|
|
Vorlesungs- und Modulverzeichnis nach Studiengängen >> Technische Fakultät (Tech) >> Informations- und Kommunikationstechnik (IuK) - Information and Communication Technology (ICT) >> Masterstudiengang Information and Communication Technology (ICT) >>
|
Lehrveranstaltungsverzeichnis der Wahlfächer
| |
Lab Course Machine Learning in Signal Processing [LabMLISP] -
- Dozent/in:
- Kamal Gopikrishnan Nambiar
- Angaben:
- Praktikum, 4 SWS, ECTS: 2,5, nur Fachstudium
- Termine:
- Mi, 12:00 - 15:00, 06.021
The MLISP Lab will be conducted via Zoom online.
- Studienrichtungen / Studienfächer:
- WPF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Knowledge of Python programming language is required. Basic theoretical knowledge in machine learning is assumed: consider taking the Machine Learning in Signal Processing (MLSIP) course in the same semester.
- Inhalt:
- Imagine a car driving on an autobahn in an automatic mode. Among other things, the car needs to steer itself to keep driving in it's own lane. To accomplish this, the central problem is to detect the road-lane markings. These are the white solid or dashed lines that are drawn on each side of the lane. The standard modern approach to solve this type of problems is to take a large dataset of labled examples and train a deep neural network model to accomplish the task. This is how car and pedestrian detection algorithms are developed. The difficulty with the road-lane markings is that there is no labled dataset of them and creating such dataset would cost millions of dollars.
In this lab course we will solve this problem using transfer learning and mathematical modeling:
Create cartoon-like artificial images of a road with known locations for the lane markings. Train deep neural network on these artificial images with heavy data augmentations that mimic real-world images. Create a dataset of unlabeled real-life videos by downloading and organizing examples from youtube. Create a machine learning pipeline for working with these videos efficiently. Apply the neural network that has been trained on artificial data to the real world videos. Analyze the quality of results produced by the network. Use mathematical modeling to correct the outputs of the network. Retrain the network on the dataset composed of the corrected outputs. Measure and analyze the quality of the results.
The software will be written in Python using JupyterLab development framework. Access to modern GPU servers will be provided.
This is an intensive research-level course; the result of the course might be the creation of state-of-the-art lane detection system for self-driving cars.
|
| |
SystemC [SYSC] -
- Dozent/in:
- Joachim Falk
- Angaben:
- Praktikum, 4 SWS, Schein, ECTS: 2,5, nur Fachstudium, für FAU Scientia Gaststudierende zugelassen, Als Praktikum für I&K sowie als Seminar für Informatik; Zur Anerkennung ist die erfolgreiche Teilnahme an den Praktikumsterminen verpflichtend.
- Termine:
- Do, 9:30 - 13:30, 02.133-128
Vorbesprechung: Dienstag, 26.4.2022, 12:00 - 12:30 Uhr, 02.133-128
- Studienrichtungen / Studienfächer:
- WPF ICT-MA ab 1
|
| |
Softwarearchitektur [PSWT-ARCH] -
- Dozentinnen/Dozenten:
- Martin Jung, Dirk Riehle
- Angaben:
- Vorlesung mit Übung, 4 SWS, ECTS: 5, für FAU Scientia Gaststudierende zugelassen
- Termine:
- Di, 14:15 - 17:45, 0.154-115
- Studienrichtungen / Studienfächer:
- WPF ICT-MA ab 1
- Inhalt:
- Modulbezeichnung
Dozenten
Inhalt Die Architektur eines Softwaresystems beschreibt die wesentlichen Komponenten des Systems, ihre Beziehungen und Struktur, sowie das Verhalten und die Dynamik der Beziehungen und Struktur dieser Komponenten. Dieser Kurs vermittelt in einer Vorlesung zunächst die folgenden Aspekte von Softwarearchitektur:
Grundlegende Bausteine und ihre Beziehungen Softwarearchitekturbeschreibungssprachen Softwarearchitekturstile und -muster Bibliotheken, Rahmenwerke und Plattformen Formale sowie de-facto Industriestandards Die Softwarearchitekturen von Beispielsystemen Nicht technische Kriterien in der Architektur Werkzeuge für Softwarearchitekten Vorgehensmodelle der Softwarearchitektur Architekturgetriebene Entwicklung Die Rolle und Funktion der Softwarearchitektin
Alle weiteren Informationen finden Sie über den zur Veranstaltung gehörigen StudOn Kurs hier https://www.studon.fau.de/crs4351280.html
Bitte registrieren Sie sich auf StudOn sobald wie möglich, um sicherzustellen, dass Sie einen Platz im Kurs erhalten werden. Lernziele und Kompetenzen
Ganzheitliches Verständnis des Konzepts "Softwarearchitektur" Befähigung zur Bewertung, Auswahl und Konstruktion problemangemessener Architekturen Kenntnis architekturgetriebener Entwicklungsmethodik und entsprechender Werkzeuge Kenntnis der typischen Verantwortlichkeiten und der Methodik eines Softwarearchitekten
Verwendbarkeit des Moduls
Studien- und Prüfungsleistungen
Falls im Prüfungszeitraum des SS2021 auf Grund höherer Gewalt (z.B. Pandemie-Sonderregeln) mündliche Präsenzprüfungen nicht durchgeführt werden können, kommen folgende alternative Prüfungsformen in Frage:
mündliche Fernprüfung elektronische Klausur
Unterrichtssprache
Vorbereitende Literatur
Bass, L., Kazman, R. , Clements, P.; Software Architecture in Practice (SEI Series in Software Engineering); 2012 Buschmann, F., Meunier, R., Rohnert, H., Sommerlad, Stal, M.; Pattern-Oriented Software Architecture, Vol. 1: A System of Patterns; 1996 Fowler, M.; Patterns of Enterprise Application Architecture; 2002 Starke, G.; Effektive Softwarearchitekturen: Ein praktischer Leitfaden; 2015 Shaw, M.; Garlan, D.; Software Architecture: Perspectives on an Emerging Discipline; 1996
|
| |
Seminar zu Fragen des Entwurfs Sicherheitskritischer Schaltungen [SemFESS] -
- Dozent/in:
- Sebastian M. Sattler
- Angaben:
