Modulhandbuch Intelligente Eingebettete Mikrosysteme 24. April 2014

Transkript

1 Modulhandbuch Intelligente Eingebettete Mikrosysteme 24. April 2014

2 Inhaltsverzeichnis 1 Einleitung 2 Informationen zu erwarteten Vorkenntnissen Möglichkeiten zur Erlangung dieser Kenntnisse Methodenmodule 3 Entwurf, Analyse und Umsetzung von Algorithmen Mikroelektronische Bauelemente und Grundschaltungen Wahrscheinlichkeitstheorie und Statistik Entwurf von Mikrosystemen Basismodule 16 Maschinelles Lernen Hardware und Software eingebetteter Systeme Vertiefungsmodule 24 Modellierung und Tests in der Softwareentwicklung Algorithmen für Drahtlose Netzwerke Probabilistic Robotics Messdatenerfassung und -verarbeitung Regelungstechnik Mikroaktorik Mikrocomputertechnik Echtzeit-Betriebssysteme und Zuverlässigkeit Verifikation eingebetteter Systeme Integrierte analoge CMOS Schaltungen Sensorik Vernetzte eingebettete Systeme Weitere Module 63 Managementmodul: Projektmanagement und Gewerblicher Rechtsschutz Managementmodul: Projektmanagement in Software Engineering für Embedded Systems Teamprojekt Modul Wissenschaftliches Arbeiten Praktikum Microcontroller und FPGA-Systeme Praktikum Messtechnik und Sensorik Master-Arbeit

3 1 Einleitung Der Studiengang Intelligente Eingebettete Mikrosysteme (IEMS) ist modular aufgebaut. Neben Methodenmodulen für Absolventen anwendungsorientierter Studiengänge oder Teilnehmer mit fehlenden Kenntnissen werden Basismodule, sowie Vertiefungs- und Spezialmodule (Seminare, Praktika, Projektmanagement und Gewerblicher Rechtsschutz) angeboten. Informationen zu erwarteten Vorkenntnissen Vorausgesetzt werden für den Studiengang Master Online Intelligente Eingebettete Mikrosysteme grundlegende Programmierkenntnisse (wobei die eingesetzte Programmiersprache zweitrangig ist) und ein Basiswissen in Algorithmen und Datenstrukturen. Ebenso wird Basiswissen in Technischer Informatik bzw. Elektrotechnik vorausgesetzt. Grundkenntnisse in diesen Bereichen sind Zulassungsvoraussetzung für den Studiengang. Sie werden von der Prüfungs- und Zulassungskommission anhand Ihrer eingereichten Bewerbungsunterlagen überprüft. Möglichkeiten zur Erlangung dieser Kenntnisse Sollten Ihnen vereinzelt Kenntnisse in diesen Bereichen fehlen, Ihre Voraussetzungen im Allgemeinen aber für die Zulassung zum Studiengang ausreichend sein, werden im Folgenden mehrere Möglichkeiten erläutert, sich das fehlende Wissen für das Studium selbst anzueignen. Sind Ihre Grundkenntnisse in diesen Gebieten vor Studienbeginn nicht ausreichend, empfehlen wir, an entsprechenden Veranstaltungen an der Universität Freiburg oder der Dualen Hochschule Baden-Württemberg Standort Lörrach als Gasthörer teilzunehmen. Eine Übersicht der Veranstaltungen der Universität Freiburg finden Sie online im Vorlesungsverzeichnis der Universität Freiburg. Auf den Webseiten der Dualen Hochschule Baden-Württemberg Standort Lörrach finden Sie das Studienangebot der Dualen Hochschule im Bereich Technik. Weitere Möglichkeiten zur Erlangung notwendiger Vorkenntnisse: Programmier-Kurse in C++ oder Java, z.b. bei der VHS oder ähnlichen (Weiterbildungs-)Einrichtung Grundlagen der Elektrotechnik: Hierzu finden sich im Internet auch Vorlesungsaufzeichnungen für das Selbststudium auf Video-Servern anderer Universitäten. Vorlesungsaufzeichnungen zu Informatik 2 (Algorithmen und Datenstrukturen) im Electures-Portal der Universität Freiburg Allgemein finden Sie auf dem Electures-Portal der Universität Freiburg ein reichhaltiges Angebot von Vorlesungsaufzeichnungen (Da diese Inhalte z.t. passwortgeschützt oder nur Campusweit verfügbar sind, können Sie den Zugang zu den Materialien unter electures@informatik.uni-freiburg.de erfragen.) Als Student der Universität Freiburg (z.b. Studierender des Master Online IEMS), können Sie sich fehlende Kenntnisse in einem bestimmten Teilgebiet auch durch die Nutzung der umfassenden Sammlung an Fachliteratur in den Bibliotheken (Universitätsbibliothek oder Fachbibliothek der TF) erarbeiten. 2

