Modulhandbuch Bachelorstudiengang Data Science (B.Sc.) - Fachbereich Elektrotechnik und Technische Informatik - TH OWL
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Fachbereich
Elektrotechnik und Technische Informatik
Modulhandbuch
Bachelorstudiengang
Data Science (B.Sc.)Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 2/96
Content Management
Version Datum wer was geändert
1.0 31.01.2018 Rübner Modulbeschreibungen gemäß BPO-DS-2018
1.1 29.03.2018 Rübner Modulbeschreibungen aktualisiert
1.2 22.05.2018 Rübner 5245 FO: Modulbeschreibung aktualisiert
1.3 25.02.2019 Rübner 5183 AD, 5227 IA, 5211 ML: Modulverantwortung aktualisiert
5240 DD1, 5249 DD2, 5239 MF2, 5246 MN: Modulbeschreibung
aktualisiert
5203 KB: Modulverantwortung und Modulbeschreibung
aktualisiert
5180 PS2: Lehrende aktualisiert
5254 AS: Modulbeschreibung entfernt
5243 CM: Umbenennung des Fachs von „Computerunterstützte
Methoden für geographische Informationssysteme“ (CM) in
„Geodatenbasierte Informationssysteme“ (GI). Die Fachnummer
bleibt erhalten.
1.4 04.03.2019 Rübner 5255 SM, 5149 SQ: Modulverantwortung aktualisiert
1.5 01.04.2019 Rübner 5227 IA: Modulbeschreibung entfernt
Anpassung des Modulhandbuchs gemäß Umbenennung der
Hochschule von „Hochschule Ostwestfalen-Lippe“ in „Technische
Hochschule Ostwestfalen-Lippe“
1.6 24.04.2019 Rübner 5245 FO: Umbenennung des Fachs von „Forschungsprojekt“ (FO)
in „Anwendungsprojekt“ (AP). Die Fachnummer bleibt erhalten.
1.7 15.07.2019 Rübner Modulhandbuch aktualisiert.Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 3/96
Inhalt
Studienverlaufsplan .....................................................................................................................6
Wahlpflichtfach-Kataloge ............................................................................................................8
Modul Grundlagen .......................................................................................................................9
Mathematik 1 (MA1 / 5100) .................................................................................................. 10
Mathematik 2 (MA2 / 5101) .................................................................................................. 12
Mathematik für Datenwissenschaften 1 (MF1 / 5238) ...................................................... 14
Mathematik für Datenwissenschaften 2 (MF2 / 5239) ...................................................... 15
Datenerfassung und Datenhaltung 1 (DD1 / 5240)........................................................... 17
Maschinelles Lernen (ML / 5211) ......................................................................................... 18
Komplexität und Berechenbarkeit (KB / 5203) .................................................................. 20
Datensicherheit (DC / 5151) ................................................................................................. 21
Modul Informatik ...................................................................................................................... 23
Programmiersprachen 1 (PS1 / 5179) ................................................................................. 24
Programmiersprachen 2 (PS2 / 5180) ................................................................................. 26
Algorithmen und Datenstrukturen (AD / 5183) ................................................................. 28
Rechnerorganisation und Betriebssysteme (RO / 5167) .................................................. 29
Datenerfassung und Datenhaltung 2 (DD2 / 5249)........................................................... 31
Rechnernetze (RN / 5190)..................................................................................................... 32
Software Lifecycle Management (SM / 5255) ..................................................................... 34
Datenbanken (DB / 5188) ..................................................................................................... 36
Modul Schlüsselkompetenzen ................................................................................................ 37
Projektwoche (PW / 5223) .................................................................................................... 38
Soft Skills and Management Training (SO / 5241) ............................................................. 39
Technical English (TE / 5252) ................................................................................................ 40
Entrepreneurship (EP / 5237) .............................................................................................. 41
Innovations- und Technologiemanagement (IM / 5207) .................................................. 42
Managementkompetenz (MK / 5175) ................................................................................. 43
Betriebswirtschaftslehre (BW / 5174) ................................................................................. 45
Anwendungsmodul 'Smart Cities and Smart Environments' ............................................... 47Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 4/96
Anwendungen des maschinellen Lernens (AL / 5242) ...................................................... 48
Geodatenbasierte Informationssysteme (GI / 5243)......................................................... 50
Vertiefung digitales Entwerfen (VD / 5244) ........................................................................ 51
Weitverkehrsnetze (WV / 5148) ........................................................................................... 52
Vernetzung in Fahrzeugen (VN / 5170) ............................................................................... 54
Anwendungsmodul 'Automation and Production' ............................................................... 55
User Experience & Interaction Design (UE / 5231) ............................................................ 56
Hardware eingebetteter Systeme (HE / 5176) ................................................................... 58
Bildverarbeitung (BV / 5125) ................................................................................................ 59
Programmierung eingebetteter Systeme (PE / 5110) ....................................................... 60
Maschinennahe Vernetzung (MV / 5137) ........................................................................... 62
Anwendungsmodul 'Business Intelligence and Media' ........................................................ 64
Mediendesign (MN / 5246) ................................................................................................... 65
Business Intelligence (BI / 5247) .......................................................................................... 66
Mobile Systeme (MO / 5144) ................................................................................................ 68
Medienrecht (MC / 5248) ...................................................................................................... 69
Wahlpflichtfach-Katalog WNDS ............................................................................................... 70
Gender-Diversity (GD / 5205) ............................................................................................... 71
MINT in Praxis und Lehre (MI / 5204) ................................................................................. 72
Tech Startup (TS / 5253) ....................................................................................................... 73
Wahlpflichtfach-Katalog WDS .................................................................................................. 75
Entwurf von Kommunikationsprotokollen (EK / 5172) ..................................................... 76
Physik 1 (PH1 / 5114) ............................................................................................................ 77
Physik 2 (PH2 / 5115) ............................................................................................................ 78
Rechnergestützte Numerik und Simulationstechnik (RS / 5158) ..................................... 79
Regelungstechnik 1 (RT1 / 5152) ......................................................................................... 81
Software-Qualitätsmanagement (SQ / 5149) ..................................................................... 83
Special Topics of Data Science (SC / 5250) ......................................................................... 85
Spezielle Gebiete der Automatisierungstechnik (SU / 5208) ............................................ 86
Spezielle Gebiete der Datenwissenschaften (SG / 5251) .................................................. 87
Spezielle Gebiete der Elektronik (SE / 5146) ...................................................................... 88
Spezielle Gebiete der Informatik (SI / 5195) ....................................................................... 89Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 5/96
Spezielle Gebiete der Kommunikationstechnik (SK / 5143) ............................................. 90
Spezielle Gebiete der Softwaretechnik (SS / 5147) ............................................................ 91
Systemprogrammierung eingebetteter Systeme (SP / 5145)........................................... 92
Projekt-und Abschlussarbeiten ............................................................................................... 93
Anwendungsprojekt (AP / 5245) .......................................................................................... 94
Studienarbeit (SA / 5210) ...................................................................................................... 95
Bachelorarbeit (BA / --) ......................................................................................................... 96Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 6/96
Studienverlaufsplan
FNR Fach Kürzel SWS CR Semester
1. 2. 3. 4. 5. 6.