- Hauptseminar, 2 SWS, benoteter Schein, ECTS: 2,5, nur Fachstudium, Betreuung wird online angeboten, Registrierung bei MS Teams (Anleitung hier: https://www.anleitungen.rrze.fau.de/serverdienste/office-365-ms-teams/)
- Termine:
- Do, 14:15 - 15:45, SR 01.030
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Voraussetzungen / Organisatorisches:
- Anmeldung im Sekr. des LZS, Röthelheim-Campus, Paul-Gordan-Str. 5, Tel. 85-23100 oder mailto:lzs-sek@fau.de
Besuch von V+Ü Entwurf Integrierter Schaltungen I und/oder II
- Inhalt:
- Inhalt des Seminars sind wissenschaftlich und technologisch
aktuelle Themen der Lehr- und Forschungsgebiete des LZS:
Alle Ebenen des Entwurfs Sicherheitskritischer Schaltungen oder Systeme Modellierung, Simulation und Test Sicherheitskritischer Schaltungen Algorithmen, Methoden und Werkzeuge für den rechnergestützten Entwurf Anwendungen von Sicherheitskritischen Schaltungen und Mikrosystemen
|
| |
Datenbank-Kolloquium [DBKoll] -
- Dozentinnen/Dozenten:
- Richard Lenz, Assistenten, Viktor Leis
- Angaben:
- Kolloquium, 2 SWS, nur Fachstudium
- Termine:
- Mo, 14:00 - 15:00, 08.130
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-3
- Inhalt:
- Das Kolloquium dient dazu, im kleinen Kreis aktuelle Forschungsergebnisse und -vorhaben zu diskutieren.
Jeder Wissenschaftler am Lehrstuhl sollte von Zeit zu Zeit vortragen oder seine Studierenden vortragen lassen (Examensarbeiter, Hilfskräfte).
Die Vorträge können informell gehalten werden und dürfen ausdrücklich auch unausgereifte Ideen präsentieren.
Die Idee ist, dass intensiv diskutiert wird.
Um die regelmäßige Teilnahme zu erleichtern, ist die Zeit auf eine Stunde beschränkt.
|
| |
Maschinelles Lernen und Datenanalytik für Industrie 4.0 [MADI40] -
- Dozentinnen/Dozenten:
- Björn Eskofier, Johannes Roider, Christoph Scholl, Lukas Schmidt
- Angaben:
- Seminar, 2 SWS, benoteter Schein, ECTS: 5, nur Fachstudium, für FAU Scientia Gaststudierende zugelassen, Registration via mail to johannes.roider@fau.de
- Termine:
- Mi, 16:15 - 18:00, 00.010
Starts April 27th 2022
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Registration via e-mail to johannes.roider@fau.de Registration period: 25.02.-04.05.2022
The seminar will be held face-to-face.
Requirements:
Prior knowledge of machine learning via courses like PA, IntroPR, PR, DL, MLTS, CVP or equivalent (ideally first project experiences) is expected! Motivation to explore scientific findings (e.g. via literature research) Motivation to code and analyze data
Please state your previous experience in machine learning (e. g. Which courses did you take? Which project experience do you have?) when registering for the course. Examination:
50% of grade: Presentation + demo (20 minutes)
50% of grade 4 pages IEEE standard paper (excluding references) (+ code submission)
Attendance of all meetings is required.
- Inhalt:
- Contents
Companies in all kinds of industries are producing and collecting rapidly more and more data from various sources. This is enabled by technologies such as the Internet of Things (IoT), Cyber-physical system (CPS) and cloud computing. Hence there is an increasing demand in industry and research for students and graduates with machine learning and data analytics skills in the Industry 4.0 context.
In this Seminar the Industry 4.0 term will include adjacent fields like the medical device or the automotive sector. Aim of this seminar is to give students insights about state-of-the-art machine learning and data analytics methods and applications in Industry 4.0 and adjacent fields. Students will mainly work independently on either a implementation centric or a research centric topic. The implementation centric topics will focus primarily on the implementation of algorithms and analytical components, while the research centric topic will focus on researching and structuring literature on a specific field of interest. Several potential topics will be provided but students are also encouraged to propose their own topics (please discuss with teaching staff beforehand). Topics covered will include but are not limited to:
Best practices for presentation and scientific work
Brief overview of current hot topics in the field of machine learning and data analytics for Industry 4.0 (e.g. deep learning for predictive maintenance and process mining for usage analysis)
Data acquisition (what kind of data can be acquired? Identification of publicly available data sets) and storage (how can data be stored efficiently?)
Machine learning and data analytics methodologies (Support vector machines, Hidden Markov models, Deep learning, Process mining, etc.) for industrial data (sensor data, event logs, ...)
The seminar will include talks by corresponding lecturer and invited experts in the domain. Furthermore, students will present results from literature research and data analytics projects. Learning Objectives and Competencies
Students will develop an understanding of the current hot field of machine learning and data analytics for Industry 4.0 / healthcare / automotive
Students will learn to research and present a topic within the context of machine learning and data analytics for Industry 4.0 / healthcare / automotive independently
Students will learn to identify opportunities, challenges and limitations of corresponding ML approaches for Industry 4.0 / healthcare / automotive
Students will develop the skill to identify and understand relevant literature and to present their finding in a structured manner
Students will learn to present implementation and validation results in form of a demonstration and/or report
- Empfohlene Literatur:
- Lei, Yaguo, Naipeng Li, Liang Guo, Ningbo Li, Tao Yan, and Jing Lin. “Machinery Health Prognostics: A Systematic Review from Data Acquisition to RUL Prediction.” Mechanical Systems and Signal Processing 104 (May 2018): 799–834.https://doi.org/10.1016/j.ymssp.2017.11.016.
