Modulhandbuch Master Ingenieurinformatik

Transkript

1 Modulhandbuch Master Ingenieurinformatik tudienordnungsversion: 2009 Erstellt am: Mittwoch 25 November 2015 aus der O Datenbank der TU Ilmenau

2 Inhaltsverzeichnis Name des Moduls/Fachs 1.F 2.F 3.F 4.F 5.F 6.F 7.F Abschluss L Fachnr. flichtfächer F 12 Dynamische rozessoptimierung L 30min Komplexe eingebettete ysteme L 90min Informationstheorie und Codierung L 30min Kognitive Technische ysteme F 20 Kognitive Robotik L 120min Kognitive ysteme / Robotik L Lernen in kognitiven ystemen L D-Bildverarbeitung L 120min Erfassung und erarbeitung von 3D-Daten L Bildanalyse für 3D-Oberflächen- und olumendaten L Knowledge Engineering L 120min Data Mining L Evolutionäre erfahren L Inferenzmethoden L Objektorientierte Modellierung L 90min Robotvision & MMI L Mensch-Maschine-Interaktion L Robotvision L oftwarearchitekturen - von Requirements zum angepassten Entwurf L ystemtechnik für die Bildverarbeitung L 60min Bilderfassungssysteme L Komponenten von Bildaufnahmeeinheiten L Multimediale Informations- und Kommunikationssysteme F 20 Advanced Networking Technologies L 20min Distributed Data Management L 30min lanung und erwaltung von Kommunikationsnetzen L 20min rotokolle und Dienste der Mobilkommunikation L 30min chutz von Kommunikationsinfrastrukturen L 20min Advanced Mobile Communication Networks L Cellular Communication ystems L

3 Interaktive Grafiksysteme L 120min Computergrafik L Interaktive Computergrafiksysteme / irtuelle Realität L Network ecurity L 20min Netzalgorithmen L 20min Transaktionale Informationssysteme L erteilte Echtzeitsysteme L 20min Medizintechnik F 20 Biomedizinische Technik L Biosignalverarbeitung L Biomedizinische Mess- und Therapietechnik L Designprojekt L Klinische erfahren L 120min Klinische erfahren L Klinische erfahren L Medizinische Informatik L raktikum BMT L Technische Kybernetik - ystemtechnik F 20 Kommunikations- und Bussysteme L 30min Nichtlineare Regelungssysteme L 30min rozessdynamik L 30min Wissensermittlung L 30min Automatisierungstechnik L 30min Diagnose- und orhersagesysteme L 30min Fuzzy- and Neuro Control L 30min Hierarchische teuerungssysteme L 30min Labor T L Nichtlineare Regelungssysteme L 30min tabilität schaltender ysteme L 30min Mobilfunk F 20 Adaptive and Array ignal rocessing L 120min Antennen L 30min Digitale Messdatenverarbeitung L 30min

4 Funknavigation L 30min Mobile Communications L 120min Ultrabreitband-ensorik L 30min Digitale Messdatenverarbeitung L 30min Funksysteme L 30min Implementation of Broadcasting ystems L 30min Messsysteme der Informations- und Kommunikationstechnik L 30min Integrierte Hard- und oftwaresysteme F 20 rogrammierbare Logikbausteine L 30min Rechnergestützte chaltungssimulation und deren Algorithmen (EDA) L 30min Advanced Mobile Communication Networks L Fortgeschrittene Modellierung und Rechnerarchitekturen L Einchipcontroller und Digitale ignalprozessoren L pezielle und Innovative Rechnerarchitekturen L Technische Applikation von etri-netzen L Leistungsbewertung Technischer ysteme L pezielle Aspekte Integrierter Hard- und oftwaresysteme L rojektseminar zum Hauptfach MO 6 rojektseminar zum Hauptfach L Hauptseminar MO 2 Hauptseminar L Master-Arbeit mit Kolloquium F 30 Kolloquium zur Master-Arbeit L 30min Masterarbeit MA

5 Modul: flichtfächer Dynamische rozessoptimierung Fachabschluss: rüfungsleistung mündlich 30 min prache: Deutsch Fachnummer: 8195 Fachverantwortlich: rof. Dr. u Li W nach Lernergebnisse / Kompetenzen Die tudierenden können rüfungsnummer: Turnus:ommersemester 1.F 2.F 3.F 4.F 5.F 6.F 7.F die Grundlagen, roblemstellungen und Methoden der dynamischen rozessoptimierung klassifizieren, Methoden und Werkzeuge anwenden, unterschiedliche roblemstellungen und mathematische Herleitungen analysieren und generieren optimale teuerungen berechnen sowie Anwendungsfälle für industrielle rozesse analysieren, entwickeln und bewerten orkenntnisse Grundlagen der Mathematik, hysik, Elektrotechnik; Regelungs- und ystemtechnik Inhalt Indirekte erfahren - ariationsverfahren, Optimalitätsbedingungen - Das Maximum-rinzip - Dynamische rogrammierung - Riccati-Optimal-Regler Direkte erfahren - Methoden zur Diskretisierung, Orthogonale Kollokation - Lösung mit nichtlinearen rogrammierungsverfahren - imultane und equentielle erfahren Anwendungsbeispiele - rozesse in der Luft- und Raumfahrtindustrie - rozesse in der Chemieindustrie - rozesse in der Wasserbewirtschaftung Medienformen räsentation, orlesungsskript, Tafelanschrieb Literatur flichtkennz.: flichtfach Art der Notengebung: Gestufte Noten Leistungspunkte: 4 Workload (h): 120 Anteil elbststudium (h): 86 W: 3.0 Fakultät für Informatik und Automatisierung Fachgebiet: D. G. Luenberger. Introduction to Dynamic ystems. Wiley A. C. Chiang. Elements of Dynamic Optimization. McGraw-Hill D.. Bertsekas. Dynamic rogramming and tochastic Control. Academic ress R. F. tengel. Optimal Control and Estimation. Dover ublications J. Macki. Introduction to Optimal Control Theory. pringer D. G. Hull. Optimal Control Theory for Applications. pringer eite 5 von 157

6 1) Mündliche rüfung, 30 min. und 2) Testat für durchzuführendes raktikum verwendet in folgenden tudiengängen Master Ingenieurinformatik 2014 Master Mechatronik 2014 Master Technische Kybernetik und ystemtheorie 2014 Master Electrical ower and Control Engineering 2013 Master Mechatronik 2008 Master Research in Computer & ystems Engineering 2009 Master Wirtschaftsingenieurwesen 2015 ertiefung AT Master Elektrotechnik und Informationstechnik 2014 ertiefung AT Master Wirtschaftsingenieurwesen 2013 ertiefung AT Master Wirtschaftsingenieurwesen 2014 ertiefung AT eite 6 von 157

