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:
- 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.
- 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.
- 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.
- 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.
- 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.
- 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:
Die Absolventinnen und Absolventen können mathematische Aufgabenstellungen aus der Stochastik, der Analysis, der linearen Algebra, und der Numerik mit den erlernten Methoden lösen.
- 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.
- 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.
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.
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
- 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.
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.
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.
Die Absolventinnen und Absolventen können selbstorganisiert und -motiviert über längere Zeiträume zielgerichtet an schwierigen Problemstellungen arbeiten.
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)
- Technischer Ergänzungskurs für DSBS
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 | ||||||||||||
|
Modulverantwortlicher | Prof. Antoine Mottet |
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
|
Fertigkeiten |
Fertigkeiten: Die Studierenden können
|
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 |
Lehrveranstaltung L0164: Diskrete Algebraische Strukturen |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Antoine Mottet |
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. Antoine Mottet |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1436: Prozedurale Programmierung für Informatiker |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
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
|
||||||||
Fertigkeiten |
- Beherrschen der typischen Entwicklungswerkzeuge |
||||||||
Personale Kompetenzen | |||||||||
Sozialkompetenz |
- Die Studierenden sind nach Abschluss des Moduls in der Lage, fachspezifische Aufgaben in einer Kleingruppe zu bearbeiten, Aufgaben zu verteilen 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, |
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 | ||||||||
Leistungspunkte | 6 | ||||||||
Studienleistung |
|
||||||||
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 L2163: Prozedurale Programmierung für Informatiker |
Typ | Vorlesung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
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, |
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. |
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 | ||||||||||||
|
Modulverantwortlicher | Prof. Pierre-Alexandre Murena |
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:
|
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 124, Präsenzstudium 56 |
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 Mechatronik: Vertiefung Dynamische Systeme und AI: Wahlpflicht |
Lehrveranstaltung L2998: Einführung in Data Science |
Typ | Vorlesung |
SWS | 2 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 92, Präsenzstudium 28 |
Dozenten | Prof. Pierre-Alexandre Murena |
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 | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Pierre-Alexandre Murena |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1728: Mathematics I (EN) |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
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 |
|
||||||||
Fertigkeiten |
|
||||||||
Personale Kompetenzen | |||||||||
Sozialkompetenz |
|
||||||||
Selbstständigkeit |
|
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 128, Präsenzstudium 112 | ||||||||
Leistungspunkte | 8 | ||||||||
Studienleistung |
|
||||||||
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
|
Literatur |
|
Lehrveranstaltung L2974: Mathematics I (EN) |
Typ | Hörsaalübung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Anusch Taraz, Dr. Dennis Clemens, Dr. Simon Campese |
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 | ||||||||
|
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 …
|
Fertigkeiten |
Die dual Studierenden …
|
Personale Kompetenzen | |
Sozialkompetenz |
Die dual Studierenden …
|
Selbstständigkeit |
Die dual Studierenden …
|
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
Betriebliches Wissen und betriebliche Fertigkeiten
Lerntransfer/-reflexion
|
Literatur |
|
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 ...
... beschreiben, einordnen sowie auf konkrete Situationen, Projekte und Vorhaben in Ihrem persönlichen und beruflichen Kontext anwenden. |
Fertigkeiten |
Die dual Studierenden ...
|
Personale Kompetenzen | |
Sozialkompetenz |
Die dual Studierenden ...
|
Selbstständigkeit |
Die dual Studierenden ...
|
Arbeitsaufwand in Stunden | Eigenstudium 96, Präsenzstudium 84 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Schriftliche Ausarbeitung |
Prüfungsdauer und -umfang | Studienbegleitende und semesterübergreifende Dokumentation: Die Leistungspunkte für das Modul werden durch die Anfertigung eines digitalen Lern- und Entwicklungsberichtes (E-Portfolio) erworben. Dabei handelt es sich um eine fortlaufende Dokumentation und Reflexion der Lernerfahrungen und der Kompetenzentwicklung im Bereich der Personalen Kompetenz. |
Lehrveranstaltung L2885: Selbstkompetenzen für den beruflichen Erfolg im Ingenieurbereich (duale Studienvariante) |
Typ | Seminar |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Dr. Henning Haschke, Heiko Sieben |
Sprachen | DE |
Zeitraum |
WiSe/ |
Inhalt |
|
Literatur | Seminarapparat |
Lehrveranstaltung L2884: Selbstmanagement, Arbeits- und Lernorganisation im dualen Studium (duale Studienvariante) |
Typ | Seminar |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Dr. Henning Haschke, Heiko Sieben |
Sprachen | DE |
Zeitraum |
WiSe/ |
Inhalt |
|
Literatur | Seminarapparat |
Lehrveranstaltung L2886: Sozialkompetenz: Teamentwicklung und Kommunikation im Ingenieurbereich (duale Studienvariante) |
Typ | Seminar |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Dr. Henning Haschke, Heiko Sieben |
Sprachen | DE |
Zeitraum |
WiSe/ |
Inhalt |
|
Literatur | Seminarapparat |
Modul M0624: Automata Theory and Formal Languages |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
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 |
|
||||||||
Selbstständigkeit |
|
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 | ||||||||
Leistungspunkte | 6 | ||||||||
Studienleistung |
|
||||||||
Prüfung | Klausur | ||||||||
Prüfungsdauer und -umfang | 90 min | ||||||||
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht Computer Science: Kernqualifikation: Pflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Mechatronics: Wahlpflicht Engineering Science: Vertiefung Mechatronics: Wahlpflicht Engineering Science: Vertiefung Data Science: Pflicht 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 |
|
Literatur |
|
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 | ||||||||||||
|
Modulverantwortlicher | Prof. Matthias Schulte |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 120 min |
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Advanced Materials: Wahlpflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht Computer Science: Kernqualifikation: Pflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Advanced Materials: Wahlpflicht Engineering Science: Vertiefung Data Science: Pflicht Engineering Science: Vertiefung Elektrotechnik: Wahlpflicht Engineering Science: Vertiefung Elektrotechnik: Wahlpflicht Informatik-Ingenieurwesen: Kernqualifikation: Pflicht 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 |
|
Literatur |
|
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 | ||||||||||||||||
|
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 |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht Computer Science: Kernqualifikation: Pflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Data Science: 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 |
|
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 |
|
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 |
|
Literatur | Skript |
Modul M1729: Mathematics II (EN) |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
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 |
|
||||||||
Fertigkeiten |
|
||||||||
Personale Kompetenzen | |||||||||
Sozialkompetenz |
|
||||||||
Selbstständigkeit |
|
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 128, Präsenzstudium 112 | ||||||||
Leistungspunkte | 8 | ||||||||
Studienleistung |
|
||||||||
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 |
Analysis:
Linear Algebra:
|
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 | ||||||||||||
|
Modulverantwortlicher | Prof. Christian Lüthje |
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...