Rojas, Eric, Jorge Munoz-Gama, Marcos Sepúlveda, and Daniel Capurro. “Process Mining in Healthcare: A Literature Review.” Journal of Biomedical Informatics 61 (June 1, 2016): 224–36. https://doi.org/10.1016/j.jbi.2016.04.007. Wil M. P. van der Aalst. „Process Mining: Data Science in Action” 2nd edition, Springer 2016. ISBN 978-3-662-49851-4 Wang, Lihui, and Xi Vincent Wang. Cloud-Based Cyber-Physical Systems in Manufacturing. Cham: Springer International Publishing, 2018. https://doi.org/10.1007/978-3-319-67693-7.
- Schlagwörter:
- Machine Learning, Data Analytics, Process Mining, Predictive Maintenance, Industry 4.0, Healthcare, Automotive
|
| |
4G/5G Mobile Communication Systems [4G/5G MCS] -
- Dozent/in:
- Stefan Brück
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 2,5, nur Fachstudium, für FAU Scientia Gaststudierende zugelassen
- Termine:
- Fr, 8:30 - 10:00, 01.021
Einzeltermine am 10.6.2022, 17.6.2022, 8:30 - 11:45, 05.025
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
|
| |
Auditory Models [AudMo] -
- Dozent/in:
- Bernd Edler
- Angaben:
- Vorlesung, 2 SWS, Kredit: 2/2, ECTS: 2,5
- Termine:
- Mo, 16:15 - 17:45, 3R4.04
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Inhalt:
- Contents
Common models of the human auditory system Mechanical models Physiological models Psychoacoustic models Applications (hearing aids, audio coding, …)
Goals
Understand structure and function of the human auditory system Understand common psychoacoustic phenomena present in human hearing, such as masking, directional and spatial hearing
- Schlagwörter:
- AudioLabs
|
| |
Channel Coding on Graphs [ChCoGraph] -
- Dozent/in:
- Laura Cottatellucci
- Angaben:
- Vorlesung, 3,5 SWS, ECTS: 5
- Termine:
- Mi, 14:15 - 15:45, 01.021
Do, 10:15 - 11:45, 01.021
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Inhalt:
- Description
In today's communications world, channel coding underlies the physical layer of all major communication systems. For example: algebraic block coding (Reed-Solomon codes) are used in the CD and DVD standards; trellis coded modulation is used in line modems; low-density parity check codes (LDPC) are used in satellite communications (DVB-S2 standard), LAN (10GBase-T Ethernet) and wireless LAN (Wi-Fi 802.11); turbo codes are implemented in 3G/4G mobile communications (e.g. in UMTS and LTE) and in (deep space) satellite communications. Recently, polar codes have been adopted for the eMBB (Enhanced Mobile Broadband) control channels for the 5G NR (5th Generation New Radio) interface.Objective of this course is to provide an introductory but thorough background on codes over graphs and covers both classical convolutional codes and the modern theory of random-like codes with iterative decoding. Namely, LDPCs (Low Density Parity Check Codes, Turbo Codes, and Polar Codes. Students will acquire the fundamental knowledge to design and analyze performance of channel codes on graphs, as well as implement the corresponding encoders and decoders. Technical Content
Role of channel coding in a communication system. Idealized channel models : the binary symmetric channel (BSC), the binary erasure channel (BEC), the constrained-input Gaussian channel. Some preliminary basic concepts from linear block codes: Parity Check, Hamming distance, weight enumerating functions, performance evaluations, and performance bounds. Factor graphs and belief propagation. Binary random-like codes: LDPC codes and message-passing decoding, threshold behaviour of message passing decoding: density evolution analysis. Design of LDPC ensembles. Polar Codes: Polarization, polar channel coding, performance, encoding and decoding. Binary convolutional codes : the algebraic structure, the dynamic structure, Viterbi decoding, performance analysis via weight enumerating function, the forward-backward BCJR algorithm. Other random-like codes: the Turbo Codes. Efficient decoding of Turbo Codes via forward-backward BCJR algorithm and interpretation via factor graphs. Performance analysis and exit charts.
|
| |
Cognitive Neuroscience for AI Developers [CNAID] -
- Dozentinnen/Dozenten:
- Patrick Krauß, Andreas Kist, Andreas Maier
- Angaben:
- Vorlesung, 4 SWS, ECTS: 5, nur Fachstudium
- Termine:
- Di, 12:15 - 13:45, H8
Do, 8:15 - 9:45, H11
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- FAU students register for the written exam via meinCampus.
https://www.studon.fau.de/crs4053784_join.html
- Inhalt:
- Neuroscience has played a key role in the history of artificial intelligence (AI), and has been an inspiration for building human-like AI, i.e. to design AI systems that emulate human intelligence.
Neuroscience provides a vast number of methods to decipher the representational and computational principles of biological neural networks, which can in turn be used to understand artificial neural networks and help to solve the so called black box problem. This endeavour is called neuroscience 2.0 or machine behaviour. In addition, transferring design and processing principles from biology to computer science promises novel solutions for contemporary challenges in the field of machine learning. This research direction is called neuroscience-inspired artificial intelligence.
The course will cover the most important works which provide the cornerstone knowledge to understand the biological foundations of cognition and AI, and applications in the areas of AI-based modelling of brain function, neuroscience-inspired AI and reverse-engineering of artificial neural networks.
- Empfohlene Literatur:
- Gazzaniga, Michael. Cognitive Neuroscience - The Biology of the Mind. W. W. Norton & Company, 2018.
Ward, Jamie. The Student's Guide to Cognitive Neuroscience. Taylor & Francis Ltd., 2019.
Bermúdez, José Luis. Cognitive Science: An Introduction to the Science of the Mind. Cambridge University Press, 2014.
