und der operativen Planung und Aspekte der Preispolitik
  • Die grundlegenden Organisationsstrukturen in Unternehmen und einige Organisationsformen
  • Grundzüge des Personalmanagements
  • Die Bedeutung der Planung in Unternehmen und die wesentlichen Schritte eines Planungsprozesses
  • Die wesentlichen Bestandteile einer Entscheidungssituation sowie Methoden für Entscheidungsprobleme unter mehrfacher Zielsetzung, unter Ungewissheit sowie unter Risiko
  • Grundlegende Methoden der Finanzmathematik
  • Die Grundlagen der Buchhaltung, der Bilanzierung und der Kostenrechnung
  • Die Bedeutung des Controlling im Unternehmen und ausgewählte Methoden des Controlling
  • Die wesentlichen Aspekte von Entrepreneurship-Projekten

Neben der Vorlesung, die die Fachinhalte vermittelt, erarbeiten die Studierenden selbstständig in Gruppen einen Business-Plan für ein Gründungsprojekt. Dafür wird auch das wissenschaftliche Arbeiten und Schreiben gezielt unterstützt.

Literatur

Bamberg, G., Coenenberg, A.: Betriebswirtschaftliche Entscheidungslehre, 14. Aufl., München 2008

Eisenführ, F., Weber, M.: Rationales Entscheiden, 4. Aufl., Berlin et al. 2003

Heinhold, M.: Buchführung in Fallbeispielen, 10. Aufl., Stuttgart 2006.

Kruschwitz, L.: Finanzmathematik. 3. Auflage, München 2001.

Pellens, B., Fülbier, R. U., Gassen, J., Sellhorn, T.: Internationale Rechnungslegung, 7. Aufl., Stuttgart 2008.

Schweitzer, M.: Planung und Steuerung, in: Bea/Friedl/Schweitzer: Allgemeine Betriebswirtschaftslehre, Bd. 2: Führung, 9. Aufl., Stuttgart 2005.

Weber, J., Schäffer, U. : Einführung in das Controlling, 12. Auflage, Stuttgart 2008.

Weber, J./Weißenberger, B.: Einführung in das Rechnungswesen, 7. Auflage, Stuttgart 2006. 


Modul M1751: Praxismodul 2 im dualen Bachelor

Lehrveranstaltungen
Titel Typ SWS LP
Praxisphase 2 im dualen Bachelor (L2880) 0 6
Modulverantwortlicher Dr. Henning Haschke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • erfolgreicher Abschluss des Praxismoduls 1 im dualen Bachelor
  • LV A "Selbstmanagement, Arbeits- und Lernorganisation im dualen Studium" aus dem Modul "Theorie-Praxis-Verzahnung im dualen Bachelor"
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden …

  • … beschreiben die Organisationsstruktur ihres Arbeitgebers (Betrieb) und unterscheiden dazugehörige Regelungen, die sich auf die Verteilung von Aufgaben und Kompetenzen sowie die Abwicklung von Arbeitsprozessen beziehen. 
  • … verstehen den Aufbau und die Zielsetzungen der dualen Studienvariante und die ansteigenden Anforderungen im Studienverlauf.
Fertigkeiten

Die Studierenden …

  • … wenden den zugewiesenen Arbeitsbereichen und -aufgaben entsprechend Geräte und Hilfsmittel fachgerecht an und beurteilen betriebliche Verfahrens- und Vorgehensweisen hinsichtlich der angestrebten Arbeitsergebnisse/-ziele.
  • … setzen die mit ihren aktuellen Aufgaben korrespondierenden hochschulseitigen Anwendungsempfehlungen um.
Personale Kompetenzen
Sozialkompetenz

Die Studierenden …

  • … haben sich mit ihrer neuen Arbeitsumgebung (Lernort) und den damit verbundenen Aufgaben/Prozessen/Arbeitsbeziehungen vertraut gemacht. 
  • … kennen die zentralen Ansprechpersonen und die Kolleginnen und Kollegen und sind in die vorgesehenen Aufgaben- und Arbeitsbereiche integriert. 
  • … stimmen Arbeitsaufgaben mit ihrer fachlichen Betreuung ab und begründen Abläufe und angestrebte Ergebnisse. 
  • … gestalten die Arbeit im zugewiesenen Arbeitsbereich mit und bieten den Kolleginnen und Kollegen bei ihrer Arbeit Unterstützung an bzw. fordern diese anliegenbezogen ein.
  • … arbeiten zielorientiert mit anderen in interdisziplinären Arbeitsteams zusammen.
Selbstständigkeit

Die Studierenden …

  • … strukturieren ihre Arbeits- und Lernprozesse im Betrieb gemäß der Zuständigkeiten und Befugnisse selbständig und stimmen sie mit ihrer fachlichen Betreuung ab. 
  • … setzen die Arbeitsaufgaben/-aufträge selbständig und/oder mit Unterstützung von Kolleginnen und Kollegen um. 
  • … koordinieren den Ablauf der Praxisphase mit der individuellen Vorbereitung auf die Prüfungsphase an der TUHH. 
  • … dokumentieren und reflektieren den Zusammenhang zwischen Grundlagenfächern und der Arbeit als Ingenieurin bzw. Ingenieur.
Arbeitsaufwand in Stunden Eigenstudium 180, Präsenzstudium 0
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 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 Allgemeine Ingenieurwissenschaften (7 Semester): Kernqualifikation: Pflicht
Bau- und Umweltingenieurwesen: Kernqualifikation: Pflicht
Chemie- und Bioingenieurwesen: Kernqualifikation: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Green Technologies: Energie, Wasser, Klima: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Maschinenbau: Kernqualifikation: Pflicht
Mechatronik: Kernqualifikation: Pflicht
Schiffbau: Kernqualifikation: Pflicht
Technomathematik: Kernqualifikation: Pflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Kernqualifikation: Pflicht
Lehrveranstaltung L2880: Praxisphase 2 im dualen Bachelor
Typ
SWS 0
LP 6
Arbeitsaufwand in Stunden Eigenstudium 180, Präsenzstudium 0
Dozenten Dr. Henning Haschke
Sprachen DE
Zeitraum SoSe
Inhalt

Onboarding Betrieb

  • Zuweisung Arbeitsbereiche (Vorgesetzte/r, Kolleginnen und Kollegen)
  • Zuweisung Ansprechperson im Betrieb (idR. Personalabteilung) 
  • Zuweisung fachliche Lernbegleitung im Arbeitsbereich (Feld praktischer Anwendung) 
  • Zuständigkeiten und Befugnisse des dual Studierenden im Betrieb
  • Unterstützung/Zusammenarbeit mit Kolleginnen und Kollegen
  • Ablaufplanung des jeweiligen Praxismoduls mit Arbeitsaufgaben
  • Möglichkeiten Theorie-Praxis-Transfer
  • Ablaufplanung der Prüfungsphase/nächstes Studiensemester

Betriebliches Wissen und betriebliche Fertigkeiten

  • Unternehmensspezifika: Organisationsstruktur, Unternehmensstrategie, Geschäfts- und Arbeitsbereiche, Arbeitsabläufe- und Prozesse, Arbeitsebenen
  • Verfahrens- und Vorgehensmöglichkeiten im arbeitsmarktrelevanten Tätigkeitsfeld des Ingenieurwesens
  • Betriebliche Geräte und Hilfsmittel
  • Umsetzung der hochschulseitigen Anwendungsempfehlungen (Theorie-Praxis-Transfer) in damit korrespondierenden Arbeits- und Aufgabenbereichen des Betriebes

Lerntransfer/-reflexion

  • Anlegen E-Portfolio
  • Bedeutung der Grundlagenfächer für die Arbeit als Ingenieurin bzw. Ingenieur
  • Vergleich der Lern- und Arbeitsprozesse unterschiedlicher Lernorte hinsichtlich ihrer Ergebnisse und Auswirkungen 
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer
Literatur
  • Studierendenhandbuch
  • Betriebliche Dokumente
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer

Modul M0625: Databases

Lehrveranstaltungen
Titel Typ SWS LP
Datenbanken (L0337) Vorlesung 3 5
Datenbanken-Gruppenübung (L1150) Gruppenübung 1 1
Modulverantwortlicher Prof. Stefan Schulte
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Students should have basic knowledge in the following areas:

  • Discrete Algebraic Structures
  • Procedural Programming
  • Automata Theory and Formal Languages
  • Programming Paradigms
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

After successful completion of the course, students know:

  • Design instruments for relational databases
  • The relational model
  • Relational query languages, especially SQL
  • Requirements on data integrity
  • Possibilities for query optimization
  • Aspects of transaction handling, fault handling and concurrency/synchronization in database systems
  • Specific attributes and differences of object-oriented and object-relational databases
  • Paradigms and concepts of current technologies for data modelling and database systems
Fertigkeiten

The students acquire the ability to model a database and to work with it. This comprises especially the application of design methodologies and query and definition languages. Furthermore, students are able to apply basic functionalities needed to run a database.

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 Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0337: Databases
Typ Vorlesung
SWS 3
LP 5
Arbeitsaufwand in Stunden Eigenstudium 108, Präsenzstudium 42
Dozenten Prof. Stefan Schulte
Sprachen EN
Zeitraum WiSe
Inhalt
  • Introduction to database systems
  • Database design, especially entity-relationship
  • The relational model
  • Relational query languages
  • Data integrity and temporal data
  • Query processing
  • Transaction management
  • Fault tolerance
  • Concurrency control 
  • Object-oriented databases
  • Object-relational databases
  • XML data modelling
  • NoSQL databases
  • Big data (Overview)


Literatur
  • R. Ramakrishnan, J. Gehrke, Database Management Systems, McGraw Hill, 2003
  • A. Kemper, A. Eickler, Datenbanksysteme, 10. Auflage, De Gruyter, Oldenbourg, 2015


Lehrveranstaltung L1150: Databases
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Stefan Schulte
Sprachen EN
Zeitraum WiSe
Inhalt
  • Introduction to database systems
  • Database design, especially entity-relationship
  • The relational model
  • Relational query languages
  • Data integrity and temporal data
  • Query processing
  • Transaction management
  • Fault tolerance
  • Concurrency control 
  • Object-oriented databases
  • Object-relational databases
  • XML data modelling
  • NoSQL databases
  • Big data (Overview)


Literatur
  • R. Ramakrishnan, J. Gehrke, Database Management Systems, McGraw Hill, 2003
  • A. Kemper, A. Eickler, Datenbanksysteme, 10. Auflage, De Gruyter, Oldenbourg, 2015


Modul M1592: Statistik

Lehrveranstaltungen
Titel Typ SWS LP
Statistik (L2430) Vorlesung 3 4
Statistik (L2431) Gruppenübung 1 2
Modulverantwortlicher Prof. Matthias Schulte
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Stochastik (oder eine vergleichbare Lehrveranstaltung)
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Studierende können die grundlegenden Begriffe der Statistik benennen und anhand von Beispielen erklären.
  • Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern.



Fertigkeiten
  • Studierende können statistische Probleme mit Hilfe der kennengelernten Konzepte mathematisch modellieren und mit den erlernten Methoden lösen. Hierfür können sie die statische Software R einsetzen.
  • 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 können in heterogen zusammengesetzten Teams (z.B. an Hausaufgaben) zusammenarbeiten und ihre Ergebnisse vor der Gruppe präsentieren.
  • 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 können ihr Wissen mit den Inhalten anderer Veranstaltungen in Verbindung bringen.
  • 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 Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Advanced Materials: Wahlpflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Advanced Materials: Wahlpflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Lehrveranstaltung L2430: Statistik
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Matthias Schulte
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Multivariate Verteilungen und stochastische Konvergenz
  • Punktschätzer
  • Konfidenzintervalle
  • Hypothesentests
  • Nichtparametrische Statistik
  • Lineare Regression
  • Zeitreihenanalyse
  • Statistische Software (R)
Literatur
  • L. Dümbgen (2016): Einführung in die Statistik, Birkhäuser.
  • L. Dümbgen (2003): Stochastik für Informatiker, Springer.
  • H.-O. Georgii (2012): Stochastics: Introduction to Probability and Statistics, 2nd edition, De Gruyter.
  • N. Henze (2018): Stochastik für Einsteiger, 12th edition, Springer.
  • A. Klenke (2014): Probability Theory: A Comprehensive Course, 2nd edition, Springer.
  • U. Krengel (2005): Einführung in die Wahrscheinlichkeitstheorie und Statistik, 8th edition, Vieweg.
Lehrveranstaltung L2431: Statistik
Typ Gruppenübung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Matthias Schulte
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0662: Numerical Mathematics I

Lehrveranstaltungen
Titel Typ SWS LP
Numerische Mathematik I (L0417) Vorlesung 2 3
Numerische Mathematik I (L0418) Gruppenübung 2 3
Modulverantwortlicher Prof. Sabine Le Borne
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Mathematik I + II for Engineering Students (german or english) or Analysis & Linear Algebra I + II for Technomathematicians
  • basic MATLAB/Python knowledge
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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.


Fertigkeiten

Students are able to

  • implement, apply and compare numerical methods using MATLAB/Python,
  • 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.
Personale Kompetenzen
Sozialkompetenz

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.
Selbstständigkeit

Students are capable

  • to assess whether the supporting theoretical and practical excercises are better solved individually or in a team,
  • to assess their individual progess and, if necessary, to ask questions and seek help.
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Mediziningenieurwesen: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Biomechanik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Theoretischer Maschinenbau: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Flugzeug-Systemtechnik: Wahlpflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Mechatronik: Wahlpflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Energietechnik: Wahlpflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Advanced Materials: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Materialien in den Ingenieurwissenschaften: Pflicht
Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Wahlpflicht
Engineering Science: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Maschinenbau: Vertiefung Theoretischer Maschinenbau: Pflicht
Maschinenbau: Vertiefung Energietechnik: Wahlpflicht
Theoretischer Maschinenbau: Technischer Ergänzungskurs Kernfächer: Wahlpflicht
Verfahrenstechnik: Vertiefung Allgemeine Verfahrenstechnik: Wahlpflicht
Lehrveranstaltung L0417: Numerical Mathematics I
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sabine Le Borne
Sprachen EN
Zeitraum WiSe
Inhalt
  1. Finite precision arithmetic, error analysis, conditioning and stability
  2. Linear systems of equations: LU and Cholesky factorization, condition
  3. Interpolation: polynomial, spline and trigonometric interpolation
  4. Nonlinear equations: fixed point iteration, root finding algorithms, Newton's method
  5. Linear and nonlinear least squares problems: normal equations, Gram Schmidt and Householder orthogonalization, singular value decomposition, regularizatio, Gauss-Newton and Levenberg-Marquardt methods
  6. Eigenvalue problems: power iteration, inverse iteration, QR algorithm
  7. Numerical differentiation
  8. Numerical integration: Newton-Cotes rules, error estimates, Gauss quadrature, adaptive quadrature
Literatur
  • Gander/Gander/Kwok: Scientific Computing: An introduction using Maple and MATLAB, Springer (2014)
  • Stoer/Bulirsch: Numerische Mathematik 1, Springer
  • Dahmen, Reusken: Numerik für Ingenieure und Naturwissenschaftler, Springer


Lehrveranstaltung L0418: Numerical Mathematics I
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sabine Le Borne, Dr. Jens-Peter Zemke
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1423: Algorithmen und Datenstrukturen

Lehrveranstaltungen
Titel Typ SWS LP
Algorithmen und Datenstrukturen (L2046) Vorlesung 4 4
Algorithmen und Datenstrukturen (L2047) Gruppenübung 1 2
Modulverantwortlicher Prof. Matthias Mnich
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Diskrete Algebraische Strukturen
  • Mathematik I
  • Mathematik II
  • Prozedurale Programming
  • Objectorientierte Programmierung
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • 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.
Fertigkeiten
  • 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.
Personale Kompetenzen
Sozialkompetenz
  • 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.
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 Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Lehrveranstaltung L2046: Algorithmen und Datenstrukturen
Typ Vorlesung
SWS 4
LP 4
Arbeitsaufwand in Stunden Eigenstudium 64, Präsenzstudium 56
Dozenten Prof. Matthias Mnich
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Sortieren durch Einfügen
  • Registermachinen
  • Asymptotische Analyse, Landau Notation
  • Polynomialzeit Algorithmen and NP-Vollständgikeit
  • Divide-and-conquer, Merge sort
  • Strassens Algorithmus
  • Greedy Algorithmen
  • Dynamische Programmierung
  • Quicksort
  • AVL-trees, B-trees
  • Hashing
  • Tiefensuche und Breitensuche 
  • Kürzeste Wege
  • Fluss Probleme, Ford-Fulkerson Algorithmus
Literatur
  • T. Cormen, Ch. Leiserson, R. Rivest, C. Stein: Introduction to Algorithms. MIT Press, 2013
  • S. Skiena: The Algorithm Design Manual. Springer, 2008
  • J. M. Kleinberg and É. Tardos. Algorithm Design. Addison-Wesley, 2005.
Lehrveranstaltung L2047: Algorithmen und Datenstrukturen
Typ Gruppenübung
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 M1732: Mathematics III (EN)