7 ACHTUNG: Fach wird nicht mehr angeboten! Modul: flichtfächer Komplexe eingebettete ysteme Fachabschluss: rüfungsleistung schriftlich 90 min Art der Notengebung: Gestufte Noten prache: Deutsch flichtkennz.: flichtfach Turnus:ommersemester Fachnummer: 8191 rüfungsnummer: Fachverantwortlich: rof. Dr. Armin Zimmermann Leistungspunkte: 4 Workload (h): 120 Anteil elbststudium (h): 86 W: 3.0 Fakultät für Informatik und Automatisierung Fachgebiet: W nach Lernergebnisse / Kompetenzen 1.F 2.F 3.F 4.F 5.F 6.F 7.F Fachkompetenz: Die tudierenden verstehen detailliert Aufbau und Funktionsweise von komplexen eingebetteten Rechnersystemen. Die tudenten verstehen die in eingebetteten ystemen zu beachtenden Echtzeit-, Kommunikations- und softwaretechnischen Aspekte. Die tudierenden sind fähig, icherheit, Zuverlässigkeit und Leistungsverbrauch beim Entwurf zu berücksichtigen. Die tudenten haben Kenntnisse in der Entwurfsdomäne Automotive. Methodenkompetenz: Die tudierenden sind in der Lage, Methoden des ystementwurfs, des modellbasierten Entwurfs und des Hardware-oftware- Codesigns auf konkrete roblemstellungen anzuwenden. Die tudierenden sind in der Lage, verschiedene Methoden für unterschiedliche Anwendungsgebiete zu bewerten. ystemkompetenz: Die tudierenden entwerfen und validieren auszugsweise komplexe eingebettete Rechnersysteme für konkrete Einsatzszenarien. ozialkompetenz: Die tudierenden sind in der Lage, praktische roblemstellungen des Entwurfs in der Gruppe zu lösen. orkenntnisse Bachelor in Conputer cience or related subjects BsC im tudiengang Ingenieurinformatik bzw. weitgehend äquivalentem tudiengang Inhalt 1. Introduction, Motivation 2. Aspects of ystem Design 3. Model-Based Design 4. Real-Time ystems 5. cheduling 6. afety and Reliability 7. oftware Design for Embedded ystems 8. Hardware-oftware-Codesign 9. Computer Architecture of Embedded ystems 10. Communication ystems 11. Energy Consumption 12. Automotive Embedded ystems 13. Design projects in different application areas (Ü+) Medienformen orlesung: Folien (Beamer erforderlich), Arbeitsblätter (Online und Copyshop) Übung: Arbeitsblätter und Entwurfsproblembeschreibung (Online und Copyshop) Design-Tools (C-ool notwendig) Allgemein: Webseite (Materialsammlung und weiterführende Infos) Literatur Are publicized on the web site and in the lecture rimär: Eigenes Material (Online und Copyshop) ekundär: Empfehlungen in der orlesung Allgemein: Webseite (dort auch gelegentlich aktualisierte Literaturhinweise und Online-Quellen). uccessful completuion and grading is based on - 70% written exam (90 min) 2236 eite 7 von 157

8 - 30 % individual talks by students verwendet in folgenden tudiengängen Master Informatik 2009 Master Research in Computer & ystems Engineering 2009 eite 8 von 157

9 Modul: flichtfächer Informationstheorie und Codierung Fachabschluss: rüfungsleistung mündlich 30 min prache: Deutsch Fachnummer: 1378 Fachverantwortlich: rof. Dr. Jochen eitz W nach Lernergebnisse / Kompetenzen orkenntnisse Inhalt rüfungsnummer: flichtkennz.: flichtfach Art der Notengebung: Gestufte Noten Turnus:Wintersemester Leistungspunkte: 4 Workload (h): 120 Anteil elbststudium (h): 86 W: 3.0 Fakultät für Elektrotechnik und Informationstechnik Fachgebiet: 1.F 2.F 3.F 4.F 5.F 6.F 7.F Die tudierenden kennen informationstheoretische Beschreibung und Kenngrößen der Quellenmodelle, des Übertragungskanals, von Leitungscodierungen. ie verstehen Optimalcodierungen, fehlerkorrigierende Codierungsverfahren, Grundlagen der Chiffrierung und Anwendungen der Codierungstheorie in orthogonalen Multiplexverfahren. Die tudierenden sind in der Lage, Codes hinsichtlich Redundanz, törsicherheit und Chiffrierung zu bewerten und zu synthetisieren. ie können die Effizienz der Redundanzreduktion für bekannte tandardverfahren in modernen Informationsübertragungssystemen (leitungsgebunden und drahtlos) analysieren und grundlegende erfahren der Optimalcodierung in Anwendungen synthetisieren. Die tudierenden erwerben die Fähigkeit, neue erfahren der Codierungstechnik zu verstehen, zu bewerten und zu synthetisieren. flichtfächer in den emestern 1-4, Warscheinlichkeitsrechnung, ausgewählte Methoden der Algebra 2115 Nachrichtenübertragungsmodell, ignalquellen, informationstheoretische Beschreibung, Entropie. Quellencodierung, Redundanzminderung nach Fano und Huffman, Codierung von Markoff-rozessen. Redundanzminderung durch Transformation, elektion und Quantisierung (Golomb, Rice, Arithmetische Codierung) Übertragungskanal, informationstheoretische Beschreibung, ignal/rausch-erhältnis und Fehlerwahrscheinlichkeit Informationstheoretische Modellierung des Übertragungskanals, Informationsfluss und Kanalkapazität Leitungscodierungen mit Beispielen Fehlerkorrigierende Codierung (Kanalcodierung), Grundlagen, Fehlererkennung, Fehlerkorrektur, Restfehlerrate Hamming-Codes, Linearcodes, zyklische Codes, Technische Realisierung Burstfehlerkorrektur. Faltungscodierung und iterbi- Algorithmus Galoisfeld, BCH-Codes, R-Codes, Turbo-Codes. Chiffrierung, symmetrische u. asymmetrische erfahren Orthogonalcodes (CDMA). Medienformen Folienpräsentation über Beamer, Übungsaufgaben, Tafelanschrieb, Literaturverweise. Literatur Rohling, H.: Einführung in die Informations- und Codierungstheorie, Teubner-erlag, 1995, IBN eite 9 von 157

10 Bossert, M.: Kanalcodierung, Teubner-erlag, 1998, IBN Kubas, Chr.: Informations- und Kodierungstheorie, 4. Lehrbuch, Dresden, 1992, IBN chönfeld, D.; Klimant, H.; iotraschke, R.: Informations- und Codierungstheorie, 4. Auflage, pringer/ieweg, 2012, IBN trutz, T.: Bilddatenkompression, ieweg-erlag, 2005, IBN Finger, A.: Digitale ignalstrukturen in der Informationstechnik, Oldenbourg Wissenschaftsverlag, 1985, IBN Wobst; R.: Abenteuer Kryptologie - Methoden, Risiken und Nutzen der Datenverschlüsselung, Addison-Wesley, 2001, IBN Fey,.: Informationstheorie, 3. Auflage, Akademie-erlag, 1968, AIN B004IK2XTE. alenti, M. C.: Iterative Detection and Decoding for Wireless Communications, Dissertation, 1999, Blacksburg, irginia. Golomb,.W.: Run-length-Encodings, IEEE Trans. on Information Theory, ol. 12, Issue 3, July 1966, pp Im Rahmen des eminars können selbständig zu bearbeitende rojekte vergeben werden, die dem jeweiligen emester angepasste Themen beinhalten und dann mit bis zu 20% in die rüfungsnote eingehen, sofern die reguläre rüfung als bestanden gilt. Die entsprechenden Rahmenbedingungen werden zur ersten Lehrveranstaltung im emester bekanntgegeben. Zudem wird in der ersten Lehrveranstaltung geklärt, ob die reguläre rüfung schriftlich oder mündlich erfolgt. verwendet in folgenden tudiengängen Master Ingenieurinformatik 2014 Bachelor Medientechnologie 2013 Bachelor Elektrotechnik und Informationstechnik 2008 Master Optische ystemtechnik/optronik 2014 Bachelor Elektrotechnik und Informationstechnik 2013 Master Optronik 2010 Master Optronik 2008 eite 10 von 157