4 2 Methodenmodule Bachelor-Absolventen von Berufsakademien und Fachhochschulen sollen durch gemeinsam mit der DHBW Lörrach entwickelte Methodenmodule auf ein forschungsorientiertes Studium vorbereitet werden. Die vier Methodenmodule sind abhängig vom Modellstudienplan verpflichtend zu absolvierende Teile des Masterstudiengangs. Sie vermitteln den Stoff in einer kompakten und anspruchsvollen Weise, wie es bei Modulen in Masterstudiengängen an Universitäten üblich ist. Die Inhalte dieser Module berücksichtigen sowohl die vorhandenen Kenntnisse insbesondere von DHBW- (BA-) und FH-Absolventen als auch die fachspezifischen Anforderungen für weiterführende Module; sie wurden in enger Kooperation von Dozenten der DHBW Lörrach, der Universität Hildesheim und der Technischen Fakultät der Universität Freiburg entwickelt. Die Methodenmodule werden als Online-Module angeboten. Die Betreuung erfolgt durch Dozenten und Tutoren der DHBW und Universität. Eine Prüfungsleistung aus aus dem Bereich der Methodenmodule kann zweimal wiederholt werden. 3

5 Entwurf, Analyse und Umsetzung von Algorithmen Kurzbeschreibung Hier werden Kenntnisse und Methoden für den Entwurf, die Analyse und der Implementierung von Algorithmen vermittelt. Es werden insbesondere solche Algorithmen und Datenstrukturen behandelt, die in der Praxis häufig gefragt sind, insbesondere bei Entwurf und Analyse von eingebetteten Systemen. Es werden dabei sowohl Fragen der theoretischen Komplexität und Korrektheit behandelt, als auch Aspekte des Algorithm Engineering, die bei der praktischen Umsetzung von Bedeutung sind. Inbesondere wird dabei der Berücksichtigung praxisrelevanter Rechnerarchitekturen Rechnung getragen. Modulverantwortliche Junior-Prof. Dr. Olaf Ronneberger Lehrveranstaltungstyp Blended learning inkl. tutorieller Betreuung (Vorlesung mit Übung) Turnus Jedes Wintersemester Sprache Deutsch Bedeutung innerhalb des Curriculums Eines von vier verpflichtend zu belegenden Methodenmodule für Bachelor-Absolventen von Berufsakademien und Fachhochschulen 4

6 Voraussetzungen Grundkenntnisse im Bereich Algorithmen und Datenstrukturen, wie sie z.b. bei einem Informatikstudium oder einem verwandten Studium erlangt werden. Bei Bedarf sollten diese Kenntnisse auf anderem Wege erlangt werden, z.b. durch Electures an der Universität Freiburg. Lernziele Ziel dieses Moduls ist es, Kenntnisse und Fertigkeiten zur Beurteilung der Qualität von Algorithmen und zur in der Praxis effizienten Implementierung zu vermitteln. Insbesondere werden dabei solche Algorithmen und Qualitätsaspekte behandelt, die für den Entwurf und die Analyse von IEMS grundlegend sind. Viele der in diesem Modul vermittelten Inhalte sind vermutlich aus dem früheren Studium bekannt, aber gegebenenfalls nicht in ausreichender Tiefe behandelt worden oder nicht mehr präsent. Die Inhalte werden also in einer Form angeboten, die Masterstudierenden mit entsprechenden formalen Fähigkeiten angemessen sind. Das Modul vermittelt Studierenden die Fähigkeit, Laufzeit und Speicherbedarf von Algorithmen mit mathematischen Mitteln abzuschätzen. Sie beherrschen die wichtigsten Techniken zum Entwurf und zur Analyse von Algorithmen und können die Mächtigkeit algorithmischer Entwurfsprinzipien, wie Divide and Conquer, Dynamische Programmierung, Randomisierung, u.ä. einschätzen und anwenden. Sie kennen Standard-Datenstrukturen (Listen, Bäume, Graphen), wissen, wie man sie nutzt, und kennen wichtige Algorithmen für Bäume und Graphen. Lehrinhalt Das Modul gibt eine kompakte Einführung in das Verständnis grundlegender Algorithmen und Datenstrukturen (40%), die dahinter stehenden Methoden und Techniken zur Komplexitätsabschätzung und Korrektheitsbeweise (30%), sowie besondere Techniken zur effizienten Umsetzung in der Praxis (30%). Die meisten dieser Inhalte sind vermutlich aus dem früheren Studium bekannt, aber ggfs. nicht in ausreichender Tiefe behandelt worden oder nicht mehr präsent. Die Inhalte werden also in einer Form angeboten, die Masterstudierenden mit entsprechenden formalen Fähigkeiten angemessen sind. Zu den grundlegegenden Algorithmen und Datenstrukturen gehören: Sortieren, assoziative Arrays und Hashfunktionen, Prioritätswarteschlangen, dynamische Felder, Suchbäume, Graphenalgorithmen, Stringalgorithmen. Zu den Methoden, Techniken zur Komplexitätsabaschätzung und Korrektsbeweisen gehören: asymptotische Analyse, O-Notation 5