Friedenberg, Jay D., and Silverman, Gordon W. Cognitive Science: An Introduction to the Study of Mind. SAGE Publications, Inc., 2015.
Gerstner, Wulfram, et al. Neuronal dynamics: From single neurons to networks and models of cognition. Cambridge University Press, 2014.
|
| |
Data Structure Engineering [DSE] -
- Dozent/in:
- Viktor Leis
- Angaben:
- Vorlesung, 2 SWS, nur Fachstudium
- Termine:
- Do, 14:15 - 15:45, H14
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- Data structures are often crucial for overall performance. On modern hardware a low asymptotic complexity does not guarantee good performance. To achieve good performance in practice, one must also take features of today's processors, such as caches and the abundant parallelism, into account when designing and implementing data structures. This course teaches principles for engineering of high-performance data structures on modern hardware. It first introduces the necessary hardware background, before studying different variants of data structures such as hash tables, search trees, and tries. Finally, a number of synchronization protocols for concurrent access are presented.
|
| |
Fahrzeugkommunikation [FzK] -
- Dozent/in:
- Kai-Steffen Jens Hielscher
- Angaben:
- Vorlesung, 2 SWS, ECTS: 2,5, nur Fachstudium
- Termine:
- Do, 14:15 - 15:45, 02.134-113
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- Die Bedeutung von Elektronik und Software ist in der Fahrzeugtechnik stark gestiegen, gleichzeitig stellen die komplexen Entwicklungsprozesse in der Automobilindustrie hohe Anforderungen an Berufseinsteiger. Absolventen benötigen daher zunehmend spezialisierte Kenntnisse aus den Themenbereichen Elektronik, Software und Vernetzung von Fahrzeugen. Um diesen Anforderungen Rechnung zu tragen, wurde am Department Informatik ein spezieller Studienschwerpunkt „Informatik in der Fahrzeugtechnik" im Studiengang Informatik eingerichtet.
Die Vorlesung „Fahrzeugkommunikation" [FzK] ist in zwei Blöcke gegliedert: Zunächst führt die Vorlesung in die fahrzeuginterne Vernetzung ein, behandelt Vernetzungsarchitekturen, Bussysteme und Steuergeräte, Fahrerassistenzfunktionen, Multimedia und Systemarchitekturen. Den Abschluss bilden Betrachtungen zu Security und Safety in der fahrzeuginternen Vernetzung. Als zweiten Block gibt die Vorlesung einen Überblick über Themen der externen Kommunikation von und mit Fahrzeugen, behandelt Systemarchitekturen zur Vernetzung von Fahrzeugen untereinander und mit Infrastruktur, Medienzugriffsverfahren verbreiteter Lösungen, Protokolle von Vehrkehrsinformationssystemen. Sie schließt wiederum mit Betrachtungen zu Safety und Security - erweitert um die in diesem Themengebiet besonders relevanten Fragestellungen rund um die Wahrung der Privatsphäre von Nutzern.
Die Vorlesung wird für einen Abschluss mit Studienschwerpunkt „Informatik in der Fahrzeugtechnik" anerkannt. Sie setzt Grundkenntnisse in Rechnerkommunikation voraus und richtet sich so schwerpunktmäßig an Studierende aus Informatik, IuK und CE ab dem 5. Semester.Auszug Interne Vernetzung:
Interne Steuerung: ECU-ECU, Safety Bussysteme (CAN, LIN, FlexRay, MOST, ...) HW-, SW- Architekturen von Steuergeräten Security & Safety
Auszug Externe Vernetzung
Car-2-X-Kommunikation Topologien, Architekturen Medienzugriff: Wifi, WAVE/DSRC Safety Anwendungen Security & Privacy
- Empfohlene Literatur:
- Christoph Sommer and Falko Dressler, Vehicular Networking, Cambridge University Press, 2014.
Werner Zimmermann and Ralf Schmidgall, Bussysteme in der Fahrzeugtechnik, ed. 4, Wiesbaden, Vieweg + Teubner, 2011.
Konrad Reif, Automobilelektronik, ed. 3, Wiesbaden, Vieweg + Teubner, 2009.
Dominique Paret, Multiplexed networks for embedded systems, Chichester, England, Wiley, 2007.
Hannes Hartenstein and Kenneth Laberteaux (Eds.), VANET - Vehicular Applications and Inter-Networking Technologies, Intelligent Transport Systems, Chichester, John Wiley & Sons, 2009.
|
| |
Fahrzeugkommunikation Übungen [ÜFzK] -
- Dozent/in:
- Kai-Steffen Jens Hielscher
- Angaben:
- Übung, 2 SWS, benoteter Schein, ECTS: 2,5, nur Fachstudium
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Terminfindung findet in der Vorlesung statt. Hier gelistete Termine sind vorläufig.
Vorkenntnisse in C++ sind von Vorteil.
- Schlagwörter:
- Fahrzeugkommunikation, Car-2-Car, Informatik in der Fahrzeugtechnik
| | | | Mo | 14:15 - 15:45 | 04.158 | |
Fellerer, J. | |
| | | Di | 14:15 - 15:45 | 04.158 | |
Fellerer, J. | |
| | | Mi | 8:15 - 9:45 | 04.158 | |
Hielscher, K.-S.J. | |
| |
Human Computer Interaction [HCI] -
- Dozent/in:
- Björn Eskofier
- Angaben:
- Vorlesung, 3 SWS, ECTS: 3,75
- Termine:
- Di, Do, 8:15 - 9:45, H10
Die erste Veranstaltung findet am 28.04 um 08:15 in H10 statt.
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Folien zur Vorlesung und Organisation über Studon.