11 Modul: Kognitive Technische ysteme Modulnummer: 8335 Modulverantwortlich: rof. Dr. Horst-Michael Groß Modulabschluss: Fachprüfung/Modulprüfung generiert Lernergebnisse Fachkompetenz: Die tudierenden verstehen Aufbau und Funktionsweise kognitiver technischer ysteme und ihrer Teilkomponenten aus der kognitiven Robotik, der Bildverarbeitung und der erforderlichen rozessmodellierung. Die tudierenden kennen Lernparadigmen, verschiedenen Arten von technischen ehsystemen bis hin zu Lösungsansätzen zur multimedialen Mensch-Maschine-Kommunikation. Methodenkompetenz: Die tudierenden sind in der Lage, technische ehsysteme zu analysieren und zu konzipieren, die über Eigenschaften des Lernens verfügen und in autonom agierenden ystemen (z. B. Robotern) eingesetzt werden können. ie beherrschen die dazu notwendigen oftwaresysteme. ie sind in der Lage, vorhandenes Wissen in begrenzter Zeit erfolgreich zur roblemlösung in der kognitiven Robotik anzuwenden. ozialkompetenz: Die tudierenden lösen einen Teil der Aufgaben in der Gruppe. ie sind in der Lage, auf Kritiken und Lösungshinweise zu reagieren. ie verstehen die Notwendigkeit einer sorgfältigen und ehrlichen Arbeitsweise. orraussetzungen für die Teilnahme keine eite 11 von 157

12 Modul: Kognitive Technische ysteme Kognitive Robotik Fachabschluss: rüfungsleistung schriftlich 120 min Art der Notengebung: Gestufte Noten prache: Deutsch flichtkennz.: flichtfach Turnus:ommersemester Fachnummer: 181 rüfungsnummer: Fachverantwortlich: rof. Dr. Horst-Michael Groß Leistungspunkte: 3 Workload (h): 90 Anteil elbststudium (h): 68 W: 2.0 Fakultät für Informatik und Automatisierung Fachgebiet: W nach Lernergebnisse / Kompetenzen 1.F 2.F 3.F 4.F 5.F 6.F 7.F naturwissenschaftliche und angewandte Grundlagen, Einbindung des angewandten Grundlagenwissens der Informationsverarbeitung orkenntnisse Neuroinformatik Inhalt Medienformen Arbeitsblätter zur orlesung, Übungsaufgaben, e-learning Module Begriffsdefinitionen; Anwendungsbeispiele; Marktentwicklung; Basiskomponenten Kognitiver Roboter; Antriebskonzepte; aktive und passive / interne und externe ensoren; Hindernisvermeidung; probabilistische Umgebungsmodellierung und elbstlokalisation mittels distanzmessender ensorik; fadplanung und Bewegungssteuerung; teuerarchitekturen; grundlegende Aspekte der Mensch-Roboter-Interaktion; imultaneous Localization and Mapping (LAM) und dessen pielarten; probabilistische erfahren zur Zustandsschätzung (Kalman-Filter, artikel-filter, Hierarchische artikel-filter); visuell-basierte Umgebungs-modellierung; multimodale erfahren zur Umgebungs-erfassung / ensorfusion; Entwurf von hybriden teuerarchitekturen Literatur Borenstein, Everett, Feng: Where am I? ensors and Methods for Mobile Robot ositioning; online, 1996; Murphy: Introduction to AI Robotics, MIT ress, verwendet in folgenden tudiengängen Master Ingenieurinformatik 2014 Master Biomedizinische Technik 2009 Master Technische Kybernetik und ystemtheorie 2014 eite 12 von 157

13 Master Informatik 2013 Master Informatik 2009 Master Biomedizinische Technik 2014 eite 13 von 157

14 Modul: Kognitive Robotik Kognitive ysteme / Robotik Fachabschluss: über Komplexprüfung prache: Deutsch Fachnummer: 181 rüfungsnummer: Fachverantwortlich: rof. Dr. Horst-Michael Groß Medienformen W nach Arbeitsblätter zur orlesung, Übungsaufgaben, e-learning Module Turnus:ommersemester Leistungspunkte: 0 Workload (h): 0 Anteil elbststudium (h): 0 W: 2.0 Fakultät für Informatik und Automatisierung Fachgebiet: Lernergebnisse / Kompetenzen orkenntnisse Neuroinformatik Inhalt 1.F 2.F 3.F 4.F 5.F 6.F 7.F naturwissenschaftliche und angewandte Grundlagen, Einbindung des angewandten Grundlagenwissens der Informationsverarbeitung Begriffsdefinitionen; Anwendungsbeispiele; Marktentwicklung; Basiskomponenten Kognitiver Roboter; Antriebskonzepte; aktive und passive / interne und externe ensoren; Hindernisvermeidung; probabilistische Umgebungsmodellierung und elbstlokalisation mittels distanzmessender ensorik; fadplanung und Bewegungssteuerung; teuerarchitekturen; grundlegende Aspekte der Mensch-Roboter-Interaktion; imultaneous Localization and Mapping (LAM) und dessen pielarten; probabilistische erfahren zur Zustandsschätzung (Kalman-Filter, artikel-filter, Hierarchische artikel-filter); visuell-basierte Umgebungs-modellierung; multimodale erfahren zur Umgebungs-erfassung / ensorfusion; Entwurf von hybriden teuerarchitekturen Literatur Borenstein, Everett, Feng: Where am I? ensors and Methods for Mobile Robot ositioning; online, 1996; Murphy: Introduction to AI Robotics, MIT ress, 2000 flichtkennz.: flichtfach Art der Notengebung: unbenotet 2233 verwendet in folgenden tudiengängen Master Ingenieurinformatik 2014 Master Biomedizinische Technik 2009 Master Technische Kybernetik und ystemtheorie 2014 eite 14 von 157

15 Master Informatik 2013 Master Informatik 2009 Master Biomedizinische Technik 2014 eite 15 von 157

16 Modul: Kognitive Robotik Lernen in kognitiven ystemen Fachabschluss: über Komplexprüfung prache: deutsch Fachnummer: 182 rüfungsnummer: Fachverantwortlich: rof. Dr. Horst-Michael Groß Turnus:ommersemester Leistungspunkte: 0 Workload (h): 0 Anteil elbststudium (h): 0 W: 3.0 Fakultät für Informatik und Automatisierung Fachgebiet: W nach Lernergebnisse / Kompetenzen 1.F 2.F 3.F 4.F 5.F 6.F 7.F naturwissenschaftliche und angewandte Grundlagen, Einbindung des angewandten Grundlagenwissens der Informationsverarbeitung orkenntnisse orlesung Neuroinformatik Inhalt Begriffliche Grundlagen (erhalten, Agenten, tabilitäts-lastizitäts-dilemma, Exploration-Exploitation-Dilemma); Lernmethodiken (Lebenslanges Lernen, online-lernen, Reinforcement-Lernen, Imitation Learning, One-shot-Lernen, statistisches Lernen); Ebenen des Lernens und der Wissensrepräsentation in Animals/Animates (sensomotorische/kognitive Intelligenz, prozedurales/deklaratives Wissen); Konditionierungsarten; Reinforcement Learning (RL-Task, Basiskomponenten, starke/schwache RL-erfahren; olicy/alue Iteration, Q-Learning, Eligibility Traces, RL in neuronalen Agenten); Exemplarische oftware-implementierungen von RL-erfahren für Navigationsaufgaben, piele, rozesssteuerungen; Lernen in Neuronalen Multi-Agenten ystemen. Medienformen ower oint Folien, rogrammieraufgaben Literatur wird noch spezifiziert ml 30 min, im Modul kognitive Robotik verwendet in folgenden tudiengängen Master Ingenieurinformatik 2014 Master Technische Kybernetik und ystemtheorie 2014 Master Biomedizinische Technik 2014 Master Informatik 2013 flichtkennz.: flichtfach Art der Notengebung: unbenotet 2233 eite 16 von 157