7 Induktionsbeweise divide and conquer amortisierte Analyse, Potentialfunktionen, dynamische Programmierung. Zu den besonderen Techniken zur effizienten Umsetzung gehören: Verständnis und Beachtung von Cache- und IO-Effizienz, Verständnis und Beachtung von Coding Standards, Unit Testing, Laufzeitmessungen und Profiling. Workload Art Workload in h Online-Phasen 48 Online-Betreuung 35 Eigenarbeit 80 Präsenz 15 Kompetenznachweis 2 Summe 180 ECTS-Kreditpunkte 6 Studien- und Prüfungsleistungen mündlich oder schriftlich Literatur Kurt Mehlhorn und Peter Sanders: Algorithms and Data Structures - The Basic Toolbox. Springer, Online verfügbar. T. Cormen, C. Leiserson, R. Rivest, C. Stein. Introduction to Algorithms. Third Edition. MIT Press,

8 Mikroelektronische Bauelemente und Grundschaltungen Kurzbeschreibung Nach der Behandlung einiger elektrotechnischer Grundlagen, werden zunächst die wichtigsten elektronischen Bauelemente eingeführt. Diese bilden die Grundlage für die Entwicklung grundlegender analoger Schaltungen. Mit den Kenntnissen der analogen Schaltungstechnik lassen sich dann auch die grundlegenden Schaltungen der Digitaltechnik vermitteln. Den Abschluss bildet die Betrachtung von Halbleiterspeichern, dessen Varianten und Implementierung. Die Inhalte können u.a. für die Analyse und Synthese elektronischer Schaltungen, in Operationsverstärker-Schaltungen für die Messtechnik oder zur Anwendung in digitalen Systemen verwendet werden. Modulverantwortliche Prof. Dr. Yiannos Manoli Prof. Dr. Axel Sikora Lehrveranstaltungstyp Blended learning inkl. tutorieller Betreuung (Vorlesung mit Übung) Turnus Jedes Wintersemester Sprache Deutsch Bedeutung innerhalb des Curriculums Eines von vier verpflichtend zu belegenden Methodenmodulen für Bachelor-Absolventen von Berufsakademien und Fachhochschulen. 7