Lehrveranstaltungen
Titel Typ SWS LP
Analysis III (EN) (L2790) Vorlesung 2 2
Analysis III (EN) (L2791) Hörsaalübung 1 1
Analysis III (EN) (L2792) Gruppenübung 1 1
Differentialgleichungen 1 (Gewöhnliche Differentialgleichungen) (EN) (L2793) Vorlesung 2 2
Differentialgleichungen 1 (Gewöhnliche Differentialgleichungen) (EN) (L2794) Hörsaalübung 1 1
Differentialgleichungen 1 (Gewöhnliche Differentialgleichungen) (EN) (L2795) Gruppenübung 1 1
Modulverantwortlicher Prof. Anusch Taraz
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Mathematik I and II (EN or DE)

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Students can name the basic concepts in the area of analysis and differential equations. 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 in the area of analysis and differential equations 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.
Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together in teams. They are capable to use mathematics as 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 128, Präsenzstudium 112
Leistungspunkte 8
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Lehrveranstaltung L2790: Analysis III (EN)
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt

Main features of differential and integrational calculus of several variables 

  • Differential calculus for several variables
  • Mean value theorems and Taylor's theorem
  • Maximum and minimum values
  • Implicit functions
  • Minimization under equality constraints
  • Newton's method for multiple variables
  • Double integrals over general regions
  • Line and surface integrals
  • Theorems of Gauß and Stokes
Literatur

http://www.math.uni-hamburg.de/teaching/export/tuhh/index.html

Lehrveranstaltung L2791: Analysis III (EN)
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2792: Analysis III (EN)
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2793: Differential Equations 1 (Ordinary Differential Equations) (EN)
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt

Main features of the theory and numerical treatment of ordinary differential equations 

  • Introduction and elementary methods
  • Exsitence and uniqueness of initial value problems
  • Linear differential equations
  • Stability and qualitative behaviour of the solution
  • Boundary value problems and basic concepts of calculus of variations
  • Eigenvalue problems
  • Numerical methods for the integration of initial and boundary value problems
  • Classification of partial differential equations
Literatur
  • http://www.math.uni-hamburg.de/teaching/export/tuhh/index.html

Lehrveranstaltung L2794: Differential Equations 1 (Ordinary Differential Equations) (EN)
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2795: Differential Equations 1 (Ordinary Differential Equations) (EN)
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1752: Praxismodul 3 im dualen Bachelor

Lehrveranstaltungen
Titel Typ SWS LP
Praxisphase 3 im dualen Bachelor (L2881) 0 6
Modulverantwortlicher Dr. Henning Haschke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Erfolgreicher Abschluss des Praxismoduls 2 im dualen Bachelor 
  • LV B aus dem Modul "Theorie-Praxis-Verzahnung im dualen Bachelor"
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden …

  • … verstehen die strategische Ausrichtung des Betriebes sowie die Funktionen und die Organisation zentraler Abteilungen mit ihren Entscheidungsstrukturen, Netzwerkbeziehungen.
  • … verstehen die Anforderungen des Ingenieurberufs und schätzen die daraus resultierende Verantwortung richtig ein. 
  • … 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.
Fertigkeiten

Die Studierenden …

  • … wenden fachtheoretisches Wissen auf aktuelle Problemstellungen im eigenen Arbeitsbereich an und beurteilen die Arbeitsprozesse und -ergebnisse.
  • … wenden den zugewiesenen Arbeitsbereichen und -aufgaben entsprechend Technologien, Geräte und Hilfsmittel an und beurteilen betriebliche Verfahrens- und Vorgehensweisen hinsichtlich der angestrebten Arbeitsergebnisse/-ziele.
  • … setzen die mit ihren aktuellen Aufgaben korrespondierenden hochschulseitigen Anwendungsempfehlungen um. 
Personale Kompetenzen
Sozialkompetenz

Die Studierenden …

  • … planen Arbeitsprozesse kooperativ, auch arbeitsbereichsübergreifend. 
  • … kommunizieren mit betrieblichen Stakeholdern professionell und stellen komplexe Sachverhalte strukturiert, zielgerichtet und überzeugend dar. 
Selbstständigkeit

Die Studierenden …

  • … übernehmen Verantwortung für Arbeitsaufträge und -bereiche.
  • … dokumentieren und reflektieren die Bedeutung von Fachmodulen und Vertiefungsrichtungen 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 180, Präsenzstudium 0
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 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 Allgemeine Ingenieurwissenschaften (7 Semester): Kernqualifikation: Pflicht
Bau- und Umweltingenieurwesen: Kernqualifikation: Pflicht
Chemie- und Bioingenieurwesen: Kernqualifikation: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Green Technologies: Energie, Wasser, Klima: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Maschinenbau: Kernqualifikation: Pflicht
Mechatronik: Kernqualifikation: Pflicht
Schiffbau: Kernqualifikation: Pflicht
Technomathematik: Kernqualifikation: Pflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Kernqualifikation: Pflicht
Lehrveranstaltung L2881: Praxisphase 3 im dualen Bachelor
Typ
SWS 0
LP 6
Arbeitsaufwand in Stunden Eigenstudium 180, Präsenzstudium 0
Dozenten Dr. Henning Haschke
Sprachen DE
Zeitraum WiSe
Inhalt

Onboarding Betrieb

  • Zuweisung Arbeitsbereich/e
  • Erweiterung der Zuständigkeiten und Befugnisse des dual Studierenden im Betrieb
  • Eigenverantwortliche Arbeitsaufgaben und -bereiche
  • Mitarbeit in Projektteams
  • Ablaufplanung des jeweiligen Praxismoduls mit Arbeitsaufgaben
  • Möglichkeiten Theorie-Praxis-Transfer
  • Ablaufplanung der Prüfungsphase/nächstes Studiensemester

Betriebliches Wissen und betriebliche Fertigkeiten

  • Unternehmensspezifika: Strategische Ausrichtung, Organisation zentraler Geschäfts- und Arbeitsbereiche, Abteilungen, Entscheidungsstrukturen, Netzwerkbeziehungen und interne Kommunikation
  • Verbindung von Fakten, Grundsätzen und Theorien mit Praxiswissen
  • Verfahrens- und Vorgehensmöglichkeiten im arbeitsmarktrelevanten Tätigkeitsfeld des Ingenieurwesens
  • Betriebliche Technologien, Geräte und Hilfsmittel
  • Umsetzung der hochschulseitigen Anwendungsempfehlungen (Theorie-Praxis-Transfer) in damit korrespondierenden Arbeits- und Aufgabenbereichen des Betriebes

Lerntransfer/-reflexion

  • E-Portfolio
  • Bedeutung von Fachmodulen und Vertiefungsrichtungen für die Arbeit als Ingenieurin bzw. Ingenieur
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer
Literatur
  • Studierendenhandbuch
  • Betriebliche Dokumente
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer

Modul M1595: Maschinelles Lernen I

Lehrveranstaltungen
Titel Typ SWS LP
Maschinelles Lernen I (L2432) Vorlesung 2 3
Maschinelles Lernen I (L2433) Gruppenübung 2 3
Modulverantwortlicher Prof. Nihat Ay
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Lineare Algebra, Analysis, Grundlagen der Programmierung
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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
Fertigkeiten

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
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
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 20 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Theoretischer Maschinenbau: Wahlpflicht
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Advanced Materials: Wahlpflicht
Engineering Science: Vertiefung Maschinenbau: Wahlpflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Maschinenbau: Vertiefung Theoretischer Maschinenbau: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Lehrveranstaltung L2432: Maschinelles Lernen I
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Nihat Ay
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Geschichte der Neurowissenschaften und des maschinellen Lernens (insbesondere des tiefen Lernens) 
  • McCulloch-Pitts-Neuronen und binäre neuronale Netze
  • Boolesche Funktionen und Schellwert-Funktionen 
  • Universalität von neuronalen McCulloch-Pitts-Netzwerken
  • Lernen und das Perzeptron-Konvergenz-Theorem
  • Support-Vektor-Maschinen
  • Harmonische Analyse von Booleschen Funktionen
  • Kontinuierliche künstliche neuronale Netze 
  • Kolmogorovsches Superpositions-Theorem
  • Universelle Approximation mit kontinuierlichen neuronalen Netzen
  • Approximationsfehler und die Gradienten-Abstiegs-Methode: die allgemeine Idee
  • Die stochastische Gradienten-Abstiegs-Methode (Robbins-Monro- und Kiefer-Wolfowitz-Fälle)
  • Mehrschichtige Netzwerke und der Backpropagation-Algorithmus
  • Statistische Lerntheorie
Literatur
  • Martin Anthony and Peter L. Bartlett. Neural Network Learning: Theoretical Foundations. Cambridge University Press, 1999.
  • Martin Anthony. Discrete Mathematics of Neural Networks: Selected Topics. SIAM Monographs on Discrete Mathematics & Applications, 1987.
  • Mehryar Mohri, Afshin Rostamizadeh and Ameet Talwalkar. Foundations of Machine Learning, Second Edition. MIT Press, 2018.  
  • Christopher M. Bishop. Pattern Recognition and Machine Learning. Information Science and Statistics. Springer-Verlag, 2008.
  • Bernhard Schölkopf, Alexander Smola. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. Adaptive Computation and Machine Learning series. MIT Press, Cambridge, MA, 2002.
  • Luc Devroye, László Györfi, Gábor Lugosi. A Probabilistic Theory of Pattern Recognition. Springer, 1996.
  • Vladimir Vapnik. The Nature of Statistical Learning Theory. Springer-Verlag: New York, Berlin, Heidelberg, 1995.




 

Lehrveranstaltung L2433: Maschinelles Lernen I
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Nihat Ay
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0672: Signale und Systeme

Lehrveranstaltungen
Titel Typ SWS LP
Signale und Systeme (L0432) Vorlesung 3 4
Signale und Systeme (L0433) Gruppenübung 2 2
Modulverantwortlicher Prof. Gerhard Bauch
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Mathematik 1-3

Das Modul führt in das Thema der Signal- und Systemtheorie ein. Sicherer Umgang mit grundlegenden  mathematschen Methoden, wie sie in den Modulen Mathematik 1-3 vermittelt werden, wird erwartet. Darüber hinaus sind  Vorkenntnisse in Grundlagen von Spektraltransformationen (Fourier-Reihe, Fourier-Transformation, Laplace-Transformation) zwar nützlich, aber keine Voraussetzung.


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

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 kennen die Vorlesungs- und Übungsinhalte und können diese erläutern sowie auf neue Fragestellungen anwenden.

Fertigkeiten

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.

Personale Kompetenzen
Sozialkompetenz

Die Studierenden können fachspezifische Aufgaben gemeinsam bearbeiten.

Selbstständigkeit

Die Studierenden sind in der Lage, die notwendigen Informationen aus geeigneten Literaturquellen selbständig zu beschaffen und in den Kontext der Vorlesung zu setzen. Sie können ihren Wissensstand mit Hilfe vorlesungsbegleitender Maßnahmen (klausurnahe Aufgaben, Software-Tools, Clicker-System) kontinuierlich überprüfen und auf dieser Basis ihre Lernprozesse steuern.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Kernqualifikation: Pflicht
Computer Science: Kernqualifikation: Pflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Integrierte Gebäudetechnik: Kernqualifikation: Pflicht
Mechatronik: Kernqualifikation: Pflicht
Technomathematik: Vertiefung III. Ingenieurwissenschaften: Wahlpflicht
Lehrveranstaltung L0432: Signale und Systeme
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Gerhard Bauch
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Einführung in die Signal- und Systemtheorie
  • Signale
    • Klassifikation von Signalen
      • Zeitkontinuierliche und zeitdiskrete Signale
      • Analoge und digitale Signale
      • Deterministische und zufällige Signale
    • Beschreibung von LTI-Systemen durch Differentialgleichungen bzw. Differenzengleichungen
    • Grundlegende Eigenschaften von Signalen und grundlegende Operationen
    • Elementare Signale
    • Distributionen
    • Leistung und Energie von Signalen
    • Korrelationsfunktionen deterministischer Signale
      • Autokorrelationsfunktion
      • Kreuzkorrelationsfunktion
      • Orthogonale Signale
      • Anwendungen der Korrelation
  • Lineare zeitinvariante Systeme (linear time-invariant (LTI) systems)
    • Linearität
    • Zeitinvarianz
    • Beschreibung von LTI-Systemen durch Impulsantwort und Übertragungsfunktion
    • Faltung
    • Faltung und Korrelation
    • Eigenschaften von LTI-Systemen
    • Kausale Systeme
    • Stabile Systeme
    • Gedächtnislose Systeme
  • Fourier-Reihe und Fourier-Transformation
    • Fourier-Transformation zeitkontinuierlicher, zeitdiskreter, periodischer und nicht-periodischer Signale
    • Eigenschaften der Fourier-Transformation
    • Fourier-Transformation einiger elementarer Signale
    • Parsevalsches Theorem
  • Analyse von LTI-Systemen und Signalen im Frequenzbereich
    • Übertragungsfunktion, Betragsfrequenzgang, Phasengang
    • Übertragungsfaktor, Dämpfung, Gewinn
    • Frequenzselektive und nicht-frequenzselektive LTI-Systeme
    • Bandbreite-Definitionen
    • Grundlegende Typen von Systemen (Filtern): Tiefpass, Hochpass, Bandpass, Bandsperre
    • Phasenlaufzeit und Gruppenlaufzeit
    • Linearphasige Systeme
    • Verzerrungsfreie Systeme
    • Spektralanalyse mit begrenztem Beobachtungsfenster: Leck-Effekt
  • Laplace-Transformation
    • Zusammenhang von Fourier-Transformation und Laplace-Transformation
    • Eigenschaften der Laplace-Transformation
    • Laplace-Transformation einiger elementarer Signale
  • Analyse von LTI-Systemen im s-Bereich
    • Übertragungsfunktion von LTI-Systemen
    • Zusammenhang von Laplace-Transformation, Betragsfrequenzgang und Phasengang
    • Analyse von LTI-Systemen mit Pol-Nullstellen-Diagrammen
    • Allpass-Filter
    • Minimalphasige, maximalphasige und gemischtphasige Filter
    • Stabile Systeme
  • Abtastung
    • Abtasttheorem
    • Rekonstruktion des zeitkontinuierlichen Signals in Frequenz- und Zeitbereich
    • Überabtastung
    • Aliasing
    • Abtastung mit Pulsen endlicher Dauer, Sample and Hold
    • Dezimierung und Interpolation
  • Zeitdiskrete Fourier-Transformation (Discrete-Time Fourier Transform (DTFT))
    • Zusammenhang zwischen Fourier-Transformation und DTFT
    • Eigenschaften der DTFT
  • Diskrete Fourier-Transformation (Discrete Fourier Transform (DFT))
    • Zusammenhang zwischen DTFT und DFT
    • Zyklische Eigenschaften der DFT
    • DFT-Matrix
    • Zero-Padding
    • Zyklische Faltung
    • Schnelle Fourier-Transformation (Fast Fourier Transform (FFT))
    • Anwendung der DFT: Orthogonal Frequency Division Multiplex (OFDM)
  • Z-Transformation     
    • Zusammenhang zwischen Laplace-Transformation, DTFT, und z-Transformation
    • Eigenschaften der z-Transformation
    • Z-transform einiger elementarer zeitdiskreter Signale
  • Zeitdiskrete Systeme, Digitale Filter

    • FIR und IIR Filter
    • Z-Transformation digitaler Filter
    • Analyse zeitdiskreter Systeme mit Pol-Nullstellen-Diagrammen im z-Bereich
    • Stabilität
    • Allpass-Filter
    • Minimalphasige, maximalphasige und gemischtphasige Filter
    • Linearphasige Filter
Literatur
  • T. Frey , M. Bossert , Signal- und Systemtheorie, B.G. Teubner Verlag 2004

  • K. Kammeyer, K. Kroschel, Digitale Signalverarbeitung, Teubner Verlag.

  • B. Girod ,R. Rabensteiner , A. Stenger , Einführung in die Systemtheorie, B.G. Teubner, Stuttgart, 1997

  • J.R. Ohm, H.D. Lüke , Signalübertragung, Springer-Verlag 8. Auflage, 2002

  • S. Haykin, B. van Veen: Signals and systems. Wiley.

  • Oppenheim, A.S. Willsky: Signals and Systems. Pearson.

  • Oppenheim, R. W. Schafer: Discrete-time signal processing. Pearson.