|
Fertigkeiten |
Die Studierenden können
|
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden sind in der Lage
|
Selbstständigkeit |
Die Studierenden sind in der Lage
|
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 Chemie- und Bioingenieurwesen: Vertiefung Bioingenieurwesen: Wahlpflicht Chemie- und Bioingenieurwesen: Vertiefung Chemieingenieurwesen: Wahlpflicht Computer Science: Kernqualifikation: Pflicht Data Science: Kernqualifikation: Pflicht Elektrotechnik: Kernqualifikation: Pflicht Green Technologies: Energie, Wasser, Klima: Vertiefung Biotechnologien: Wahlpflicht Green Technologies: Energie, Wasser, Klima: Vertiefung Energiesysteme / Regenerative Energien: Wahlpflicht Green Technologies: Energie, Wasser, Klima: Vertiefung Energietechnik: Wahlpflicht Green Technologies: Energie, Wasser, Klima: Vertiefung Maritime Technologien: Wahlpflicht Green Technologies: Energie, Wasser, Klima: Vertiefung Wassertechnologien: Wahlpflicht Informatik-Ingenieurwesen: Kernqualifikation: Pflicht Integrierte Gebäudetechnik: Kernqualifikation: Pflicht Logistik und Mobilität: Kernqualifikation: Pflicht Maschinenbau: Kernqualifikation: Pflicht Mechatronik: Vertiefung Schiffstechnik: Pflicht Mechatronik: Vertiefung Elektrische Systeme: Pflicht Mechatronik: Vertiefung Dynamische Systeme und AI: Pflicht Mechatronik: Kernqualifikation: Pflicht Mechatronik: Vertiefung Roboter- und Maschinensysteme: Pflicht Mechatronik: Vertiefung Medizintechnik: 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. Christian Lüthje, Katharina Roedelius |
Sprachen | DE |
Zeitraum |
WiSe/ |
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. Christian Lüthje, Prof. Christian Ringle, Prof. Christoph Ihl, Prof. Cornelius Herstatt, Prof. Kathrin Fischer, Prof. Matthias Meyer, Prof. Thomas Wrona, Prof. Thorsten Blecker, Prof. Wolfgang Kersten |
Sprachen | DE |
Zeitraum |
WiSe/ |
Inhalt |
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 | ||||||||
|
Modulverantwortlicher | Dr. Henning Haschke |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden …
|
Fertigkeiten |
Die Studierenden …
|
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden …
|
Selbstständigkeit |
Die Studierenden …
|
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
Betriebliches Wissen und betriebliche Fertigkeiten
Lerntransfer/-reflexion
|
Literatur |
|
Modul M0625: Databases |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Stefan Schulte |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
Students should have basic knowledge in the following areas:
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
After successful completion of the course, students know:
|
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 110, Präsenzstudium 70 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 90 min |
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht Computer Science: Kernqualifikation: Pflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Data Science: Pflicht Engineering Science: Vertiefung Information and Communication Systems: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht Technomathematik: Vertiefung II. Informatik: Wahlpflicht |
Lehrveranstaltung L0337: Databases |
Typ | Vorlesung |
SWS | 3 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 78, Präsenzstudium 42 |
Dozenten | Prof. Stefan Schulte |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L1150: Databases - Exercise |
Typ | Gruppenübung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Stefan Schulte |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
|
Modul M1592: Statistik |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
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 |
|
||||||||
Fertigkeiten |
|
||||||||
Personale Kompetenzen | |||||||||
Sozialkompetenz |
|
||||||||
Selbstständigkeit |
|
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 | ||||||||
Leistungspunkte | 6 | ||||||||
Studienleistung |
|
||||||||
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 Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Advanced Materials: Wahlpflicht Engineering Science: Vertiefung Data Science: Pflicht Engineering Science: Vertiefung Information and Communication Systems: Pflicht Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht Technomathematik: Vertiefung I. Mathematik: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung II. 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 |
|
Literatur |
|
Lehrveranstaltung L3229: Statistik |
Typ | Projekt-/problembasierte Lehrveranstaltung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Prof. Matthias Schulte |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Lehrveranstaltung L2431: Statistik |
Typ | Gruppenübung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, 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 | ||||||||||||
|
Modulverantwortlicher | Prof. Sabine Le Borne |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students are able to
|
Fertigkeiten |
Students are able to
|
Personale Kompetenzen | |
Sozialkompetenz |
Students are able to
|
Selbstständigkeit |
Students are capable
|
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 Data Science: Pflicht Bioverfahrenstechnik: Vertiefung A - Allgemeine Bioverfahrenstechnik: Wahlpflicht Data Science: Kernqualifikation: Pflicht Elektrotechnik: Kernqualifikation: Wahlpflicht Engineering Science: Kernqualifikation: Pflicht Green Technologies: Energie, Wasser, Klima: Vertiefung Energietechnik: Wahlpflicht Informatik-Ingenieurwesen: Kernqualifikation: Pflicht Maschinenbau: Vertiefung Theoretischer Maschinenbau: Pflicht Maschinenbau: Vertiefung Energietechnik: Wahlpflicht Maschinenbau: Vertiefung Mechatronik: 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 |
|
Literatur |
|
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 | ||||||||||||
|
Modulverantwortlicher | Prof. Matthias Mnich | ||||||||
Zulassungsvoraussetzungen | Keine | ||||||||
Empfohlene Vorkenntnisse |
|
||||||||
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht | ||||||||
Fachkompetenz | |||||||||
Wissen |
|
||||||||
Fertigkeiten |
|
||||||||
Personale Kompetenzen | |||||||||
Sozialkompetenz |
|
||||||||
Selbstständigkeit |
|
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 | ||||||||
Leistungspunkte | 6 | ||||||||
Studienleistung |
|
||||||||
Prüfung | Klausur | ||||||||
Prüfungsdauer und -umfang | 90 min | ||||||||