9 Voraussetzungen keine Lernziele Die Studierenden sind in der Lage, die Funktion der Halbleiterbauelemente zu verstehen, um dann einfache analoge und digitale Grundschaltungen selbst zu entwickeln. Hierzu gehören vor allem Operationsverstärker und ihre Grundschaltungen, Hilfsschaltungen wie Stromspiegel, Ausgangstreiber und Spannungskonverter, digitale Grundgatter für digitale Logik- und Speicherzellen, sowie digitale Grundschaltungen. Lehrinhalt Die Vorlesung setzt sich im Wesentlichen aus zwei Bestandteilen zusammen: Es werden zunächst die wichtigsten mikroelektronischen Bauelemente eingeführt. Ausgehend von der MOS-Grundstruktur werden zunächst MOS-Kondensatoren, Ladungsgekoppelte Bauelemente (CCD) sowie MOS-Feldeffekttransistoren behandelt. Ebenso werden die Grundlagen von MESFET und JFET erarbeitet, sowie die DC-Kennlinien dieser Bauelemente hergeleitet. Bipolare Bauelemente, pn-dioden, npn- bzw. pnp-transistoren, und spezielle Bauteile wie Tunnel- und Zenerdioden werden behandelt. Aus dem Großsignalverhalten werden die verschiedenen Kleinsignalersatzschaltbilder der unipolarensowie bipolaren Bauelemente hergeleitet. Diese sind dann ihrerseits die Grundlage für die Entwicklung grundlegender analoger Schaltungen. Hierbei spielen die Grundschaltungen für Transistoren und Dioden, Grundschaltungen von Operationsverstärkern, Stromspiegel, Ausgangstreiber, sowie Spannungskonverter eine zentrale Rolle. Mit den Kenntnissen der analogen Schaltungstechnik lassen sich dann auch die grundlegenden Schaltungen der Digitaltechnik in Bipolar-, CMOS und BiCMOS-Technologie vermitteln. Als Grundelemente werden logische Grundgatter, die bistabile Kippstufen (Flipflops) und Speicherzellen betrachtet. Hierauf aufbauend werden häufig verwendete einfache Schaltungselemente, wie Codierer und Decodierer, einfache Zähler und Addierer erläutert, die dann die Grundlage für die komplexeren Schaltkreise des Basismoduls Technik eingebetteter Systeme darstellen. Hierbei werden mit synchronen und asynchronen statischen Schaltungstechniken unterschiedliche Realisierungen vorgestellt. Alle Schaltungen werden unter den Aspekten des Entwurfsraums aus Fläche und Herstellungsaufwand, Verlustleistung, Stabilität sowie Leistungsfähigkeit betrachtet. Es werden die Zellelemente digitaler Schaltungen besprochen, um hierauf aufbauend in dem Basismodul Technik eingebetteter Systeme Speicher als Gesamtbauelemente einzuführen. 8

10 Workload Art Workload in h Online-Phasen 50 Online-Betreuung 30 Eigenarbeit 83 Präsenz 15 Kompetenznachweis 2 Summe 180 ECTS-Kreditpunkte 6 Studien- und Prüfungsleistungen mündlich oder schriftlich Literatur Elektronik G. Koß, W. Reinhold, Lehr- und Übungsbuch Elektronik, Fachbuchverlag Leipzig im Carl Hanser Verlag, 2000 U. Tietze, C. Schenk, E. Gamm, Halbleiter Schaltungstechnik, Springer 2002 R. Spencer, M.S. Ghausi, Introduction to Electronic Circuit Design, Prentice Hall, 2003 Digitaltechnik K. Beuth, Digitaltechnik, Vogel, 2003 C. Siemers, A. Sikora, Taschenbuch Digitaltechnik, Fachbuchverlag Leipzig im Carl Hanser Verlag, 2. Auflage 2007 P. Pernards, Digitaltechnik I. Grundlagen, Entwurf, Schaltungen, Hüthig 2001 P. Pernards, Digitaltechnik, Bd.2, Einführung in die Schaltwerke, Hüthig 1995 K. Urbanski, R. Woitowitz, Digitaltechnik, Springer-Verlag,

11 Wahrscheinlichkeitstheorie und Statistik Kurzbeschreibung In diesem Kurs werden vertiefte Grundlagenkenntnisse in Wahrscheinlichkeitstheorie, Statistik, Differentialgleichungen und Funktionstransformationen vermittelt, wie sie für Aufgaben in der Forschung und Industrie benötigt werden. Statistische Schätzer werden z.b. eingesetzt, um aus Beobachtungen Schlüsse auf das zugrundeliegende System zu ziehen. So kann z.b. aus mehreren Messungen des Stromverbrauchs eines elektronischen Bauteils auf dessen durchschnittliche Leistungsaufnahme und deren erwarteter Abweichung geschlossen werden. Statistische Hypothesentests sind ein Werkzeug für die Interpretation von Ergebnissen aus Messreihen. Sie können z.b. dazu eingesetzt werden, Bauteile auf deren Spezifikation zu überprüfen. Modulverantwortlicher Prof. Dr. Dr. Lars Schmidt-Thieme Lehrveranstaltungstyp Blended learning inkl. tutorieller Betreuung (Vorlesung mit Übung) Turnus Jedes Sommersemester Sprache Deutsch Bedeutung innerhalb des Curriculums Eines von vier verpflichtend zu belegenden Methodenmodulen für Bachelor-Absolventen von Berufsakademien und Fachhochschulen. 10

