|
Vorlesungs- und Modulverzeichnis nach Studiengängen >> Technische Fakultät (Tech) >> Computational Engineering (CE) >> Bachelorstudiengang >> Lehrveranstaltungsverzeichnis (CE-BA) >>
|
Seminare (CE-BA-SEM)
|
Seminar Graphische Datenverarbeitung [GraHS] -
- Dozentinnen/Dozenten:
- Marc Stamminger, Tobias Günther
- Angaben:
- Hauptseminar, benoteter Schein, ECTS: 5, für Anfänger geeignet, geeignet als Schlüsselqualifikation
- Termine:
- Fr, 14:15 - 15:45, Raum n.V.
- Studienrichtungen / Studienfächer:
- WPF CE-BA-SEM 1-6
- Inhalt:
- Dieses Seminar befasst sich mit fortgeschrittenen Themen im Visual Computing und umfasst sowohl bahnbrechende als auch aktuelle Forschungspublikationen. Die Themen beinhalten unter anderem Animation, Rendering, Materialien, Fabrication, und Capturing.
Lernziele
Darlegen von aktuellen Forschungsproblemen in der Computergraphik
Erfassen des Inhalts von wissenschaftlichen Texten
Verbessern der Präsentations- und Argumentationsfähigkeiten
Üben des Verfassens wissenschaftlicher Texte
Das Seminar bietet den Teilnehmenden die Chance einen Überblick über viele Themen in der Computergraphik zu erhalten und sich gleichzeitig in ein selbstgewähltes Thema zu vertiefen. Während des Semesters steht es den Teilnehmenden frei praktische Erfahrungen zu sammeln, bspw. durch Nachimplementieren, Testen von veröffentlichtem Code, oder der Suche ähnlichen oder verwandten Implementierungen. Dies ist nicht zwingend erforderlich, aber es ist sehr empfehlenswert um ein Gespühr dafür zu entwickeln, ob das Thema auch in Zukunft für Abschlussarbeiten oder den Berufsweg interessant ist. Bewertung
Jede/r Seminarteilnehmer/in wählt eine der in der ersten Session vorgestellten Publikationen aus, und stellt deren Inhalt im Laufe des Semesters in einem Vortrag vor. Die Vorträge beginnen ca. 3-4 Wochen nach Semesterstart. Der Vortrag geht zu 70% in die Gesamtnote ein. Desweiteren wird eine schriftliche Ausarbeitung zur gewählten Publikation bis spätestens zum 12. Februar eingereicht, welche zu 30% in die Bewertung eingeht. Vortrag und schriftliche Ausarbeitung können auf Deutsch oder Englisch verfasst sein. Die Vorträge werden thematisch gruppiert. Der Vortragstermin ist daher nicht frei wählbar. Zusammengefasst setzt sich die Gesamtnote zusammen aus:
Ein wesentlicher Bestandteil bei der Bewertung des Vortrages ist die anschließende Diskussion. Um mehr Fragen zu generieren sind alle Teilnehmer/innen angehalten, alle Publikationen vor der jeweiligen Präsentation zu lesen, eine Zusammenfassung zu schreiben, und sich mindestens eine Frage zu überlegen. Die Zusammenfassung und Frage können eingereicht und bewertet werden. Werden im Verlauf des Semesters 80% der Punkte erreicht, wird die Gesamtnote um 0.3 Notenpunkte erhöht. Das Einreichen von Zusammenfassung und Frage erfolgt in Englischer Sprache und ist freiwillig.
Für dieses Seminar besteht Anwesenheitspflicht, wobei maximal drei Fehlstunden erlaubt sind. Bei medizinischen Gründen oder anderen besonderen Vorkommnissen werden Ausnahmen gemacht, sofern diese vor dem Termin vereinbart worden sind. Virtuelles Seminar
Das Seminar findet komplett virtuell per Zoom statt. Jede Woche wird der selbe Zoom-Raum verwendet. Detailiert Informationen zum Beitritt werden vor der ersten Session per e-Mail versendet. Folgendes ist dabei zu beachten:
Verwenden Sie Ihren echten Namen (Vorname und Nachname), wenn Sie in den Raum eintreten oder nennen Sie sich gegebenfalls nach Eintritt dahingehend um. Dies ist sehr wichtig, um die Anwesenheitsliste zu erfassen. Warten Sie am besten nach Abschluss der Vorträge bis die Anwesenheit vollständig erfasst ist.
Während der Präsentation sollten alle Zuhörer ihr Mikrofon stumm schalten.
Verwenden Sie ein Head-Set um Feedback-Loops zu vermeiden.
Während des Vortrages hat der/die Vortragende die Webcam zu aktivieren. Allen weiteren Teilnehmern steht es frei die Webcam zu aktivieren, was in der Regel für mehr Austausch und Interaktion sorgt.
- Schlagwörter:
- Seminar, Computer Graphics
|
|
IT-Unterstützung für energieeffizientes Bauen und Sanieren [EneBSem] -
- Dozent/in:
- Wolfgang Lindner
- Angaben:
- Seminar, ECTS: 5, nur Fachstudium
- Termine:
- Anmeldung erfolgt per Email an: Wolfgang.Lindner@informatik.uni-erlangen.de; Vorbesprechung nach Vereinbarung
- Studienrichtungen / Studienfächer:
- WPF CE-BA-SEM 3
- Inhalt:
- Wer heute neu baut oder saniert ist nach der Energieeinsparungsverordnung 2014 angehalten, energieeffizient zu bauen bzw. zu sanieren. Auf der anderen Seite entsteht gerade ein Trend, Gebäude mehr und mehr mit IT-Komponenten zu versehen und diese zu vernetzen. Es entstehen Smart Homes. Hieraus ergeben sich Synergien, die es gilt zu nutzen.