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht Computer Science: Kernqualifikation: Pflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Data Science: Pflicht Engineering Science: Vertiefung Information and Communication Systems: Pflicht Informatik-Ingenieurwesen: Kernqualifikation: Pflicht Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht Technomathematik: Vertiefung II. Informatik: Wahlpflicht Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung II. 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 |
|
Literatur |
|
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 | ||||||||||||||||||||||||||||
|
Modulverantwortlicher | Prof. Marko Lindner |
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 |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
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
|
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
|
Literatur |
|
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 | ||||||||
|
Modulverantwortlicher | Dr. Henning Haschke |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden …
|
Fertigkeiten |
Die Studierenden …
|
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden …
|
Selbstständigkeit |
Die Studierenden …
|
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
Betriebliches Wissen und betriebliche Fertigkeiten
Lerntransfer/-reflexion
|
Literatur |
|
Modul M1595: Maschinelles Lernen I |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
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
|
||||||||
Fertigkeiten |
Die Studierenden können
|
||||||||
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 |
|
||||||||
Prüfung | Klausur | ||||||||
Prüfungsdauer und -umfang | 90 min | ||||||||
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Theoretischer Maschinenbau: Wahlpflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Advanced Materials: Wahlpflicht Engineering Science: Vertiefung Data Science: Pflicht Engineering Science: Vertiefung Maschinenbau: Wahlpflicht Engineering Science: Vertiefung Information and Communication Systems: Pflicht Engineering Science: Vertiefung Mechatronics: Wahlpflicht Engineering Science: Vertiefung Mechanical Engineering and Management: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht Maschinenbau: Vertiefung Theoretischer Maschinenbau: Wahlpflicht Mechatronik: Vertiefung Dynamische Systeme und AI: Pflicht Technomathematik: Vertiefung II. Informatik: Wahlpflicht Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung II. 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 |
|
Literatur |
|
Lehrveranstaltung L2433: Maschinelles Lernen I |
Typ | Gruppenübung |
SWS | 3 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 48, Präsenzstudium 42 |
Dozenten | Prof. Nihat Ay |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1578: Seminare Informatik |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
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
|
Fertigkeiten |
Die Studierenden können
|
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden sind in der Lage,
|
Selbstständigkeit |
Die Studierenden werden die Lage versetzt,
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Referat |
Prüfungsdauer und -umfang | x |
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht Computer Science: Kernqualifikation: Pflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Data Science: Wahlpflicht Engineering Science: Vertiefung Information and Communication Systems: Wahlpflicht 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/ |
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/ |
Inhalt | |
Literatur |
Modul M0672: Signale und Systeme |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
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: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht Data Science: Kernqualifikation: Pflicht Elektrotechnik: Kernqualifikation: Pflicht Informatik-Ingenieurwesen: Kernqualifikation: Pflicht Maschinenbau: Vertiefung Mechatronik: Wahlpflicht 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 |
|
Literatur |
|
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 | ||||||||||||
|
Modulverantwortlicher | Prof. Anusch Taraz |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 120 min |
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Pflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht Computer Science: Kernqualifikation: Pflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Data Science: Wahlpflicht Engineering Science: Vertiefung Information and Communication Systems: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: 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 II. Verkehrsplanung und -systeme: Wahlpflicht Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung II. 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 |
|
Literatur |
|
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 | ||||||||||||
|
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
|
Fertigkeiten |
Sie sind in der Lage
|
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 |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Data Science: Wahlpflicht Mechatronik: Vertiefung Dynamische Systeme und AI: 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 |
|
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 M1753: Praxismodul 4 im dualen Bachelor |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Dr. Henning Haschke |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden …
|
Fertigkeiten |
Die Studierenden …
|
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden …
|
Selbstständigkeit |
Die Studierenden …
|
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
Betriebliches Wissen und betriebliche Fertigkeiten
Lerntransfer/-reflexion
|
Literatur |
|
Modul M0953: Introduction to Information Security |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
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
|
||||||||
Fertigkeiten |
Students can
|
||||||||
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 |
|
||||||||
Prüfung | Klausur | ||||||||
Prüfungsdauer und -umfang | 120 Minuten | ||||||||
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Information and Communication Systems: 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 |
|
Literatur |
Ross Anderson: Security Engineering, Wiley & Sons, 3rd edition, 2020 |
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 | ||||||||||||
|
Modulverantwortlicher | Prof. Nihat Ay | ||||||||
Zulassungsvoraussetzungen | Keine | ||||||||
Empfohlene Vorkenntnisse |
Erfolgreicher Besuch der Vorlesungen:
|
||||||||
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
|
||||||||
Fertigkeiten |