- Inhalt:
- Studon Kurs:
https://www.studon.fau.de/studon/goto.php?target=crs_4380069
- Schlagwörter:
- human-computer interaction, Mensch-Maschine-Schnittstelle, grafische Benutzerschnittstellen, mobile Mensch-Computer-Interaktion, Mensch-Maschine-Interaktion im Fahrzeug, ubiquitäre und eingebettete interaktive Systeme
|
| |
Human Computer Interaction Exercises [HCI-E] -
- Dozent/in:
- Madeleine Flaucher
- Angaben:
- Übung, 1 SWS, ECTS: 1,25
- Termine:
- Di, 12:15 - 13:45, H3 Egerlandstr.3
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Schlagwörter:
- human-computer interaction, Mensch-Maschine-Schnittstelle, grafische Benutzerschnittstellen, mobile Mensch-Computer-Interaktion, Mensch-Maschine-Interaktion im Fahrzeug, ubiquitäre und eingebettete interaktive Systeme
|
| |
Image and Video Compression [IVC] -
- Dozent/in:
- André Kaup
- Angaben:
- Vorlesung, 3 SWS, ECTS: 5, nur Fachstudium, für FAU Scientia Gaststudierende zugelassen
- Termine:
- Mo, 12:15 - 13:45, H6
Mi, 16:15 - 17:45, H6
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Voraussetzungen / Organisatorisches:
- Für das Verständnis notwendig sind grundlegende Kenntnisse über Signaldarstellungen und Transformationen aus der Lehrveranstaltung „Signale und Systeme II" sowie Basiswissen über Stochastik und Informationstheorie aus der Lehrveranstaltung „Nachrichtentechnische Systeme". Zusätzlich zur Vorlesung und Übung wird optional noch das Praktikum Image and Video Compression (PrIVC) angeboten.
Vorlesung und Übung zu diesem Modul werden in Präsenz angeboten. Darüber hinaus existieren Aufzeichnungen von Vorlesung und Übung aus dem Jahr 2020 im Videoportal der FAU. Auf StudOn finden Sie einen Zeitplan für die Veranstaltungen, das vollständige Skript und die Übungsaufgaben mit Lösungen in digitaler Form sowie Musterklausuren zur Vorbereitung auf die schriftliche Prüfung. Gedruckte Versionen des Skriptes und der Übungsaufgaben werden in der ersten Vorlesungsstunde verteilt und sind anschließend auch im Sekretariat des Lehrstuhls erhältlich.
- Inhalt:
- Die Lehrveranstaltung gibt eine Einführung in die grundlegenden Konzepte und Algorithmen für die Codierung und Übertragung von Bild- und Videosignalen. Dazu wird zunächst die digitale Repräsentation von Bild- und Videosignalen erläutert und es werden wesentliche Eigenschaften des menschlichen Gesichtssinns als Nachrichtensenke vorgestellt. Detailliert diskutiert werden die Prinzipien der Datenkompression durch Redundanz- und Irrelevanzreduktion und die typischen Algorithmen zur Codierung von Bild- und Videosignalen. Dazu zählen das Design von Quantisierern am Beispiel der Max-Lloyd Optimalquantisierung, die Entropiecodierung mit den Beispielen Huffman-Codierung und arithmetischer Codierung sowie Lauflängencodierung. Darüber hinaus wird auf die Grundlagen der Vektorquantisierung und der prädiktiven Codierung eingegangen. Verfahren der Frequenzbereichszerlegung werden am Beispiel der Transformationscodierung und Teilbandzerlegung bzw. Waveletanalyse diskutiert, ebenso wie das Prinzip der Bewegungskompensation und hybriden Codierung von Videosignalen. Am Ende werden verschiedene aktuelle MPEG- und ITU-Standards zur Codierung von Einzel- und Bewegtbildern vorgestellt.
- Empfohlene Literatur:
- Literaturempfehlung erfolgt in der Vorlesung.
|
| |
MHI Industrie 4.0 für Ingenieure [MHI4.0] -
- Dozent/in:
- Jörg Franke
- Angaben:
- Vorlesung, 2 SWS, ECTS: 2,5, für FAU Scientia Gaststudierende zugelassen
- Termine:
- Mi, 08:15 - 09:45, SR TM
Anmeldung über StudOn
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Die Vorlesung findet im Sommersemester 2021 ausschließlich digital statt. Der genaue Terminplan und weitere Details können in StudOn eingesehen werden.
Präsentationen, Termine oder ggf. Anmeldemöglichkeiten finden sie im zugehörien StudOn Kurs:
https://www.studon.fau.de/studon/goto.php?target=cat_1839222Ansprechpartner für Vorlesung und Anmeldung: Dominik Kisskalt Zulassungsvoraussetzung: Eingeschriebene/r Bachelor- oder Masterstudent/in aus den oben genannten Studiengängen
Anmeldung: ab dem 01.04.2019 über StudOn (Teilnehmerzahl ist begrenzt!)
Prüfung: schriftlich, voraussichtlich ca. 2-3 Wochen nach der Vorlesungszeit
Verwendung als Wahlfach mit 2,5 ECTS; Umfang von 12 Vorlesungseinheiten
- Inhalt:
- Ausgangslage
Industrie 4.0 bzw. IoT ist ein globaler Megatrend, der nahezu alle Branchen der heutigen Industrie prägt Praktische Ausprägung und Umsetzungsstrategien sind noch Gegenstand der Forschung
Motivation der Vorlesung
Industrie 4.0 Themen werden heute noch nicht gelehrt Interdisziplinäres Themenfeld mit sehr großem Umfang Hohe Dynamik und enorme Fortentwicklung der Thematik und Technik
Konzept der Vorlesung
Präsenzvorlesung mit virtuellem Charakter Offene, wandelbare Veranstaltung mit wechselnden Dozenten Jedes Institut der MHI stellt hierbei eine Vorlesungseinheit, welche als Videoaufnahme ausgestrahlt oder zeitgleich per Videostream in die Vorlesungsräume aller weiteren teilnehmenden Institute gestreamt wird Bündelung der nationalen wissenschaftlichen Kompetenzen in diesem Themenfeld
|
| |
Optische Übertragungstechnik [OPÜT] -
- Dozent/in:
- Bernhard Schmauss
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 5, nur Fachstudium
- Termine:
- Do, 10:15 - 11:45, HF-Technik: SR 05.222
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Voraussetzungen / Organisatorisches:
- "Komponenten Optischer Kommunikationssysteme" oder "Photonik 1" empfohlen, aber nicht vorausgesetzt.