12 Voraussetzungen Im Rahmen des Studiengangs IEMS: Entwurf, Analyse und Umsetzung von Algorithmen Lernziele Studierende sollen lernen, intuitive Konzepte wie Wahrscheinlichkeit, Zufall, Unabhängigkeit formal und präzise zu fassen und ihre grundsätzliche Bedeutung für die Behandlung nicht-deterministischer Probleme erkennen zu können. Sie sollen das Konzept eines statistischen Tests in verschiedenen Anwendungsformen verstehen. Sie sollen das Konzept eines statistischen Modells verstehen sowie verschiedene Methoden zum Lernen solcher Modelle aus Daten umsetzen und anwenden können. Sie sollen Basiskenntnisse im Bereich der Differentialgleichungen und Funktionstransformationen erlangen. Lehrinhalt Die Vorlesung gibt eine Einführung in die Wahrscheinlichkeitstheorie und Statistik. Ausgehend von den elementaren Begriffen der Wahrscheinlichkeit, der Zufallsvariable und des Erwartungswertes werden zunächst grundlegende Ungleichungen sowie die Konvergenz von Zufallsvariablen behandelt. In einem zweiten Teil werden Themen des statistischen Schließens behandelt: parametrische vs. nicht parametrische Modelle, Schätzen von Verteilungsfunktionen, der Bootstrap, Parameter-Inferenz, Hypothesen-Tests, Bayessche Inferenz und statistische Entscheidungstheorie. In einem dritten Teil werden wichtige analytische Basismethoden der Regelungstechnik vorgestellt: gewöhnliche und partielle Differentialgleichungen sowie Integraltransformationen (Fourier- und Laplacetransformation). Workload Art Workload in h Online-Phasen 50 Online-Betreuung 30 Eigenarbeit 83 Präsenz 15 Kompetenznachweis 2 Summe 180 ECTS-Kreditpunkte 6 11

13 Studien- und Prüfungsleistungen Die Prüfung besteht aus einer zweistündigen Klausur. Regelmäßige Teilnahme an den Übungen ist wichtig für das Verständnis und wird auch mit einem Bonus von bis zu 10% der Punkte auf die Klausur angerechnet. Es gibt keine Zulassungskriterien zur Klausur. Literatur Larry Wasserman (2004): All of Statistics, Springer Morris H. DeGroot, Mark J. Schervish (2001): Probability and Statistics, Addison Wesley Kurt Meyberg, Peter Vachenauer (2001): Höhere Mathematik 2, Springer. 12

14 Entwurf von Mikrosystemen Kurzbeschreibung In diesem Kurs beschäftigen Sie sich mit den Grundbegriffen und Konstruktionselementen der Mikrosystemtechnik, z.b. mit verschiedenen Typen von Sensoren und Aktoren. Ebenso wird die Systemebene betrachtet und beispielhafte Systeme werden durch die Nutzung von MATLAB modelliert und simuliert. In einem dritten Teil werden Entwurf und Verfeinerung von Mixed-Domain Systemen behandelt. Durch diesen Kurs bekommen Sie ein tieferes Verständnis für den Entwurfsablauf zur Implementierung mikrosystemtechnischer Komponenten und Systeme. Modulverantwortliche Prof. Dr. Yiannos Manoli Prof. Dr. Oliver Paul Prof. Dr. Leonard Reindl Lehrveranstaltungstyp Blended learning inkl. tutorieller Betreuung (Vorlesung mit Übung) Turnus Jedes Sommersemester Sprache Deutsch Bedeutung innerhalb des Curriculums Eines von vier verpflichtend zu belegenden Methodenmodulen für Bachelor-Absolventen von Berufsakademien und Fachhochschulen. 13