Modul Grundlagen (Pflichtfächer)
5100 Mathematik 1 MA1 4 5 4
5101 Mathematik 2 MA2 4 5 4
5238 Mathematik für Datenwissenschaften 1 MF1 4 5 4
5239 Mathematik für Datenwissenschaften 2 MF2 4 5 4
5240 Datenerfassung und Datenhaltung 1 DD1 4 5 4
5211 Maschinelles Lernen ML 4 5 4
5203 Komplexität und Berechenbarkeit KB 4 5 4
5151 Datensicherheit DC 4 5 4
Modul Informatik (Pflichtfächer)
5179 Programmiersprachen 1 PS1 4 5 4
5180 Programmiersprachen 2 PS2 4 5 4
5183 Algorithmen und Datenstrukturen AD 4 5 4
5167 Rechnerorganisation und RO 4 5 4
Be- triebssysteme
5249 Datenerfassung und Datenhaltung 2 DD2 4 5 4
5190 Rechnernetze RN 4 5 4
5255 Software Lifecycle Management SM 4 5 4
5188 Datenbanken DB 4 5 4
Modul Schlüsselkompetenzen
P) Pflichtfächer, 2) Wahlpflichtfächer: Durch Prüfungen sind mindestens 10 CR zu erwerben.
5223 Projektwoche P) PW 1 x
5241 Soft Skills and Management Training P) SO 4 5 4
5252 Technical English P) TE 4 5 4
5237 Entrepreneurship 2) EP 4 5 4
5207 Innovations- und Technologiemanage- IM 4 5 4
ment 2)
5175 Managementkompetenz 2) MK 4 5 4
5174 Betriebswirtschaftslehre 2) BW 4 5 4
WPF1 2) 4 ≥5 4
WPF1 kann aus dem Wahlpflichtfachkatalog WNDS gewählt werden.
Anwendungsmodul 'Smart Cities and Smart Environments'
P) Pflichtfächer, 1) Wahlpflichtfächer: Durch Prüfungen sind mindestens 5 CR zu erwerben.
5242 Anwendungen des maschinellen AL 4 5 4
Lernens
P)
GI 4
5243 Geodatenbasierte 4 5
Informationssysteme P)
5244 Vertiefung digitales Entwerfen 1) VD 4 5 4
5148 Weitverkehrsnetze 1) WV 4 5 4
5170 Vernetzung in Fahrzeugen 1) VN 4 5 4Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 7/96
WPF2 1) 4 ≥5 4
WPF2 kann aus dem Wahlpflichtfachkatalog WDS gewählt werden.
Anwendungsmodul 'Automation and Production'
3) Wahlpflichtfächer: Durch Prüfungen sind mindestens 15 CR zu erwerben.
5231 User Experience & Interaction Design 3) UE 4 5 4
5176 Hardware eingebetteter Systeme 3) HE 4 5 4
5125 Bildverarbeitung 3) BV 4 5 4
5110 Programmierung eingebetteter PE 4 5 4
Systeme
3)
5137 Maschinennahe Vernetzung 3) MV 4 5 4
WPF2 3) 4 ≥5 4
WFP2 kann aus dem Wahlpflichtfachkatalog WDS gewählt werden.
Anwendungsmodul 'Business Intelligence and Media'
P) Pflichtfächer, 2) Wahlpflichtfächer: Durch Prüfungen sind mindestens 10 CR zu erwerben
5246 Mediendesign P) MN 4 5 4
5247 Business Intelligence 2) BI 4 5 4
5144 Mobile Systeme 2) MO 4 5 4
5248 Medienrecht 2) MC 4 5 4
WPF2 2) 4 ≥5 4
WPF2 kann aus dem Wahlpflichtfachkatalog WDS gewählt werden.
5245 Anwendungsprojekt 4) AP 9 x
5210 Studienarbeit SA 10 x
- Bachelorarbeit BA 12 x
- Kolloquium KO 3 x
Summen SWS 116 24 24 16 24 24 4
Summen CR 180 31 30 29 30 30 30
4) Das Anwendungsprojekt (9 CR) wird aus einem der drei Anwendungsmodule 'Smart Cities and Smart
Environments', 'Automation and Production' oder 'Business Intelligence and Media' gewählt.
SWS = Semesterwochenstunden
CR = Credits, 1 CR entspricht 30 h WorkloadTechnische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 8/96
Wahlpflichtfach-Kataloge
Wahlpflichtfach-Katalog WNDS
Fach- Kurz-
Nr. zeichen Fach SWS CR
5205 GD Gender-Diversity 4 5
5204 MI MINT in Praxis und Lehre 4 5
5253 TS Tech Startup 4 5
N. N. 1 * mind. 5
* = Vom Prüfungsausschuss gemäß § 23 Abs. 4 zugelassenes Wahlpflichtfach aus dem Fächerangebot
der Technischen Hochschule Ostwestfalen-Lippe oder anderer Hochschulen
Wahlpflichtfach-Katalog WDS
Fach- Kurz-
Nr. zeichen Fach SWS CR
5172 EK Entwurf von Kommunikationsprotokollen 4 5
5114 PH1 Physik 1 4 5
5115 PH2 Physik 2 4 5
5158 RS Rechnergestützte Numerik und Simulationstechnik 4 5
5152 RT1 Regelungstechnik 1 4 5
5149 SQ Software-Qualitätsmanagement 4 5
5250 SC Special Topics in Data Science 4 5
5208 SU Spezielle Gebiete der Automatisierungstechnik 4 5
5251 SG Spezielle Gebiete der Datenwissenschaften 4 5
5146 SE Spezielle Gebiete der Elektronik 4 5
5195 SI Spezielle Gebiete der Informatik 4 5
5143 SK Spezielle Gebiete der Kommunikationstechnik 4 5
5147 SS Spezielle Gebiete der Softwaretechnik 4 5
5145 SP Systemprogrammierung eingebetteter Systeme 4 5
N.N. 1 * 4 mind. 5
* = Vom Prüfungsausschuss gemäß § 23 Abs. 4 zugelassenes Wahlpflichtfach aus dem Fächerangebot
der Technischen Hochschule Ostwestfalen-Lippe oder anderer HochschulenTechnische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7 Ostwestfalen-Lippe Data Science (B.Sc.) Seite 9/96 Modul Grundlagen Die Grundlagenausbildung der Studierenden findet mehrheitlich in den ersten Semestern statt und besteht ausschließlich aus Pflichtfächern. Diese im Modul ‘Grundlagen‘ zusammengefassten Veranstaltungen bilden die mathematische sowie informationstechnische Basis für weiterführende Veranstaltungen und zugleich für viele Aufgaben von Data Scientists. Von zentraler Bedeutung ist eine Basisausbildung in der Mathematik, die mathematische Sprache (MA1), Analysis (MA2), lineare Algebra (MF1) und Statistik (MF2) umfasst. Diese Kenntnisse sind Voraussetzung für viele Datenanalyseverfahren. Zugleich sind sie in vielen Anwendungsmodulen relevant. Weiterhin gehört zu den Grundlagen der Umgang mit Daten (DD1) und das Gewährleisten von Datensicherheit (DC). Fragestellungen der Berechenbarkeit – insbesondere was man überhaupt berechnen kann, wann Berechnung effizient möglich ist (KB) und wie man Daten nutzen kann, um qualifizierte Schlüsse in Anwendungen zu ziehen (ML), – runden diese Grundlagenausbildung ab. Die für diesen Studiengang charakteristischen drei Anwendungsmodule ‘Smart Cities and Smart Environments‘, ‘Automation and Production‘ sowie ‘Business Intelligence and Media‘ bauen auf diesem Basiswissen durch Erweiterung und Vertiefung auf.
Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 10/96
Mathematik 1 (MA1 / 5100)
Mathematik 1 Stand: 15.07.2019
Modulnr.: 5100 Kürzel: Workload: 150 h Credits: 5 Gruppengröße: 35
MA1
Häufigkeit des Angebots: Wintersemester Kontaktzeit: 60 Selbststudium: 90 h
h
Modulverantwortlicher: Dauer: 1 Semester
Prof. Dr. Stefan Heiss, Prof. Dr. Markus Lange-Hegermann
Lehrende:
Prof. Dr. Stefan Heiss, Prof. Dr. Markus Lange-Hegermann
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): 1. Semester, Pflichtfach
Elektrotechnik (B.Sc.): 1. Semester, Pflichtfach
Energiemanagement und industrielle Klimaschutztechnologie (B.Sc.): 1. Semester Pflichtfach
Technische Informatik (B.Sc.): 1. Semester, Pflichtfach
Medizin- und Gesundheitstechnologie (B.Sc.): 1. Semester, Pflichtfach
Lernergebnisse/Kompetenzen:
Die Studierenden kennen und verstehen grundlegende mathematische Begriffsbildungen,
Konzepte und Beweismethoden. Sie können diese zur Lösung mathematischer
Aufgabenstellungen, insbesondere zur Lösung elementarer Gleichungen und Ungleichungen
anwenden. Die Studierenden können für einfache anwendungsbezogene Problemstellungen
eine mathematisch Modellierung finden und mit dieser eine Lösung berechnen.
Inhalte:
Vorlesung: Mengen, Zahlen (ganze, rationale, reelle und komplexe Zahlen), Abbildungen,
Stellenwertsysteme, Beweismethoden (vollständige Induktion, Widerspruchsbeweis),
algebraische Identitäten (arithmetische und geometrische Summen, Binomialsatz),
Lösungsmengen von Gleichungen und Ungleichungen; Folgen (Konvergenz, Eulersche Zahl),
Potenzfunktionen, Polynomfunktionen
Übung: In den Übungen werden mit entsprechenden Aufgaben die Vorlesungsinhalte vertieft.
Ein Teil der wöchentlich ausgegebenen Übungsaufgaben wird korrigiert.
Lehrformen/Semesterwochenstunden:
Vorlesung / 2 SWS
Übung / 2 SWS
Teilnahmevoraussetzungen:
Formal: /
Inhaltlich: Grundkenntnisse entsprechend der Zulassungsvoraussetzungen für die
Studiengänge.
Prüfungsform(en): Klausur, benotet. Die Note entspricht der Note für das Modul.
Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung.
Stellenwert der Note für die Endnote: siehe BPO
Lehrsprache: Deutsch
Literatur:
Brauch, W.; Dreyer, H.-J.; Haacke, W.: Mathematik für Ingenieure, Vieweg &Teubner, 2006.
Fetzer, A.; Fränkel, H.: Mathematik 1 u. 2. Springer, 1999 / 2003.Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7 Ostwestfalen-Lippe Data Science (B.Sc.) Seite 11/96 Forster, O.: Analysis 1. Springer Spektrum, 2013. Papula, L.: Mathematik für Ingenieure und Naturwissenschaftler 1. Springer/Vieweg, 2014. Richter, W.: Ingenieurmathematik kompakt. Springer, 1998.
Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 12/96
Mathematik 2 (MA2 / 5101)
Mathematik 2 Stand: 15.07.2019
Modulnr.: 5101 Kürzel: Workload: 150 h Credits: 5 Gruppengröße: 35
MA2
Häufigkeit des Angebots: Wintersemester Kontaktzeit: 60 Selbststudium: 90 h
h
Modulverantwortlicher: Dauer: 1 Semester
Prof. Dr. S. Heiss, Prof. Dr. Markus Lange-Hegermann
Lehrende:
Prof. Dr. S. Heiss, Prof. Dr. Markus Lange-Hegermann
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): 1. Semester, Pflichtfach
Elektrotechnik (B.Sc.): 1. Semester, Pflichtfach
Energiemanagement und industrielle Klimaschutztechnologie (B.Sc.): 1. Semester Pflichtfach
Technische Informatik (B.Sc.): 1. Semester, Pflichtfach
Medizin- und Gesundheitstechnologie (B.Sc.): 1. Semester, Pflichtfach
Lernergebnisse/Kompetenzen:
Die Studierenden vertiefen ihr Verständnis zur Modellierung technischer Zusammenhänge
durch genauere Untersuchungen des Funktionenbegriffs. Dabei kann Stetigkeit,
Differenzierbarkeit und Integrierbarkeit in Anwendungen wiedererkannt werden, auf
Modellierungen angewendet werden, und es können typische Probleme gelöst werden. Die
Studierenden können insbesondere Aufgaben zur Bestimmung von Extremwerten, Flächen
oder Volumen lösen.
Inhalte:
Vorlesung: Funktionsgraphen, Umkehrfunktionen, Grenzwerte für Funktionen, Stetigkeit,
Exponential- und Logarithmus-Funktionen, trigonometrische Funktionen; Differentialrechnung
(Differentialquotient, Ableitungsregeln), Anwendungen (lineare Näherung, Regel nach
l'Hospital, Extremwertaufgaben); Integralrechnung (Riemann-Integral, Fundamentalsatz der
Differential- und Integralrechnung, Substitution, partielle Integration, Partialbruchzerlegung
und Integration rationaler Funktionen)
Übung: In den Übungen werden mit entsprechenden Aufgaben die Vorlesungsinhalte vertieft.
Ein Teil der wöchentlich ausgegebenen Übungsaufgaben wird korrigiert
Lehrformen/Semesterwochenstunden:
Vorlesung / 2 SWS
Übung / 2 SWS
Teilnahmevoraussetzungen:
Formal: /
Inhaltlich: Das Modul Mathematik 1, das in der ersten Semesterhälfte angeboten wird, sollte
absolviert sein. Das Modul Mathematik 2 wird in der 2. Semesterhälfte gehalten.
Prüfungsform(en): Klausur, benotet. Die Note entspricht der Note für das Modul.
Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung.
Stellenwert der Note für die Endnote: siehe BPO
Lehrsprache: Deutsch
Literatur:
Brauch, W.; Dreyer, H.-J.; Haacke, W.: Mathematik für Ingenieure, Vieweg &Teubner, 2006.Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7 Ostwestfalen-Lippe Data Science (B.Sc.) Seite 13/96 Fetzer, A.; Fränkel, H.: Mathematik 1 u. 2. Springer, 1999 / 2003. Forster, O.: Analysis 1. Springer Spektrum, 2013. Papula, L.: Mathematik für Ingenieure und Naturwissenschaftler 1. Springer/Vieweg, 2014. Richter, W.: Ingenieurmathematik kompakt. Springer, 1998.
Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 14/96
Mathematik für Datenwissenschaften 1 (MF1 / 5238)
Mathematik für Datenwissenschaften 1 Stand: 15.07.2019
Modulnr.: 5238 Kürzel: Workload: 150 h Credits: 5 Gruppengröße: 35
MF1
Häufigkeit des Angebots: Sommersemester Kontaktzeit: 60 Selbststudium: 90 h
h
Modulverantwortlicher: Dauer: 1 Semester
Prof. Dr. Markus Lange-Hegermann, Prof. Dr. Stefan Heiss
Lehrende:
Prof. Dr. Markus Lange-Hegermann, Prof. Dr. Stefan Heiss
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): 2. Semester, Pflichtfach
Lernergebnisse/Kompetenzen:
Die Studierenden kennen die praktische Relevanz linearer Probleme in Anwendungen. Sie
können technische Probleme durch lineare Gleichungssysteme modellieren und diese
Gleichungssysteme mit verschiedenen Verfahren lösen. Sie kennen die Zusammenhänge
zwischen abstrakten linearen Abbildungen, Matrizen als deren Datenstruktur zum Rechnen
und der Interpretation in Anwendungen und der Geometrie. Sie sind in der Lage,
Strukturaussagen für lineare Abbildungen zu treffen und kennen die Interpretation der
Strukturaussagen in Anwendungen.
Inhalte:
Vorlesung: Lineare Gleichungssysteme (Lösungsmengen, Gauß‘sches Eliminationsverfahren),
Vektorräume, lineare Unabhängigkeit, Basis, Skalarprodukt, lineare Abbildungen, Matrizen
(Koeffizientenmatrizen linearer Gleichungssysteme, Matrizenoperationen, Inverse,
Determinanten, Entwicklungssatz); Eigenwerte und -vektoren, Diagonalisierbarkeit, Jordan’sche
Normalform
Praktikum: In den Übungen werden mit entsprechenden Aufgaben die Vorlesungsinhalte
vertieft. Ein Teil der wöchentlich ausgegebenen Übungsaufgaben wird korrigiert.
Lehrformen/Semesterwochenstunden:
Vorlesung / 2 SWS
Übung / 2 SWS
Teilnahmevoraussetzungen:
Formal: /
Inhaltlich: Die Module Mathematik 1 und 2 sollten absolviert sein.
Prüfungsform(en): Klausur, benotet. Die Note entspricht der Note für das Modul.
Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung.
Stellenwert der Note für die Endnote: siehe BPO
Lehrsprache: Deutsch
Literatur:
Brauch, W.; Dreyer, H.-J.; Haacke, W.: Mathematik für Ingenieure, Vieweg &Teubner, 2006.
Fetzer, A.; Fränkel, H.: Mathematik 1 u. 2. Springer, 1999 / 2003.
Forster, O.: Analysis 1. Springer Spektrum, 2013.
Papula, L.: Mathematik für Ingenieure und Naturwissenschaftler 1. Springer/Vieweg, 2014.
Richter, W.: Ingenieurmathematik kompakt. Springer, 1998.Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 15/96
Mathematik für Datenwissenschaften 2 (MF2 / 5239)
Mathematik für Datenwissenschaften 2 Stand: 15.07.2019
Modulnr.: 5239 Kürzel: Workload: 150 h Credits: 5 Gruppengröße: 35
MF2
Häufigkeit des Angebots: Sommersemester Kontaktzeit: 60 Selbststudium: 90 h
h
Modulverantwortlicher: Dauer: 1 Semester
Prof. Dr. Markus Lange-Hegermann
Lehrende:
Prof. Dr. Markus Lange-Hegermann
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): 2. Semester, Pflichtfach
Lernergebnisse/Kompetenzen:
Die Studierenden können erste Datenexplorationen durchführen und Daten mit einfachen
Mitteln visuell aufbereiten. Sie können typische Probleme in der Datenaufbereitung lösen. Sie
kennen und verstehen gängige statistische Methoden für ingenieurwissenschaftliche
Problemstellungen und können diese in praktischen Situationen anwenden. Sie können Tests
basierend auf Daten durchführen und Werte basierend auf Daten schätzen. Sie verstehen das
Treffen von optimalen Entscheidungen. Insbesondere können Sie ihre Statistikkenntnisse mit
Hilfe von Statistiksoftware auf Datensätze anwenden.
Inhalte:
Umgang mit Daten, insb.
- grafische Darstellung,
- Berechnung wichtiger Kenngrößen,
- einfache Statistiken und
- gute Praxis.
Lokale Optima von Funktionen mit endlich-dimensionalem Definitionsbereich.
Grundlagen der Wahrscheinlichkeitstheorie zur Abbildung von Modellannahmen. Anwendung
auf Schätz-, Test- und Entscheidungstheorie.
Den Studierenden werden Übungsaufgaben zur Vertiefung des Wissens und zur
Problemlösungskompetenz ausgegeben. Diese Übungen sind sowohl theoretisch wie auch
praktisch, und werden teilweise mit Hilfe von Computersoftware gelöst.
Lehrformen/Semesterwochenstunden:
Vorlesung / 2 SWS
Übung / 1 SWS
Praktikum / 1SWS
Teilnahmevoraussetzungen:
Formal: /
Inhaltlich: Die Module Mathematik 1, 2 und Mathematik für Datenwissenschaften 1 sollten
absolviert sein. Die Lehrveranstaltungen sind so aufgebaut, dass Mathematik für
Datenwissenschaften 1 und Mathematik für Datenwissenschaften 2 in einem Semester belegt
werden können.
Prüfungsform(en): Mündliche Prüfung oder Klausur, benotet. Die Note entspricht der Note
für das Modul.Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7 Ostwestfalen-Lippe Data Science (B.Sc.) Seite 16/96 Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung. Stellenwert der Note für die Endnote: siehe BPO Lehrsprache: Deutsch Literatur: Steland, A: Basiswissen Statistik Assenmacher, W.: Descriptive Statistik Groß, J.: Grundlegende Statistik mit R Jaynes, E.T.: Probability Theory: The Logic of Science Kruschke, J: Doing Bayesian Data Analysis
Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 17/96
Datenerfassung und Datenhaltung 1 (DD1 / 5240)
Datenerfassung und Datenhaltung 1 Stand: 15.07.2019
Modulnr.: 5240 Kürzel: Workload: 150 h Credits: 5 Gruppengröße: 35
DD1
Häufigkeit des Angebots: Sommersemester Kontaktzeit: 60 Selbststudium:
h 90 h
Modulverantwortlicher: Dauer: 1 Semester
Dr. rer. nat. Alexander Maier
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): Pflichtveranstaltung, 2. Semester
Lernergebnisse/Kompetenzen:
Die Studierenden verstehen die Datenerfassung und Anreicherung in automatisierten
Produktionssystemen. Ihnen ist die Notwendigkeit und Nützlichkeit angereicherter Daten in
Analyseaufgaben bewusst. Die Studierenden nutzen und implementieren erste
Softwareplattformen, um diese Datenströme zu lenken und zu speichern. Die Studierenden
werden in die Lage versetzt, dieses Wissen auf eigene Projekte anzuwenden.
Inhalte:
Vorlesung: Wesentliche Inhalte sind die Erfassung von Prozessdaten in Bussystemen,
semantische Annotation der Daten, Nutzung ausgewählter Plattformen zur Datenhaltung und
die Verwendung der erfassten Daten für erste Analyseaufgaben. Des Weiteren werden
Aspekte der Datensicherheit und des Datenschutzes bei der Daten-Erfassung und -Haltung
berücksichtigt. Es werden konkrete Beispiele aus der Industrie präsentiert.