17 Master Informatik 2009 eite 17 von 157

18 ACHTUNG: Fach wird nicht mehr angeboten! Modul: Kognitive Technische ysteme 3D-Bildverarbeitung Fachabschluss: rüfungsleistung schriftlich 120 min Art der Notengebung: Gestufte Noten prache: Deutsch flichtkennz.: flichtfach Turnus:ommersemester Fachnummer: rüfungsnummer: Fachverantwortlich: rof. Dr. Beat Brüderlin Leistungspunkte: 6 Workload (h): 180 Anteil elbststudium (h): 124 W: 5.0 Fakultät für Informatik und Automatisierung Fachgebiet: W nach Lernergebnisse / Kompetenzen Wird ersetzt durch 3D-Bildverarbeitung und isualisierung iehe Modulbeschreibung orkenntnisse Wird ersetzt durch 3D-Bildverarbeitung und isualisierung iehe Modulbeschreibung Inhalt Wird ersetzt durch 3D-Bildverarbeitung und isualisierung iehe Modulbeschreibung Medienformen Literatur Wird ersetzt durch 3D-Bildverarbeitung und isualisierung iehe Modulbeschreibung Wird ersetzt durch 3D-Bildverarbeitung und isualisierung iehe Modulbeschreibung verwendet in folgenden tudiengängen 1.F 2.F 3.F 4.F 5.F 6.F 7.F 2252 eite 18 von 157

19 Modul: 3D-Bildverarbeitung Erfassung und erarbeitung von 3D-Daten Fachabschluss: über Komplexprüfung prache: Deutsch Fachnummer: 239 Fachverantwortlich: Dr. Rico Nestler W nach Lernergebnisse / Kompetenzen orkenntnisse Inhalt flichtkennz.: flichtfach rüfungsnummer: Art der Notengebung: unbenotet Turnus:ommersemester Leistungspunkte: 0 Workload (h): 0 Anteil elbststudium (h): 0 W: 3.0 Fakultät für Informatik und Automatisierung Fachgebiet: 1.F 2.F 3.F 4.F 5.F 6.F 7.F Der tudent erhält einen umfassenden Überblick zu erfahren der Rekonstruktion von Objektoberflächen oder zur Abstandsanalyse zu ausgewählten Objektpunkten in dreidimensionalen zenen sowohl aus systemtechnischer icht der als auch aus icht der dabei einzusetzenden erfahren zur Ermittlung räumlicher Information aus digitalen Bildern. Mögliche Anwendungsgebiete dieser Gestaltsanalysen sind sehr vielfältig, z.b. computergrafische Modellierungen dreidimensionaler Objekte (Reverse Engineering), Abstandsmessungen in der Fahrzeugsteuerung, Oberflächeninspektionen oder rüfungen auf Maßhaltigkeit in der Qualitätssicherung, Lageschätzungen oder Hindernislokalisierung in der Robotik bzw. der icherheitstechnik. erfahren zur Gestaltsrekonstruktion beinhalten in starkem Maße rozesse der klassischen Bildverarbeitung. Genauso sind zur Erfüllung von Erkennungsaufgaben mit Bildverarbeitung heutzutage zunehmend 3D- Aspekte zu berücksichtigen. Aufbauend auf den vermittelten Inhalten ist der tudent befähigt, sein Wissen in konkreten Anwendungen in einem der oben genannten Felder einzusetzen gute Kenntnisse in hysik, Mathematik aber auch Informations- bzw. Nachrichtentechnik (orlesungen zur ystemtheorie, ignale & ysteme), Grundlagen der Bildverarbeitung und Mustererkennung, Grundlagen der Farbbildverarbeitung Die eranstaltung Erfassung und erarbeitung von 3D-Daten widmet sich technischen Ansätzen zur Gewinnung von Tiefeninformationen, den dabei erforderlichen erarbeitungsaspekten sowie Grundzügen der weiteren erarbeitung von gewonnenen 3D-unktewolken. Neben einem allgemeinen und auch geschichtlichen Überblick zu erfahren zur Ermittlung der Raumgestalt von Objekten bilden optische / visuelle Ansätze einen besonderen chwerpunkt dieser orlesung. Die erarbeitungsaspekte zur Gewinnung der 3D-Information werden dabei ansatzbezogen diskutiert. Die ausführliche Darstellung der klassischen erfahren wird durch aktuelle Ansätze, wie die Weißlichtinterferometrie, die Fokusvariation oder das Time of Flight-rinzip ergänzt. Die eranstaltung schließt in einem Grundlagenteil wichtige systemtechnische, optische und geometrische Gesetzmäßigkeiten von Bildaufnahmeprozessen sowie Grundzüge der projektiven Geometrie ein. Gliederung der orlesung: Wahrnehmungsphysiologische Aspekte der 3D-Erfassung Technische Grundansätze zur Tiefenwahrnehmung Geometrische Transformationen und projektive Geometrie Monokulare erfahren: Depth from -Motion, -hading, -Texture, -Fokus Binokulare erfahren: tereoansatz, Kalibrierung von Kamerasystemen, Topometrische erfahren, 2252 eite 19 von 157

20 Korrespondenzanalyse chnitttechnologien: CT, MRT, ET, Fokusvariation, konfokale Mikroskopie Laufzeittechniken rinzip der Weißlichtinterferometrie, Time of Flight ubpixelgenaues Erfassen von trukturorten (unkte, Kanten) Überblick zu ersten erarbeitungsschritten der Low-Level-3D-unktewolkenverarbeitung: Ausreißerentfernung, Homogenisierung, Regularisierung, Triangulation, egmentierung Die eranstaltung ist begleitet von einem eminar, in dem orlesungsinhalte nachbereitet und vertieft diskutiert werden. Medienformen Literatur R. Hartley, A. Zisserman: Multiple iew Geometry in computer vision. Cambridge University ress, 2010, IBN G. Hauske, ystemtheorie der visuellen Wahrnehmung. haker erlag 2003, IBN R. Klette, A. Koschan, K. chlüns: Computer ision Räumliche Information aus digitalen Bildern. ieweg erlag, Braunschweig/Wiesbaden, 1996, IBN W. Richter: Grundlagen der Technischen Optik, orlesungsskripte, Technische Universität Ilmenau, Institut für Lichttechnik und Technische Optik, Fachgebiet Technische Optik R. Zhang et.al.: hape from hading: A urvey. IEEE TRANACTION ON ATTERN ANALYI AND MACHINE INTELLIGENCE, ol. 21, Nr. 8, , 1999 O. chreer: tereoanalyse und Bildsynthese, pringer, 2005, IBN X Middlebury tereo ision age:taxonomy and comparison of many two-frame stereo correspondence algorithms. sowie die orlesungsunterlagen zu den FächernGrundlagen der Bildverarbeitung und Mustererkennung bzw. Grundlagen der Farbbildverarbeitung schriftliche rüfung 60 min, mündliches rüfungsgespräch nach ereinbarung verwendet in folgenden tudiengängen Master Ingenieurinformatik 2014 Master Medientechnologie 2009 Master Medientechnologie 2013 Master Informatik 2013 Master Informatik 2009 eite 20 von 157