15 Voraussetzungen keine Lernziele Die Studierenden haben ein Verständnis für die methodische Vorgehensweise beim Entwurf von Mikrosystemen und einen Überblick über die elementaren Konzepte der Methodik. Vordergründig beherrschen sie das Prinzip des Top-Down-Entwurfs. Den Ausgangspunkt bildet die Spezifikation, die im Verlauf des Entwurfsprozesses immer weiter verfeinert wird und dabei eine Betrachtung auf verschiedenen Ebenen erlaubt. Sie kennen die Grundlagen der Prozesstechnik und der Betrachtung der physikalischen Grundlagen zur Beschreibung mikromechanischer Systeme. Die Studierenden beherrschen folgende Stationen des Entwurfsablaufs: Systementwurf und abstrakte Beschreibung bzw. Modellierung als ausführbare Spezifikation auf Systemebene mittels MATLAB/Simulink (Signalfluss). Möglichkeiten der Modellierung und Simulation von Schaltungen mit Spice. Entwurf und Verfeinerung von Mixed-Domain Systemen unter Zuhilfenahme entsprechender Beschreibungs- und Simulationswerkzeuge (Differentialgleichungen, VHDL-AMS). Simulationsmöglichkeiten, basierend auf der Finite-Elemente-Methode zur Modellierung mikromechanischer Systeme (Sensoren, Aktoren) und der damit verbundenen physikalischen Vorgänge, die mittels Differentialgleichungen beschrieben werden können (ANSYS, FEMLAB). Neben der Realisierung der gewünschten Spezifikation (und damit der Funktionsweise) kennen die Studierenden Möglichkeiten zur Verifikation der Funktionsfähigkeit des Systems und sind in der Lage, diese frühzeitig und auf allen Ebenen des Entwurfsablaufs zu berücksichtigen. Lehrinhalt Einführend wird die Prozesstechnik erläutert und die physikalischen Grundlagen zur Beschreibung mikromechanischer Systeme behandelt. Weitere Themen sind der Entwurfsablauf, Entwurfsstile, Simulationsmöglichkeiten, die Vorstellung von Simulationswerkzeugen wie Spice zur Schaltungssimulation, von Hardwarebeschreibungssprachen und letztendlich der Abbildung von Spezifikationen auf Prozesse. Für die Implementierung von mikromechanischen Systemen wird die Anwendung von Simulatoren (wie ANSYS und FEMLAB), die auf der Finite-Elemente-Methode basieren, erläutert und um die notwendigen Grundlagen ergänzt. All diese Konzepte werden im Kontext des Top-Down-Entwurfs dargestellt und exemplarisch an Hand eines Sensorsystems erläutert. Zur abstrakten Beschreibung auf Systemebene wird MATLAB/Simulink als adäquates Werkzeug zur Simulation ausführbarer Spezifikationen vorgestellt. 14

16 Workload Art Workload in h Online-Phasen 50 Online-Betreuung 30 Eigenarbeit 83 Präsenz 15 Kompetenznachweis 2 Summe 180 ECTS-Kreditpunkte 6 Studien- und Prüfungsleistungen mündlich oder schriftlich Literatur Integrierte CAD-Anwendungen, S. Haasis, Springer Verlag, 1995 FEM für Praktiker, G. Müller, C. Groth, Expert-Verlag, 1998 VLSI-Design Techniques for Analog and Digital Circuits, R. L. Geiger, P. E. Allen und N. R. Strader, McGraw-Hill Series in Science and Engineering, 1990 The System Designer s Guide to VHDL-AMS. Analog, Mixed-Signal, and Mixed- Technology Modeling, P. J. Ashenden, G.D. Peterson und D. A. Teegarden, Morgan Kaufmann Publishers, 2002 MATLAB/Simulink Online Documentation, 15

17 3 Basismodule Das Studienprogramm sieht vor, dass alle Studierenden zwei Basismodule belegen. Diese schaffen die gemeinsamen Grundlagen für die Vertiefungsrichtungen, indem sie jeweils in die Technik und die algorithmischen Methoden für IEMS einführen. Die Basismodule werden als Online-Module angeboten. Eine Prüfungsleistung aus aus dem Bereich der Basismodule kann zweimal wiederholt werden. 16

18 Maschinelles Lernen Kurzbeschreibung Die Vorlesung gibt eine Einführung in das Forschungsgebiet Maschinelles Lernen. Behandelt werden Methoden des überwachten, unüberwachten und optimierenden Lernens. Themengebiete sind unter anderem: Lernen im Hypothesenraum, Entscheidungsbäume, neuronale Netze, etc... Gründe sich mit maschinellem Lernen auseinanderzusetzen sind unter anderem: die Fortschritte in der Algorithmenentwicklung und der dazugehörigen Theorie die stetig zunnehmende Menge an Daten die steigende Rechenleistung es handelt sich um einen aufstrebenden Industriezweig Es gibt unter anderem folgende drei Nischen für Maschinelles Lernen: Data mining: Nutzung historischer Daten, um die Entscheidungsfindung zu verbessern (Bsp.: Medizinische Akten Medizinisches Wissen) Softwareanwendungen die nicht mehr manuell programmierbar sind (Bsp.: Autonomes Fahren, Spracherkennung) Selbstanpassende Programme (Bsp.: Newsreader der sich an die Vorlieben des Benutzers anpasst) Modulverantwortlicher Prof. Dr. Martin Riedmiller Lehrveranstaltungstyp Blended learning inkl. tutorieller Betreuung (Vorlesung mit Übung) Turnus Jedes Wintersemester Sprache Deutsch oder Englisch 17