Übung: Die theoretischen Inhalte werden mit Beispielen aus der industriellen Praxis
untermauert und dienen als Grundlage für die praktischen Übungen. Dabei werden
Projektbeispiele aus der industriellen Praxis präsentiert, die die Studierenden zu eigenen
Projekten animieren werden.
Lehrformen:
Vorlesung / 2 SWS
Übung / 2 SWS
Teilnahmevoraussetzungen:
Formal:
Inhaltlich:
Prüfungsform(en): Klausur, benotet. Die Note entspricht der Note für das Modul.
Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung.
Lehrsprache: Deutsch
Literatur:
Handbuch Industrie 4.0 Bd.2: Automatisierung; herausgegeben von Birgit Vogel-Heuser,
Thomas Bauernhansl, Michael ten Hompel
Ramez, E., Navathe, S. B.: Grundlagen von Datenbanksystemen. Pearson Studium, 2005.
Tanenbaum, A. S.: Computernetzwerke. Pearson Studium, 2012.Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 18/96
Maschinelles Lernen (ML / 5211)
Maschinelles Lernen Stand: 15.07.2019
Modulnr.: 5211 Kürzel: ML Workload: 150 h Credits: 5 Gruppengröße: 35
Häufigkeit des Angebots: Wintersemester Kontaktzeit: 60 Selbststudium: 90 h
h
Modulverantwortlicher: Dauer: 1 Semester
Prof. Dr.-Ing. Volker Lohweg
Lehrende:
Prof. Dr.-Ing. Volker Lohweg, Prof. Dr. rer. nat. Helene Dörksen
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): 3. Semester, Pflichtfach
Elektrotechnik (B.Sc.): 5. Semester, Wahlpflichtfach
Medizin- und Gesundheitstechnologie (B.Sc.): 5. Semester, Wahlpflichtfach
Technische Informatik (B.Sc.): 5. Semester, Pflichtfach
Lernergebnisse/Kompetenzen:
Wissen: Die Studierenden kennen Konzepte des Maschinellen Lernens und können diese
wiedergeben.
Verstehen: Lernende können Methoden des Maschinellen Lernens zusammenfassen.
Lernverfahren, wie u.a. einfache Support Vector Machines, können ausgelegt werden. Typische
Anwendungen, wie Lernen von Datensätzen zur Anomaliedetektion können in eigenen Worten
wiedergeben werden.
Anwenden: Die Studierenden haben die Methodenkompetenz, eigenständig verschiedene
einfache Lerner zu entwerfen.
Inhalte:
Vorlesung: 1. Anwendungsgebiete (Anomalieerkennung, Klassifikation, Diagnose), 2.
Modellparametrisierungsalgorithmen und Heuristische Verfahren (Markovketten, Regression,
Bayes-Netze, Optimierungsverfahren), 3. Modellgenerierungsalgorithmen (SVM, Neuronale
Netze, Fuzzy Learning, Entscheidungsbäume), 4. Vorverarbeitung (Ausreißer, Clustering,
Dimensionsreduktion)
Übung: Die in der Vorlesung vorgestellten Algorithmen und Datenstrukturen werden anhand
von Übungsausgaben wiederholt und z. T. vertieft.
Praktikum: Die in der Vorlesung vorgestellten Ansätze werden z. T. in Python, Matlab
implementiert. Die Implementierungen werden vom Dozenten mit den Studenten diskutiert,
aber nicht benotet.
Lehrformen/Semesterwochenstunden:
Vorlesung / 2 SWS
Übung / 1 SWS
Praktikum / 1 SWS
Teilnahmevoraussetzungen:
Formal: /
Inhaltlich: Die Fächer „Algorithmen und Datenstrukturen“ und „Programmiersprachen 1“
sollten absolviert sein.
Prüfungsform(en): Klausur, benotet. Die Note entspricht der Note für das Fach.
Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung.Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7 Ostwestfalen-Lippe Data Science (B.Sc.) Seite 19/96 Stellenwert der Note für die Endnote: siehe BPO Lehrsprache: Deutsch Literatur: Kleinberg, J., Tardos, E.: Algorithm Design. Addison Wesley, 2005. Kumar, V., Steinbach, M., Tan, P. N.: Introduction to Data Mining. Addison Wesley, 2005. Michalski, R. S., Carbonell, J. G., Mitchell, T. M.: Machine Learning. An Artificial Intelligence Approach, 1984. Norvig, P., Russel, S.: Artificial Intelligence: A Modern Approach 2e. Prentice Hall, 2003.
Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 20/96
Komplexität und Berechenbarkeit (KB / 5203)
Komplexität und Berechenbarkeit Stand: 15.07.2019
Modulnr.: 5203 Kürzel: KB Workload: 150 h Credits: 5 Gruppengröße: 35
Häufigkeit des Angebots: Wintersemester Kontaktzeit: 60Selbststudium: 90 h
h
Modulverantwortlicher und hauptamtlich Lehrender: Dauer: 1 Semester
Prof. Dr. Markus Lange-Hegermann
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): 3. Semester, Pflichtfach
Technische Informatik (B.Sc.): 3. Semester, Pflichtfach
Lernergebnisse/Kompetenzen:
Die Studierenden sind mit den Grundlagen der Logik vertraut. Sie besitzen Grundlagenwissen
der Algorithmentheorie und der theoretischen Informatik und kennen verschiedene Modelle
zur Berechnung von Funktionen. Sie verstehen die Theorie der Berechenbarkeit und
grundlegende Komplexitätsklassen wie P und NP. Sie können diese Theorie anwenden, um bei
gewissen Problemen zu entscheiden, ob diese berechenbar bzw. effizient berechenbar sind.
Inhalte:
Vorlesung: Aussagenlogik, Prädikatenlogik, Sprachen, Grammatiken, Turingmaschinen,
Entscheidbarkeit, Halteproblem, Reduktion, Satz von Rice, nichtdeterministische
Turingmaschinen, Polynomialzeitreduktion, Komplexitätsklassen P, NP, NP-Vollständigkeit,
endliche Automaten, Chomsky-Hierarchie.
Übung: Die in der Vorlesung vorgestellten Inhalte werden anhand von Übungsausgaben
wiederholt und z. T. vertieft.“
Lehrformen/Semesterwochenstunden:
Vorlesung / 2 SWS
Übung / 2 SWS
Teilnahmevoraussetzungen:
Formal: /
Inhaltlich: Die Inhalte der Module Programmiersprachen 1 und Mathematik 1 sollten bekannt
sein.
Prüfungsform(en): Klausur, benotet. Die Note entspricht der Note für das Fach.
Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung.
Stellenwert der Note für die Endnote: siehe BPO
Lehrsprache: Deutsch
Literatur:
Wegener, I.: Theoretische Informatik. Eine algorithmenorientierte Einführung. Vieweg &
Teubner, 2005.