21 ACHTUNG: Fach wird nicht mehr angeboten! Modul: 3D-Bildverarbeitung Bildanalyse für 3D-Oberflächen- und olumendaten Fachabschluss: über Komplexprüfung prache: Deutsch Fachnummer: 8230 Fachverantwortlich: Dr. Rico Nestler rüfungsnummer: Turnus:ommersemester Leistungspunkte: 0 Workload (h): 0 Anteil elbststudium (h): 0 W: 2.0 Fakultät für Informatik und Automatisierung Fachgebiet: / / orkenntnisse Medienformen W nach 1.F 2.F 3.F 4.F 5.F 6.F 7.F gute Kenntnisse in hysik, Mathematik aber auch Informations- bzw. Nachrichtentechnik (orlesungen zur ystemtheorie, ignale & ysteme), Erfassung und erarbeitung von 3D-Daten Inhalt Gliederung der orlesung: Einleitung, Erzeugung von 3D-Bildern in einer Übersicht Datentypen: Knoten, Attribute und Topologien, Triangulation in 2D, erfahren zur Triangulation von ungeordneten 3D unktmengen, implex-(tetraeder-)-zerlegung von olumina Nachbarschaften und Zusammenhänge in diskreten Rastern, zellulare Komplexe Nachbarschaften, verbundene Komponenten, Track-Repräsentationen Octrees, Operationen auf Octrees, Eulerzahl Formmerkmale von egmenten, Momente Topologische Klassifikation, 3D-Thinning Distanztransformationen, Distanzmaße, MAT Morphologische Operationen auf 3D-Daten törunterdrückung zur Bildverbesserung 3D-Oberflächenrekonstruktionen / Lernergebnisse / Kompetenzen Literatur schriftliche rüfung 60 min verwendet in folgenden tudiengängen flichtkennz.: flichtfach Art der Notengebung: unbenotet 2252 eite 21 von 157

22 Master Informatik 2009 eite 22 von 157

23 Modul: Kognitive Technische ysteme Knowledge Engineering Fachabschluss: rüfungsleistung schriftlich 120 min Art der Notengebung: Gestufte Noten prache: deutsch flichtkennz.: flichtfach Turnus:Wintersemester Fachnummer: Fachverantwortlich: rof. Dr. Rainer Knauf rüfungsnummer: Leistungspunkte: 7 Workload (h): 210 Anteil elbststudium (h): 154 W: 5.0 Fakultät für Informatik und Automatisierung Fachgebiet: W nach Lernergebnisse / Kompetenzen 1.F 2.F 3.F 4.F 5.F 6.F 7.F Ziel des Moduls ist es, Kompetenzen auf dem Gebiet der fortschrittlichen Methoden der modernen Wissensverarbeitung zu vermitteln. Die tudierenden kennen und verstehen die trategien der Datenverarbeitung mit evolutionären/genetischen Algorithmen, mit Inferenzmethoden der KI und dem großen pektrum des Datamining und können diese für informatische/ingenieurinformatische roblemstellungen anwenden. Die tudierenden sind mit den methodischen Grundlagen vertraut und können die wichtigsten Datenanalyse und verarbeitungs Techniken erkennen und bewerten, sowie typische Informatikaufgaben mit ihrer Hilfe analysieren und lösen. ie sind in der Lage, diese Kompetenzen in den yntheseprozess komplexer ingenieurtechnischer und informatischer rojekte einfließen zu lassen. Die tudierenden kennen und verstehen die grundlegenden Wirkprinzipien von rodukten und erfahren, bei deren Entwicklung Methoden der Wissensverarbeitung und des Datamining Anwendung fanden, können diese analysieren, bewerten und bei weiterführenden yntheseprozessen mitwirken. Die tudierenden sind in der Lage, Fach- Methoden- und ystemkompetenz für Inferenzmethoden, Datamining und Evolutionäre/genetische Algorithmen in interdisziplinären Teams zu vertreten und grundlegende achverhalte dazu klar und korrekt zu kommunizieren. orkenntnisse keine Inhalt siehe Beschreibung der einzelnen Fächer Medienformen 2238 Literatur verwendet in folgenden tudiengängen Master Informatik 2013 Master Ingenieurinformatik 2014 eite 23 von 157

24 eite 24 von 157

25 Modul: Knowledge Engineering Data Mining Fachabschluss: über Komplexprüfung prache: Deutsch, auf Nachfrage Englisch Fachnummer: 221 Fachverantwortlich: rof. Dr. Rainer Knauf Medienformen W nach rüfungsnummer: kript, ower-oint räsentation, Aufgabensammlung Turnus:ommersemester Leistungspunkte: 0 Workload (h): 0 Anteil elbststudium (h): 0 W: 2.0 Fakultät für Informatik und Automatisierung Fachgebiet: Lernergebnisse / Kompetenzen ermittlung von grundlegender Methoden und Techniken orkenntnisse Inhalt 1.F 2.F 3.F 4.F 5.F 6.F 7.F fundierte Kenntnisse in mathematischer Logik und Wahrscheinlichkeitstheorie (1) Motivation, typische Aufgabenklassen und Anwendungen, tufenprozess zur Modellbildung, Entropie der Information, (2) Erlernen von Entscheidungsbäumen: schrittweise erfeinerung von ID3 zu C 4.5 (numerische Attribute, fehlende Attribute), (3) Entscheidungsbäume über regulären atterns, (4) Erlernen von Klassifikationsregeln: binäre Klassifikation nach John tuard Mill (JM), (5) Assoziations-Analyse und deren erfeinerung (kategorische Attribute others, numerische Attribute), (6) knn-klassifikation Literatur (1) Tan, ang-ning; teinbach, Michael; Kumar, ipin: Introduction to Data Mining. IBN, earson Education, (2) Markus Lusti: Data Warehousing and Data Mining: Eine Einführung in entscheidungsunterstützende ysteme, IBN , pringer, (3) etersohn, Helge: Data Mining. erfahren, rozesse, Anwendungsarchitektur. IBN , Oldenbourg erlag, (4) Lawrence, Kennth D.; Kudyba, tephan, Klimberg, Ronald K.: Data Mining Methods and Applications, IBN , Boca Raton, FL u.a.: Auerbach, flichtkennz.: flichtfach Art der Notengebung: unbenotet 2238 verwendet in folgenden tudiengängen Master Informatik 2013 Master Ingenieurinformatik 2014 Master Informatik 2009 eite 25 von 157

