|
|
Vorlesungsverzeichnis >> Technische Fakultät (TF) >>
|
Lehrveranstaltungen für alle Studierenden der Technischen Fakultät
| |
Halbleitertechnik VI – Flexible Elektronik -
- Dozent/in:
- Michael Jank
- Angaben:
- Vorlesung, 2 SWS, Schein, ECTS: 2,5, nur Fachstudium
- Termine:
- Mi, 14:15 - 15:45, 0.111
Details zu Inhalten und Durchführung der Vorlesung werden in der Vorbesprechung/Einführung am 20. Oktober besprochen. Bitte wenden Sie sich vorab per E-Mail an den Dozenten (michael.jank@fau.de), falls Sie an dem Termin nicht teilnehmen können.
- Studienrichtungen / Studienfächer:
- WF EEI-BA ab 5
WF EEI-MA ab 1
- Inhalt:
- 1.Einführung
-Vergleich Elektroniktechnologien, Anwendungen für großflächige und flexible Elektronik
2. Bauelementekonzepte der Dünnschichtelektronik
3. Materialien und Prozessierung
Beschichtungs- und Drucktechniken Dünnschichttechnologien (a-Silicium, Polysilicium, Metalloxide, Organik) Substrat-, Prozess- und Bauelementeoptionen für flexible Anwendungen
4. Mechanische und elektronische Integration
Verbindungstechniken Drahtlose Schnittstellen
5. Anwendungen
Großflächige Sensoren, Sensormatrizen und Ausleseelektronik Typen, Aufbau und Ansteuerung von Displays
(erwartete Hörerzahl original: 20, fixe Veranstaltung: nein)
- Schlagwörter:
- flexibel flexible Elektronik großflächig large area Displays Sensorik Integration Verbindungstechnik
|
| |
Lab Course Statistical Signal Processing [PrSTASIP(RZ)] -
- Dozent/in:
- Annika Briegleb
- Angaben:
- Praktikum, Schein, ECTS: 2,5, nur Fachstudium, Registration is only possible via the tool of the department EEI: https://www.studon.fau.de/cat2637009.html, Further information can be found on StudOn
- Termine:
- Mi, 8:00 - 12:00, 06.021
- Studienrichtungen / Studienfächer:
- WPF ASC-MA ab 1
WPF CME-MA ab 1
WPF EEI-MA-INT ab 1
- Inhalt:
- Nach einer Einführung in den Gebrauch der Programmiersprache Python werden Experimente und
Übungen zu folgenden Themen der Statistischen Signalverarbeitung durchgeführt:
Grundlegende Eigenschaften von Zufallsvariablen und stochastischer Prozesse Eigenschaften von Korrelationsmatrizen, Hauptachsentransformation, KLT Parametrische und nicht-parametrische lineare Signalmodelle MMSE-Signalschätzung Kalman-Filterung mit Anwendungen zur Signalquellenverfolgung Optimale Mehrkanalfilterung, Einführung in die adaptive Filterung.
In der zweiten Phase des Praktikums werden die Studierenden in kleinen Projektgruppen (max. 3 Studierende) selbstständig eine forschungsrelevante Problemstellung analysieren und mögliche Lösungssansätze erarbeiten, implementieren und evaluieren.
(erwartete Hörerzahl original: 12, fixe Veranstaltung: nein)
- Empfohlene Literatur:
- Neben dem Skriptum zur Vorlesung "Statistical Signal Processing” werden folgende Referenzen zur ergänzenden und vertiefenden Lektüre empfohlen:
A. Papoulis, S.U. Pillai: "Probability, Random Variables and Stochastic Processes”, 4th edition. Prentice Hall, Englewood Cliffs, NJ, 2007.
S.M. Kay: "Fundamentals of Statistical Signal Processing, Volume I: Estimation Theory”. Prentice Hall, Englewood Cliffs, NJ, 1993.
A.V. Oppenheim, R.V. Schafer: Digital Signal Processing. Prentice Hall, Englewood Cliffs, NJ, 1975.
|
| |
Laborpraktikum Bild- und Videosignalverarbeitung auf eingebetteten Plattformen [PrBiViP(RZ)] -
- Dozentinnen/Dozenten:
- Jürgen Seiler, Viktoria Heimann
- Angaben:
- Praktikum, Schein, ECTS: 2,5, nur Fachstudium
- Termine:
- Do, 14:00 - 18:00, 06.021
- Studienrichtungen / Studienfächer:
- WPF WING-BA-IKS-ING-P 4-6
WPF WING-MA 1-3
WPF WING-MA-ET-IT 1-2
WPF WING-BA-ET-IT ab 1
WF MT-MA ab 1
WF IuK-BA ab 1
WF EEI-MA ab 1
WF EEI-BA ab 1
WF ICT-MA ab 1
WPF WING-MA-ET-IT ab 1
WPF ASC-MA ab 1
WPF CME-MA ab 1
- Inhalt:
- Betrachtet man Anwendungen der Bild- und Videosignalverarbeitung stellt man fest, dass viele davon auf mobilen Plattformen ablaufen. Die dort verwendeten Systeme haben aber häufig nur eine reduzierte Leistungsfähigkeit und müssen besonders auf den Energieverbrauch achten. Nichtsdestotrotz sind aber auch einfache, mobile Systeme wie Smartphones oder Tablets in der Lage, anspruchsvolle Signalverarbeitungsaufgaben für Bild- und Videosignale durchzuführen. Dies umfasst zum Beispiel die Codierung von Bildern und Videos, aber auch die Erzeugung von Panoramen oder die Berechnung von Bildern mit hohem Dynamikumfang.