Das Seminar gibt den Teilnehmern die Möglichkeit, sich mit nachfolgenden Themengebieten vertraut zu machen und zeigt Wege auf, um mit Hilfe von Smart Home-Lösungen, den Energiebedarf noch weiter zu senken. Grundlagen (entspricht Modul "Planung und Umsetzung – Wohngebäude (KfW)" des DENA Weiterbildungskatalogs)
Block 1: Rechtliches
Block 2: Gebäudehülle in Neubau und Bestand
Block 3: Anlagentechnik und erneuerbare Energien in Neubau und Bestand
Block 4: Energieausweis, Modernisierungsempfehlungen, Wirtschaftlichkeit
Block 5: Planung/Baubegleitung
IT-basiertes Gebäudemanagement
Block 6: Erfassung von Gebäudeparametern mit Hilfe von Sensoren/Sensornetzwerken
Block 7: Bussysteme – zentrale vs. dezentrale Systeme; Standards und offene Systeme
Block 8: Schemaintegration und Datenmanagement verteilter heterogener Anlagentechnik
Block 9: Senken des Energiebedarfs mit Hilfe intelligente Steuerungsalgorithmen
|
|
Machine Learning: Introduction [SemML-I] -
- Dozentinnen/Dozenten:
- Tobias Feigl, Christoffer Löffler, Christopher Mutschler
- Angaben:
- Seminar, 2 SWS, ECTS: 5, Anmeldung mit Themenanfrage per E-Mail vor Beginn des Seminars; Die Themen werden nach dem Prinzip "Wer zuerst kommt, mahlt zuerst" verteilt.
- Termine:
- Findet als Blockveranstaltung statt. Lehrveranstaltung wird ausschließlich digital angeboten - Details siehe StudOn-Kurs.
- Studienrichtungen / Studienfächer:
- WPF CE-BA-SEM ab 1
- Voraussetzungen / Organisatorisches:
- Dieser Kurs richtet sich an Anfänger, die mit maschinellem Lernen nicht vertraut sind, oder an Studierende, die eine schnelle Auffrischung suchen.
Anmeldung via e-mail an tobias.feigl@fau.de
- Inhalt:
- Dieses Seminar führt in das Themengebiet des maschinellen Lernens (ML) ein. ML ist die Wissenschaft, Computer zum Handeln zu bewegen, ohne explizit programmiert zu werden. ML ist heute so allgegenwärtig, dass wir es wahrscheinlich täglich verwenden, ohne es zu wissen. So hat ML in den letzten Jahren beispielsweise selbstfahrende Autos, praktische Bild- und Spracherkennung und die effektive Partner- und Websuche ermöglicht.
Ziel des Seminars ist eine umfassende Einführung in das maschinelle Lernen, Analyse und Verarbeitung von Daten sowie statistische Mustererkennung. Zu den Themen gehören: (1) Klassifizierungs- und Regressionsprobleme; (2) überwachtes Lernen (parametrische und nicht parametrische Algorithmen, lineare und logistische Regression, k-nächster Nachbar, Support-Vector-Machines, Entscheidungsbäume, flache neuronale Netze); (3) unüberwachtes Lernen (K-Means, Clustering, Dimensionsreduktion, PCA, LDA, Empfehlungssysteme); (4) Ensemble- und Online-Lernen; (5) Regularisierung: Modelldiagnose, Fehleranalyse und Qualitätsmetriken sowie Interpretation der Ergebnisse; (5) evolutionäre Algorithmen; (6) Anomalieerkennung und Gaußsche Verteilungen; (7) Bayes, Kalman-Filter und Gaußsche Prozesse.¹ Das Seminar gibt einen Einblick in die Welt des maschinellen Lernens und befähigt den Studierenden eine wissenschaftliche Präsentation und Ausarbeitung anzufertigen, um individuell erworbenes Wissen einem Fachpublikum vermitteln zu können. ¹ Die Themen sind an den aktuellen Forschungsstand angepasst und wechseln sich jährlich ab.
- Empfohlene Literatur:
- A. Müller und S. Guido: Introduction to Machine Learning with Python: A Guide for Data Scientists, O'Reilly UK Ltd., 2016
K. P. Murphy: Machine learning - a probabilistic perspective, Adaptive computation and machine learning series, MIT Press, 2012.
T. J. Hastie und R. Tibshirani und J. H. Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer Series in Statistics, 2009.
T. M. Mitchell: Machine Learning, McGraw-Hill Education Ltd., 1997
F. V. Jensen: An Introduction To Bayesian Networks, Springer, 1996
J. A. Freeman: Simulating neural networks - with Mathematica, Addison-Wesley Professional, 1993
J. A. Hertz und A. Krogh und R. G. Palmer: Introduction to the theory of neural computation, Westview Press, 1991
R. Rojas: Theorie der neuronalen Netze - eine systematische Einführung, Springer, 1993
W. Banzhaf und F. D. Francone und R. E. Keller und P. Nordin: Genetic programming - An Introduction: On the Automatic Evolution of Computer Programs and Its Applications, Morgan Kaufmann, 1998
M. Mitchell: An introduction to genetic algorithms, MIT Press, 1996
Z. Michalewicz: Genetic Algorithms + Data Structures = Evolution Programs, Springer, 1992
M. Bishop: Pattern Recognition and Machine Learning (Information Science and Statistics), Springer, 2006
|
|
|
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|