19 Bedeutung innerhalb des Curriculums Eines zweier verpflichtend zu belegender Basismodule zur Vorbereitung auf die Vertiefungsmodule. Voraussetzungen Grundkenntnisse im Bereich Algorithmen und Datenstrukturen Mathematische Grundkenntnisse Im Rahmen des Studiengangs IEMS: Für Absolventen mit Uni-Diplom: keine Für Absolventen mit Bachelor: Grundlagen in Algorithmen und Datenstrukturen Für BA oder FH Bachelor-Absolventen: Methodenmodule Lernziele Die Studierenden sind nach der Bearbeitung des Moduls dazu in der Lage, sowohl exemplarische Modelle und Algorithmen des maschinellen Lernens sinnvoll zu interpretieren als auch Methoden zur Entwicklung von lernfähigen Systemen anhand konkreter Problemstellungen anzuwenden. Sie können den gesamten Entwurfsprozess von grundsätzlicher Modellierung, Modellwahl und Konfiguration des Algorithmus unter Verwendung von Rapidminer selbstständig durchführen. Lehrinhalt Der Kurs hat folgenden logisch/ inhaltlichen Aufbau. Zunächst wird in Block 1 (Einheit 1) eine allgemeine Einführung in das Forschungsgebiet Maschinelles Lernen gegeben und eine grobe Einteilung der wesentlichen Teilgebiete vorgenommen. Der 2. Block umfasst die Einheit 2. Hier werden an einem ersten einfachen Modell, dem Konzeptlernen, grundlegende Problematik und Aufgabenstellung des maschinellen Lernens vermittelt. Grundlegende Konzepte wie z.b. der Induktive Bias werden eingeführt, die sich durch die gesamte Vorlesung ziehen. Der 3. Block umfasst die Einheiten Decision Trees, Perceptrons und Multilayer perceptrons. In diesem Block werden 3 unterschiedliche Modelle des maschinellen Lernen vorgestellt, die praktische Relevanz haben. Es werden dabei sowohl theoretische Grundlagen wie Repräsentationsfähigkeit der Modelle und Konvergenz der Lernalgorithmen angesprochen als auch praktische Aspekte diskutiert. Im 4. Block (Einheit Generalisation ) wird am Beispiel neuronaler Netze das Thema Generalisierungsfähigkeit diskutiert. Der 5. Block (Einheit Boosting ) widmet sich der Komiteebildung, die für alle vorgestellten Modelle des maschinellen Lernens eine wichtige Möglichkeit zur Verbesserung der Generalisierungsfähigkeit darstellt. 18

20 Im 6. Block (Kapitel Probabilities und Bayes ) wird eine wesentliche Verallgemeinerung der bisherigen Betrachtungsweise in Richtung Wahrscheinlichkeitstheorie vorgenommen. Es werden sowohl bisherige Lösungsansätze im probabilistischen Kontext neu interpretiert als auch originär probabilistische Lernverfahren vorgestellt. Der 7. Block gibt Anregungen über Vertiefungen und weitere Aspekte des Forschungsgebiets Maschinelles Lernen ( Einheiten Evolutionary Algorithm, Reinforcement Learning, Unsupervised Learning ) Einheiten 1. Introduction 2. Concept Learning 3. Decision Trees 4. Perceptrons 5. MLPs 6. Generalisation 7. Boosting 8. Probabilities 9. Bayesian Learning 10. Evolutionary Algorithms 11. Unsupervised Learning 12. Reinforcement Learning Praktische Übungen Die Vorlesung wird begleitet durch 3 praktische Aufgabenstellungen ( E-Trainings ). Diese basieren auf dem frei verfügbaren Werkzeug Rapidminer. Die Besonderheit von Rapidminer ist, dass dies auch als kommerzielles Produkt vertrieben wird und damit insbesondere auch für industrielle Anwendungen interessant ist. Aufgabenstellung 1 gehört zu Block 3 und behandelt Decision Trees. Aufgabenstellung 2 gehört zu Block 3 und 4 und behandelt Multilayer Perceptrons. Aufgabenstellung 3 ist eine freie Aufgabenstellung, bei der der gesamte Entwurfsprozess von grundsätzlicher Modellierung, Modellwahl und Einstellung des Algorithmus eingeübt werden soll. 19