Lehrveranstaltung L0433: Signale und Systeme
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Gerhard Bauch
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0852: Graphentheorie und Optimierung

Lehrveranstaltungen
Titel Typ SWS LP
Graphentheorie und Optimierung (L1046) Vorlesung 2 3
Graphentheorie und Optimierung (L1047) Gruppenübung 2 3
Modulverantwortlicher Prof. Anusch Taraz
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Diskrete Algebraische Strukturen

  • Mathematik I
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • 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.
Fertigkeiten
  • 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.
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 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Logistik und Mobilität: Vertiefung Ingenieurwissenschaft: Wahlpflicht
Logistik und Mobilität: Vertiefung Verkehrsplanung und -systeme: Wahlpflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Verkehrsplanung und -systeme: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Lehrveranstaltung L1046: Graphentheorie und Optimierung
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Anusch Taraz
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Graphen, Durchlaufen von Graphen, Bäume
  • Planare Graphen
  • Kürzeste Wege
  • Minimale Spannbäume
  • Maximale Flüsse und minimale Schnitte
  • Sätze von Menger, König-Egervary, Hall
  • NP-vollständige Probleme
  • Backtracking und Heuristiken
  • Lineare Programmierung
  • Dualität
  • Ganzzahlige lineare Programmierung
Literatur
  • M. Aigner: Diskrete Mathematik, Vieweg, 2004
  • T. Cormen, Ch. Leiserson, R. Rivest, C. Stein: Algorithmen - Eine Einführung, Oldenbourg, 2013
  • J. Matousek und J. Nesetril: Diskrete Mathematik, Springer, 2007
  • A. Steger: Diskrete Strukturen (Band 1), Springer, 2001
  • A. Taraz: Diskrete Mathematik, Birkhäuser, 2012
  • V. Turau: Algorithmische Graphentheorie, Oldenbourg, 2009
  • K.-H. Zimmermann: Diskrete Mathematik, BoD, 2006
Lehrveranstaltung L1047: Graphentheorie und Optimierung
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Anusch Taraz
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1586: Wissenschaftliche Programmierung

Lehrveranstaltungen
Titel Typ SWS LP
Wissenschaftliche Programmierung (L2405) Vorlesung 3 4
Wissenschaftliche Programmierung (L2406) Gruppenübung 2 2
Modulverantwortlicher Prof. Tobias Knopp
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Prozedurale Programmierung, Lineare Algebra
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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.
Fertigkeiten

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.
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 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang Übungsaufgaben, Gruppenprojekt mit Präsentation, schriftlicher Test
Zuordnung zu folgenden Curricula Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L2405: Wissenschaftliche Programmierung
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Tobias Knopp
Sprachen DE/EN
Zeitraum SoSe
Inhalt
  • Elementare Datentypen und der Zusammenhang zur Mathematik
  • Wissenschaftliche Datentypen: Mehrdimensionale Arrays, sparse Arrays, Data Frames, Missing Data
  • Multiple Dispatch als effizientes Paradigma für die wissenschaftliche Programmierung
  • Literate Programming
  • Profiling und Benchmarks
  • Beschleunigungstechniken: Caching, Multi-threading, SIMD, GPGPU
  • Wissenschaftliche Datenformate: CSV, TOML, HDF5, und ausgewählte Beispiele
  • Datenvisualisierung
  • Numerische Standardtechniken und effiziente Programmbibliotheken (BLAS, LAPACK, FFTW, ...)
  • Tests, Codeverwaltung, Dokumentation
  • Reproduzierbare Wissenschaft
Literatur

Ben Lauwens, Allen Downey: Think Julia: How to Think Like a Computer Scientist

Lehrveranstaltung L2406: Wissenschaftliche Programmierung
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Tobias Knopp
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1578: Seminare Informatik

Lehrveranstaltungen
Titel Typ SWS LP
Seminar Informatik I (L2362) Seminar 2 3
Seminar Informatik II (L2361) Seminar 2 3
Modulverantwortlicher Dozenten des SD E
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Grundlegende Module aus der Informatik und Mathematik auf Bachelorebene.

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 Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Lehrveranstaltung L2362: Seminar Informatik I
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
Lehrveranstaltung L2361: Seminar Informatik 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

Modul M1753: Praxismodul 4 im dualen Bachelor

Lehrveranstaltungen
Titel Typ SWS LP
Praxisphase 4 im dualen Bachelor (L2882) 0 6
Modulverantwortlicher Dr. Henning Haschke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Erfolgreicher Abschluss des Praxismoduls 3 im dualen Bachelor
  • LV B aus dem Modul "Theorie-Praxis-Verzahnung im dualen Bachelor"
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden …

  • … verstehen die strategische Ausrichtung des Betriebes sowie die Funktionen und die Organisation zentraler Abteilungen mit ihren Entscheidungsstrukturen, Netzwerkbeziehungen und der dazugehörigen betrieblichen Kommunikation.
  • … haben ein Verständnis entwickelt für die Anforderungen und die Verantwortung des Ingenieurberufs, kennen den Umfang und die Grenzen des beruflichen Tätigkeitsfeldes. 
  • … 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. 
Fertigkeiten

Die Studierenden …

  • … wenden fachtheoretisches Wissen auf aktuelle Problemstellungen im eigenen Arbeitsbereich an und beurteilen die Arbeitsprozesse und -ergebnisse unter Einbeziehung von Handlungsoptionen.
  • … wenden den zugewiesenen Arbeitsbereichen und -aufgaben entsprechend Technologien, Geräte und Hilfsmittel an und können betriebliche Verfahrens- und Vorgehensweisen hinsichtlich der angestrebten Arbeitsergebnisse/-ziele beurteilen.
  • … setzen die mit ihren aktuellen Aufgaben korrespondierenden hochschulseitigen Anwendungsempfehlungen um. 
Personale Kompetenzen
Sozialkompetenz

Die Studierenden …

  • … sind in der Lage, Arbeitsprozesse kooperativ zu planen, arbeitsbereichsübergreifend und in heterogenen Gruppen. 
  • … kommunizieren mit betrieblichen Stakeholdern professionell und stellen komplexe Sachverhalte strukturiert, zielgerichtet und überzeugend dar. 
Selbstständigkeit

Die Studierenden …

  • … übernehmen Verantwortung für Arbeitsaufträge und -bereiche und koordinieren die dazugehörigen Arbeitsprozesse.
  • … dokumentieren und reflektieren die Bedeutung von Fachmodulen und Vertiefungsrichtungen 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 180, Präsenzstudium 0
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 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 Allgemeine Ingenieurwissenschaften (7 Semester): Kernqualifikation: Pflicht
Bau- und Umweltingenieurwesen: Kernqualifikation: Pflicht
Chemie- und Bioingenieurwesen: Kernqualifikation: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Green Technologies: Energie, Wasser, Klima: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Maschinenbau: Kernqualifikation: Pflicht
Mechatronik: Kernqualifikation: Pflicht
Schiffbau: Kernqualifikation: Pflicht
Technomathematik: Kernqualifikation: Pflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Kernqualifikation: Pflicht
Lehrveranstaltung L2882: Praxisphase 4 im dualen Bachelor
Typ
SWS 0
LP 6
Arbeitsaufwand in Stunden Eigenstudium 180, Präsenzstudium 0
Dozenten Dr. Henning Haschke
Sprachen DE
Zeitraum SoSe
Inhalt

Onboarding Betrieb

  • Zuweisung Arbeitsbereich/e
  • Erweiterung der Zuständigkeiten und Befugnisse des dual Studierenden im Betrieb
  • Eigenverantwortliche Arbeitsaufgaben und -bereiche
  • Mitarbeit in Projektteams
  • Ablaufplanung des jeweiligen Praxismoduls mit  Arbeitsaufgaben
  • Möglichkeiten Theorie-Praxis-Transfer
  • Ablaufplanung der Prüfungsphase/nächstes Studiensemester

Betriebliches Wissen und betriebliche Fertigkeiten

  • Unternehmensspezifika: Strategische Ausrichtung, Organisation zentraler Geschäfts- und Arbeitsbereiche, Abteilungen, Entscheidungsstrukturen, Netzwerkbeziehungen und interne Kommunikation
  • Verbindung von Fakten, Grundsätzen und Theorien mit Praxiswissen
  • Verfahrens- und Vorgehensmöglichkeiten im arbeitsmarktrelevanten Tätigkeitsfeld des Ingenieurwesens
  • Betriebliche Technologien, Geräte und Hilfsmittel
  • Umsetzung der hochschulseitigen Anwendungsempfehlungen (Theorie-Praxis-Transfer) in damit korrespondierenden Arbeits- und Aufgabenbereichen des Betriebes

Lerntransfer/-reflexion

  • E-Portfolio
  • Bedeutung von Fachmodulen und Vertiefungsrichtungen für die Arbeit als Ingenieurin bzw. Ingenieur
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer
Literatur
  • Studierendenhandbuch
  • Betriebliche Dokumente
  • Hochschulseitige Anwendungsempfehlungen zum Theorie-Praxis-Transfer

Modul M0953: Introduction to Information Security

Lehrveranstaltungen
Titel Typ SWS LP
Einführung in die Informationssicherheit (L1114) Vorlesung 2 3
Einführung in die Informationssicherheit (L1115) Gruppenübung 2 3
Modulverantwortlicher Prof. Riccardo Scandariato
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse Basics of Computer Science
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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.
Fertigkeiten

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.

Personale Kompetenzen
Sozialkompetenz Students are capable of appreciating the impact of security problems on  those affected and of the potential responsibilities for their resolution. 
Selbstständigkeit None
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
Data Science: Kernqualifikation: Pflicht
Lehrveranstaltung L1114: Introduction to Information Security
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Riccardo Scandariato
Sprachen EN
Zeitraum WiSe
Inhalt
  • Fundamental concepts
  • Passwords & biometrics
  • Introduction to cryptography
  • Sessions, SSL/TLS
  • Certificates, electronic signatures
  • Public key infrastructures
  • Side-channel analysis
  • Access control
  • Privacy
  • Software security basics
  • Security management & risk analysis
  • Security evaluation: Common Criteria




Literatur

D. Gollmann: Computer Security, Wiley & Sons, third edition, 2011

Ross Anderson: Security Engineering, Wiley & Sons, second edition, 2008


Lehrveranstaltung L1115: Introduction to Information 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 M1594: Maschinelles Lernen II

Lehrveranstaltungen
Titel Typ SWS LP
Maschinelles Lernen II (L2436) Vorlesung 2 3
Maschinelles Lernen II (L2941) Gruppenübung 2 3
Modulverantwortlicher Prof. Nihat Ay
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Erfolgreicher Besuch der Vorlesungen:

  • Wissenschaftliche Programmierung
  • Algorithmen und Datenstrukturen
  • Maschinelles Lernen
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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
Fertigkeiten

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
Personale Kompetenzen
Sozialkompetenz

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.

Selbstständigkeit

Bei der Teamarbeit ist es notwendig, die eigene Position zu vertreten, sowie die zugeteilten Aufgaben selbstständig zu übernehmen und später auch im Team vorzustellen. Ebenso müssen offene Punkte identifiziert und in das Team zurückgetragen werden, die eine gemeinsame Absprache erfordern.

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 Data Science: Kernqualifikation: Pflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L2436: Maschinelles Lernen II
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Nihat Ay
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Überwachtes statistisches Lernen und Generalisierung  
  • Das Prinzip der empirischen Risikominimierung 
  • Das Gesetz der großen Zahlen und das Glivenko-Cantelli-Theorem
  • Shatter-Koeffizienten, VC-Dimension und Rademacher-Komplexität
  • Das Schnelle-Konvergenz-Theorem von Vapnik und Chervonenkis
  • VC-Dimensionen diskreter neuronaler Netze
  • Das Prinzip der strukturellen Risikominimierung
  • Lernen von Samples als inverses Problem
  • Hilbertraum mit reproduzierendem Kern
  • Moore-Penrose-Inverses
  • Schlecht gestellte inverse Probleme und Regularisierung 
  • Tikhonov-Regularisierung
  • Regularisierte empirische Risikominimierung 
  • Überdeckungszahlen 
  • Das Bias-Variance-Problem 
Literatur
  • Martin Anthony and Peter L. Bartlett. Neural Network Learning: Theoretical Foundations. Cambridge University Press, 1999.
  • Martin Anthony. Discrete Mathematics of Neural Networks: Selected Topics. SIAM Monographs on Discrete Mathematics & Applications, 1987.
  • Mehryar Mohri, Afshin Rostamizadeh and Ameet Talwalkar. Foundations of Machine Learning, Second Edition. MIT Press, 2018.  
  • Christopher M. Bishop. Pattern Recognition and Machine Learning. Information Science and Statistics. Springer-Verlag, 2008.
  • Bernhard Schölkopf, Alexander Smola. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. Adaptive Computation and Machine Learning series. MIT Press, Cambridge, MA, 2002.
  • Luc Devroye, László Györfi, Gábor Lugosi. A Probabilistic Theory of Pattern Recognition. Springer, 1996.
  • Vladimir Vapnik. The Nature of Statistical Learning Theory. Springer-Verlag: New York, Berlin, Heidelberg, 1995.
Lehrveranstaltung L2941: Maschinelles Lernen II
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Nihat Ay
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1593: Data Mining

Lehrveranstaltungen
Titel Typ SWS LP
Data Mining (L2434) Vorlesung 2 3
Data Mining (L2435) Projekt-/problembasierte Lehrveranstaltung 2 3
Modulverantwortlicher Prof. Stefan Schulte
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Databases
  • Machine learning
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

After successful completion of the course, students know:

  • Basic concepts for data preparation
  • Similarity and distance measures
  • Methods to mine data patterns
  • Procedures to analyse clusters
  • Approaches to identify outliers 
  • Data mining for different types of data, e.g., data streams, text data, time series data
Fertigkeiten

Students are able to analyze large, heterogeneous volumes of data. They know methods and their application to recognize patterns in data sets and data clusters. The students are able to apply the studied methods in different domains, e.g., for data streams, text data, or time series data.

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
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 20 % Fachtheoretisch-fachpraktische Studienleistung Praktische Arbeiten zu bestimmten Themen aus dem Bereich Data Mining
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht
Data Science: Kernqualifikation: Pflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Lehrveranstaltung L2434: Data Mining
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Stefan Schulte
Sprachen EN
Zeitraum WiSe
Inhalt
  • Data preparation
  • Similarity and distance measures
  • Pattern mining
  • Cluster analysis 
  • Outliers detection
  • Data mining for different types of data, e.g., data streams, text data, time series data
Literatur

Charu C. Aggarwal: Text Mining - The Textbook, Springer, 2015. Available at https://link.springer.com/book/10.1007/978-3-319-14142-8

Lehrveranstaltung L2435: Data Mining
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Stefan Schulte
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1754: Praxismodul 5 im dualen Bachelor

Lehrveranstaltungen
Titel Typ SWS LP
Praxisphase 5 im dualen Bachelor (L2883) 0 6
Modulverantwortlicher Dr. Henning Haschke
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Erfolgreicher Abschluss des Praxismoduls 4 im dualen Bachelor
  • LV C aus dem Modul "Theorie-Praxis-Verzahnung im dualen Bachelor"
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. 
  • … 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).
  • … sind in der Lage, betriebliche Fragestellungen mit wissenschaftlichen Methoden zu analysieren und zu bewerten.
Personale Kompetenzen
Sozialkompetenz

Die Studierenden …

  • … arbeiten verantwortlich in betrieblichen 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.
  • … dokumentieren und reflektieren Lern- und Arbeitsprozesse in ihrem Zuständigkeitsbereich.
  • … dokumentieren und reflektieren die Bedeutung von Fachmodulen, Vertiefungsrichtungen und Forschung für die Arbeit als Ingenieur:in sowie die Umsetzung der hochschulseitigen Anwendungsempfehlungen und der damit einhergehenden Herausforderungen eines positiven Theorie-Praxis-Transfers.
Arbeitsaufwand in Stunden Eigenstudium 180, Präsenzstudium 0
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 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 Allgemeine Ingenieurwissenschaften (7 Semester): Kernqualifikation: Pflicht
Bau- und Umweltingenieurwesen: Kernqualifikation: Pflicht
Chemie- und Bioingenieurwesen: Kernqualifikation: Pflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Pflicht
Elektrotechnik: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Green Technologies: Energie, Wasser, Klima: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Maschinenbau: Kernqualifikation: Pflicht
Mechatronik: Kernqualifikation: Pflicht
Schiffbau: Kernqualifikation: Pflicht
Technomathematik: Kernqualifikation: Pflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Kernqualifikation: Pflicht
Lehrveranstaltung L2883: Praxisphase 5 im dualen Bachelor
Typ
SWS 0
LP 6
Arbeitsaufwand in Stunden Eigenstudium 180, Präsenzstudium 0
Dozenten Dr. Henning Haschke
Sprachen DE
Zeitraum WiSe
Inhalt

Onboarding Betrieb

  • Zuweisung zukünftiges berufliches Tätigkeitsfeld als Ingenieurin bzw. Ingenieur (B.Sc.) und dazugehöriger Arbeitsbereiche
  • Erweiterung der Zuständigkeiten und Befugnisse des dual Studierenden im Betrieb bis hin zur vorgesehenen Erstverwendung nach dem Studium bzw. zum Einsatz während des anschließenden dualen Masterstudiums
  • Eigenverantwortliches Arbeiten im Team - im eigenen Zuständigkeitsbereich und bereichsübergreifend
  • Ablaufplanung des letzten Praxismoduls mit klarer Zuordnung zu den Arbeitsstrukturen 
  • Betriebsinterne Abstimmung über eine potenzielle Problemstellung für die Bachelorarbeit
  • Ablaufplanung der Bachelorarbeit im Betrieb in der Zusammenarbeit mit der TU Hamburg 
  • Ablaufplanung der Prüfungsphase/6. Studiensemester

Betriebliches Wissen und betriebliche Fertigkeiten

  • Unternehmensspezifika: Umgang mit Veränderungen, Teamentwicklung, Verantwortung als Ingenieur:in im eigenen zu zukünftigen Arbeitsbereich (B.Sc.), Umgang mit komplexen Zusammenhängen und ungelösten Problemstellungen, 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 Fachmodulen, Vertiefungsrichtungen 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

Modul M1620: Ethik in der Informationstechnologie

Lehrveranstaltungen
Titel Typ SWS LP
Ethik in der Informationstechnologie (L2450) Vorlesung 2 3
Ethik in der Informationstechnologie (L2451) Seminar 2 3
Modulverantwortlicher NN
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Keine
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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
Fertigkeiten

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
Personale Kompetenzen
Sozialkompetenz

Die Studierenden sind nach Abschluss des Moduls in der Lage, fachspezifische Aufgaben alleine oder in der Gruppe zu bearbeiten und 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 Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang -
Zuordnung zu folgenden Curricula Data Science: Kernqualifikation: Pflicht
Lehrveranstaltung L2450: Ethik in der Informationstechnologie
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten NN
Sprachen DE/EN
Zeitraum SoSe
Inhalt

Vorlesung:

  • Einführung in ethische Grundpositionen an Fallbeispielen aus der Informationstechnologie
  • Was sind Informationen? Definitionen des Informationsbegriffs und ihr historisches Wandel 
  • Besondere Probleme der Ethik der Informationstechnologie: Entscheidungsautonomie von KI; Verantwortung für und Auswirkungen von Software-Fehler etc. 
  • Einführung in grundlegende Positionen der Techniksoziologie an Fallbeispielen aus der Informationstechnologie (Datafizierung; Digitalisiertes Selbst etc.)
  • Datenschutzrichtlinien und Anwendungsbeispiele 
  • Inhalte und Probleme ethischer Leitlinien für Informatikerinnen und Informatiker (Deutsche Gesellschaft für Informatik, DFG etc.)