- Inhalt:
- Kommerzielle Optische Kommunikationssysteme erreichen pro Faser Übertragungskapazitäten von mehreren Tbit/s. Im Labor wurden mehr als 100Tbit/s nachgewiesen. Die Realisierung derartiger Systeme setzt die Beherrschung verschiedenster Techniken der optischen Übertragungstechnik voraus. In der Vorlesung werden Techniken des Zeitbereichs - (TDM) und Wellenlängenmultiplex (WDM), aber besonders auch der Auslegung der Übertragungsstrecke (Link Design) auf der Basis entsprechender physikalischer und signaltheoretischer Grundlagen behandelt und vertieft. Dabei werden Verfahren besprochen, die sicherstellen, dass sowohl die Signalverzerrungen durch lineare und nichtlineare Fasereffekte als auch die Akkumulation des Verstärkerrauschens begrenzt bleiben. Es wird ausführlich die Systemoptimierung hinsichtlich des optischen Signal-Rausch-Verhältnisses (OSNR) diskutiert sowie auf Techniken des Dispersions- und Nichtlinearitätsmanagements (z.B. Solitonenübertragung) eingegangen. Hierbei wird dem Themenkomplex einer optimalen Streckenauslegung besonders eingehend behandelt. In der Folge werden verschiedene, gebräuchliche Modulationsverfahren einschließlich kohärenter Übertragungsverfahren behandelt, die in neueren Systemen eingesetzt und in experimentellen Systemen getestet werden. Eine Besprechung optischer Verfahren zur Signalregeneration bildet die Brücke zu aktuellen eigenen Forschungsarbeiten.
Die vermittelten Grundlagen werden in der Übung zur Vorlesung durch praxisnahe und anschauliche Simulationsbeispiele vertieft.
- Empfohlene Literatur:
- Agrawal, G.P.: Fiber-Optic Communication Systems, John Wiley & Sons, 1997
Agrawal, G.P.: Nonlinear Fiber Optics, John Wiley & Sons, 3. Auflage, 2001
Kaminow, I, Koch, T.: Optical Fiber Telecommunications IVA, Academic Press, 2002
Skriptum zur Vorlesung
Kaminow, I, Li, T., Willner,A.: Optical Fiber Telecommunications VA, Academic Press, 2008
- Schlagwörter:
- Optik, Photonik, Glasfaser, Kommunikation, Datenübertragung
|
| |
RF and Digital Architecture of Radio Systems [VORL HFDAF] -
- Dozent/in:
- Heinrich Milosiu
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 2,5, nur Fachstudium, Course Material and video recordings will be provided in StudOn.
- Termine:
- Mi, 8:30 - 10:00, 0.154-115
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Inhalt:
- Architektur von Funksystemen
Hochfrequenz- und Digital-Teil Analog-Digital Balance Vielfachzugriff Leistungsmerkmale der physikalischen Schicht und ihre Implementierung Transceiver-Architekturen AD- und DA-Umsetzung Beurteilung der Transceiverkomplexität Grundanforderungen an Basisbandprozessoren Signalintegrität und Analyse von Verzerrungen (EVM) Elektronische Kompensationsverfahren Digitale Signalkonditionierung Spektrumszuweisung Frequenzagile Funksysteme Pegelrechnung zur Funkschnittstelle Grundzüge der Verkehrstheorie und Netzdimensionierung Funknetzplanung Funkabdeckung, Netzkapazität und spektrale Effizienz Leistungsverbrauch Leistungshaushalt
|
| |
Reinforcement Learning [RL] -
- Dozent/in:
- Christopher Mutschler
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 2,5
- Termine:
- Do, 8:30 - 10:00, Zoom-Meeting
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- Reinforcement Learning (RL) is an area of Machine Learning that has recently made large advances and has been publicly visible by reaching and surpassing human skill levels in games like Go and Starcraft. These successes show that RL has the potential to transform many areas of research and industry by automatizing the development of processes that once needed to be engineered explicitly.
In contrast to other machine learning paradigms, which require the presence of (labeled or unlabeled) data, RL considers an agent that takes actions in an environment and learns from resulting feedback. The agent tries to maximize a reward signal that it receives for desirable outcomes, while at the same time trying to explore the world in which it operates to find yet unknown, potentially more rewarding action sequences–a dilemma known as the exploration-exploitation tradeoff. Recent advances in machine learning based on deep learning have made RL methods particularly powerful since they allow for agents with particularly well performing models of the world. The lecture will start with introductory lectures to RL where we cover the foundations of RL (i.e., Markov decision processes and dynamic programming techniques) before we go to model-free prediction and control algorithms such as TD-learning, SARSA and Q-learning. We will also get the general idea behind value function approximation techniques such as Deep Q-Networks (DQN) and study advanced policy-gradient and actor-critic methods including TRPO and PPO. We will end with focus sessions on advanced topics such as model-based RL, offline RL, explainable RL, and exploration-exploitation.
- Empfohlene Literatur:
- While there is particular literature given in the slides of the videos the following list serves as a general basis to get into the topic but also to go deeper at particular points.