Studierende arbeiten im Team an einem größeren Datenprojekt. Dabei werden die benötigten Fertigkeiten erlernt und praktisch angewandt. Dies sind zum Beispiel
|
||||||||
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 110, Präsenzstudium 70 | ||||||||
Leistungspunkte | 6 | ||||||||
Studienleistung |
|
||||||||
Prüfung | Klausur | ||||||||
Prüfungsdauer und -umfang | 90 min | ||||||||
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Data Science: Wahlpflicht Mechatronik: Vertiefung Dynamische Systeme und AI: Wahlpflicht 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 |
|
Literatur |
|
Lehrveranstaltung L2941: Maschinelles Lernen II |
Typ | Gruppenübung |
SWS | 3 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 48, Präsenzstudium 42 |
Dozenten | Prof. Nihat Ay |
Sprachen | DE/EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1593: Data Mining |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Stefan Schulte | ||||||||
Zulassungsvoraussetzungen | None | ||||||||
Empfohlene Vorkenntnisse |
|
||||||||
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht | ||||||||
Fachkompetenz | |||||||||
Wissen |
After successful completion of the course, students know:
|
||||||||
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 |
|
||||||||
Prüfung | Klausur | ||||||||
Prüfungsdauer und -umfang | 90 min | ||||||||
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Pflicht Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Data Science: Pflicht Logistik und Mobilität: Vertiefung Informationstechnologie: Wahlpflicht Mechatronik: Vertiefung Dynamische Systeme und AI: Wahlpflicht Technomathematik: Vertiefung II. Informatik: Wahlpflicht Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung II. Informationstechnologie: Wahlpflicht |
Lehrveranstaltung L2434: Data Mining |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Stefan Schulte, Dr. Dominik Schallmoser |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
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, Dr. Dominik Schallmoser |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1754: Praxismodul 5 im dualen Bachelor |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Dr. Henning Haschke |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden …
|
Fertigkeiten |
Die Studierenden …
|
Personale Kompetenzen | |
Sozialkompetenz |
Die Studierenden …
|
Selbstständigkeit |
Die Studierenden …
|
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
Betriebliches Wissen und betriebliche Fertigkeiten
Lerntransfer/-reflexion
|
Literatur |
|
Modul M1620: Ethik in der Informationstechnologie |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Maximilian Kiener |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Keine |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Die Studierenden kennen
|
Fertigkeiten |
Die Studierenden können
|
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 | Referat |
Prüfungsdauer und -umfang | - |
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht Computer Science: Vertiefung I. Computer- und Software-Engineering: Wahlpflicht Data Science: Kernqualifikation: Pflicht Engineering Science: Vertiefung Data Science: Wahlpflicht Technomathematik: Vertiefung IV. Fachspezifische Fokussierung: Wahlpflicht |
Lehrveranstaltung L2450: Ethik in der Informationstechnologie |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Maximilian Kiener |
Sprachen | DE/EN |
Zeitraum | SoSe |
Inhalt |
Vorlesung:
Seminar:
|
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 | Prof. Maximilian Kiener |
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 | ||||||||||||
|
Modulverantwortlicher | Prof. Andreas Timm-Giel |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
Basic of Computer Science |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
In this course, 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 and lecture discussions, these basic principles and an introduction to performance modelling are addressed using exercises, homework assignments and labs. This comprises of:
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 120 min |
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht Computer Science: Kernqualifikation: Pflicht Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht Elektrotechnik: Kernqualifikation: Wahlpflicht Engineering Science: Vertiefung Mechatronics: Wahlpflicht Engineering Science: Vertiefung Elektrotechnik: Wahlpflicht Engineering Science: Vertiefung Information and Communication Systems: Pflicht 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 | Dr. Koojana Kuladinithi, Prof. Sibylle Fröschle |
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 physical labs. In the second part of the lecture an introduction to Internet security is given. This class comprises:
|
Literatur |
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 | Dr. Koojana Kuladinithi, Prof. Sibylle Fröschle |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0731: Functional Programming |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
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 |
|
||||||||
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 Engineering Science: Vertiefung Information and Communication Systems: Pflicht 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 |
|
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 |
|
Literatur |
Graham Hutton, Programming in Haskell, Cambridge University Press 2007., 2nd edition 2016. |
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 |
|
Literatur |
Graham Hutton, Programming in Haskell, Cambridge University Press 2007. |
Modul M0941: Kombinatorische Strukturen und Algorithmen |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Anusch Taraz |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Mündliche Prüfung |
Prüfungsdauer und -umfang | 30 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: 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 |
|
Literatur |
|
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 | ||||||||||||||||
|
Modulverantwortlicher | Prof. Gerhard Bauch |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
|
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: Vertiefung I. Mathematik/Informatik: Wahlpflicht Elektrotechnik: Kernqualifikation: Pflicht Engineering Science: Vertiefung Information and Communication Systems: Wahlpflicht Informatik-Ingenieurwesen: Kernqualifikation: Pflicht Mechatronik: Vertiefung Elektrische Systeme: 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 |
|
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 M1615: Einführung in die Datenerfassung und Datenverarbeitung |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