Seminar:

  • Vertiefung ausgewählter Aspekte der Vorlesung
  • Diskussion aktueller Entwicklungen in der Ethik der Informationstechnologie 
Literatur

Wird zu Beginn der Lehrveranstaltung bekannt gegeben.

Lehrveranstaltung L2451: Ethik in der Informationstechnologie
Typ Seminar
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten NN
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Fachmodule der Vertiefung I. Mathematik/Informatik

Modul M0834: Computernetworks and Internet Security

Lehrveranstaltungen
Titel Typ SWS LP
Rechnernetze und Internet-Sicherheit (L1098) Vorlesung 3 5
Rechnernetze und Internet-Sicherheit (L1099) Gruppenübung 1 1
Modulverantwortlicher Prof. Andreas Timm-Giel
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Basics of Computer Science

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

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.

Fertigkeiten

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

Personale Kompetenzen
Sozialkompetenz


Selbstständigkeit

Students can select relevant parts out of high amount of professional knowledge and can independently learn and understand it.

Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Data Science: Kernqualifikation: Wahlpflicht
Elektrotechnik: Kernqualifikation: Wahlpflicht
Engineering Science: Vertiefung Elektrotechnik: Wahlpflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
General Engineering Science (7 Semester): Vertiefung Mechatronics: Wahlpflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L1098: Computer Networks and Internet Security
Typ Vorlesung
SWS 3
LP 5
Arbeitsaufwand in Stunden Eigenstudium 108, Präsenzstudium 42
Dozenten Prof. Andreas Timm-Giel, Prof. Dieter Gollmann, Dr.-Ing. Koojana Kuladinithi
Sprachen EN
Zeitraum WiSe
Inhalt

In this class an introduction to computer networks with focus on the Internet and its security is given. Basic functionality of complex protocols are introduced. Students learn to understand these and identify common principles. In the exercises these basic principles and an introduction to performance modelling are addressed using computing tasks and (virtual) labs.

In the second part of the lecture an introduction to Internet security is given.

This class comprises:

  • Application layer protocols (HTTP, FTP, DNS)
  • Transport layer protocols (TCP, UDP)
  • Network Layer (Internet Protocol, routing in the Internet)
  • Data link layer with media access at the example of Ethernet
  • Multimedia applications in the Internet
  • Network management
  • Internet security: IPSec
  • Internet security: Firewalls
Literatur


  • Kurose, Ross, Computer Networking - A Top-Down Approach, 6th Edition, Addison-Wesley
  • Kurose, Ross, Computernetzwerke - Der Top-Down-Ansatz, Pearson Studium; Auflage: 6. Auflage
  • W. Stallings: Cryptography and Network Security: Principles and Practice, 6th edition



Further literature is announced at the beginning of the lecture.


Lehrveranstaltung L1099: Computer Networks and Internet Security
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Andreas Timm-Giel, Prof. Dieter Gollmann
Sprachen EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0731: Functional Programming

Lehrveranstaltungen
Titel Typ SWS LP
Funktionales Programmieren (L0624) Vorlesung 2 2
Funktionales Programmieren (L0625) Hörsaalübung 2 2
Funktionales Programmieren (L0626) Gruppenübung 2 2
Modulverantwortlicher Prof. Sibylle Schupp
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse Discrete mathematics at high-school level 
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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. 

Fertigkeiten

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.

Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

In programming labs, students learn  under supervision (a.k.a. "Betreutes Programmieren") the mechanics of programming. In exercises, they develop solutions individually and independently, and receive feedback. 

Arbeitsaufwand in Stunden Eigenstudium 96, Präsenzstudium 84
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 15 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
General Engineering Science (7 Semester): Vertiefung Mechatronics: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0624: Functional Programming
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum WiSe
Inhalt
  • Functions, Currying, Recursive Functions, Polymorphic Functions, Higher-Order Functions
  • Conditional Expressions, Guarded Expressions, Pattern Matching, Lambda Expressions
  • Types (simple, composite), Type Classes, Recursive Types, Algebraic Data Type
  • Type Constructors: Tuples, Lists, Trees, Associative Lists (Dictionaries, Maps)
  • Modules
  • Interactive Programming
  • Lazy Evaluation, Call-by-Value, Strictness
  • Design Recipes
  • Testing (axiom-based, invariant-based, against reference implementation)
  • Reasoning about Programs (equation-based, inductive)
  • Idioms of Functional Programming
  • Haskell Syntax and Semantics
Literatur

Graham Hutton, Programming in Haskell, Cambridge University Press 2007.

Lehrveranstaltung L0625: Functional Programming
Typ Hörsaalübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum WiSe
Inhalt
  • Functions, Currying, Recursive Functions, Polymorphic Functions, Higher-Order Functions
  • Conditional Expressions, Guarded Expressions, Pattern Matching, Lambda Expressions

  • Types (simple, composite), Type Classes, Recursive Types, Algebraic Data Type
  • Type Constructors: Tuples, Lists, Trees, Associative Lists (Dictionaries, Maps)
  • Modules
  • Interactive Programming
  • Lazy Evaluation, Call-by-Value, Strictness
  • Design Recipes
  • Testing (axiom-based, invariant-based, against reference implementation)
  • Reasoning about Programs (equation-based, inductive)
  • Idioms of Functional Programming
  • Haskell Syntax and Semantics

Literatur

Graham Hutton, Programming in Haskell, Cambridge University Press 2007.

Lehrveranstaltung L0626: Functional Programming
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum WiSe
Inhalt
  • Functions, Currying, Recursive Functions, Polymorphic Functions, Higher-Order Functions
  • Conditional Expressions, Guarded Expressions, Pattern Matching, Lambda Expressions

  • Types (simple, composite), Type Classes, Recursive Types, Algebraic Data Type
  • Type Constructors: Tuples, Lists, Trees, Associative Lists (Dictionaries, Maps)
  • Modules
  • Interactive Programming
  • Lazy Evaluation, Call-by-Value, Strictness
  • Design Recipes
  • Testing (axiom-based, invariant-based, against reference implementation)
  • Reasoning about Programs (equation-based, inductive)
  • Idioms of Functional Programming
  • Haskell Syntax and Semantics

Literatur

Graham Hutton, Programming in Haskell, Cambridge University Press 2007.

Modul M0941: Kombinatorische Strukturen und Algorithmen

Lehrveranstaltungen
Titel Typ SWS LP
Kombinatorische Strukturen und Algorithmen (L1100) Vorlesung 3 4
Kombinatorische Strukturen und Algorithmen (L1101) Gruppenübung 1 2
Modulverantwortlicher Prof. Anusch Taraz
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Mathematik I + II
  • Diskrete Algebraische Strukturen
  • Graphentheorie und Optimierung
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • 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.


Fertigkeiten
  • 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.


Personale Kompetenzen
Sozialkompetenz
  • 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.
Selbstständigkeit
  • Studierende können eigenständig ihr Verständnis komplexer 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 zielgerichtet 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 II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Lehrveranstaltung L1100: Kombinatorische Strukturen und Algorithmen
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Anusch Taraz, Dr. Dennis Clemens
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Zählprobleme 
  • Strukturelle Graphentheorie
  • Analyse von Algorithmen
  • Extremale Kombinatorik
  • Zufällige diskrete Strukturen

Literatur
  • M. Aigner: Diskrete Mathematik, Vieweg, 6. Aufl., 2006
  • J. Matoušek & J. Nešetřil: Diskrete Mathematik - Eine Entdeckungsreise, Springer, 2007
  • A. Steger: Diskrete Strukturen - Band 1: Kombinatorik, Graphentheorie, Algebra, Springer, 2. Aufl. 2007
  • A. Taraz: Diskrete Mathematik, Birkhäuser, 2012.
Lehrveranstaltung L1101: Kombinatorische Strukturen und Algorithmen
Typ Gruppenübung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Anusch Taraz
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0675: Einführung in die Nachrichtentechnik und ihre stochastischen Methoden

Lehrveranstaltungen
Titel Typ SWS LP
Einführung in die Nachrichtentechnik und ihre stochastischen Methoden (L0442) Vorlesung 3 4
Einführung in die Nachrichtentechnik und ihre stochastischen Methoden (L0443) Hörsaalübung 1 1
Einführung in die Nachrichtentechnik und ihre stochastischen Methoden (L2354) Gruppenübung 1 1
Modulverantwortlicher Prof. Gerhard Bauch
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse
  • Mathematik 1-3
  • Signale und Systeme

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

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 kennen die Vorlesungs- und Übungsinhalte und können diese erläutern sowie auf neue Fragestellungen anwenden.


Fertigkeiten

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.

Personale Kompetenzen
Sozialkompetenz

Die Studierenden können fachspezifische Aufgaben gemeinsam bearbeiten.

Selbstständigkeit

Die Studierenden sind in der Lage, die notwendigen Informationen aus geeigneten Literaturquellen selbständig zu beschaffen und in den Kontext der Vorlesung zu setzen. Sie können ihren Wissensstand mit Hilfe vorlesungsbegleitender Maßnahmen (klausurnahe Aufgaben, Software-Tools, Clicker-System) kontinuierlich überprüfen und auf dieser Basis ihre Lernprozesse steuern.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Elektrotechnik: Pflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Elektrotechnik: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Technomathematik: Vertiefung III. Ingenieurwissenschaften: Wahlpflicht
Lehrveranstaltung L0442: Einführung in die Nachrichtentechnik und ihre stochastischen Methoden
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Gerhard Bauch
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Einführung in die Nachrichtentechnik
  • Open Systems Interconnection (OSI) Referenzmodell
  • Komponenten eines digitalen Kommunikationssystems
  • Grundlagen der Signal- und Systemtheorie
    • Analoge und digitale Signale
    • Prinzip der Analog-Digital-Wandlung (A/D)
    • Deterministische und zufällige Signale
    • Leistung und Energie von Signalen
    • Lineare zeitinvariante Systeme (LTI-Systeme)
    • Quadratur-Amplituden-Modulation (QAM)
  • Einführung in die Stochastik
  • Wahrscheinlichkeits-Theorie
    • Zufallsexperimente
    • Wahrscheinlichkeitsmodell, Wahrscheinlichkeitsraum, Ereignisraum
    • Definitionen von Wahrscheinlichkeit
      • Wahrscheinlichkeit nach Bernoulli/Laplace
      • Wahrscheinlichkeit nach van Mises, relative Häufigkeit
      • Bertrand’s Paradoxon
      • Axiomatische Definition von Wahrscheinlichkeit nach  Kolmogorov
      • Wahrscheinlichkeit disjunkter und nicht-disjunkter Ereignisse
      • Venn-Diagramme
    • Kontinuierliche und diskrete Zufallsvariablen
      • Wahrscheinlichkeitsdichtefunktion (probability density function (pdf)), Wahrscheinlichkeitsverteilungsfunktion(cumulative distribution function (cdf))
      • Erwartungswert, Mittelwert, Median, quadratischer Erwartungswert, Varianz, Standardabweichung, höhere Momente
      • Beispiele für Wahrscheinlichkeitsverteilungen (Bernoulli-Verteilung, Zweipunktverteilung, Gleichverteilung, Gauß-Verteilung (Normalverteilung), Rayleigh-Verteilung, etc.)
    • Mehrere Zufallsvariablen
      • Bedingte Wahrscheinlichkeit, Verbundwahrscheinlichkeit
      • Bedingte Wahrscheinlichkeitsdichtefunktion, Verbundwahrscheinlichkeitsdichtefunktion
      • Satz von Bayes
      • Korrelationskoeffizient
      • Zweidimensionale Gaussverteilung
      • Statistisch unabhängige, unkorrelierte und orthogonale Zufallsvariablen
      • Unabhängige, identisch verteilte Zufalssvariablen (independent identically distributed (iid) random variables)
      • Eigenschaften von Erwartungswert und Varianz
      • Kovarianz
      • Wahrscheinlichkeitsdichtefunktion und Wahrscheinlichkeitsverteilungsfunktion der Summe statistisch unabhängiger Zufallsvariablen
      • Zentraler Grenzwertsatz
    • Wahrscheinlichkeitsdichtefunktionen bei der Datenübertragung
  • Zeitkontinuierliche und zeitdiskrete Zufallsprozesse
    • Beispiele für Zufallsprozesse
    • Scharmittelwert und Zeitmittelwert
    • Ergodische Zufallsprozesse
    • Quadratischer Mittelwert und Varianz
    • Wahrscheinlichkeitsdichtefunktion (pdf) und Wahrscheinlichkeitsverteilungsfunktion (cdf)
    • Verbundwahrscheinlichkeitsdichtefunktion (pdf) und Verbundwahrscheinlichkeitsverteilungsfunktion (cdf)
    • Statistisch unabhängige, unkorrelierte und orthogonale Zufallsprozesse
    • Stationäre Zufallsprozesse
    • Korrelationsfunktionen: Autocorrelationsfunktion, Kreuzkorrelationsfunktion, mittlere Autokorrelationsfunktion nicht-stationärer Zufallsprozesse, Autokorrelations- und Kreuzkorrelationsfunktion stationärer Zufallsprozesse, Autokovarianzfunktion, Kreuzkovarianzfunktion
    • Autocorrelationsmatrix, Kreuzkkorrelationsmatrix, Autokovarianzmatrix, Kreuzkovarianzmatrix
    • Pseudo-noise Sequenzen, Anwendungsbeispiel: Codemultiplex (code division multiple access (CDMA))
    • Autocorrelationsfunktion, Leistungsdichtespektrum (power spectral density (psd)), Signalleistung, Einstein-Wiener-Khintchine Beziehungen
    • Weißes gaußsches Rauschen
  • Filterung von Zufallssignalen durch LTI-Systeme
    • Transformation der Wahrscheinlichkeitsdichtefunktion
    • Transformation des Mittelwerts
    • Transformation des Leistungsdichtespektrums
    • Korrelationsfunktionen zwischen Eingangs- und Ausgangssignal
    • Filterung von weißem gaußschem Rauschen
    • Bandbegrenzung zur Begrenzung der Rauschleistung
    • Preemphase und Deemphase
  • Kompandierung, mu-law, A-law
  • Funktionen von Zufallsvariablen
    • Transformation von Wahrscheinlichkeiten und der Wahrscheinlichkeitsdichtefunktion
    • Anwendung: Nicht-lineare Verstärker
  • Funktionen von zwei Zufallsvariablen
    • Wahrscheinlichkeitsdichtefunktion
    • Beispiele: Rayleigh-Verteilung, Betrag eines OFDM-Signals, Betrag eines empfangenen Funksignals
  • Übertragungskanäle und Kanalmodelle
    • Leitungsgebundene Kanäle: Telefonkabel, Koaxialkabel, Glasfaserkabel
    • Funkkanäle: Fading-Kanäle, Unterwasserkanäle
    • Frequenzselektive und nicht-frequenzselektive Kanäle
    • AWGN (additive white Gaussian noise) Kanal
    • Signal- zu Rauschleistungsverhältnis (signal to noise power ratio (SNR))
    • Zeitdiskrete Kanalmodelle
    • Zeitdiskrete gedächtnislose Kanäle (discrete memoryless channels (DMC))
  • Analog-Digitalwandlung
    • Abtastung
      • Abtasttheorem
    • Pulsmodulation
      • Pulsamplitudenmodulation (pulse-amplitude modulation (PAM))
      • Pulsdauermodulation, Pulsbreitenmodulation (pulse-duration modulation (PDM), pulse-width modulation (PWM))
      • Puls-Pausenmodulation (pulse-position modulation (PPM))
      • Pulse-code-Modulation (PCM)
    • Quantisierung
      • Lineare Quantisierung, Midtread- und Midrise-Characteristik
      • Quantisierungsfehler, Quantisierungsrauschen
      • Signal-zu-Quantisierungsrauschleistungsverhältnis
      • Nichtlineare Quantisierung, Kompressor-Charakteristik, mu-law, A-law
      • Sprachübertragung mit PCM
    • Differentielle Pulse-Code-Modulation (DPCM)
      • Lineare Prädiktion nach dem Minimum Mean Squared Error (MMSE) Kriterium
      • DPCM mit Vorwärts- und Rückwärtsprädiktion
      • SNR-Gewinn von DPCM über PCM
      • Delta-Modulation
  • Grundlagen der Informationstheorie und Codierung
    • Definitionen von Information: Selbst-Informationsgehalt, Entropie
    • Binäre Entropiefunktion
    • Quellencodierungs-Theorem
    • Quellencodierung: Huffman-Code
    • Mutual information und Kanalkapazität
    • Kanalkapazität des AWGN-Kanals und des AWGN-Kanals mit binärem Eingangssymbolalphabet
    • Kanalcodierungs-Theorem
    • Prinzipien der Kanalcodierung: Coderate und Datenrate, Hamming-Distanz, minimale Hamming-Distanz, Fehlererkennung und Fehlerkorrektur
    • Beispiele für Kanalcodes: Block-Codes und Faltungscodes, Wiederholungscode, Single Parity Check Code, Hamming-Code, Turbo-Codes
  • Kombinatorik
    • Variation mit und ohne Zurücklegen
    • Kombination mit und ohne Zurücklegen
    • Permutation, Permutation von Multisets
    • Wordfehlerwahrscheinlichkeit linearer Block-Codes
  • Basisband-Übertragung
    • Pulsformung: Non-return to zero (NRZ) Rechteck-Pulse, Manchester-Pulse, Raised-Cosine-Pulse, Wurzel-Raised-Cosine-Pulse, Gauss-Pulse
    • Sendesignalenergie, mittlere Energie pro Symbol
    • Leistungsdichtespektrum von Basisbandsignalen
    • Bandbreite-Definitionen
    • Bandbreiten-Effizienz, spektrale Effizienz
    • Intersymbol-Interferenz (ISI)
    • Erste und zweite Nyquist-Bedingung
    • Augendiagramme
    • Empfangsfilter-Entwurf: Signalangepasstes Filter (Matched Filter)
    • Matched-Filter Empfänger und Korrelationsempfänger
    • Wurzel-Nyquist-Pulsformung
    • Zeitdiskretes AWGN-Kanalmodell
  • Maximum a Posteriori probability (MAP) und Maximum Likelihood (ML) Detektion
  • Bitfehlerwahrscheinlichkeit bei binärer Übertragung über AWGN Kanäle mit antipodaler oder on-off-Signalisierung
  • Bandpass-Übertragung mit Trägermodulation