Schöning, U.: Theoretische Informatik kurz gefasst. Spektrum, 2008.Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 21/96
Datensicherheit (DC / 5151)
Datensicherheit Stand: 15.07.2019
Modulnr.: 5151 Kürzel: DC Workload: 150 h Credits: 5 Gruppengröße: 35
Häufigkeit des Angebots: Sommersemester Kontaktzeit: 60Selbststudium: 90 h
h
Modulverantwortlicher und hauptamtlich Lehrender: Dauer: 1 Semester
Prof. Dr. Stefan Heiss
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.), Pflichtfach, 4. Semester
Elektrotechnik (B.Sc.) / Automatisierungstechnik, Wahlpflichtfach, 4. Semester
Elektrotechnik (B.Sc.) / Energie- und Antriebstechnik, Wahlpflichtfach, 4. Semester
Elektrotechnik (B.Sc.) / Informationstechnik, Pflichtfach, 4. Semester
Medizin- und Gesundheitstechnologie (B.Sc.), Wahlpflichtfach, 4. Semester
Technische Informatik (B.Sc.), Pflichtfach, 4. Semester
Lernergebnisse/Kompetenzen:
Die Studierenden kennen grundlegende kryptographische Algorithmen, Protokolle und
Anwendungen. Sie sind in der Lage, den Einsatz von IT-Sicherheitsmechanismen zu bewerten
und in Software zu integrieren.
Inhalte:
Vorlesung: Kryptographische Algorithmen und ihre mathematischen Grundlagen
(symmetrische und asymmetrische Verschlüsselungsverfahren, Hash- und MAC-Verfahren
sowie Signatur- und Schlüsselaustauschverfahren), kryptographische Protokolle und
Sicherheitsinfrastrukturen (TLS, X509-zertifikatsbasierte PKIs) und ausgewählte Anwendungen
(E-Mail-Sicherheit (S/MIME), Internet-Sicherheit (HTTPS), Einsatz von HW-Security-Token
(Smartcards).
Praktikum: Programmierübungen zur Vertiefung der Inhalte unter Nutzung der JAVA-Crypto-
API, Entwicklung eines Javacard-Applets.
Lehrformen/Semesterwochenstunden:
Vorlesung / 2 SWS
Praktikum / 2 SWS
Teilnahmevoraussetzungen:
Formal:
Inhaltlich: Die Module Mathematik 1-3 sowie Programmiersprachen 1-2 sollten absolviert sein.
Prüfungsform(en): Benotete Präsentation einer Projektarbeit. Bestehen einer benoteten
Klausurarbeit. Die Note ergibt sich aus der Note für die Präsentation und der Note für die
Klausurarbeit.
Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung.
Stellenwert der Note für die Endnote: siehe BPO
Lehrsprache: Deutsch
Literatur:
Swoboda, J., Spitz, S., Pramateftakis, M.; Kryptographie und IT-Sicherheit, Vieweg+Teubner,
2011.
Beutelspacher, A., Schwenk, J., Wolfenstetter, K.: Moderne Verfahren der Kryptographie.
Springer Spektrum, 2015.Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7 Ostwestfalen-Lippe Data Science (B.Sc.) Seite 22/96 Paar, C., Pelzl, J.; Kryptografie verständlich: Ein Lehrbuch für Studierende und Anwender, Springer Vieweg, 2016. Schwenk, J.: Sicherheit und Kryptographie im Internet, Springer Vieweg, 2014.
Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7 Ostwestfalen-Lippe Data Science (B.Sc.) Seite 23/96 Modul Informatik Die meisten Datenauswertungen werden automatisch in Programmierumgebungen vorgenommen. Daher bildet die Informatik die technische Grundlage der Data Science. Die im Modul ‘Informatik‘ zusammengefassten Veranstaltungen finden mehrheitlich in den ersten Semestern statt und bestehen ausschließlich aus Pflichtfächern. Hier werden die Studierenden mit Programmierungen (PS1, PS2), Standardalgorithmen (AD), und Software Engineering (SM) vertraut gemacht, damit sie auf dieser Basis mit verschiedenen Programmiersprachen hochqualitative und effiziente Software für Datenauswertungen entwickeln können. Ferner werden die Studierenden darauf vorbereitet, sich in verschiedenen Software-, Hardware- (RO) und Netzwerkumgebungen (RN) zurechtzufinden. Der Umgang mit Datenbanksystemen (DB) bildet die Grundlage zur Speicherung und Extrahierung von Daten in klassischen Datenbanksystemen, was durch Big-Data-Systeme und Cloud-Anwendungen (DD2) ergänzt wird. Durch Aneignung dieser Kenntnisse lernen die Studierenden, in gängigen Systemen auf Daten zugreifen zu können. Die für diesen Studiengang charakteristischen drei Anwendungsmodule ‘Smart Cities and Smart Environments‘, ‘Automation and Production‘ sowie ‘Business Intelligence and Media‘ bauen auf diesem Basiswissen durch Erweiterung und Vertiefung in den Bereichen Algorithmik, Softwareentwicklung und Softwareumgebungen auf.
Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 24/96
Programmiersprachen 1 (PS1 / 5179)
Programmiersprachen 1 Stand: 15.07.2019
Modulnr.: 5179 Kürzel: PS1 Workload: 150 h Credits: 5 Gruppengröße: 35
Häufigkeit des Angebots: Wintersemester Kontaktzeit: 60 Selbststudium: 90 h
h
Modulverantwortlicher: Dauer: 1 Semester
Dr. Nils Beckmann
Lehrende:
Dr. Nils Beckmann, Dr. Stefan Windmann, Arne Neumann, Artur
Mambetow, Andreas Osterhold, Oliver Moshage
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): 1. Semester, Pflichtfach
Elektrotechnik (B.Sc.): 1. Semester, Pflichtfach
Medizin- und Gesundheitstechnologie (B.Sc.): 1. Semester, Pflichtfach
Technische Informatik (B.Sc.): 1. Semester, Pflichtfach
Lernergebnisse/Kompetenzen:
Die Studierenden kennen die Grundelemente (Schlüsselwörter, Ausdrücke, Eingabe/Ausgabe,
usw.) einer prozeduralen Programmierhochsprache (z.B. C) und der prozeduralen
Programmierung. Sie verstehen die zugrundeliegende Syntax und Semantik von Quelltexten in
dieser Sprache sowie die Zusammenhänge zwischen Quelltext, Compiler und
Computerprogramm. Sie können eigenständig Quelltexte und Computerprogramme in dieser
Sprache entwickeln sowie einfache Algorithmen, Struktogramme und Programmablaufpläne.
Spezielle Detailkenntnisse besitzen sie in der Formulierung syntaktisch korrekter Ausdrücke,
Anweisungen sowie Kontrollstrukturen. Sie sind in der Lage, die dafür notwendigen
Entwicklungswerkzeuge (Editor, Compiler, IDE, Debugger, usw.) kompetent anzuwenden.
Insbesondere können die Studierenden den Compiler einsetzen um über dessen Hinweise ihre
Quelltexte eigenständig iterativ zu verbessern.