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 |
|
||||||||||||
Prüfung | Klausur | ||||||||||||
Prüfungsdauer und -umfang | 90 min | ||||||||||||
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht Mechatronik: Vertiefung Medizintechnik: Pflicht |
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 |
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, Stochastische Prozesse und Korrelationsmesstechnik, Bayes- und Kalmanfilter, |
Literatur |
Puente León, Kiencke: Messtechnik, Springer 2012 |
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 M0730: Technische Informatik |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
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:
|
||||||||
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 |
|
||||||||
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 Elektrotechnik: Pflicht Computer Science: Kernqualifikation: Pflicht Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht Elektrotechnik: Kernqualifikation: Pflicht Informatik-Ingenieurwesen: Kernqualifikation: Pflicht Mechatronik: 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 |
|
Literatur |
|
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 M1598: Image Processing |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Tobias Knopp |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse | Signal and Systems |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
The students know about
|
Fertigkeiten |
The students can
|
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 | 90 min |
Zuordnung zu folgenden Curricula |
Computer Science: Vertiefung II. Intelligenz-Engineering: Wahlpflicht Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht Data Science: Vertiefung IV. Special Focus Area: Wahlpflicht Data Science: Vertiefung II. Computer Science: Wahlpflicht Elektrotechnik: Vertiefung Nachrichten- und Kommunikationstechnik: Wahlpflicht Elektrotechnik: Vertiefung Medizintechnik: Wahlpflicht Information and Communication Systems: Vertiefung Kommunikationssysteme, Schwerpunkt Signalverarbeitung: Wahlpflicht Information and Communication Systems: Vertiefung Sichere und zuverlässige IT-Systeme, Schwerpunkt Software und Signalverarbeitung : Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Informationstechnologie: Wahlpflicht Mechatronics: Kernqualifikation: Wahlpflicht Microelectronics and Microsystems: Vertiefung Communication and Signal Processing: Wahlpflicht Theoretischer Maschinenbau: Vertiefung Robotik und Informatik: Wahlpflicht |
Lehrveranstaltung L2443: Image Processing |
Typ | Vorlesung |
SWS | 2 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 92, Präsenzstudium 28 |
Dozenten | Prof. Tobias Knopp |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
|
Literatur |
Bredies/Lorenz, Mathematische Bildverarbeitung, Vieweg, 2011 |
Lehrveranstaltung L2444: Image Processing |
Typ | Gruppenübung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Tobias Knopp |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M2046: Introduction to Quantum Computing |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Martin Kliesch | ||||||||
Zulassungsvoraussetzungen | None | ||||||||
Empfohlene Vorkenntnisse |
|
||||||||
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht | ||||||||
Fachkompetenz | |||||||||
Wissen |
Quantum computing is among the most exciting applications of quantum mechanics. Quantum algorithms can efficiently solve computational problems that have a prohibitive runtime on traditional computers. Such problems include, for instance, factoring of integer numbers or energy estimation problems from quantum chemistry and material science. This course provides an introduction to the topic. An emphasis will be put on conceptual and mathematical aspects. |
||||||||
Fertigkeiten |
|
||||||||
Personale Kompetenzen | |||||||||
Sozialkompetenz |
After completing this module, students are expected to be able to work on
subject-specific tasks alone or in a group and to present the results
appropriately. Moreover, students will be trained to identify and defuse misleading statements related to quantum computing, which can often be found in popular media. |
||||||||
Selbstständigkeit |
After completion of this module, students are able to work out
sub-areas of the subject independently using textbooks
and other literature, to summarize and present the acquired knowledge
and to link it to the contents of other courses. |
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 | ||||||||
Leistungspunkte | 6 | ||||||||
Studienleistung |
|
||||||||
Prüfung | Klausur | ||||||||
Prüfungsdauer und -umfang | 120 min | ||||||||
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht Computer Science: Vertiefung II. Mathematik und Ingenieurwissenschaften: Wahlpflicht Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht Engineering Science: Vertiefung Data Science: Wahlpflicht Engineering Science: Vertiefung Information and Communication Systems: Wahlpflicht Engineering Science: Vertiefung Mechatronics: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht Technomathematik: Vertiefung II. Informatik: Wahlpflicht |
Lehrveranstaltung L3109: Introduction to Quantum Computing |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Martin Kliesch |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
Quantum computing is among the most exciting applications of quantum mechanics. Quantum algorithms can efficiently solve computational problems that have a prohibitive runtime on traditional computers. Such problems include, for instance, factoring of integer numbers or energy estimation problems from quantum chemistry and material science. This course provides an introduction to the topic. An emphasis will be put on conceptual and mathematical aspects. |
Literatur |
|
Lehrveranstaltung L3110: Introduction to Quantum Computing |
Typ | Hörsaalübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Martin Kliesch |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0562: Computability and Complexity Theory |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Martin Kliesch | ||||||||
Zulassungsvoraussetzungen | None | ||||||||
Empfohlene Vorkenntnisse | Discrete Algebraic Structures, Automata Theory, Logic, and Formal Language Theory | ||||||||
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht | ||||||||
Fachkompetenz | |||||||||
Wissen |
To goal is this course is to gain some basic understanding of the limits of computation and, in particular, knowledge and understanding of the topics of the associated Lehrveranstaltungen. |