    • Amplitudenmodulation, Frequenzmodulation, Phasenmodulation
    • Lineare digitale Modulationsverfahren: On-off keying (OOK), phase-shift keying (PSK), amplitude shift keying (ASK), quadrature amplitude shift keying (QAM)
Literatur

K. Kammeyer: Nachrichtenübertragung, Teubner

P.A. Höher: Grundlagen der digitalen Informationsübertragung, Teubner.

M. Bossert: Einführung in die Nachrichtentechnik, Oldenbourg.

J.G. Proakis, M. Salehi: Grundlagen der Kommunikationstechnik. Pearson Studium.

J.G. Proakis, M. Salehi: Digital Communications. McGraw-Hill.

S. Haykin: Communication Systems. Wiley

J.G. Proakis, M. Salehi: Communication Systems Engineering. Prentice-Hall.

J.G. Proakis, M. Salehi, G. Bauch, Contemporary Communication Systems. Cengage Learning.






Lehrveranstaltung L0443: Einführung in die Nachrichtentechnik und ihre stochastischen Methoden
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Gerhard Bauch
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2354: Einführung in die Nachrichtentechnik und ihre stochastischen Methoden
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Gerhard Bauch
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0730: Technische Informatik

Lehrveranstaltungen
Titel Typ SWS LP
Technische Informatik (L0321) Vorlesung 3 4
Technische Informatik (L0324) Gruppenübung 1 2
Modulverantwortlicher Prof. Heiko Falk
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Grundkenntnisse der Elektrotechnik

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

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
Fertigkeiten

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.

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
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja 10 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten, Inhalte der Vorlesung und Übungen
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Mechatronik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Flugzeug-Systemtechnik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Theoretischer Maschinenbau: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Materialien in den Ingenieurwissenschaften: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Produktentwicklung und Produktion: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Energietechnik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Biomechanik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Elektrotechnik: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Green Technologies, Schwerpunkt Regenerative Energien: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Elektrotechnik: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Integrierte Gebäudetechnik: Kernqualifikation: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0321: Technische Informatik
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Heiko Falk
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Einführung
  • Kombinatorische Logik
  • Sequentielle Logik
  • Technologische Grundlagen
  • Zahlendarstellungen und Rechnerarithmetik
  • Grundlagen der Rechnerarchitektur
  • Speicher-Hardware
  • Ein-/Ausgabe
Literatur
  • A. Clements. The Principles of Computer Hardware. 3. Auflage, Oxford University Press, 2000.
  • A. Tanenbaum, J. Goodman. Computerarchitektur. Pearson, 2001.
  • D. Patterson, J. Hennessy. Rechnerorganisation und -entwurf. Elsevier, 2005.
Lehrveranstaltung L0324: Technische Informatik
Typ Gruppenübung
SWS 1
LP 2
Arbeitsaufwand in Stunden Eigenstudium 46, Präsenzstudium 14
Dozenten Prof. Heiko Falk
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1615: Einführung in die Datenerfassung und Datenverarbeitung

Lehrveranstaltungen
Titel Typ SWS LP
Datenerfassung und Datenverarbeitung (L2445) Projektseminar 2 2
Messtechnik und Messdatenverarbeitung (L0779) Vorlesung 2 3
Messtechnik und Messdatenverarbeitung (L0780) Gruppenübung 1 1
Modulverantwortlicher Prof. Alexander Schlaefer
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Grundlagen Mathematik

Gute Programmierkenntnisse

Grundkenntnisse Elektrotechnik / Physik

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

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.

Fertigkeiten

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

Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

Die Studierenden können ihren Wissensstand einschätzen und die von Ihnen erzielten Ergebnisse kritisch bewerten.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Ja Keiner Referat
Ja 10 % Übungsaufgaben
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Lehrveranstaltung L2445: Datenerfassung und Datenverarbeitung
Typ Projektseminar
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Alexander Schlaefer
Sprachen DE
Zeitraum WiSe
Inhalt

Im Rahmen eines praxisnahen Projektes werden wesentliche Fragestellungen der Erfassung und Verarbeitung von Daten betrachtet, u.a.

- Datenerfassung (z.B. Bilddaten, Sensordaten)

- Datenvorverarbeitung (z.B. Filtern)

- Datenanalyse (z.B. Regressions- und Klassifikationsaufgaben mit maschinellen Lernverfahren)

- Evaluierung und Interpretation der Ergebnisse


Literatur

Puente León, Kiencke: Messtechnik, Springer 2012
Lerch: Elektrische Messtechnik, Springer 2012

Weitere Literatur wird in der Veranstaltung bekanntgegeben.


Lehrveranstaltung L0779: Messtechnik und Messdatenverarbeitung
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Alexander Schlaefer
Sprachen DE
Zeitraum WiSe
Inhalt

Einführung, Messsysteme und Messfehler, Wahrscheinlichkeitstheorie, Messung stochastischer Signale, Beschreibung gemessener Signale,
Erfassung analoger Signale, Praktische Messdatenerfassung

Literatur

Puente León, Kiencke: Messtechnik, Springer 2012
Lerch: Elektrische Messtechnik, Springer 2012

Weitere Literatur wird in der Veranstaltung bekanntgegeben.

Lehrveranstaltung L0780: Messtechnik und Messdatenverarbeitung
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Alexander Schlaefer
Sprachen DE
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1598: Bildverarbeitung

Lehrveranstaltungen
Titel Typ SWS LP
Bildverarbeitung (L2443) Vorlesung 2 4
Bildverarbeitung (L2444) Gruppenübung 2 2
Modulverantwortlicher Prof. Tobias Knopp
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Signal und Systeme
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Die Studierenden kennen

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

Die Studierenden können

  • multidimensionale Bilddaten analysieren, bearbeiten, verbessern
  • einfache Kompressionsalgorithmen implementieren
  • eigene Filter für konkrete Anwendungen entwerfen
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 Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht
Elektrotechnik: Vertiefung Medizintechnik: 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
Mechatronics: Vertiefung Intelligente Systeme und Robotik: Wahlpflicht
Mechatronics: Vertiefung Systementwurf: Wahlpflicht
Microelectronics and Microsystems: Vertiefung Communication and Signal Processing: Wahlpflicht
Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht
Lehrveranstaltung L2443: Bildverarbeitung
Typ Vorlesung
SWS 2
LP 4
Arbeitsaufwand in Stunden Eigenstudium 92, Präsenzstudium 28
Dozenten Prof. Tobias Knopp
Sprachen DE/EN
Zeitraum WiSe
Inhalt
  • Visuelle Wahrnehmung
  • Mehrdimensionale Signalverarbeitung
  • Abtastung und Abtasttheorem
  • Filterung
  • Bildverbesserung
  • Kantendetektion
  • Mehrfachauflösende Verfahren: Gauss- und Laplace-Pyramide, Wavelets
  • Bildkompression
  • Segmentierung
  • Morphologische Bildverarbeitung
Literatur

Bredies/Lorenz, Mathematische Bildverarbeitung, Vieweg, 2011
Pratt, Digital Image Processing, Wiley, 2001
Bernd Jähne: Digitale Bildverarbeitung - Springer, Berlin 2005

Lehrveranstaltung L2444: Bildverarbeitung
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Tobias Knopp
Sprachen DE/EN
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0562: Berechenbarkeit und Komplexität

Lehrveranstaltungen
Titel Typ SWS LP
Berechenbarkeit und Komplexität (L0166) Vorlesung 2 3
Berechenbarkeit und Komplexität (L0167) Gruppenübung 2 3
Modulverantwortlicher NN
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Diskrete Algebraische Strukturen sowie Automatentheorie, Logik und Formale Sprachen.
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

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

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.
Personale Kompetenzen
Sozialkompetenz

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

Selbstständigkeit

Die Studierenden sind nach Abschluss des Moduls in der Lage, sich Teilbereiche des Fachgebietes anhand von Fachbüchern und anderweitiger Literatur 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 Klausur
Prüfungsdauer und -umfang 60 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0166: Berechenbarkeit und Komplexität
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten NN
Sprachen DE/EN
Zeitraum SoSe
Inhalt
Literatur
Lehrveranstaltung L0167: Berechenbarkeit und Komplexität
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten NN
Sprachen DE/EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0715: Solvers for Sparse Linear Systems

Lehrveranstaltungen
Titel Typ SWS LP
Löser für schwachbesetzte lineare Gleichungssysteme (L0583) Vorlesung 2 3
Löser für schwachbesetzte lineare Gleichungssysteme (L0584) Gruppenübung 2 3
Modulverantwortlicher Prof. Sabine Le Borne
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Mathematics I + II for Engineering students or Analysis & Lineare Algebra I + II for Technomathematicians
  • Programming experience in C
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Students can

  • list classical and modern iteration methods and their interrelationships,
  • repeat convergence statements for iterative methods,
  • explain aspects regarding the efficient implementation of iteration methods.
Fertigkeiten

Students are able to

  • analyse, implement, test, and compare iterative methods,
  • analyse the convergence behaviour of iterative methods and, if applicable, compute congergence rates.
Personale Kompetenzen
Sozialkompetenz

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.
Selbstständigkeit

Students are capable

  • to assess whether the supporting theoretical and practical excercises are better solved individually or in a team,
  • to work on complex problems over an extended period of time,
  • to assess their individual progess and, if necessary, to ask questions and seek help.
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 II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: Wahlpflicht
Technomathematik: Vertiefung I. Mathematik: Wahlpflicht
Lehrveranstaltung L0583: Solvers for Sparse Linear Systems
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sabine Le Borne
Sprachen EN
Zeitraum SoSe
Inhalt
  1. Sparse systems: Orderings and storage formats, direct solvers
  2. Classical methods: basic notions, convergence
  3. Projection methods
  4. Krylov space methods
  5. Preconditioning (e.g. ILU)
  6. Multigrid methods
  7. Domain Decomposition Methods
Literatur
  1. Y. Saad. Iterative methods for sparse linear systems
  2. M. Olshanskii, E. Tyrtyshnikov. Iterative methods for linear systems: theory and applications
Lehrveranstaltung L0584: Solvers for Sparse Linear Systems
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sabine Le Borne
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1730: Mathematics IV (EN)

Lehrveranstaltungen
Titel Typ SWS LP
Differentialgleichungen 2 (Partielle Differentialgleichungen) (EN) (L2783) Vorlesung 2 1
Differentialgleichungen 2 (Partielle Differentialgleichungen) (EN) (L2784) Hörsaalübung 1 1
Differentialgleichungen 2 (Partielle Differentialgleichungen) (EN) (L2785) Gruppenübung 1 1
Komplexe Funktionen (EN) (L2786) Vorlesung 2 1
Komplexe Funktionen (EN) (L2787) Hörsaalübung 1 1
Komplexe Funktionen (EN) (L2788) Gruppenübung 1 1
Modulverantwortlicher Prof. Anusch Taraz
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse

Mathematics I - III (EN or DE)

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Students can name the basic concepts in Mathematics IV. 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 in Mathematics IV 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.
Personale Kompetenzen
Sozialkompetenz
  • Students are able to work together in teams. They are capable to use mathematics as 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 68, Präsenzstudium 112
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Advanced Materials: Pflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Engineering Science: Vertiefung Elektrotechnik: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Engineering Science: Kernqualifikation: Pflicht
Engineering Science: Vertiefung Mechatronics: Wahlpflicht
Lehrveranstaltung L2783: Differential Equations 2 (Partial Differential Equations) (EN)
Typ Vorlesung
SWS 2
LP 1
Arbeitsaufwand in Stunden Eigenstudium 2, Präsenzstudium 28
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt

Main features of the theory and numerical treatment of partial differential equations 

  • Examples of partial differential equations
  • First order quasilinear differential equations
  • Normal forms of second order differential equations
  • Harmonic functions and maximum principle
  • Maximum principle for the heat equation
  • Wave equation
  • Liouville's formula
  • Special functions
  • Difference methods
  • Finite elements
Literatur

http://www.math.uni-hamburg.de/teaching/export/tuhh/index.html

Lehrveranstaltung L2784: Differential Equations 2 (Partial Differential Equations) (EN)
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2785: Differential Equations 2 (Partial Differential Equations) (EN)
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2786: Complex Functions (EN)
Typ Vorlesung
SWS 2
LP 1
Arbeitsaufwand in Stunden Eigenstudium 2, Präsenzstudium 28
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt

Main features of complex analysis 

  • Functions of one complex variable
  • Complex differentiation
  • Conformal mappings
  • Complex integration
  • Cauchy's integral theorem
  • Cauchy's integral formula
  • Taylor and Laurent series expansion
  • Singularities and residuals
  • Integral transformations: Fourier and Laplace transformation
Literatur

http://www.math.uni-hamburg.de/teaching/export/tuhh/index.html

Lehrveranstaltung L2787: Complex Functions (EN)
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L2788: Complex Functions (EN)
Typ Gruppenübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Dozenten des Fachbereiches Mathematik der UHH
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0732: Software Engineering

Lehrveranstaltungen
Titel Typ SWS LP
Software-Engineering (L0627) Vorlesung 2 3
Software-Engineering (L0628) Gruppenübung 2 3
Modulverantwortlicher Prof. Sibylle Schupp
Zulassungsvoraussetzungen None
Empfohlene Vorkenntnisse
  • Automata theory and formal languages
  • Procedural programming or Functional programming
  • Object-oriented programming, algorithms, and data structures
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen

Students explain the phases of the software life cycle, describe the fundamental terminology and concepts of software engineering, and paraphrase the principles of structured software development. They give examples of software-engineering tasks of existing large-scale systems. They write test cases for different test strategies and devise specifications or models using different notations, and critique both. They explain simple design patterns and the major activities in requirements analysis, maintenance, and project planning.

Fertigkeiten

For a given task in the software life cycle, students identify the corresponding phase and select an appropriate method. They choose the proper approach for quality assurance. They design tests for realistic systems, assess the quality of the tests, and find errors at different levels. They apply and modify non-executable artifacts. They integrate components based on interface specifications.