Richard S. Sutton and Andrew G. Barto. 2018. Reinforcement Learning: An Introduction. A Bradford Book, Cambridge, MA, USA. Bellman, R.E. 1957. Dynamic Programming. Princeton University Press, Princeton, NJ. Republished 2003: Dover, ISBN 0-486-42809-5. Csaba Szepesvari and Ronald Brachman and Thomas Dietterich. 2010. Algorithms for Reinforcement Learning. Morgan and Claypool Publishers. Warren B. Powell. 2011. Approximate Dynamic Programming. Wiley. Maxim Lapan. 2020. Deep Reinforcement Learning Hands-On: Apply modern RL methods to practical problems of chatbots, robotics, discrete optimization, web automation, and more, 2nd Edition. Packt Publishing. Dimitri P. Bertsekas. 2017. Dynamic Programming and Optimal Control. Athena Scientific. Miguel Morales. 2020. grokking Deep Reinforcement Learning. Manning. Laura Graesser and Keng Wah Loon. 2019. Foundations of Deep Reinforcement Learning: Theory and Practice in Python. Addison-Wesley Data & Analytics.
|
| |
Security in Embedded Hardware [SEH] -
- Dozent/in:
- Jürgen Teich
- Angaben:
- Vorlesung, 2 SWS, ECTS: 2,5, für FAU Scientia Gaststudierende zugelassen
- Termine:
- Do, 12:15 - 13:45, 01.150-128
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- Der Schutz eingebetteter Systeme gegenüber Angriffe Dritter auf gespeicherte Daten und Implementierungen, stellt eine immer wichtigere, jedoch auch durch zunehmende Vernetzung herausfordernde Aufgabe dar. Der Schutz der eingebetteten Systeme gegenüber bekannten als auch neueren ausgeklügelten Angriffsmöglichkeiten ist Gegenstand dieser Vorlesung. Es wird gezeigt, welche Angriffe existieren, welche Gegenmaßnahmen man ergreifen kann und wie man sichere eingebettete Systeme entwirft.
Einleitung und Motivation
Was ist Security? Die Bedeutung von Security für zuverlässige Systeme Klassifikation von Angriffen Entwurf eingebetteter Systeme
Angriffsszenarien
Angriffe durch Einschleusen von Code (Code Injection Attacks)
Invasive physikalische Angriffe (Invasive Physical Attacks)
Nichtinvasive softwarebasierte Angriffe (Non-Invasive Logical Attacks)
Nichtinvasive physikalische Angriffe (Non-Invasive Physical Attacks)
Abhören Seitenkanalangriffe Gegenmaßnahmen
- Empfohlene Literatur:
-
|
| |
Transformationen in der Signalverarbeitung [TSV] -
- Dozent/in:
- Jürgen Seiler
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 2,5, für FAU Scientia Gaststudierende zugelassen
- Termine:
- Di, 08:15 - 09:45, 05.025
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Voraussetzungen / Organisatorisches:
- Voraussetzungen: Signale und Systeme I und II, Digitale Signalverarbeitung
Die Vorlesungsunterlagen sowie Aufzeichnungen der Vorlesung werden via StudOn semesterbegleitend zur Verfügung gestellt.
- Inhalt:
- Die Lehrveranstaltung "Transformationen in der Signalverarbeitung" behandelt mehrere verschiedene Transformationen, die im Rahmen der Signalverarbeitung Verwendung finden. Dabei werden zuerst die grundlegenden Konzepte von Transformationen diskutiert und die Vorteile die Transformationen mit sich bringen erläutert. Im Anschluss daran werden die grundlegenden Eigenschaften von Integraltransformationen betrachtet und die Laplace- und die Fourier-Transformation im Detail untersucht. Um auch zeitlich veränderliche Signale gut transformieren zu können werden danach die Kurzzeit-Fourier-Transformation und die Gabor-Transformation eingeführt. Im Anschluss daran erfolgt eine Betrachtung der Auswirkung der Abtastung auf transformierte Signale, bevor die z-Transformation als Transformation für diskrete Signale behandelt wird. Abschließend erfolgt die Betrachtung weiterer Transformationen für diskrete Signale wie der Diskreten Fourier-Transformation oder linearer Block-Transformationen.
- Empfohlene Literatur:
- K. Krüger, Transformationen - Grundlagen und Anwendungen in der Nachrichtentechnik, Vieweg Verlag, Braunschweig
B. Girod, R. Rabenstein, A. Stenger, Einführung in die Systemtheorie, B. G. Teubner Verlag, Stuttgart
|
| |
Visual Computing in Medicine 2 [VCMed2] -
- Dozentinnen/Dozenten:
- Thomas Wittenberg, Peter Hastreiter
- Angaben:
- Vorlesung, ECTS: 2,5, für FAU Scientia Gaststudierende zugelassen
- Termine:
- Do, 12:15 - 13:45, H10
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Until further notice, this course will take place in electronic form. Detailed information is provided in the StudOn-course "Visual Computing in Medicine 2 (VCMed 2) - summer term 2020".
Bis auf Weiteres findet der Kurs in elektronischer Form statt. Weitere Informationen finden Sie im StudOn-Kurs "Visual Computing in Medicine 2 (VCMed 2) - summer term 2020".
- Inhalt:
- Building onto the lecture VCMed1, VCMed2 provides examples of concrete solutions for diagnosis and therapy planning based on complex clinical images. It provides information how basic methods are selected and combined into practical applicable concepts. Examples from clinical applications will be used to relate strategies and requirements in clinical practice as well as the development process. Additionally, methods of medical image analysis and visualization are discussed in detail.