||||||||
Fertigkeiten |
After completing this module, students are able to
|
||||||||
Personale Kompetenzen | |||||||||
Sozialkompetenz |
After completing this module, students are able to work on subject-specific tasks alone or in a group and to present the results appropriately. |
||||||||
Selbstständigkeit |
After completion of this module, students are able to work out sub-areas of the subject area independently on the basis of textbooks and other literature, to summarize and present the acquired knowledge and to link it to the contents of other courses. |
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 | ||||||||
Leistungspunkte | 6 | ||||||||
Studienleistung |
|
||||||||
Prüfung | Klausur | ||||||||
Prüfungsdauer und -umfang | 120 min | ||||||||
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Informatik: Wahlpflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht Computer Science: Kernqualifikation: Pflicht Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht Technomathematik: Vertiefung II. Informatik: Wahlpflicht |
Lehrveranstaltung L0166: Computability and Complexity Theory |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Martin Kliesch |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
Michael Sipser, Introduction to the Theory of Computation |
Lehrveranstaltung L0167: Computability and Complexity Theory |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Martin Kliesch |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M0715: Solvers for Sparse Linear Systems |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Sabine Le Borne |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse |
|
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Students can
|
Fertigkeiten |
Students are able to
|
Personale Kompetenzen | |
Sozialkompetenz |
Students are able to
|
Selbstständigkeit |
Students are capable
|
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 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 |
|
Literatur |
|
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 | ||||||||||||||||||||||||||||
|
Modulverantwortlicher | Prof. Marko Lindner |
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 |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
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: Vertiefung I. Mathematik/Informatik: Wahlpflicht Engineering Science: Vertiefung Advanced Materials: Pflicht Engineering Science: Vertiefung Mechatronics: Pflicht Engineering Science: Vertiefung Mediziningenieurwesen: Pflicht Engineering Science: Vertiefung Elektrotechnik: Pflicht Engineering Science: Vertiefung Information and Communication Systems: Pflicht Engineering Science: Vertiefung Mechanical Engineering and Management: 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
|
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
|
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 | ||||||||||||
|
Modulverantwortlicher | Prof. Sibylle Schupp | ||||||||
Zulassungsvoraussetzungen | None | ||||||||
Empfohlene Vorkenntnisse |
|
||||||||
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht | ||||||||
Fachkompetenz | |||||||||
Wissen |
Students explain the 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 |
|
||||||||
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 Engineering Science: Vertiefung Information and Communication Systems: 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 |
|
Literatur |
Ravi Sethi, Software Engineering. Basic Principles and Best Practices. Cambridge University Press 2022. 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 |
Modul M1922: Technischer Ergänzungskurs für DSBS (laut FSPO) |
||||
Lehrveranstaltungen | ||||
|
Modulverantwortlicher | Prof. Tobias Knopp |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse |
Siehe gewähltes Modul laut FSPO |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
Siehe gewähltes Modul laut FSPO |
Fertigkeiten |
Siehe gewähltes Modul laut FSPO |
Personale Kompetenzen | |
Sozialkompetenz |
Siehe gewähltes Modul laut FSPO |
Selbstständigkeit |
Siehe gewähltes Modul laut FSPO |
Arbeitsaufwand in Stunden | Abhängig von der Wahl der Lehrveranstaltungen |
Leistungspunkte | 6 |
Zuordnung zu folgenden Curricula |
Data Science: Vertiefung I. Mathematik/Informatik: Wahlpflicht |
Modul M1977: Logic in Computer Science |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Antoine Mottet |
Zulassungsvoraussetzungen | None |
Empfohlene Vorkenntnisse | Automata theory and formal languages |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen |
The students know:
|
Fertigkeiten | Students are able to employ the language of logic to formalize specifications of information systems. |
Personale Kompetenzen | |
Sozialkompetenz |
Students are able to solve specific problems alone or in a group and to present the results accordingly. |
Selbstständigkeit |
Students are able to acquire new knowledge from specific standard books and to associate the acquired knowledge to other classes. |
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: Vertiefung I. Mathematik/Informatik: Wahlpflicht Informatik-Ingenieurwesen: Vertiefung I. Informatik: Wahlpflicht Technomathematik: Vertiefung II. Informatik: Wahlpflicht |
Lehrveranstaltung L3225: Logic in Computer Science |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Antoine Mottet |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt |
This course will cover some topics from mathematical logic that are relevant for computer scientists. These topics include for example:
|
Literatur |
|
Lehrveranstaltung L3232: Logic in Computer Science |
Typ | Gruppenübung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Antoine Mottet |
Sprachen | EN |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Fachmodule der Vertiefung II. Anwendung
Modul M0933: Grundlagen der Werkstoffwissenschaften |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
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 Green Technologies: Energie, Wasser, Klima: Vertiefung Energietechnik: Wahlpflicht Green Technologies: Energie, Wasser, Klima: Vertiefung Maritime Technologien: 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 II. 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 | WiSe |
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 |
|
Literatur |
Für den Elektromagnetismus:
Für die Atomphysik:
Für die Materialphysik und Elastizität:
|
Modul M1802: Technische Mechanik I (Stereostatik) |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