Personale Kompetenzen
Sozialkompetenz

Students practice peer programming. They explain problems and solutions to their peer. They communicate in English. 

Selbstständigkeit

Using on-line quizzes and accompanying material for self study, students can assess their level of knowledge continuously and adjust it appropriately.  Working on exercise problems, they receive additional feedback.

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 Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht
Computer Science: Kernqualifikation: Pflicht
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht
Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht
Technomathematik: Vertiefung II. Informatik: Wahlpflicht
Lehrveranstaltung L0627: Software Engineering
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum SoSe
Inhalt


  • Model-based software engineering
    • Information modeling (use case diagrams)
    • Behavioral modeling (finite state machines, Petri Nets, behavioral UML diagrams)
    • Structural modeling (OOA, UML class diagrams, OCL)
    • Model-based testing
  • Engineering software products
    • Agile processes
    • Architecture
    • Code-based testing
    • System-level testing
  • Software management
    • Maintenance
    •  Project management
    • Software processes
Literatur

Ian Sommerville, Engineering Software Products: An Introduction to Modern Software Engineering, Pearson 2020.

Kassem A. Saleh, Software Engineering, J. Ross Publishing 2009.

Lehrveranstaltung L0628: Software Engineering
Typ Gruppenübung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Sibylle Schupp
Sprachen EN
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Fachmodule der Vertiefung II. Anwendung

Modul M0933: Grundlagen der Werkstoffwissenschaften

Lehrveranstaltungen
Titel Typ SWS LP
Grundlagen der Werkstoffwissenschaft I (L1085) Vorlesung 2 2
Grundlagen der Werkstoffwissenschaft II (Keramische Hochleistungswerkstoffe, Kunststoffe und Verbundwerkstoffe) (L0506) Vorlesung 2 2
Physikalische und Chemische Grundlagen der Werkstoffwissenschaften (L1095) Vorlesung 2 2
Modulverantwortlicher Prof. Jörg Weißmüller
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Physik, Chemie und Mathematik der gymnasialen Oberstufe.

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

Die Studenten verfügen über grundlegende Kenntnisse zu Metallen, Keramiken und Polymeren und können diese verständlich wiedergeben. Grundlegende Kenntnisse betreffen dabei insbesondere die Fragen nach atomarem Aufbau, Gefüge, Phasendiagrammen, Phasenumwandlungen, Korrosion und mechanischen Eigenschaften. Die Studenten kennen die wichtigsten Aspekte der Methodik bei der Untersuchung von Werkstoffen und können methodische Zugänge zu gegebene Eigenschaften benennen.


Fertigkeiten

Die Studenten sind in der Lage, Materialphänomene auf die zu Grunde liegenden physikalisch-chemischen Naturgesetze zurückführen. Mit Materialphänomenen sind hier mechanische Eigenschaften wie Festigkeit, Duktilität und Steifigkeit gemeint, sowie chemische Eigenschaften wie Korrosionsbeständigkeit und Phasenumwandlungen wie Erstarrung, Ausscheidung, oder Schmelzen. Die Studenten können die Beziehung zwischen den Verarbeitungsbedingungen und dem Gefüge erklären und sie können die Auswirkungen des Gefüges auf das Materialverhalten darstellen.


Personale Kompetenzen
Sozialkompetenz

-

Selbstständigkeit

-

Arbeitsaufwand in Stunden Eigenstudium 96, Präsenzstudium 84
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 180 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Mediziningenieurwesen: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Schiffbau: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Advanced Materials: Pflicht
Data Science: Vertiefung II. Anwendung: Wahlpflicht
Digitaler Maschinenbau: Kernqualifikation: Pflicht
Green Technologies: Energie, Wasser, Klima: Vertiefung Energietechnik: Wahlpflicht
Logistik und Mobilität: Vertiefung Ingenieurwissenschaft: Wahlpflicht
Logistik und Mobilität: Vertiefung Produktionsmanagement und Prozesse: Wahlpflicht
Maschinenbau: Kernqualifikation: Pflicht
Mechatronik: Kernqualifikation: Pflicht
Schiffbau: Kernqualifikation: Pflicht
Technomathematik: Vertiefung III. Ingenieurwissenschaften: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Produktionsmanagement und Prozesse: Wahlpflicht
Lehrveranstaltung L1085: Grundlagen der Werkstoffwissenschaft I
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Jörg Weißmüller
Sprachen DE
Zeitraum WiSe
Inhalt

Grundlegende Kenntnisse zu Metallen: Atomarer Aufbau, Gefüge, Phasendiagramme, Phasenumwandlungen, Erholungsvorgänge, Mechanische Prüfung, Mechanische Eigenschaften, Konstruktionswerkstoffe

1. Einleitung

a. Materialwissenschaften - was ist das?

b. Relevanz für den Ingenieur

2. Aufbau von Werkstoffen

a. Gefüge

b. Kristallaufbau

c. Kristallsymmetrie und anisotrope Materialeigenschaften

d. Gitterfehlordnung

e. Atomare Bindungen und Bauprinzipien für Kristalle

3. Phasendiagramme und Kinetik

a. Phasendiagramme

b. Phasenumwandlungen

c. Keimbildung und Kristallisation

d. Zeit-Temperatur-Umwandlungsdiagramme; Ausscheidungshärtung

e. Diffusion

f. Erholung, Rekristallisation und Kornwachstum; Kalt- und Warmumformung

4. Mechanische Eigenschaften

a. Phänomenologie des Zugversuchs

b. Prüfverfahren

c. Grundlagen der Versetzungsplastizität

d. Härtungsmechanismen

5. Konstruktionswerkstoffe: Stahl und Gusseisen

a. Phasendiagramm Fe-C

b. Härtbarkeit von Stählen

c. Martensitumwandlung

d. Unlegierte (Kohlenstoff-) und legierte Stähle

e. Rostfreie Stähle

f. Gusseisen

g. Wie macht man Stahl?

In der Vorlesung werden Funk-Abstimmungsgeräte („Clicker“) eingesetzt, um die Studierenden aktiv an der Vorlesung teilhaben zu lassen. Außerdem können die Studierenden mit Hilfe von Anschauungsmaterial (Bauteile, Formen usw.) die theoretischen Vorlesungsinhalte unmittelbar nachvollziehen.

Literatur

Vorlesungsskript

W.D. Callister: Materials Science and Engineering - An Introduction. 5th ed., John Wiley & Sons, Inc., New York, 2000, ISBN 0-471-32013-7

P. Haasen: Physikalische Metallkunde. Springer 1994


Lehrveranstaltung L0506: Grundlagen der Werkstoffwissenschaft II (Keramische Hochleistungswerkstoffe, Kunststoffe und Verbundwerkstoffe)
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Bodo Fiedler, Prof. Gerold Schneider
Sprachen DE
Zeitraum SoSe
Inhalt

Grundlegende Kenntnisse zu Keramiken, Kunststoffen und Verbundwerkstoffen: Herstellung, Verarbeitung, Struktur und Eigenschaften

Vermittlung von grundlegenden Kenntnissen und Methoden; Grundkenntnisse zum Aufbau und Eigenschaften von Keramiken, Kunststoffen und Verbundwerkstoffen; Vermittlung von Methodik bei der Untersuchung von Werkstoffen.

Literatur

Vorlesungsskript

W.D. Callister: Materials Science and Engineering -An Introduction-5th ed., John Wiley & Sons, Inc., New York, 2000, ISBN 0-471-32013-7

Lehrveranstaltung L1095: Physikalische und Chemische Grundlagen der Werkstoffwissenschaften
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Gregor Vonbun-Feldbauer
Sprachen DE
Zeitraum WiSe
Inhalt
  • Motivation: „Atome im Maschinenbau?“
  • Grundbegriffe: Kraft und Energie
  • Die elektromagnetische Wechselwirkung
  • „Detour“: Mathematische Grundlagen (komplexe e-Funktion etc.)
  • Das Atom: Bohrsches Atommodell
  • Chemische Bindung
  • Das Vielteilchenproblem: Lösungsansätze und Strategien
  • Beschreibung von Nahordnungsphänomene mittels statistischer Thermodynamik
  • Elastizitätstheorie auf atomarer Basis
  • Konsequenzen des atomaren Verhaltens auf makroskopische Eigenschaften: Diskussion von Beispielen (Metalllegierungen, Halbleiter, Hybridsysteme)
Literatur

Für den Elektromagnetismus:

  • Bergmann-Schäfer: „Lehrbuch der Experimentalphysik“, Band 2: „Elektromagnetismus“, de Gruyter

Für die Atomphysik:

  • Haken, Wolf: „Atom- und Quantenphysik“, Springer

Für die Materialphysik und Elastizität:

  • Hornbogen, Warlimont: „Metallkunde“, Springer


Modul M1802: Technische Mechanik I (Stereostatik)

Lehrveranstaltungen
Titel Typ SWS LP
Technische Mechanik I (Stereostatik) (L1001) Vorlesung 2 3
Technische Mechanik I (Stereostatik) (L1003) Hörsaalübung 1 1
Technische Mechanik I (Stereostatik) (L1002) Gruppenübung 2 2
Modulverantwortlicher Prof. Benedikt Kriegesmann
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Gefestigte und tiefgehende Schulkentnisse in Mathematik und Physik. Als gute Auffrischung der Mathematikkenntnisse  ist der Mathematikvorkurs empfehlenswert. Parallel zum Modul Mechanik I sollte das Modul Mathematik I besucht werden.

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

Die Studierenden können

  • die axiomatische Vorgehensweise bei der Erarbeitung der mechanischen Zusammenhänge beschreiben;
  • wesentliche Schritte der Modellbildung erkläutern;
  • Fachwissen aus dem Bereich der Stereostatik präsentieren.
Fertigkeiten

Die Studierenden können

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

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

Selbstständigkeit

Die Studierenden sind in der Lage, ihre eigenen Stärken und Schwächen einzuschätzen und darauf basierend ihr Zeit- und Lernmanagement zu organisieren.

Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Kernqualifikation: Pflicht
Bau- und Umweltingenieurwesen: Kernqualifikation: Pflicht
Bioverfahrenstechnik: Kernqualifikation: Pflicht
Chemie- und Bioingenieurwesen: Kernqualifikation: Pflicht
Data Science: Vertiefung II. Anwendung: Wahlpflicht
Elektrotechnik: Kernqualifikation: Wahlpflicht
Green Technologies: Energie, Wasser, Klima: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: Wahlpflicht
Integrierte Gebäudetechnik: Kernqualifikation: Pflicht
Maschinenbau: Kernqualifikation: Pflicht
Mechatronik: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Schiffbau: Kernqualifikation: Pflicht
Verfahrenstechnik: Kernqualifikation: Pflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Kernqualifikation: Pflicht
Lehrveranstaltung L1001: Technische Mechanik I (Stereostatik)
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten NN
Sprachen DE
Zeitraum WiSe
Inhalt
  • Aufgaben der Mechanik
  • Modelbildung und Modelelemente
  • Kraftwinder, Vektorrechnung
  • Räumliche Kräftesysteme und Gleichgewicht
  • Lagerung von Körpern, Charakterisierung der Lagerung gebundener Systeme
  • Ebene und räumliche Fachwerke
  • Schnittkräfte am Balken und in Rahmentragwerken, Streckenlasten, Klammerfunktion
  • Gewichtskraft und Schwerpunkt, Volumen-, Flächen- und Linienmittelpunkte
  • Mittelpunktsberechnung über Integrale, Zusammengesetzte Körper
  • Haft- und Gleitreibung
  • Seilreibung

In der Mechanik I wird eine e-Learning Plattform mit interaktiven Videos von Experimenten entwickelt. Hierdurch wird eine Verbindung von Theorie und Anwendung erzeugt. Außerdem wurde eine enge Verzahnung mit der Mathematik I vorgenommen und die Inhalte der beiden Lehrveranstaltungen aufeinander abgestimmt.

Literatur K. Magnus, H.H. Müller-Slany: Grundlagen der Technischen Mechanik. 7. Auflage, Teubner (2009).
D. Gross, W. Hauger, J. Schröder, W. Wall: Technische Mechanik 1. 11. Auflage, Springer (2011).
Lehrveranstaltung L1003: Technische Mechanik I (Stereostatik)
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten NN
Sprachen DE
Zeitraum WiSe
Inhalt Kräftesysteme und Gleichgewicht
Lagerung von Körpern
Fachwerke
Gewichtskraft und Schwerpunkt
Reibung

Innere Kräfte und Momente am Balken

In der Mechanik I wird eine e-Learning Plattform mit interaktiven Videos von Experimenten entwickelt. Hierdurch wird eine Verbindung von Theorie und Anwendung erzeugt. Außerdem wurde eine enge Verzahnung mit der Mathematik I vorgenommen und die Inhalte der beiden Lehrveranstaltungen aufeinander abgestimmt.

Literatur K. Magnus, H.H. Müller-Slany: Grundlagen der Technischen Mechanik. 7. Auflage, Teubner (2009).
D. Gross, W. Hauger, J. Schröder, W. Wall: Technische Mechanik 1. 11. Auflage, Springer (2011).
Lehrveranstaltung L1002: Technische Mechanik I (Stereostatik)
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten NN
Sprachen DE
Zeitraum WiSe
Inhalt Kräftesysteme und Gleichgewicht
Lagerung von Körpern
Fachwerke
Gewichtskraft und Schwerpunkt
Reibung

Innere Kräfte und Momente am Balken


In der Mechanik I wird eine e-Learning Plattform mit interaktiven Videos von Experimenten entwickelt. Hierdurch wird eine Verbindung von Theorie und Anwendung erzeugt. Außerdem wurde eine enge Verzahnung mit der Mathematik I vorgenommen und die Inhalte der beiden Lehrveranstaltungen aufeinander abgestimmt.

Literatur K. Magnus, H.H. Müller-Slany: Grundlagen der Technischen Mechanik. 7. Auflage, Teubner (2009).
D. Gross, W. Hauger, J. Schröder, W. Wall: Technische Mechanik 1. 11. Auflage, Springer (2011).

Modul M0833: Grundlagen der Regelungstechnik

Lehrveranstaltungen
Titel Typ SWS LP
Grundlagen der Regelungstechnik (L0654) Vorlesung 2 4
Grundlagen der Regelungstechnik (L0655) Gruppenübung 2 2
Modulverantwortlicher Prof. Herbert Werner
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Grundkenntnisse der Behandlung von Signalen und Systemen im Zeit- und Frequenzbereich und der Laplace-Transformation.

Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • 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.
Fertigkeiten
  • 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.
Personale Kompetenzen
Sozialkompetenz Studierende können in kleinen Gruppen fachspezifische Fragen gemeinsam bearbeiten und ihre Reglerentwürfe  experimentell testen und bewerten
Selbstständigkeit Studierende können sich Informationen aus bereit gestellten Quellen (Skript, Software-Dokumentation, Versuchsunterlagen) beschaffen und für die Lösung gegebener Probleme verwenden.