Inhalte:
Vorlesung: Entwicklung der Computer und Programmiersprachen, Rechnerarchitektur,
Quelltextaufbau und Kompilieren, Begrifflichkeiten (Plattform, Prozessor, Linker, Prozess,
Deklarieren, Initialisieren, usw.), Standard-Eingabe und -Ausgabe, Schlüsselwörter, Syntax und
Semantik, formatierte Eingabe und Ausgabe, Eingabepuffer, Datentypen und Variablen,
Ausdrücke und mathematische Berechnungen, Operatorprioritäten, binäre
Speicherdarstellung (u.A. Zweierkomplement) und ASCII-Tabelle, Zahlensysteme und
Umrechnung, Kontrollstrukturen, bedingte Anweisung, Schleifen, ein- und mehrdimensionale
Arrays, Programmablaufdiagramm und Struktogramm, Funktionen (Kopf & Rumpf, Call by
Value/Reference, usw.), Sprunganweisungen, Präprozessor, Grundlegender
Softwareentwicklungsprozess, Bibliotheken (mathematische Funktionen,
Zeichenkettenoperationen, Pseudo-Zufallszahlen, Zeitmessung, Runden, usw.), Zeiger und
Adressen, Pointerarithmetik, Verkettete Listen, Spezielle Datentypen (komplexe Zahlen,
Vorzeichenlose, Aufzählungen, usw.), Zugriffsverletzungen, Sichtbarkeit und Geltungsdauer
von Variablen, Kommandozeilenparameter, einfache Algorithmen (Sortieren, usw.), Strukturen,
Bitfelder, Bitoperationen, Rekursion, Dynamische Speicherverwaltung (Allokation,
Zugriffsgeschwindigkeit, Speicherplatz, Speicherklassen, usw.), Globale Variablen undTechnische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7 Ostwestfalen-Lippe Data Science (B.Sc.) Seite 25/96 Konstanten, Streams und Dateien (Eingabe/Ausgabe), Makros, Compileroptimierungen, Software-Entwicklungswerkzeuge (Editor, Konsole, Compiler, IDE, Debugger, usw.) Praktikum: Im Praktikum werden die Inhalte der Vorlesung anhand von Programmierübungsaufgaben praktisch eingeübt. Die Aufgabenstellungen, Herangehensweisen, Lösungswege und Lösungen werden diskutiert. Lehrformen/Semesterwochenstunden: Vorlesung / 2 SWS Praktikum / 2 SWS Teilnahmevoraussetzungen: Formal: / Inhaltlich: Grundkenntnisse entsprechend der Zulassungsvoraussetzungen für die Studiengänge. Prüfungsform(en): Klausur, benotet. Die Note entspricht der Note für das Fach. Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung. Stellenwert der Note für die Endnote: siehe BPO Lehrsprache: Deutsch Literatur: Erlenkötter, H.: C: Programmieren von Anfang an. Rowohlt Verlag, 1999. Dausmann, M., Goll, J., Bröckl, U., Schoop, D.: C als erste Programmiersprache. Vom Einsteiger zum Profi. Vieweg & Teubner, 2010. Wolf, J.: C von A bis Z. Das umfassende Handbuch für Linux, Unix und Windows. Galileo Computing, 2008.
Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 26/96
Programmiersprachen 2 (PS2 / 5180)
Programmiersprachen 2 Stand: 15.07.2019
Modulnr.: 5180 Kürzel: PS2 Workload: 150 h Credits: 5 Gruppengröße: 35
Häufigkeit des Angebots: Sommersemester Kontaktzeit: 60Selbststudium: 90 h
h
Modulverantwortlicher und hauptamtlich Lehrender: Dauer: 1 Semester
Prof. Dr.-Ing. Thomas Korte
Weitere Lehrende:
Prof. Dr.-Ing. Thomas Korte, Dr. Nils Beckmann, Lehrbeauftragte Oliver
Moshage, Rolf Salzmann, Dr. Stefan Windmann
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): 2. Semester, Pflichtfach
Elektrotechnik (B.Sc.): 2. Semester, Pflichtfach
Mechatronik (B.Sc.): 4. Semester, Wahlpflichtfach
Medizin- und Gesundheitstechnologie (B.Sc.): 2. Semester, Pflichtfach
Technische Informatik (B.Sc.): 2. Semester, Pflichtfach
Lernergebnisse/Kompetenzen:
Die Studierenden lernen die wichtigsten Prinzipien der objektorientierten Programmierung
und können es beim Entwurf einfacher Programme anwenden. Sie besitzen Übung in der
Darstellung von Klassen und deren Instanzen mit einfachen (an UML angelehnten)
Diagrammen. Sie erlangen praktische Erfahrungen bei der Entwicklung von Programmen in
der Programmiersprache Java. Sie sind mit dem Einsatz einer integrierten Entwick-
lungsumgebung sowie dem Debuggen und Testen von Programmen vertraut.
Inhalte:
Vorlesung: Grundlagen objektorientierter Programmierung, Klassen und Objekte, Datentypen
(primitive Typen, Referenztypen), Konstruktoren und Methoden, Datenkapselung, Vererbung,
Polymorphie, Programmierung mit Java, Java-Laufzeit- und Java-Entwicklungsumgebungen,
Entwicklungszyklus (Entwurf, Quellcode, Class-Dateien), Packages, Dokumentation (Javadoc)
und strukturierte Diagrammdarstellungen, Testen und Debuggen, Behandlung von
Ausnahmen (Exceptions).
Praktikum: Im Praktikum werden die Inhalte der Vorlesung anhand von Programmieraufgaben
praktisch eingeübt. Lösungen werden diskutiert.
Lehrformen/Semesterwochenstunden:
Vorlesung / 2 SWS
Praktikum / 2 SWS
Teilnahmevoraussetzungen:
Formal: /
Inhaltlich: Das Modul „Programmiersprachen 1“ sollte absolviert sein.
Prüfungsform(en): Klausur, benotet. Die Note entspricht der Note für das Fach.
Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung.
Stellenwert der Note für die Endnote: siehe BPO
Lehrsprache: Deutsch
Literatur:
Barnes, D. J., Kölling, M.: Java lernen mit BlueJ. Eine Einführung in die objektorientierteTechnische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7 Ostwestfalen-Lippe Data Science (B.Sc.) Seite 27/96 Programmierung. Pearson, 2009. Krüger, G., Stark, T.: Handbuch der Java-Programmierung. Addison-Wesley, 2007.
Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 28/96
Algorithmen und Datenstrukturen (AD / 5183)
Algorithmen und Datenstrukturen Stand: 15.07.2019
Modulnr.: 5183 Kürzel: AD Workload: 150 h Credits: 5 Gruppengröße: 35
Häufigkeit des Angebots: Wintersemester Kontaktzeit: 60
Selbststudium: 90 h
h
Modulverantwortlicher und hauptamtlich Lehrender: Dauer: 1 Semester
Prof. Dr. Philipp Bruland
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): 1. Semester, Pflichtfach
Elektrotechnik (B.Sc.): 1. Semester, Wahlpflichtfach
Medizin- und Gesundheitstechnologie (B.Sc.): 3. Semester, Pflichtfach
Technische Informatik (B.Sc.): 1. Semester, Pflichtfach
Lernergebnisse/Kompetenzen:
Die Studierenden kennen wichtige Algorithmen und Datenstrukturen und können sie
typischen Aufgabenstellungen zuordnen. Ihnen ist der Zusammenhang zwischen Wahl von
Algorithmus/Datenstruktur und dem Laufzeitverhalten der Implementierung bekannt. Sie
kennen Methoden zur Bewertung der Leistungsfähigkeit von Algorithmen und können diese
bei der Entwicklung anwenden.
Inhalte:
Vorlesung: Algorithmische Grundkonzepte, Sortieralgorithmen, Arrays & Listen,
Laufzeitanalyse, Suchverfahren, Bäume und Suche in Bäumen, Graphen, Tiefen- und
Breitensuche, Queues & Stacks, Kürzeste-Wege-Algorithmen, Algorithmenparadigmen
(Greedy-Algorithmen, Divide & Conquer, dynamische Programmierung).