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
|
Fertigkeiten |
Die Studierenden können
|
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 96, Präsenzstudium 84 |
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 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 | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Benedikt Kriegesmann |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt |
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 | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Benedikt Kriegesmann |
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 | Prof. Benedikt Kriegesmann |
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 | ||||||||||||
|
Modulverantwortlicher | Prof. Timm Faulwasser |
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 |
|
Fertigkeiten |
|
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: Vertiefung II. Anwendung: Wahlpflicht Elektrotechnik: Kernqualifikation: Pflicht Green Technologies: Energie, Wasser, Klima: Kernqualifikation: Pflicht Informatik-Ingenieurwesen: Kernqualifikation: Pflicht 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 II. Informationstechnologie: Wahlpflicht Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung II. Verkehrsplanung und -systeme: Wahlpflicht Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung II. Produktionsmanagement und Prozesse: Wahlpflicht |
Lehrveranstaltung L0654: Grundlagen der Regelungstechnik |
Typ | Vorlesung |
SWS | 2 |
LP | 4 |
Arbeitsaufwand in Stunden | Eigenstudium 92, Präsenzstudium 28 |
Dozenten | Prof. Timm Faulwasser |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt |
Signale und Systeme
Regelkreise
Wurzelortskurven
Frequenzgang-Verfahren
Totzeitsysteme
Digitale Regelung
Software-Werkzeuge
|
Literatur |
|
Lehrveranstaltung L0655: Grundlagen der Regelungstechnik |
Typ | Gruppenübung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Timm Faulwasser |
Sprachen | DE |
Zeitraum | WiSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1807: Machine Learning for Physical Systems |
||||||||||||
Lehrveranstaltungen | ||||||||||||
|
Modulverantwortlicher | Prof. Roland Can Aydin | ||||||||
Zulassungsvoraussetzungen | None | ||||||||
Empfohlene Vorkenntnisse |
No prior knowledge in machine learning or Python programming is strictly required, although it would be beneficial to have had some degree of experience in one of the standard ML libraries in Python (e.g., PyTorch, Keras, or TF). |
||||||||
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht | ||||||||
Fachkompetenz | |||||||||
Wissen |
In this module, students will explore the integration of machine learning techniques with physical systems. The course covers a wide array of topics, demonstrating how machine learning methodologies can be applied not only in non-physical domains but specifically tailored for physical systems. Key areas of study include:
Complementing the lectures, the associated exercise sessions will use various Python libraries such as Sklearn and Pytorch, typically within Jupyter notebooks. These practical sessions are designed to reinforce the concepts discussed in the lectures, with a reciprocal relationship between the theoretical and practical aspects of the course. This course is designed for those looking to understand and apply machine learning in the realm of physical systems, bridging the gap between abstract algorithms and real-world physical phenomena. |
||||||||
Fertigkeiten | The students will be able to competently evaluate suitable machine learning methods for a given problem involving physical systems, understanding the advantages and disadvantages of each approach. They will be able to do so both for standard machine learning tools and methods as well as for specialised models. | ||||||||
Personale Kompetenzen | |||||||||
Sozialkompetenz |
The students will be able to reason for and against solutions for complex problems involving physical systems and to present their conclusions on how to incorporate their domain knowledge to facilitate the choice, design, training, and validation of an appropriate machine learning algorithm. |
||||||||
Selbstständigkeit |
The students will be able to develop solutions for complex problems involving physical systems and to incorporate their domain knowledge to facilitate the choice, design, training, and validation of an appropriate machine learning algorithm. |
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 124, Präsenzstudium 56 | ||||||||
Leistungspunkte | 6 | ||||||||
Studienleistung |
|
||||||||
Prüfung | Klausur | ||||||||
Prüfungsdauer und -umfang | 75 min | ||||||||
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Theoretischer Maschinenbau: Wahlpflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Data Science: Wahlpflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Advanced Materials: Pflicht Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Mechatronik: Wahlpflicht Data Science: Vertiefung IV. Special Focus Area: Wahlpflicht Data Science: Vertiefung III. Applications: Wahlpflicht Data Science: Vertiefung II. Anwendung: Wahlpflicht Engineering Science: Vertiefung Advanced Materials: Pflicht Engineering Science: Vertiefung Data Science: Wahlpflicht Luftfahrttechnik: Kernqualifikation: Wahlpflicht Mechatronik: Vertiefung Roboter- und Maschinensysteme: Wahlpflicht Mechatronik: Vertiefung Dynamische Systeme und AI: Wahlpflicht |
Lehrveranstaltung L2987: Machine Learning for Physical Systems |
Typ | Vorlesung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Roland Can Aydin |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
Introduction into various approaches and methods for using Machine Learning in conjunction with physical systems. |
Literatur | Relevante Literatur basiert vor allem auf wissenschaftlichen Veröffentlichungen (statt Lehrbüchern), die jeweiligen Referenzen werden in der Vorlesung genannt. |
Lehrveranstaltung L2988: Machine Learning for Physical Systems |
Typ | Projekt-/problembasierte Lehrveranstaltung |
SWS | 2 |
LP | 3 |
Arbeitsaufwand in Stunden | Eigenstudium 62, Präsenzstudium 28 |
Dozenten | Prof. Roland Can Aydin |
Sprachen | EN |
Zeitraum | WiSe |
Inhalt |