Sie können ihren Wissensstand mit Hilfe wöchentlicher On-Line Tests kontinuierlich überprüfen und auf dieser Basis ihre Lernprozesse steuern

 
Arbeitsaufwand in Stunden Eigenstudium 124, Präsenzstudium 56
Leistungspunkte 6
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Kernqualifikation: Pflicht
Bioverfahrenstechnik: Kernqualifikation: Pflicht
Chemie- und Bioingenieurwesen: Kernqualifikation: Pflicht
Data Science: Kernqualifikation: Wahlpflicht
Data Science: Vertiefung II. Anwendung: Wahlpflicht
Elektrotechnik: Kernqualifikation: Pflicht
Energie- und Umwelttechnik: Kernqualifikation: Pflicht
Green Technologies: Energie, Wasser, Klima: Kernqualifikation: Pflicht
Informatik-Ingenieurwesen: Kernqualifikation: Pflicht
Integrierte Gebäudetechnik: Kernqualifikation: Wahlpflicht
Logistik und Mobilität: Vertiefung Ingenieurwissenschaft: Wahlpflicht
Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Logistik und Mobilität: Vertiefung Verkehrsplanung und -systeme: Wahlpflicht
Logistik und Mobilität: Vertiefung Produktionsmanagement und Prozesse: Wahlpflicht
Maschinenbau: Kernqualifikation: Pflicht
Mechatronik: Kernqualifikation: Pflicht
Technomathematik: Vertiefung III. Ingenieurwissenschaften: Wahlpflicht
Theoretischer Maschinenbau: Technischer Ergänzungskurs Kernfächer: Wahlpflicht
Verfahrenstechnik: Kernqualifikation: Pflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Verkehrsplanung und -systeme: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung Produktionsmanagement und Prozesse: Wahlpflicht
Lehrveranstaltung L0654: Grundlagen der Regelungstechnik
Typ Vorlesung
SWS 2
LP 4
Arbeitsaufwand in Stunden Eigenstudium 92, Präsenzstudium 28
Dozenten Prof. Herbert Werner
Sprachen DE
Zeitraum WiSe
Inhalt

Signale und Systeme

  • Lineare Systeme, Differentialgleichungen und Übertragungsfunktionen
  • Systeme 1. und 2. Ordnung, Pole und Nullstellen, Impulsantwort und Sprungantwort
  • Stabilität

Regelkreise

  • Prinzip der Rückkopplung: Steuerung oder Regelung
  • Folgeregelung und Störunterdrückung
  • Arten der Rückführung, PID-Regelung
  • System-Typ und bleibende Regelabweichung
  • Inneres-Modell-Prinzip

Wurzelortskurven

  • Konstruktion und Interpretation von Wurzelortskurven
  • Wurzelortskurven von PID-Regelkreisen

Frequenzgang-Verfahren

  • Frequenzgang, Bode-Diagramm
  • Minimalphasige und nichtminimalphasige Systeme
  • Nyquist-Diagramm, Nyquist-Stabilitätskriterium, Phasenreserve und Amplitudenreserve
  • Loop shaping, Lead-Lag-Kompensatoren
  • Frequenzgang von PID-Regelkreisen

Totzeitsysteme

  • Wurzelortskurve und Frequenzgang von Totzeitsystemen
  • Smith-Prädiktor

Digitale Regelung

  • Abtastsysteme, Differenzengleichungen
  • Tustin-Approximation, digitale PID-Regler

Software-Werkzeuge

  • Einführung in Matlab, Simulink, Control Toolbox
  • Rechnergestützte Aufgaben zu allen Themen der Vorlesung
Literatur
  • Werner, H., Lecture Notes „Introduction to Control Systems“
  • G.F. Franklin, J.D. Powell and A. Emami-Naeini "Feedback Control of Dynamic Systems", Addison Wesley, Reading, MA, 2009
  • K. Ogata "Modern Control Engineering", Fourth Edition, Prentice Hall, Upper Saddle River, NJ, 2010
  • R.C. Dorf and R.H. Bishop, "Modern Control Systems", Addison Wesley, Reading, MA 2010
Lehrveranstaltung L0655: Grundlagen der Regelungstechnik
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Herbert Werner
Sprachen DE
Zeitraum WiSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M0634: Einführung in Medizintechnische Systeme

Lehrveranstaltungen
Titel Typ SWS LP
Einführung in Medizintechnische Systeme (L0342) Vorlesung 2 3
Einführung in Medizintechnische Systeme (L0343) Projektseminar 2 2
Einführung in Medizintechnische Systeme (L1876) Hörsaalübung 1 1
Modulverantwortlicher Prof. Alexander Schlaefer
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Grundlagen Mathematik (Algebra, Analysis)
Grundlagen Stochastik
Grundlagen Programmierung, R/Matlab

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

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.

Fertigkeiten

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

Personale Kompetenzen
Sozialkompetenz

Die Studierenden können in Gruppen ein medizintechnisches Thema als Projekt beschreiben, in Teilaufgaben untergliedern und gemeinsam bearbeiten.
Die Studierenden können die Ergebnisse anderer Gruppen kritisch reflektieren und konstruktive Verbesserungsvorschläge unterbreiten.

Selbstständigkeit

Die Studierenden können ihren Wissensstand einschätzen und ihre Arbeitsergebnisse dokumentieren.  Sie können die erzielten Ergebnisse kritisch bewerten und in geeigneter Weise präsentieren.

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 Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Mediziningenieurwesen: Pflicht
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht
Data Science: Vertiefung II. Anwendung: Wahlpflicht
Data Science: Kernqualifikation: Wahlpflicht
Elektrotechnik: Kernqualifikation: Wahlpflicht
Engineering Science: Vertiefung Mediziningenieurwesen: Pflicht
General Engineering Science (7 Semester): Vertiefung Mediziningenieurwesen: Pflicht
Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: 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
Technomathematik: Vertiefung III. Ingenieurwissenschaften: Wahlpflicht
Lehrveranstaltung L0342: Einführung in Medizintechnische Systeme
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Alexander Schlaefer
Sprachen DE
Zeitraum SoSe
Inhalt

- Bildgebende Systeme
- Assistenzsysteme im OP
- Medizintechnische Sensorsysteme
- Medizintechnische Informationssysteme
- Regulatorische Rahmenbedingungen
- Standards in der Medizintechnik
Durch problembasiertes Lernen erfolgt die Vertiefung der Methoden aus der Vorlesung. Dies erfolgt in Form von Gruppenarbeit. 

Literatur

Bernhard Priem, "Visual Computing for Medicine", 2014
Heinz Handels, "Medizinische Bildverarbeitung", 2009 (https://katalog.tub.tuhh.de/Record/745558097)
Valery Tuchin, "Tissue Optics - Light Scattering Methods and Instruments for Medical Diagnosis", 2015
Olaf Drössel, "Biomedizinische Technik - Medizinische Bildgebung", 2014
H. Gross, "Handbook of Optical Systems", 2008 (https://katalog.tub.tuhh.de/Record/856571687)
Wolfgang Drexler, "Optical Coherence Tomography", 2008
Kramme, "Medizintechnik", 2011
Thorsten M. Buzug, "Computed Tomography", 2008
Otmar Scherzer, "Handbook of Mathematical Methods in Imaging", 2015
Weishaupt, "Wie funktioniert MRI?", 2014
Paul Suetens, "Fundamentals of Medical Imaging", 2009
Vorlesungsunterlagen

Lehrveranstaltung L0343: Einführung in Medizintechnische Systeme
Typ Projektseminar
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Alexander Schlaefer
Sprachen DE
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung
Lehrveranstaltung L1876: Einführung in Medizintechnische Systeme
Typ Hörsaalübung
SWS 1
LP 1
Arbeitsaufwand in Stunden Eigenstudium 16, Präsenzstudium 14
Dozenten Prof. Alexander Schlaefer
Sprachen DE
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1519: Einführung in die Elektrotechnik (Technomathematik)

Lehrveranstaltungen
Titel Typ SWS LP
Einführung in die Elektrotechnik (Technomathematik) (L2292) Vorlesung 3 4
Einführung in die Elektrotechnik (Technomathematik) (L2293) Gruppenübung 2 2
Modulverantwortlicher Prof. Christian Kautz
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Physikkenntnisse (gymnasiale Oberstufe)
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen
  • Studierende kennen und verstehen die Grundbegriffe und -zusammenhänge elektrischer Schaltungen (Gleich- und Wechselstrom) und wenden diese auf einfache Beispielsysteme an.
  • Studierende kennen und verstehen die Grundbegriffe und -zusammenhänge elektrischer und magnetischer Wechselwirkungen und wenden diese auf einfache Beispielsysteme an.



Fertigkeiten
  • Studierende verwenden verschiedene Repräsentationen zur Beschreibung elektrischer Systeme (Schaltungen und Felder) und erläutern deren Darstellung in mathematischer Form.  Sie beschreiben die hierbei auftretenden Muster und vergleichen diese miteinander.
  • Studierende berechnen physikalische Größen in elektrischen Systemen aufgrund gegebener Ausgangsdaten.
Personale Kompetenzen
Sozialkompetenz
  • Studierende arbeiten im Team, beschreiben technische Sachverhalte verbal und führen einen fachlichen Diskurs. 
Selbstständigkeit
  • Studierende erarbeiten sich fachliche Inhalte anhand von vorgegebener Lektüre und hinterfragen ihr eigenes Verständnis des Stoffes
Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung Keine
Prüfung Fachtheoretisch-fachpraktische Arbeit
Prüfungsdauer und -umfang Onlineaufgaben, kurze Präsentation, Präsenzaufgabe, kurzer mündlicher Test
Zuordnung zu folgenden Curricula Data Science: Vertiefung II. Anwendung: Wahlpflicht
Technomathematik: Kernqualifikation: Pflicht
Lehrveranstaltung L2292: Einführung in die Elektrotechnik (Technomathematik)
Typ Vorlesung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Prof. Christian Kautz
Sprachen DE
Zeitraum SoSe
Inhalt
  • Elektrische Ladung, Strom, Widerstand, Spannung, Potential und Leistung
  • Kirchhoff'sche Gesetze und Ohm'sches Gesetz
  • Ersatzquellen und Arbeitsgeraden
  • Schaltungselemente in Wechselstromsystemen
  • Komplexwertige Signale (Zeiger) und Phasenbeziehungen
  • Gauß'sches Gesetz der Elektrostatik und Kapazität
  • Magnetische Wechselwirkungen und Induktion
  • Energietransport und elektromagnetische Wellen
Literatur
  • W. Nerreter, Grundlagen der Elektrotechnik, 3. Auflage, 2020. (Online unter: https://www.hanser-elibrary.com/isbn/9783446465855  - aus dem Netz der TUHH oder über VPN)

  • M. Albach, Elektrotechnik, 2. Auflage, 2020. (Online unter: https://elibrary.pearson.de/book/view/99.150005/9783863268947? - aus dem Netz der TUHH oder über VPN)


Lehrveranstaltung L2293: Einführung in die Elektrotechnik (Technomathematik)
Typ Gruppenübung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Prof. Christian Kautz
Sprachen DE
Zeitraum SoSe
Inhalt Siehe korrespondierende Vorlesung
Literatur Siehe korrespondierende Vorlesung

Modul M1004: Logistikmanagement

Lehrveranstaltungen
Titel Typ SWS LP
Einführung in die Produktionslogistik (L1222) Vorlesung 2 2
Logistikwirtschaft (L1221) Projekt-/problembasierte Lehrveranstaltung 3 4
Modulverantwortlicher Dr. Meike Schröder
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Grundlagen der Betriebswirtschaftslehre


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

Die Studierenden können

  • zwischen Produktionslogistik und Logistikdienstleistungen differenzieren;
  • interne und externe Gestaltungsfelder des Logistikmanagements beschreiben;
  • den Unterschied zwischen den Beteiligten in einer Supply Chain erläutern;
  • die aktuellen Herausforderungen an das Produktions- und Logistikmanagement wiedergeben und erläutern.


Fertigkeiten Die Studierenden sind auf Basis des erlernten Wissens in der Lage,
-    logistische Fragestellungen und Einflussgrößen in Unternehmen zu analysieren,
-    für die Lösung praktischer Probleme geeignete Methoden und Werkzeuge auszuwählen,
-    Methoden und Werkzeuge des Logistikmanagements auch für standardisierte Fragestellungen anzuwenden.

Personale Kompetenzen
Sozialkompetenz Die Studierenden sind nach Abschluss des Moduls in der Lage,
-    an Diskussionen und Teamsitzungen aktiv teilzunehmen,
-    in Gruppen zu Arbeitsergebnissen zu kommen und diese zu dokumentieren,
-    in fachlich gemischten Teams gemeinsame Lösungen zu erarbeiten und diese vor anderen zu vertreten.
Selbstständigkeit

Studierende sind fähig, 
- mit Hilfe von Hinweisen eigenständig Arbeitsschritte zur Lösung logistischer Probleme durchzuführen
- angeleitet durch Lehrende ihren jeweiligen Lernstand konkret zu beurteilen und auf dieser Basis weitere Arbeitsschritte zu
definieren.


Arbeitsaufwand in Stunden Eigenstudium 110, Präsenzstudium 70
Leistungspunkte 6
Studienleistung
Verpflichtend Bonus Art der Studienleistung Beschreibung
Nein 20 % Fachtheoretisch-fachpraktische Studienleistung
Prüfung Klausur
Prüfungsdauer und -umfang 120 min
Zuordnung zu folgenden Curricula Data Science: Vertiefung II. Anwendung: Wahlpflicht
Logistik und Mobilität: Kernqualifikation: Pflicht
Orientierungsstudium: Kernqualifikation: Wahlpflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Kernqualifikation: Pflicht
Lehrveranstaltung L1222: Einführung in die Produktionslogistik
Typ Vorlesung
SWS 2
LP 2
Arbeitsaufwand in Stunden Eigenstudium 32, Präsenzstudium 28
Dozenten Dr. Yong Lee
Sprachen DE
Zeitraum SoSe
Inhalt

Produktion und Logistik lassen sich im heutigen Zeitwettbewerb nicht mehr gesondert betrachten, sondern bedingen sich als strategische Wettbewerbsfaktoren gegenseitig.

Die Vorlesung „Einführung in die Produktionslogistik“ gibt einen umfassenden Einblick in die Teilgebiete der Produktionslogistik:

- Die Entwicklung vom Kosten-, Qualitäts- zum Zeitwettbewerb

- Grundlagen der Produktion und Logistik,

- Phasen- bzw. verrichtungsspezifische Subsysteme der Produktionslogistik,

- Planung und Steuerung,

- Analyse und Optimierung (Schwerpunkt: Lean Management),

- Produktionslogistik-Controlling und Supply-Chain-Management in Produktionsnetzwerken.

Ausgewählte Fallbeispiele sowie Gastvorträge aus der Praxis ergänzen die theoretischen Grundlagen.

Die Studierenden haben nach Besuch der Vorlesung ein fundiertes Verständnis über die Teildisziplinen der Produktionslogistik und deren Zusammenhänge.
Literatur
  • Der Vorlesung zugrunde liegende Literatur (Auswahl):

    - Beer, Stafford (1988): Diagnosing the system for organizations. John Wiley & Sons. Chichester, New York, Brisbane, Toronto 1988.
    - Ferdows, Kasra; De Meyer, Arnoud (1990): Lasting Improvements in Manufacturing Performance   In Search of a New Theory. In: Journal of Operations Management, Vol. 9 (2), 1990, S. 365-384.
    - Gudehus, Timm (2010): Logistik. Grundlagen - Strategien - Anwendungen. 4. aktual. Aufl. Springer Verlag. Heidelberg/Berlin 2010.
    - Günther, Hans-Otto/Tempelmeier, Horst (2012): Produktion und Logistik. 9., akt. u. erw. Aufl. Springer Verlag. Berlin/Heidelberg 2012.
    - Hayes, Robert H.; Schmenner, Roger (1978): How Should You Organize Ma-nufacturing?. In: Harvard Business Review, Vol. 56 (1), 1978, S. 105-118.
    - Krafcik, John F. (1988): Triumph of the lean production system. In: Sloan Management Review, Vol. 30 (1), S. 41-52.
    - Maskell, Brian H. (1989a): Performance Measurement for World Class Manu­facturing. Part I. Manufacturing Systems, Vol. 7, 1989, S. 62-64.
    - Pawellek, Günther (2007): Produktionslogistik - Planung - Steuerung - Controlling. Carl Hanser Verlag. München 2007.
    - Nyhuis, Peter (2008): Beiträge zu einer Theorie der Logistik. Springer Verlag. Berlin/Heidelberg 2008.
    - Pfohl, Hans-Christian (2010): Logistiksysteme. Betriebswirtschaftliche Grundlagen. 8., neu bearb. u. aktual. Aufl. Springer Verlag. Berlin/Heidelberg 2010.
    - Schuh, Günther (1988): Gestaltung und Bewertung von Produktvarianten. Ein Beitrag zur systematischen Planung von Serienprodukten. Dissertation. RWTH Aachen 1988.
    - Takeda, Hitoshi (2012): Das synchrone Produktionssystem. Just-in-time für das ganze Unternehmen. 7. Aufl. Verlag Franz Vahlen. München 2012.
    - Ten Hompel, Michael/Sadowsky, Volker/Beck, Maria (2011): Kommissionierung. Materialflusssysteme 2 - Planung und Berechnung der Kommissionierung in der  Logistik. Springer Verlag. Berlin/Heidelberg 2011.
    - Wannenwetsch, Helmut (2007): Integrierte Materialwirtschaft und Logistik. Beschaffung, Logistik, Materialwirtschaft und Produktion.3., akt. Aufl. Springer Verlag. Berlin/Heidelberg 2007.
    - Wiendahl, Hans-Peter/Reichardt, Jürgen/Nyhuis, Peter (2014): Handbuch Fabrikplanung. Konzept, Gestaltung und Umsetzung wandlungsfähiger Produktionsstätten. 2., überarb. u. erw. Aufl. Carl Hanser Verlag. München/Wien 2014.
    - Wildemann, Horst (1997): Fertigungsstrategien - Reorganisation für eine schlanke Produktion und Zulieferung. 3. Aufl. TCW Transfer-Centrum-Verlag. München 1997.
    - Wildemann, Horst (2008): Produktionssysteme. Leitfaden zur methoden-gestützten Reorganisation der Produktion. 6. Aufl. 2008, TCW München.
    - Wildemann, Horst (2009): Logistik Prozeßmanagement. 4. Aufl. TCW Transfer-Centrum-Verlag. München 2009.
    - Zäpfel, Günther (2001): Grundzüge des Produktions- und Logistikmanagement. 2., unwesentlich veränd. Aufl. R. Oldenbourg Verlag. München/Wien 2001.
Lehrveranstaltung L1221: Logistikwirtschaft
Typ Projekt-/problembasierte Lehrveranstaltung
SWS 3
LP 4
Arbeitsaufwand in Stunden Eigenstudium 78, Präsenzstudium 42
Dozenten Dr. Meike Schröder
Sprachen DE
Zeitraum SoSe
Inhalt
  • Erläuterung und Abgrenzung logistischer Grundbegriffe und Darstellung des logistischen Aufgabenfelds sowie Identifikation globaler logistischer Zusammenhänge
  • Akteure: Aufzeigen der verschiedenen Arten von Logistikdienstleistern, Charakterisierung von Dienstleistungen logistischer Unternehmensberatung
  • Strategie: Einfluss von Unternehmensstrategien auf die Logistik
  • Outsourcing: Entscheidungsprozesse, Möglichkeiten und Risiken des Outsourcing von Logistikdienstleistungen
  • Wirtschaftsraum: Logistikmarkt in Deutschland, Bedeutung der Logistik für den Standort Hamburg
  • Forschung: Einführung in aktuelle Forschungsthemen, sowie ergänzende Managementmethoden in der Logistik