21 Workload Art Workload in h Online-Phasen 48 Online-Betreuung 35 Eigenarbeit 80 Präsenz 15 Kompetenznachweis 2 Summe 180 ECTS-Kreditpunkte 6 Studien- und Prüfungsleistungen mündlich oder schriftlich Literatur Neural networks for pattern recognition, Christopher M. Bishop Seiten Neural Networks: A Comprehensive Foundation, Simon Haykin, Prentice Hall Introduction To Machine Learning, Ethem Alpaydin, MIT Press Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, MIT Press, Cambridge, MA,

22 Hardware und Software eingebetteter Systeme Kurzbeschreibung In diesem Kurs werden Kenntnisse des Hardware/ Software-Codesign für eingebettete Systeme vermittelt. Zuerst werden Möglichkeiten zur Spezifikation eingebetteter Systeme vorgestellt. Dann wird die Implementierung von eingebetteten Systemen behandelt. Anschließend wird die schaltungstechnische Sicht der Hardware eingebetteter Systeme betrachtet. Die Inhalte können z.b. zur Spezifikation eingebetteter Systeme wie etwa für Tempomaten oder Steuergeräte zur Motorsteuerung, sowie der Realisierung komplexer eingebetteter Systeme mit Hilfe einer leistungsfähigen Entwurfsmethodik oder für das Design von Mikroprozessoren verwendet werden. Modulverantwortliche Prof. Dr. Bernd Becker Prof. Dr. Yiannos Manoli Prof. Dr. Christoph Scholl Lehrveranstaltungstyp Blended learning inkl. tutorieller Betreuung (Vorlesung mit Übung) Turnus Jedes Wintersemester Sprache Deutsch Bedeutung innerhalb des Curriculums Eines zweier verpflichtend zu belegender Basismodule zur Vorbereitung auf die Vertiefungsmodule. 21

23 Voraussetzungen Im Rahmen des Studiengangs IEMS: Für Absolventen mit erstem forschungsorientiertem Abschluss (Universität): keine Für Absolventen mit erstem anwendungsorientiertem Abschluss (BA oder FH): Methodenmodule Lernziele Die Studierenden haben Kenntnis der spezifischen Eigenschaften von eingebetteten Systemen. Sie kennen Basiskomponenten und daraus konstruierte Teilkomponenten eingebetteter Systeme. Sie sind in der Lage, die daraus resultierenden Anforderungen an Schnittstellen und das Gesamtsystem zu erfassen. Sie kennen die elementaren Konzepte zum Entwurf derartiger Systeme und Kriterien für die Partitionierung in Hardware bzw. Software. Sie können spezifische Methoden aus der Softwaretechnik einerseits und dem Hardwareentwurf andererseits zu einer leistungsfähigen Entwurfsmethodik kombinieren, sowie die Anforderungen bzgl. Größe, Reaktionszeiten, Kosten und Energieverbrauch des resultierenden Gesamtsystems berücksichtigen. Lehrinhalt Eingebettete Systeme gelten als die Schlüsselanwendung der Informationstechnologie in den kommenden Jahren und sind, wie der Name bereits andeutet, Systeme, bei denen Informationsverarbeitung in eine Umgebung eingebettet ist und dort komplexe Regelungs-, Steuerungs- oder Datenverarbeitungsaufgaben übernimmt. In dem Modul beschäftigen sich die Studierenden mit grundlegenden Techniken für Entwurf und Realisierung eingebetteter Systeme. Bei der Behandlung der Bauelemente eingebetteter Systeme wird ausgehend von Grundbausteinen für die Wandlung von Sensorsignalen in die digitale Domäne, zunächst Architektur und Arbeitsweise von einzelnen Systemkomponenten (ALU, Speicherblöcke und deren Integration in das Gesamtsystem, Schnittstellenbausteine und deren schaltungstechnische Implementierung) erläutert, und es werden die Methoden zum Entwurf und Optimierung der zugehörigen Komponenten bezüglich Geschwindigkeit, Energieverbrauch und Testbarkeit vorgestellt. Darüber hinaus werden Prozessorarchitekturen für eingebettete Systeme, etwa Mikrocontroller und digitale Signalprozessoren, eingeführt. Es schließt sich ein Überblick über Spezifikationssprachen und -methoden für eingebettete Systeme (wie z.b. Statecharts, Petrinetze, VHDL, SystemC) und Verfahren zum Hardware-/Software-Codesign an. Die vorgestellten Modellierungswerkzeuge werden dazu benutzt, um darauf aufsetzend sowohl Hardware zu synthetisieren als auch durch Codegeneratoren Software für existierende Controller bzw. Prozessoren zu generieren. 22