26 eite 26 von 157

27 Modul: Knowledge Engineering Evolutionäre erfahren Fachabschluss: über Komplexprüfung prache: deutsch Fachnummer: Fachverantwortlich: Dr. Klaus Debes rüfungsnummer: Turnus:Wintersemester Leistungspunkte: 0 Workload (h): 0 Anteil elbststudium (h): 0 W: 1.0 Fakultät für Informatik und Automatisierung Fachgebiet: W nach Lernergebnisse / Kompetenzen 1.F 2.F 3.F 4.F 5.F 6.F 7.F naturwissenschaftliche und angewandte Grundlagen, Einbindung des angewandten Grundlagenwissens der Informationsverarbeitung orkenntnisse Besuch der orlesung oftcomputing / Fuzzy Logic wünschenswert Inhalt Nichtlineare Optimierungsstrategien auf der Basis Genetischer Algorithmen (GA) und Evolutionärer trategien (E): verschiedene Mischformen von GA und E, Optimierung von neuronalen Netzen und Fuzzy-Logik mit GA und E, interdisziplinäre Anwendungsbeispiele Medienformen ower oint Folien, Java Applikationen Literatur Gerdes; Klawonn; Kruse.: Evolutionäre Algorithmen: Genetische Algorithmen - trategien und Optimierungsverfahren Beispielanwendungen. iehweg, Wiesbaden, 2004 Weicker, K.: Evolutionäre Algorithmen. Teubner, tuttgart, 2002 Rechenberg, I.: Evolutionsstrategie 94. Frommann-Holzboog, tuttgart, 1994 (u.v.a.m., Reihung ohne Wichtung!) flichtkennz.: flichtfach gehört zur Modulprüfung Knowledge Engineering (sl 120 min) Anteil 45 min verwendet in folgenden tudiengängen Master Informatik 2013 Master Ingenieurinformatik 2014 Art der Notengebung: unbenotet 2233 eite 27 von 157

28 Modul: Knowledge Engineering Inferenzmethoden Fachabschluss: über Komplexprüfung prache: Deutsch, auf Nachfrage Englisch Fachnummer: 220 Fachverantwortlich: rof. Dr. Rainer Knauf W nach rüfungsnummer: Turnus:Wintersemester Leistungspunkte: 0 Workload (h): 0 Anteil elbststudium (h): 0 W: 2.0 Fakultät für Informatik und Automatisierung Fachgebiet: Lernergebnisse / Kompetenzen angewandte Grundlagen, ermittlung neuester Techniken orkenntnisse Inhalt Medienformen kript, ower-oint räsentation, Aufgabensammlung 1.F 2.F 3.F 4.F 5.F 6.F 7.F Kenntnisse in mathematischer Logik: rädikatenkalkül der 1. tufe, Deduktion, rogrammierfertigkeiten in Logischer rogrammierung (alle orkenntnisse nach erfolgreicher Absolvierung der L Künstliche Intelligenz vor) (1) rädikatenkalkül der ersten tufe (K1): Wiederholung und sinnvolle Ergänzungen (ortenlogik, rädikatenkalkül der ersten tufe mit Gleichheit) (2) problembezogene Wissensrepräsentationen der KI und arianten der Implementierung von Inferenzmethoden darüber (3) Deduktion: Grundlagen, Deduktionssysteme, Komplexitätsbetrachtungen (4) Induktion und maschinelles Lernen: Erlernen von Klassifikationsregeln aus Beispielen, Erlernen eines besten induktiven chlusses im rädikatenkalkül der ersten tufe, erfahren zur Ermittlung des speziellsten Anti-Unifikators über K1-Ausdrücken, Klassifikation nach Bayes Literatur (1) Luger: Künstliche Intelligenz: trategien zur Lösung komplexer robleme. München: earson tudium (Übersetzung aus dem Addison-Wesley erlag), 4. Aufl., 2001 (2) Russel/Norvig: Künstliche Intelligenz: Ein moderner Ansatz, München: earson tudium (Übersetzung aus dem Addison-Wesley erlag), 2004 (3) Knauf: Logische rogrammierung und Wissensbasierte ysteme: Eine Einführung. Aachen: haker, 1993 flichtkennz.: flichtfach Art der Notengebung: unbenotet 2238 verwendet in folgenden tudiengängen Master Informatik 2013 Master Ingenieurinformatik 2014 Master Informatik 2009 eite 28 von 157

29 eite 29 von 157

30 Modul: Kognitive Technische ysteme Objektorientierte Modellierung Fachabschluss: rüfungsleistung alternativ 90 min Art der Notengebung: Gestufte Noten prache: Deutsch flichtkennz.: flichtfach Turnus:Wintersemester Fachnummer: rüfungsnummer: Fachverantwortlich: rof. Dr. Armin Zimmermann Leistungspunkte: 5 Workload (h): 150 Anteil elbststudium (h): 116 W: 3.0 Fakultät für Informatik und Automatisierung Fachgebiet: / W nach Lernergebnisse / Kompetenzen 1.F 2.F 3.F 4.F 5.F 6.F 7.F Fähigkeiten der Modellierung des erhaltens und der truktur von ystemen mit Hilfe der UML orkenntnisse Grundlagen der objektorientierten rogrammierung Hilfreich: Grundlagen des UML-Klassendiagramms Inhalt Medienformen Die Unified Modeling Language (UML) ist eine standardisierte prache zur Modellierung der truktur und des erhaltens von technischen aber auch nichttechnischen ystemen. ie wird in vielen Bereichen der Informatik angewendet. Einige grundlegende Elemente der UML wurden in anderen Lehrveranstaltungen bereits vorgestellt. Im Rahmen dieser eranstaltung werden alle Diagramme der UML im Detail erläutert. Anhand des Metamodells soll ein erständnis der grundlegenden truktur der UML vermittelt werden. Zudem dient das Metamodell als Beispiel für die Modellierung der truktur eines komplexen ystems. Den chwerpunkt dieser Lehrveranstaltung bildet jedoch die erhaltensmodellierung. Mit insgesamt 7 Diagrammtypen bietet die UML verschiedene Möglichkeiten hierfür. Es soll gezeigt werden, wie sich diese Diagramme auch z.b. zur Modellierung von Geschäftsprozessen verwenden lassen und welche pezialisierungen bzw. Erweiterungen existieren (ystems Modeling Language (ysml), Object Contstraint Language (OCL), Business rocess Modeling Notation (BMN)). Im Rahmen des zugehörigen eminars soll das erhalten und die truktur eines selbst gewählten technischen ystems im Team nach einem einfachen orgehen modelliert werden. Diese sollen Lösungen zu gestellten Modellierungsaufgaben beinhalten. Literatur Chris Rupp, tefan Queins, Barbara Zengler: UML2 glasklar raxiswissen für die UML-Modellierung, 3. aktualisierte Auflage, 2007, Hanser Bernd Oestereich, tefan Bremer (Mitarbeit): Analyse und Design mit UML 2.3, 9. Auflage, 2009, Oldenbourg Gernot tarke, Mike Beedle: Effektive oftware-architekturen, Ein praktischer Leitfaden., 4. aktualisierte Auflage, 2009, Hanser, IBN eite 30 von 157

31 Der Abschluss in diesem Fach umfasst zwei Teile. Zum einen die bewerteten Ergebnisse aus dem eminar (30%) und zum anderen die Ergebnisse aus einer schriftl. rüfung (70%). Im Rahmen des zugehörigen eminars soll das erhalten und die truktur eines selbst gewählten technischen ystems im Team nach einem einfachen orgehen modelliert werden. Diese sollen Lösungen zu gestellten Modellierungsaufgaben beinhalten. erbindliche Anmeldung bis spätestens einen Monat nach emesterbeginn! verwendet in folgenden tudiengängen Master Wirtschaftsinformatik 2013 Master Ingenieurinformatik 2014 Master Wirtschaftsinformatik 2014 Master Wirtschaftsinformatik 2015 eite 31 von 157