Literatur
  • Arnold, D.; Isermann, H.; Kuhn, A.; Tempelmeier, H. (2008): Handbuch Logistik, Berlin: Springer, 2008, ISBN: 3-540-72928-3
  • Ballou, R. H. (2004): Business logistics, supply chain management: planning, organizing, and controlling the supply chain, 5. ed., internat. ed., Upper Saddle River, NJ: Pearson Prentice Hall, 2004, ISBN: 0-13-123010-7
  • Bretzke, W.-R. (2008): Logistische Netzwerke, Springer, Berlin, 2008
  • Gleißner, H.; Femerling, C. (2008): Logistik - Grundlagen, Übungen, Fallbeispiele, Wiesbaden: Gabler, 2008, ISBN: 978-3-8349-0296-2
  • Kersten, W.; Hohrath, P.; Koch, J. (2007): Innovative logistics services : Advantage and Disadvantages of Outsourcing Complex Service Bundles, in: Key Factors for Successful Logistics, Berlin: Erich Schmidt Verlag GmbH & Co. KG, 2007
  • Kersten, W.; Koch, J. (2007): Motive für das Outsourcing komplexer Logistikdienstleistungen, in: Handbuch Kontraktlogistik : Management komplexer Logistikdienstleistungen, Weinheim
  • Schulte, C. (2009): Logistik: Wege zur Optimierung der Supply Chain, 5. überarb. und erw. Aufl., München: Vahlen, 2009, ISBN: 3-8006-3516-X
  • Wildemann, H. (1997): Logistik Prozessmanagement - Organisation und Methoden, München: TCW Transfer‐Centrum Verlag, 1997, ISBN: 3‐931511‐17‐0


Modul M1277: MED I: Einführung in die Anatomie

Lehrveranstaltungen
Titel Typ SWS LP
Einführung in die Anatomie (L0384) Vorlesung 2 3
Modulverantwortlicher Prof. Udo Schumacher
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse

Die Vorlesung kann auch ohne Vorkenntnisse besucht werden. Hilfreich ist das Schulwissen in den Fächern Biologie, Chemie/Biochemie, Physik und Latein.

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

Die Vorlesung gliedert sich in die mikroskopische Anatomie, welche den Feinaufbau von Geweben und Organen beschreibt, sowie die makroskopische Anatomie, welche sich mit Organen und Organsystemen beschäftigt. Zudem erfolgt eine Einführung zur Zellbiologie, menschlichen Entwicklung und zum Zentralnervensystem. Ebenso werden die Grundlagen der bildgebenden radiologischen Diagnostik vermittelt, welche die Anatomie mit Röntgen-Projektionsaufnahmen und Schnittbildern darstellt. Es werden dabei auch die lateinischen Fachbegriffe vermittelt.


Fertigkeiten

Am Ende der Vorlesung können die Studierenden den mikroskopischen und makroskopischen Aufbau und die Funktionsweise des menschlichen Körpers beschreiben. Durch eine Vermittlung der lateinischen Fachbegriffe sind sie in der Lage, medizinische Texte zu verstehen. Dies ist die grundlegende Voraussetzung, um später medizinische Apparate verstehen und weiterentwickeln zu können.

Ebenso ist ein Verständnis der Anatomie die Voraussetzung, um die Bedeutung von Struktur und Funktion bei einigen Volkskrankheiten erläutern und deren Auswirkungen auf den Körper einordnen zu können.


Personale Kompetenzen
Sozialkompetenz

Die Studierenden werden in die Lage versetzt, aktuelle Diskussionen in Forschung und Medizin auf fachlicher Ebene zu verfolgen. Die lateinischen Termini sind die Voraussetzung für eine fachliche Kommunikation mit Ärztinnen und Ärzten.


Selbstständigkeit

Die Vorlesung dient als Einführung in die Anatomie und soll dazu anregen, das Fachwissen auf diesem Gebiet selbstständig weiter zu vertiefen. Es werden Hinweise gegeben, welche weiterführende Literatur dafür geeignet ist. Ebenso wird angeregt, biomedizinische Probleme zu erkennen und zu durchdenken.


Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Leistungspunkte 3
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Mediziningenieurwesen: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Biomechanik: Pflicht
Data Science: Vertiefung II. Anwendung: Wahlpflicht
Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht
Engineering Science: Vertiefung Mediziningenieurwesen: Pflicht
General Engineering Science (7 Semester): Vertiefung Mediziningenieurwesen: Pflicht
Maschinenbau: Vertiefung Biomechanik: Pflicht
Mediziningenieurwesen: Vertiefung Medizin- und Regelungstechnik: Wahlpflicht
Mediziningenieurwesen: Vertiefung Management und Administration: Wahlpflicht
Mediziningenieurwesen: Vertiefung Künstliche Organe und Regenerative Medizin: Wahlpflicht
Mediziningenieurwesen: Vertiefung Implantate und Endoprothesen: Wahlpflicht
Technomathematik: Vertiefung III. Ingenieurwissenschaften: Wahlpflicht
Lehrveranstaltung L0384: Einführung in die Anatomie
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Tobias Lange
Sprachen DE
Zeitraum SoSe
Inhalt

Allgemeine Anatomie

  1.     Woche: Die eukaryote Zelle
  2.     Woche: Die Gewebe
  3.     Woche: Zellteilung, Grundzüge der Entwicklung
  4.     Woche: Bewegungsapparat
  5.     Woche: Herz-Kreislaufsystem
  6.     Woche: Atmungssystem
  7.     Woche: Harnorgane, Geschlechtsorgane
  8.     Woche: Immunsystem
  9.     Woche: Verdauungsapparat I
  10. Woche: Verdauungsapparat II
  11. Woche: Endokrines System
  12. Woche: Nervensystem
  13. Woche: Abschlussprüfung



Literatur

Adolf Faller/Michael Schünke, Der Körper des Menschen, 17. Auflage, Thieme Verlag Stuttgart, 2016

Modul M1278: MED I: Einführung in die Radiologie und Strahlentherapie

Lehrveranstaltungen
Titel Typ SWS LP
Einführung in die Radiologie und Strahlentherapie (L0383) Vorlesung 2 3
Modulverantwortlicher Prof. Ulrich Carl
Zulassungsvoraussetzungen Keine
Empfohlene Vorkenntnisse Keine
Modulziele/ angestrebte Lernergebnisse Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht
Fachkompetenz
Wissen Diagnose

Die Studierenden können die Geräte, die derzeitig in der Strahlentherapie verwendet werden bezüglich ihrer Einsatzgebiete unterscheiden.

Die Studierenden können die Therapieabläufe in der Strahlentherapie erklären. Die Studierenden können die Interdisziplinarität mit anderen Fachgruppen (z. B. Chirurgie/Innere Medizin) nachvollziehen.

Die Studierenden können den Durchlauf der Patienten vom Aufnahmetag bis zur Nachsorge skizzieren.

Diagnostik

Die Studierenden können die technische Basiskonzeption der Projektionsradiographie einschließlich Angiographie und Mammographie sowie der Schnittbildverfahren (CT, MRT, US) darstellen.

Der Student kann den diagnostischen sowie den therapeutisch interventionellen Einsatz der bildgebenden Verfahren erklären sowie das technische Prinzip der bildgebenden Verfahren erläutern.

Patientenbezogen kann der Student in Abhängigkeit von der klinischen Fragestellung das richtige Verfahren auswählen.

Gerätebezogenene technische Fehler sowie bildgebenden Resultate kann der Student erklären.

Basierend auf den bildgebenden Befunden bzw. dem Fehlerprotokoll kann der Student die richtigen Schlussfolgerungen ziehen.

Fertigkeiten Therapie

Der Student kann kurative und palliative Situationen abgrenzen und außerdem begründen, warum er sich für diese Einschätzung der Situation entschieden hat.

Der Student kann Therapiekonzepte entwickeln, die der Situation angemessen sind und dabei strahlenbiologische Aspekte sauber zuordnen.

Der Student kann das therapeutische Prinzip anwenden (Wirkung vs. Nebenwirkung)

Der Student kann die Strahlenarten für die verschiedenen Situationen (Tumorsitz) unterscheiden, auswählen und dann die entsprechende Energie wählen, die in der Situation angezeigt ist (Bestrahlungsplan).

Der Student kann einschätzen, wie ein psychosoziales Hilfsangebot individuell aussehen sollte [ z. B. Anschlussheilbehandlung (AHB), Sport, Sozialhilfegruppen, Selbsthilfegruppen, Sozialdienst, Psychoonkologie]

Diagnostik

Nach entsprechender Fehleranalyse kann der Student Lösungsvorschläge zur Reparatur von bildgebenden Einheiten unterbreiten. Aufgrund seiner Kenntnisse der Anatomie, Pathologie und Pathophysiologie kann er bildgebende Befunde in die zugehörigen Krankheitsgruppen einordnen.

Personale Kompetenzen
Sozialkompetenz Die Studierenden können die besondere soziale Situation vom Tumorpatienten erfassen und ihnen professionell begegnen.

Die Studierenden sind sich dem speziellen häufig angstdominierten Verhalten von kranken Menschen im Rahmen von diagnostischen und therapeutischen Eingriffen bewusst und können darauf angemessen reagieren.

Selbstständigkeit Die Studierenden können erlerntes Wissen und Fertigkeiten auf einen konkreten Therapiefall anwenden.

Die Studierenden können am Ende ihrer Ausbildung jüngere Studierende ihres Fachgebiets an den klinischen Alltag heranführen.

Die Studierenden können in diesem Bereich kompetent eine fachliche Konversation führen und sich das dafür benötigte Wissen selbstständig erarbeiten.

Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Leistungspunkte 3
Studienleistung Keine
Prüfung Klausur
Prüfungsdauer und -umfang 90 Minuten - 20 offene Fragen
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Mediziningenieurwesen: Pflicht
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Biomechanik: Pflicht
Data Science: Vertiefung II. Anwendung: Wahlpflicht
Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht
Engineering Science: Vertiefung Mediziningenieurwesen: Pflicht
General Engineering Science (7 Semester): Vertiefung Mediziningenieurwesen: Pflicht
Maschinenbau: Vertiefung Biomechanik: Pflicht
Mediziningenieurwesen: Vertiefung Medizin- und Regelungstechnik: Wahlpflicht
Mediziningenieurwesen: Vertiefung Management und Administration: Wahlpflicht
Mediziningenieurwesen: Vertiefung Künstliche Organe und Regenerative Medizin: Wahlpflicht
Mediziningenieurwesen: Vertiefung Implantate und Endoprothesen: Wahlpflicht
Technomathematik: Vertiefung III. Ingenieurwissenschaften: Wahlpflicht
Lehrveranstaltung L0383: Einführung in die Radiologie und Strahlentherapie
Typ Vorlesung
SWS 2
LP 3
Arbeitsaufwand in Stunden Eigenstudium 62, Präsenzstudium 28
Dozenten Prof. Ulrich Carl, Prof. Thomas Vestring
Sprachen DE
Zeitraum SoSe
Inhalt

Den Studenten sollen die technischen Möglichkeiten im Bereich der bildgebenden Diagnostik, interventionelle Radiologie und Strahlentherapie/Radioonkologie nahe gebracht werden. Es wird davon ausgegangen, dass der Student zu Beginn der Veranstaltung bestenfalls das Wort "Röntgenstrahlen" gehört hat. Es wird zwischen zwei Armen: - die diagnostische (Prof. Dr. med. Thomas Vestring) und die therapeutische (Prof. Dr. med. Ulrich M. Carl) Anwendung von Röntgenstrahlen differenziert.

Beide Arme sind auf spezielle Großgeräte angewiesen, die einen vorgegebenen Ablauf in den jeweiligen Abteilungen bedingen.

  

Literatur
  • "Technik der medizinischen Radiologie"  von T. + J. Laubenberg –

    7. Auflage – Deutscher Ärzteverlag –  erschienen 1999

  • "Klinische Strahlenbiologie" von Th. Herrmann, M. Baumann und W. Dörr –

    4. Auflage - Verlag Urban & Fischer –  erschienen 02.03.2006

    ISBN: 978-3-437-23960-1

  • "Strahlentherapie und Onkologie für MTA-R" von R. Sauer –

             5. Auflage 2003 - Verlag Urban & Schwarzenberg – erschienen 08.12.2009

             ISBN: 978-3-437-47501-6

  • "Taschenatlas der Physiologie" von S. Silbernagel und A. Despopoulus‑                

    8. Auflage – Georg Thieme Verlag - erschienen 19.09.2012

    ISBN: 978-3-13-567708-8

  • "Der Körper des Menschen " von A. Faller  u. M. Schünke -

    16. Auflage 2004 – Georg Thieme Verlag –  erschienen 18.07.2012

    ISBN: 978-3-13-329716-5

  • „Praxismanual Strahlentherapie“ von Stöver / Feyer –

    1. Auflage - Springer-Verlag GmbH –  erschienen 02.06.2000



Thesis

Modul M1800: Bachelorarbeit 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 ...

  • ... wählen zentrale fachtheoretische Grundlagen ihres Studienfaches (Fakten, Theorien, Methoden) problem- und anwendungsbezogen aus, stellen sie dar und diskutieren sie kritisch.
  • ... erschließen sich, ausgehend von ihrem fachlichen und berufspraktischen Grundlagenwissen, anlassbezogen auch weiterführendes fachliches und berufliches Wissen und verknüpfen beide Wissensbereiche miteinander.
  • ... stellen zu einem ausgewählten Thema bzw. zu einer ausgewählten betrieblichen Problemstellung ihres Faches den aktuellen Forschungsstand dar.
Fertigkeiten

Die dual Studierenden ...

  • ... beurteilen sowohl das am Lernort Universität vermittelte Grundwissen ihres Studienfachs als auch das am Lernort Betrieb vermittelte berufliche Wissen und setzen es zielgerichtet zur Lösung fachlicher und anwendungsbezogener Problem ein.
  • ... analysieren mithilfe der im Studium (inklusive Praxisphasen) erlernten Methoden Frage- und Problemstellungen, treffen sachlich begründete Entscheidungen und entwickeln anwendungsbezogene Lösungen.
  • ... beziehen zu den Ergebnissen ihrer eigenen Forschungsarbeit aus einer fach- und beruflichen Perspektive kritisch Stellung.

     

Personale Kompetenzen
Sozialkompetenz

Die dual Studierenden ...

  • ... stellen eine berufliche Problemstellung in Form einer wissenschaftlichen Fragestellung für ein Fachpublikum sowohl schriftlich als auch mündlich strukturiert, verständlich und sachlich richtig dar.
  • ... gehen in einer Fachdiskussion auf Fragen ein und beantworten diese in adressatengerechter Weise. Dabei vertreten sie eigene Einschätzungen und Standpunkte überzeugend.
Selbstständigkeit

Die dual Studierenden ...

  • ... strukturieren einen umfangreichen Arbeitsprozess zeitlich und bearbeiten eine Fragestellung selbstständig in vorgegebener Frist auf wissenschaftlichem Niveau.
  • ... identifizieren, erschließen und verknüpfen notwendiges Wissen und Material zur Bearbeitung eines wissenschaftlichen und anwendungsbezogenen Problems.
  • ... wenden die wesentlichen Techniken des wissenschaftlichen Arbeitens in einer eigenen Forschungsarbeit zu einer betrieblichen Fragestellung an.
Arbeitsaufwand in Stunden Eigenstudium 360, Präsenzstudium 0
Leistungspunkte 12
Studienleistung Keine
Prüfung Abschlussarbeit
Prüfungsdauer und -umfang laut ASPO
Zuordnung zu folgenden Curricula Allgemeine Ingenieurwissenschaften (7 Semester): Abschlussarbeit: Pflicht
Bau- und Umweltingenieurwesen: Abschlussarbeit: Pflicht
Chemie- und Bioingenieurwesen: Abschlussarbeit: Pflicht
Computer Science: Abschlussarbeit: Pflicht
Data Science: Abschlussarbeit: Pflicht
Elektrotechnik: Abschlussarbeit: Pflicht
Engineering Science: Abschlussarbeit: Pflicht
Green Technologies: Energie, Wasser, Klima: Abschlussarbeit: Pflicht
Informatik-Ingenieurwesen: Abschlussarbeit: Pflicht
Maschinenbau: Abschlussarbeit: Pflicht
Mechatronik: Abschlussarbeit: Pflicht
Schiffbau: Abschlussarbeit: Pflicht
Technomathematik: Abschlussarbeit: Pflicht
Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Abschlussarbeit: Pflicht