Übung: Die in der Vorlesung vorgestellten Algorithmen und Datenstrukturen werden anhand
von Übungsausgaben wiederholt und z. T. vertieft. Ein Teil der wöchentlich ausgegebenen
Übungsaufgaben wird korrigiert.
Praktikum: Die in der Vorlesung vorgestellten Algorithmen und Datenstrukturen werden z. T.
in C implementiert. Die Laufzeiten der Implementierungen werden verglichen. Die
Implementierungen werden vom Dozenten mit den Studierenden diskutiert, aber nicht
benotet.
Lehrformen/Semesterwochenstunden:
Vorlesung / 2 SWS, Übung / 1 SWS, Praktikum / 1 SWS
Teilnahmevoraussetzungen:
Formal: /
Inhaltlich: Grundkenntnisse entsprechend der Zulassungsvoraussetzungen für die
Studiengänge.
Prüfungsform(en): Klausur, benotet. Die Note entspricht der Note für das Fach.
Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung.
Stellenwert der Note für die Endnote: siehe BPO
Lehrsprache: Deutsch
Literatur:
Cormen, T. H.; Leierson, C. E.; Rivest, R. L.: Introduction to Algorithms 2e. MIT Press, 2001.
Ottmann, T.; Widmayer, P.: Algorithmen und Datenstrukturen. Spektrum Akademischer Verlag,
2002.Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 29/96
Rechnerorganisation und Betriebssysteme (RO / 5167)
Rechnerorganisation und Betriebssysteme Stand: 15.07.2019
Modulnr.: 5167 Kürzel: RO Workload: 150 h Credits: 5 Gruppengröße: 35
Häufigkeit des Angebots: Wintersemester Kontaktzeit: 60Selbststudium: 90 h
h
Modulverantwortlicher und hauptamtlich Lehrender: Dauer: 1 Semester
Prof. Dr. Philipp Bruland
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): 1. Semester, Pflichtfach
Elektrotechnik (B.Sc.): 5. Semester, Wahlpflichtfach
Technische Informatik (B.Sc.): 1. Semester, Pflichtfach
Lernergebnisse/Kompetenzen:
Die Studierenden besitzen vertiefte Kenntnisse über die Komponenten eines Rechners sowie
über Prozessorarchitekturen. Die Studierenden kennen den prinzipiellen Aufbau von
Betriebssystemen. Sie kennen verschiedene Standardalgorithmen, die in Betriebssystemen zur
Anwendung kommen, und Kriterien, mit denen deren Leistungsfähigkeit gemessen werden
können.
Inhalte:
Vorlesung: Strukturierte Computerorganisation, Meilensteine der Computerarchitektur,
Einführung in Computerfamilien (x86-, ARM- und AVR-Architektur), Prozessoren,
Designprinzipien moderner Computer, Parallelität auf Befehls- und Prozessorebene, Haupt-
und Sekundärspeicher, Optische Speichermedien, Busse, Terminals, Peripheriegeräte (Mäuse,
Game-Controller, Drucker, Telekommunikationsgeräte, Digitalkameras), Boolesche Algebra
und Digitale Logik, Grundschaltungen der digitalen Logik, Komponenten von
Speichersystemen (Latches, Flipflops, Register, Speicherorganisation, Speicherchips, RAM und
ROM), Prozessorchips und Computer-Busse, Einführung Betriebssysteme,
Betriebssystemfamilien und -konzepte, Prozesse und Threads, Interprozesskommunikation
(Race Conditions, Kritische Regionen, Wechselseitiger Ausschluss mit aktivem Warten, Sleep
und Wakeup, Semaphor, Mutex, Nachrichtenaustausch), Scheduling
Übung: Die in der Vorlesung vorgestellten Inhalte werden anhand von Übungsausgaben
wiederholt und z. T. vertieft.
Lehrformen/Semesterwochenstunden:
Vorlesung / 2 SWS
Übung / 2 SWS
Teilnahmevoraussetzungen:
Formal: /
Inhaltlich: Grundkenntnisse entsprechend der Zulassungsvoraussetzungen für die
Studiengänge.
Prüfungsform(en): Klausur, benotet. Die Note entspricht der Note für das Fach.
Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung.
Stellenwert der Note für die Endnote: siehe BPO
Lehrsprache: Deutsch
Literatur:
Andrew S. Tanenbaum, Todd Austin (2014). Rechnerarchitektur: Von der digitalen Logik zumTechnische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7 Ostwestfalen-Lippe Data Science (B.Sc.) Seite 30/96 Parallelrechner. Pearson Studium, 6. Auflage, ISBN: 978-3868942385. Andrew S. Tanenbaum (2009). Moderne Betriebssysteme. Pearson Studium, 3., aktualisierte Auflage, ISBN: 978-3-8273-7342-7
Technische Hochschule Modulhandbuch Bachelorstudiengang Version 1.7
Ostwestfalen-Lippe Data Science (B.Sc.) Seite 31/96
Datenerfassung und Datenhaltung 2 (DD2 / 5249)
Datenerfassung und Datenhaltung 2 Stand: 15.07.2019
Modulnr.: 5249 Kürzel: Workload: 150 h Credits: 5 Gruppengröße: 35
DD2
Häufigkeit des Angebots: Sommersemester Kontaktzeit: 60 Selbststudium:
h 90 h
Modulverantwortlicher: Dauer: 1 Semester
Dr. rer. nat. Alexander Maier
Verwendung des Moduls in den Studiengängen/Studiensemester:
Data Science (B.Sc.): Pflichtveranstaltung, 2. Semester
Lernergebnisse/Kompetenzen: Die Studierenden kennen grundlegende Methoden, große
Datenmengen zu erfassen und zu speichern. Sie verstehen die Abläufe digitaler
Telekommunikation als Basis für den Transport großer Datenmengen. Sie können mit
aktuellen Frameworks zur Erfassung, Speicherung und Verarbeitung großer Datenmengen in
Echtzeit umgehen und kennen moderne Datenbanksysteme im Bereich Big Data. Sie können
dieses Wissen anwenden, um eine Gesamtlösung in einer Projektarbeit umzusetzen.
Inhalte:
Methoden zur Datenerfassung und Sensorik; Speicherung großer Datenmengen und
Datenbanken; Telekommunikation und Datentransport; Ausnutzung von Parallelität;
Bereitstellung der Daten für Analysezwecke; Die Beispiele werden in Projekten am Computer
mit Hilfe moderner Frameworks umgesetzt.
Lehrformen:
Projektarbeit / 4 SWS
Teilnahmevoraussetzungen:
Formal:
Inhaltlich:
Prüfungsform(en): Projektbearbeitung, Dokumentation und Präsentation, benotet. Die Note
entspricht der Note für das Modul.
Voraussetzung für die Vergabe von Kreditpunkten: Bestandene Modulprüfung.
Lehrsprache: Deutsch
Literatur:
Handbuch Industrie 4.0 Bd.2: Automatisierung; herausgegeben von Birgit Vogel-Heuser,
Thomas Bauernhansl, Michael ten Hompel
Ramez, E., Navathe, S. B.: Grundlagen von Datenbanksystemen. Pearson Studium, 2005.
Tanenbaum, A. S.: Computernetzwerke. Pearson Studium, 2012.Sie können auch lesen