32 Modul: Kognitive Technische ysteme Robotvision & MMI Fachabschluss: rüfungsleistung alternativ prache: deutsch Fachnummer: rüfungsnummer: Fachverantwortlich: rof. Dr. Horst-Michael Groß Turnus:Wintersemester Leistungspunkte: 6 Workload (h): 180 Anteil elbststudium (h): 124 W: 5.0 Fakultät für Informatik und Automatisierung Fachgebiet: W nach Lernergebnisse / Kompetenzen 1.F 2.F 3.F 4.F 5.F 6.F 7.F Ziel des Moduls ist es, Kompetenzen auf den Gebieten Mensch-Maschine-Interaktion und der maschinellen Bildverarbeitung auf mobilen lattformen (Roboter) zu vermitteln. Die tudierenden kennen und verstehen die trategien Bildaufnahme- und verarbeitungsalgorithmen und können diese für Fragestellungen der Kommunikation Mensch Roboter anwenden. Die tudierenden sind mit den aus den trategien abgeleiteten methodischen Grundlagen vertraut und können die wichtigsten erarbeitungstechniken erkennen und bewerten, sowie typische Aufgaben der Bildverarbeitung auf Robotern für Navigation und Interaktion mit ihrer Hilfe analysieren und lösen. ie sind in der Lage, diese Kompetenzen in den yntheseprozess komplexer Roboterprojekte einfließen zu lassen. Die tudierenden kennen und verstehen die grundlegenden Wirkprinzipien von Kamera basiert arbeitenden mobilen lattformen für Assistenz- und ervicezwecke, können diese analysieren, bewerten und bei weiterführenden Entwicklungsprozessen mitwirken. Die tudierenden sind in der Lage, Fach- Methoden- und ystemkompetenz für das Themenspektrum Robotvision und Mensch-Maschine-Interaktion in interdisziplinären Teams zu vertreten. Die tudierenden sind in der Lage, grundlegende achverhalte des Themenfeldes klar und korrekt zu kommunizieren. orkenntnisse keine Inhalt siehe orlesungen der einzelnen Fächer Medienformen MMI: oweroint Folien, ideosequenzen; R: Arbeitsblätter zur orlesung, Übungsaufgaben, e-learning Module Literatur Literatur der Fächer: MMI und R flichtkennz.: flichtfach Art der Notengebung: Gestufte Noten Die rüfung besteht aus einer schriftlichen Klausur (120 min) und der nachgewiesenen Akltivübung im Fach Robotvision. verwendet in folgenden tudiengängen Master Ingenieurinformatik 2014 Master Technische Kybernetik und ystemtheorie eite 32 von 157

33 Master Biomedizinische Technik 2014 Master Informatik 2013 eite 33 von 157

34 Modul: Robotvision & MMI Mensch-Maschine-Interaktion Fachabschluss: über Komplexprüfung prache: deutsch Fachnummer: rüfungsnummer: Fachverantwortlich: rof. Dr. Horst-Michael Groß Medienformen W nach oweroint Folien, ideosequenzen Turnus:Wintersemester Leistungspunkte: 0 Workload (h): 0 Anteil elbststudium (h): 0 W: 2.0 Fakultät für Informatik und Automatisierung Fachgebiet: Lernergebnisse / Kompetenzen orkenntnisse orlesung Neuroinformatik ist wünschenswert Inhalt 1.F 2.F 3.F 4.F 5.F 6.F 7.F naturwissenschaftliche und angewandte Grundlagen, Einbindung des angewandten Grundlagenwissens der Informationsverarbeitung für roblemstellungen der Mensch-Maschine Kommunikation und -Interaktion Teilgebiete der video- und sprachbasierten Mensch-Maschine Kommunikation; erfahren für videobasierte ersonendetektion/-tracking (optischer Fluss, Bayes-Filter: Kalman-Filter, artikel Filter); videobasierte Erkennung von Nutzerinstruktionen (Zeigeposen und -gesten); videobasierte chätzung von Alter, Geschlecht, Blickrichtung, Gesichtsausdruck, Körpersprache; ersonenidentifikationsverfahren; sprachbasierte Erkennung von Nutzerinstruktionen und Nutzerzustand (Kommandowort- und pracherkennung, rosodieerkennung); Audio-visuelle Integration; wichtige Basisoperationen zur Analyse von ideo- und prachdaten (Hauptkomponentenanalyse, Independent Component Analysis, Neuronale und probabilistische Mustererkenner; Bayes Filter und artikel Filter Graph-Matching-erfahren, Hidden-Markov Modelle (HMMs); Literatur Görz, Rollinger, cheeberger: Handbuch der Künstlichen Intelligenz, Oldenbourg erlag 2000; Jähne, B.: Digitale Bildverarbeitung. pringer erlag 2002; Li,. und Jain, A.: Handbook of Face Recognition, pringer erlag 2004 flichtkennz.: flichtfach Art der Notengebung: unbenotet 2233 verwendet in folgenden tudiengängen Master Ingenieurinformatik 2014 Master Technische Kybernetik und ystemtheorie 2014 Master Biomedizinische Technik 2014 eite 34 von 157

35 Master Medientechnologie 2013 Master Informatik 2013 eite 35 von 157

36 Modul: Robotvision & MMI Robotvision Fachabschluss: über Komplexprüfung prache: Deutsch Fachnummer: 183 rüfungsnummer: Fachverantwortlich: rof. Dr. Horst-Michael Groß Turnus:Wintersemester Leistungspunkte: 0 Workload (h): 0 Anteil elbststudium (h): 0 W: 2.0 Fakultät für Informatik und Automatisierung Fachgebiet: W nach Lernergebnisse / Kompetenzen 1.F 2.F 3.F 4.F 5.F 6.F 7.F naturwissenschaftliche und angewandte Grundlagen, Einbindung des angewandten Grundlagenwissens der Informationsverarbeitung orkenntnisse L Neuroinformatik Inhalt Basisoperationen für die vision-basierte Roboternavigation: Bewegungssehen und optischer Fluss; Tiefenwahrnehmung mittels tereosehen; Inversperspektivische Kartierung; isuelle elbstlokalisation und visuelles LAM (imultaneous Localization and Map Building); visuelle Aufmerksamkeit und Active-ison ysteme; technische ehsysteme für mobile Roboter; Neuronale Basisoperationen der visuo-motorischen erarbeitung (funktionelle und topografische Abbildungen, Auflösungspyramiden, neuronale Felddynamik, ortsvariante Informationsverarbeitung); biologisch motivierte Invarianz- und Adaptationsleistungen (Farbadaptation, log-polare Abbildung); Exemplarische oftware-implementierungen von Basisoperationen Medienformen Arbeitsblätter zur orlesung, Übungsaufgaben, e-learning Module Literatur wird noch spezifiziert flichtkennz.: flichtfach Art der Notengebung: unbenotet Die Leistung besteht aus einer schriftlichen Klausur (60 min) und der nachgewiesenen Akltivübung. verwendet in folgenden tudiengängen Master Ingenieurinformatik 2014 Master Technische Kybernetik und ystemtheorie 2014 Master Biomedizinische Technik 2014 Master Informatik eite 36 von 157