Linking methods of medical image analysis and visualization for processing diagostic and interventional questions Providing algorithmic approaches with concrete solution strategies for the processing of clinical iamges from the perspective of medical needs Overview of various medical imaging domains Multimodal image registration with non-rigid transformations Current topics of image-based diagnosis and therapy planning
- Empfohlene Literatur:
- P.M. Schlag, S. Eulenstein, Th. Lange „Computerassistierte Chirurgie", Elsevier Verlag 2010
H. Handels, „Medizinische Bildverarbeitung, Bildanalyse, Mustererkennung und Visualisierung für die computergestützte ärztliche Diagnostik und Therapie", Vieweg und Teubner Verlag, 2009 B. Preim, D. Bartz, "Visualization in Medicine - Theory, Algorithms, and Applications”, Morgan Kaufmann Verlag, 2007 E. Neri, D. Caramella, C. Bartolozzi, „Image Processing in Radiology", Springer Verlag, 2008 Th. Lehmann, W. Oberschelp, E. Pelikan, R. Pepges, „Bildverarbeitung für die Medizin", Springer Verlag, 1997
|
| |
Wissenschaftliches Arbeiten in den Ingenieur- und Naturwissenschaften [VORL WAIN] -
- Dozent/in:
- Jens Kirchner
- Angaben:
- Vorlesung, 2 SWS, Schein, ECTS: 2,5, für Anfänger geeignet, siehe StudOn.
- Termine:
- WAIN findet nicht im SoSe22 sondern erst wieder im WS22/23 statt.
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- Kommunikation im akademischen Umfeld
Einführung in LaTeX Vorarbeiten für Abschlussarbeiten Projektmanagement Wissenschaftliche Methodik Recherchieren & Referenzieren wissenschaftlicher Quellen Aufbereiten von Informationen Wissenschaftlicher Stil Gliedern & Strukturieren Publikationsprozess Erstellen und Halten von Präsentationen
- Schlagwörter:
- Nicht-technisches Wahlfach, Softskills, Recherche, Vortrag, Präsentation, Publikation
|
| |
Compressive Sensing [CompSense] -
- Dozent/in:
- Ali Bereyhi
- Angaben:
- Vorlesung mit Übung, 4 SWS, ECTS: 5, nur Fachstudium
- Termine:
- Di, 14:15 - 15:45, 05.025
Mi, 16:15 - 17:45, 05.025
Einzeltermine am 20.5.2022, 16:15 - 17:45, 05.025
13.6.2022, 12:15 - 13:45, 05.025
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
|
| |
Designing Gamified Systems [GAMIS] -
- Dozentinnen/Dozenten:
- Benedikt Morschheuser, Gastredner
- Angaben:
- Vorlesung mit Übung, 4 SWS, ECTS: 5, für Anfänger geeignet, geeignet als Schlüsselqualifikation, für FAU Scientia Gaststudierende zugelassen
- Termine:
- Mi, 9:45 - 11:15, 11:30 - 13:00, LG 5.155 (30 Plätze)
Mi, 9:45 - 13:00, Zoom-Meeting
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- Driven by the rising popularity of (video) games, technology, business and society are increasingly influenced and penetrated by games and trends of the gaming industry. One of the probably most important phenomena of this multi-faceted development is “gamification”, which addresses the use of design principles and features from games in information systems, process or service design. Gamification’s popularity stems from the notion that games are a pinnacle form of hedonic information systems and thus are particularly effective in invoking intrinsic motivation and experiences such as autonomy, mastery, flow, immersion, relatedness and overall enjoyment. Across industries, marketers, designers and developers are thus using gamification as a design approach when engineering digital products and services with the purpose of inducing gameful experiences, influencing human motivation and even change behavior in various contexts.
This course
teaches the key concepts, design patterns, and approaches of motivational, hedonic (i.e. games and video games), social and gamified information systems. offers deep insights into advanced concepts and theoretical foundations of game design, motivational psychology, and information system design. introduces methods and frameworks for designing gamified systems and managing gamification projects. discusses latest research findings and the potential impact of gamification on society, economy and everyday life.
Capstone Project:
The course is complemented with a practical project, where students in a team select and apply design methods & techniques in order to create a prototype of a gamified / hedonic information system. Within this project the students can apply knowledge and skills acquired in this lecture and their studies in a challenging context. Tutorials:
The sessions are accompanied by tutorials, where students can learn the basics of developing games in Unity3D, as well as discuss current challenges in the implementation of their projects. EELISA:
This course is offered as part of the European Engineering Learning Innovation and Science Alliance (EELISA – https://eelisa.eu). The EELISA cooperation will give the lecture an even more international setting and allow FAU students to collaborate in their projects with interdisciplinary students from all over Europe.
- Schlagwörter:
- Gamification, Interactive Information Systems, HCI, Customer Engagement, Social Computing, Hedonic Systems, Games
|
| |
Optimization for Engineers [OptEngLec] -
- Dozent/in:
- Johannes Hild
- Angaben:
- Vorlesung mit Übung, 3 SWS, ECTS: 5
- Termine:
- Mo, 12:15 - 13:45, H16
Di, 14:15 - 15:45, H16
See StudOn
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- This course aims at students of the Faculty of Engineering of all disciplines and is suitable as an elective subject in the Bachelor's and Master's degree.
Requires contents of the lecture Mathematics for Engineers I, II and III. Especially:
Programming homeworks require basic knowledge in the implementation of algorithms and data structures in a development environment.
- Inhalt:
- Introduction to continuous optimization problems and methods with and without constraints
Classification of problem types Optimality conditions and termination criterions Descent directions and line search methods Convergence analysis
Unconstrained optimization
Constrained optimization
Outlook
Programming Homeworks
Get in touch with GNU Octave Implementation of optimization algorithms Algorithmic optimization of test problems
- Empfohlene Literatur:
- Nocedal, Jorge and Wright, Stephen J.: Numerical Optimization. Springer Serie in Operations Research, 2006.
Kelley, C. T.: Iterative Methods for Optimization. Frontiers in Applied Mathematics 18, SIAM Philadelphia 1999;
Polak, E.: Optimization. Algorithms and Consistent Approximations.Applied Mathematical Sciences, Volume 124, Springer-Verlag New York, 1997.
Jarre, F.:Optimierung, Springer 2003;
Hamacher, H.W. and K. Klamroth, K.:Linear and Network Optimization: bilingual textbook. Vieweg 2000
- Schlagwörter:
- optimierung optimization
|
|
 |
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|