The exercise (PBL) demonstrates the methods introduced in the lecture on different example applications, focusing on gaining practical hands-on proficiency. By submitting correctly solved homework assignments, points can be earned for the module examination. Topics include: - Data pre- and postprocessing - Decision-trees and random forests - Convolutional Neural Networks (CNNs) - Physics-informed Neural Networks (PINNs) - Feature selection and feature engineering - Neural architecture search (NAS) and hyperparameter tuning - Constitutive artificial neural networks (CANNs) - Synthetic data - Multimodal and ensemble learning - Optimal experimental design (active learning) - Transformer-based architectures (such as Large Language Models) as applicable for physical systems - Process-structure-properties machine learning pipelines |
Literatur | Keine über die in der Vorlesung genannten Referenzen herausgehende Literatur ist notwendig. |
Modul M0634: Einführung in Medizintechnische Systeme |
||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||
|
Modulverantwortlicher | Prof. Alexander Schlaefer | ||||||||||||
Zulassungsvoraussetzungen | Keine | ||||||||||||
Empfohlene Vorkenntnisse |
Grundlagen Mathematik (Algebra, Analysis) |
||||||||||||
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. |
||||||||||||
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 |
|
||||||||||||
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 Elektrotechnik: Kernqualifikation: Wahlpflicht Engineering Science: Vertiefung Mediziningenieurwesen: Pflicht General Engineering Science (7 Semester): Vertiefung Mediziningenieurwesen: Pflicht Informatik-Ingenieurwesen: Vertiefung II. Mathematik & Ingenieurwissenschaften: Wahlpflicht Internationales Wirtschaftsingenieurwesen: Vertiefung II. Medizintechnik: Wahlpflicht Mechatronik: Vertiefung Medizintechnik: Pflicht 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 |
Literatur |
Bernhard Priem, "Visual Computing for Medicine", 2014 |
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 | ||||||||||||
|
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 |
|
Fertigkeiten |
|
Personale Kompetenzen | |
Sozialkompetenz |
|
Selbstständigkeit |
|
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 |
|
Literatur |
|
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 | ||||||||||||
|
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
|
||||||||
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, |
||||||||
Arbeitsaufwand in Stunden | Eigenstudium 110, Präsenzstudium 70 | ||||||||
Leistungspunkte | 6 | ||||||||
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 |
|
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 |
|
Literatur |
|
Modul M0767: Luftfahrtsysteme |
||||||||||||||||||||
Lehrveranstaltungen | ||||||||||||||||||||
|
Modulverantwortlicher | Prof. Frank Thielecke |
Zulassungsvoraussetzungen | Keine |
Empfohlene Vorkenntnisse | Grundkenntnisse in Mathematik, Mechanik und Thermodynamik |
Modulziele/ angestrebte Lernergebnisse | Nach erfolgreicher Teilnahme haben die Studierenden die folgenden Lernergebnisse erreicht |
Fachkompetenz | |
Wissen | Studierende erhalten ein Grundverständnis zum Aufbau und zur Auslegung eines Flugzeuges sowie einen Überblick über die Systeme im Flugzeug. Zusätzlich wird Grundwissen über die Zusammenhänge, wesentlichen Kenngrößen, Rollen und Arbeitsweisen der verschiedenen Teilsysteme im Lufttransport erworben. |
Fertigkeiten |
Studierende können aufgund des erlernten systemübergreifenden Denkens ein vertieftes Verständnis unterschiedlicher Systemkonzepte und deren systemtechnischer Umsetzung erlangen. Zudem können sie die erlernten Methoden zur Auslegung und Bewertung von Teilsystemen des Lufttransportsystems im Kontext des Gesamtsystems anwenden. |
Personale Kompetenzen | |
Sozialkompetenz | Studierende sind für interdiszipinäre Kommunikation in Gruppen sensibilisiert. |
Selbstständigkeit |
Studierende sind fähig eigenständig unterschiedliche Systemkonzepte und deren systemtechnische Umsetzung zu analysieren sowie systemorientiert zu denken. |
Arbeitsaufwand in Stunden | Eigenstudium 96, Präsenzstudium 84 |
Leistungspunkte | 6 |
Studienleistung | Keine |
Prüfung | Klausur |
Prüfungsdauer und -umfang | 150 min |
Zuordnung zu folgenden Curricula |
Allgemeine Ingenieurwissenschaften (7 Semester): Vertiefung Maschinenbau, Schwerpunkt Flugzeug-Systemtechnik: Pflicht Data Science: Vertiefung II. Anwendung: Wahlpflicht Logistik und Mobilität: Vertiefung Verkehrsplanung und -systeme: Wahlpflicht Maschinenbau: Vertiefung Flugzeug-Systemtechnik: Pflicht Wirtschaftsingenieurwesen - Fachrichtung Logistik und Mobilität: Vertiefung II. Verkehrsplanung und -systeme: Wahlpflicht |
Lehrveranstaltung L0741: Grundlagen der Flugzeugsysteme |
Typ | Vorlesung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Frank Thielecke |
Sprachen | DE |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0742: Grundlagen der Flugzeugsysteme |
Typ | Gruppenübung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Prof. Frank Thielecke |
Sprachen | DE |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Lehrveranstaltung L0591: Lufttransportsysteme |
Typ | Vorlesung |
SWS | 2 |
LP | 2 |
Arbeitsaufwand in Stunden | Eigenstudium 32, Präsenzstudium 28 |
Dozenten | Prof. Volker Gollnick |
Sprachen | DE |
Zeitraum | SoSe |
Inhalt |
|
Literatur |
|
Lehrveranstaltung L0816: Lufttransportsysteme |
Typ | Hörsaalübung |
SWS | 1 |
LP | 1 |
Arbeitsaufwand in Stunden | Eigenstudium 16, Präsenzstudium 14 |
Dozenten | Prof. Volker Gollnick |
Sprachen | DE |
Zeitraum | SoSe |
Inhalt | Siehe korrespondierende Vorlesung |
Literatur | Siehe korrespondierende Vorlesung |
Modul M1277: MED I: Einführung in die Anatomie |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Michael Morlock |
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 Mechatronik: Vertiefung Medizintechnik: 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 | Dr. Thorsten Frenzel |
Sprachen | DE |
Zeitraum | SoSe |
Inhalt |
Allgemeine Anatomie
|
Literatur |
Adolf Faller/Michael Schünke, Der Körper des Menschen, 18. Auflage, Thieme Verlag Stuttgart, 2020, 704 Seiten, ISBN 978-3-13-243820-0 |
Modul M1278: MED I: Einführung in die Radiologie und Strahlentherapie |
||||||||
Lehrveranstaltungen | ||||||||
|
Modulverantwortlicher | Prof. Michael Morlock |
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 Mechatronik: Vertiefung Medizintechnik: 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 | Dr. Thorsten Frenzel |
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 |
|
Thesis
Modul M1800: Bachelorarbeit im dualen Studium |
||||
Lehrveranstaltungen | ||||
|
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 ...
|
Fertigkeiten |
Die dual Studierenden ...
|
Personale Kompetenzen | |
Sozialkompetenz |
Die dual Studierenden ...
|
Selbstständigkeit |
Die dual Studierenden ...
|
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 |