37 Master Informatik 2009 eite 37 von 157

38 Modul: Kognitive Technische ysteme oftwarearchitekturen - von Requirements zum angepassten Entwurf Fachabschluss: rüfungsleistung alternativ prache: deutsch Fachnummer: rüfungsnummer: Fachverantwortlich: rof. Dr. Detlef treitferdt W nach Lernergebnisse / Kompetenzen orkenntnisse flichtkennz.: flichtfach Art der Notengebung: Gestufte Noten Turnus:Wintersemester Leistungspunkte: 6 Workload (h): 180 Anteil elbststudium (h): 124 W: 5.0 Fakultät für Informatik und Automatisierung Fachgebiet: 1.F 2.F 3.F 4.F 5.F 6.F 7.F Fachkompetenz (20%). Die tudierenden können die Werkzeuge des oftware Engineering in einem konkreten rojektkontext anwenden. ie können die Aussagekraft / Qualität der jeweiligen Ergebnisse bewerten. Die tudierenden sind fähig oftwareentwicklungsprozesse zu analysieren und auf die jeweiligen Gegebenheiten eines rojektes anzupassen. ie verstehen Architekturmuster / ~stile und können diese im rojektkontext einsetzen. Methodenkompetenz (40%). Die tudierenden sind fähig die vorgestellten Entwicklungsmethoden und ~werkzeuge anzuwenden und deren Ergebnisse früh im Entwicklungsprozess abzuschätzen. ie sind fähig aus den vermittelten Methoden und Werkzeugen für ein gegebenes rojekt die passenden auszuwählen und anzuwenden. ozialkompetenz (40%). Die tudierenden lernen die Erfordernisse und Ergebnisse von oftwareentwicklungsprozessen innerhalb einer Entwicklergruppe kennen und können deren Bedeutung für ein oftwareprojekt innerhalb einer Firma einschätzen. ie lernen auch die große Bedeutung der "weichen" Faktoren innerhalb von oftwareentwicklungsprozessen kennen und können deren Auswirkungen abschätzen. Die tudierenden sind fähig die Auswirkungen von Architekturentscheidungen im Kontext einer Entwicklergruppe zu bewerten. Hintergründe der rojektarbeit, Anforderungen und die Bedeutung sozialer Netzwerke sind den tudenten bekannt. 223A Kenntnisse über oftwareentwicklungsprozesse Objektorientierte Modellierung Objektorientierte rogrammierung Inhalt Diese orlesung vermittelt tudenten der Informatik und Ingenieurinformatik Methoden und Techniken des oftware Engineering. Über die Einbettung der Aktivitäten in den oftwareentwicklungsprozess werden die einzelnen chritte und in den Übungen vertieft. Die eranstaltung enthält die Erarbeitung von oftwarearchitekturzielen, Beschreibungsansätze der verschieden Modelle und Dokumente, orgehen bei der Entwicklung (rozesse), Entscheidungsfindung, Architekturstile / - muster und ihre Qualitätseigenschaften, sowie die rüfung/bewertung von Architekturen. (Die orlesung wird in Deutsch gehalten, einige der Materialien sind jedoch nur in Englisch verfügbar - was allerdings im Hinblick auf die spätere Arbeitswelt nur von orteil ist!) Medienformen orlesungsfolien eite 38 von 157

39 DF Dokumente (auch wissenschaftliche Beiträge) rozessbeschreibungen (HTML), Templates Literatur Umfassende Werke [Balz 1996] Helmut Balzert, "Lehrbuch der oftware-technik", pektrum Akademischer erlag, [Fowl 1999] Martin Fowler, Refactoring Improving the Design of Existing Code, Addison Wesley, [Gamm 1995] Erich Gamma, Richard Helm, Ralph Johnson, John lissides, Design atterns Elements of Reusable Object-Oriented oftware, Addison Wesley, [Mart 2009] Robert C. Martin, Clean Code, rentice Hall, [McCo 2004] teve McConnell, Code Complete 2nd Edition, Microsoft ress, [Rooc 2004] tefan Roock, Martin Lippert, Refactorings in großen oftwareprojekten, dpunkt.erlag GmbH, [omm 2007] Ian ommerville, oftware Engineering, earson tudium, [Mens 2008] T. Mens and. Demeyer, Eds., oftware Evolution. pringer-erlag New York Inc, pezielle Themen... Entwicklungsprozesse [Beck 2000] Kent Beck, extreme rogramming explained, Addison Wesley, [Buns2002] C. Bunse and A. von Knethen, orgehensmodelle kompakt. Fraunhofer ublica [ (Germany), [Carr 1993] Marvin J. Carr, uresh L. Konda, Ira Monarch, F. Carol Ulrich, Clay F. Walker, "Taxonomy-Based Risk Identification", Carnegie Mellon University, Technical Report CMU/EI-93-TR-6, EC-TR , [Open 2011] Eclipse rocess Framework, "Open Unified rocess, OpenU", content retrieved , Requirements [Bere 2009] Brian Berenbach, Daniel J. aulish, Juergen Kazmeier, Arnold Rudorfer, "oftware & ystems Requirements Engineering In ractice", Mc Graw Hill, [Haya 1990]. I. Hayakawa, "Language in Thought and Action", Harvest Books, [Koo 1998] Gerald Kotonya, Ian ommerville, "Requirements Engineering - rocesses and Techniques", John Wiley & ons, [Kula 2000] Daryl Kulak, Eamonn Guiney, "Use Cases - Requirements in Context", Addison-Wesley, [Lams 2001] Axel van Lamsweerde, "Goal-Oriented Requirements Engineering: A Guided Tour", in roceedings of the 5th IEEE International ymposium on Requirements Engineering (RE 2001), August 2001, Toronto, Canada, [Lams 2009] Axel van Lamsweerde, "Requirements Engineering: From ystem Goals to UML Models to oftware pecifications", John Wiley & ons, [McCo 2006] teve McConnell, "oftware Estimation", Microsoft ress, [ohl 2008] Klaus ohl, "Requirements Engineering: Grundlagen, rinzipien,techniken", dpunkt.erlag GmbH, [Robe 1999] uzanne Robertson, James Robertson, "Mastering the Requirements rocess", Addison-Wesley, [Rupp 2002] Chris Rupp, "Requirements-Engineering und -Management", Hanser erlag, [chu 2000] G. Gordon chulmeyer, Garth R. Mackenzie, "erification & alidation of Modern oftware-intensive ystems", rentice Hall, [oa 1997] Ian ommerville, ete awyer, "Requirements Engineering: A Good ractice Guide", John Wiley & ons, [Wieg 1999] Karl E. Wiegers, "oftware Requirements", Microsoft ress, [With 2007] tephen Withall, "oftware Requirement atterns", Microsoft ress, Architektur, roduktlinien [Boec 2004] Günter Böckle, eter Knauber, Klaus ohl, Klaus chmid, oftware-roduktlinien: Methoden, Einführung und raxis, dpunkt.erlag GmbH, [Clem 2002] aul Clements, Rick Kazman, Mark Klein, Evaluating oftware Architectures, Addison Wesley, [Hrus 2012]. Hruschka and G. tarke, Architektur-Knigge für oftwarearchitekten-der erschätzer [Kang 1990] K. Kang,. Cohen, J. Hess, W. Novak, and A. eterson, Feature-Oriented Domain Analysis (FODA) Feasibility tudy, EI Institute, Carnegie Mellon University, UA, CMU/EI-90-TR-021, [Kazm 2000] Rick Kazman, Mark Klein, aul Clements, "ATAM: Method for Architecture Evaluation", TECHNICAL REORT, CMU/EI-2000-TR-004, EC-TR , [Lind 2007] F. J. van der Linden, K. chmid, and E. Rommes, oftware roduct Lines in Action: The Best Industrial ractice in roduct Line Engineering. Berlin: pringer, [Love 2005] Robert Love, Linux Kernel Development (2nd Edition), Novell ress, eite 39 von 157