Das Praktikum „Bild- und Videosignalverarbeitung auf eingebetteten Plattformen" soll die Herausforderung, die mit einer Verarbeitung dieser Signale auf eingebetteten Plattformen einhergehen genauer vermitteln und es wird aufgezeigt, wie man selbst auf Plattformen mit eingeschränkter Leistungsfähigkeit entsprechende Algorithmen umsetzen kann. Hierzu werden in dem Praktikum Raspberry Pis als Plattform verwendet und die Programmierung erfolgt in Python.
Die Versuche umfassen den Aufbau und die Inbetriebnahme der eingebetteten Plattform, eine Einführung in Python und in die grundlegenden Prozesse der Bild- und Videosignalverarbeitung. Weitere Versuchsinhalte sind die Anbindung einer Kamera, Bildsignalverarbeitungsprozesse mit der Kamera und die Implementierung verschiedener digitaler Filter. Das Praktikum beinhaltet außerdem verschiedene Anwendungen computergestützten Sehens (Computer Vision). Die Detektion von Merkmalen und Objekten in Bildern und Videos werden einführend behandelt und aktuelle Computer Vision Anwendungen, wie die Erstellung eines Panoramas werden betrachtet.
(erwartete Hörerzahl original: 20, fixe Veranstaltung: nein)
- Empfohlene Literatur:
- Das Praktikumsskript "Image and video signal processing on embedded platforms” wird am ersten Termin ausgegeben.
Zusätzliche Literatur:
J. E. Solem, Programming Computer Vision with Python. O´Reilly and Associates, 2012 J. R. Parker, Algorithms for Image Processing and Computer Vision. USA, Indianapolis: Wiley, 210 R. Szeliski, Computer Vision: Algorithms and Applications. Berlin: Springer, 2010
|
| |
Wissenschaftliches Arbeiten in den Ingenieur- und Naturwissenschaften [VORL WAIN(A)] -
- Dozent/in:
- Jens Kirchner
- Angaben:
- Vorlesung, 2 SWS, Schein, ECTS: 2,5, für Anfänger geeignet
- Termine:
- Mo, 16:15 - 17:45, EL 4.14
Lehrveranstaltung erfolgt in teils digitaler Form und teils in Präsenz.
- Studienrichtungen / Studienfächer:
- WF EEI-BA ab 3
WF EEI-MA ab 1
WF MT-BA-BV ab 3
WF MT-MA ab 1
WF MB-BA ab 3
WF MB-MA ab 1
WF ME-BA ab 3
WF ME-MA ab 1
WF WING-BA ab 3
WF WING-MA ab 1
WF IuK-BA ab 3
WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Für die Teilnahme an der Vorlesung ist die Anmeldung im StudOn-Kurs notwendig: https://www.studon.fau.de/crs4046156.html
Für weitere Informationen über die Vorlesung siehe das in StudOn hinterlegte pdf: https://www.studon.fau.de/file4087742_download.html
- 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
(automatisch geplant, erwartete Hörerzahl original: 20, fixe Veranstaltung: nein) - Schlagwörter:
- Nicht-technisches Wahlfach, Softskills, Recherche, Vortrag, Präsentation, Publikation
|
| |
Algorithms, programming, and data representation [AlgProgDat(A)] -
- Dozent/in:
- Bernhard Kainz
- Angaben:
- Vorlesung, 4 SWS, ECTS: 5, Learning how to program in English and focus on Python
- Termine:
- Mo, 08:15 - 09:45, H11
- Inhalt:
- Topics
Students will solve object-oriented programming tasks in the Python programming language illustrate program structures with the help of a subset of the Unified Modelling Language
compare the efforts of different algorithms in terms of runtime and memory requirements implement basic combinatorial algorithms, especially search and sort algorithms, binary trees and basic graph algorithms understand and use recursion as a link between mathematical problem descriptions and programming implementation translate recursive problem descriptions into iterative ones
plan and process programming tasks in such a way that they are completed on time. Syllabus:
L01 Motivation and Logistics L02 Introduction: What does a Computer do L03 Data Representation and Boolean Algebra
L04 Floating Point numbers L05 Memory Organisation
L06 Branching and Iterations L07 Decomposition, Abstraction, and Functions, Tuples, Lists, etc.
L08 Recursion and Dictionaries L09 Testing, Debugging, Exceptions, and Assertions
L10 Object Oriented Programming L11 Classes and Inheritance
L12 Program efficency I L13 Program efficency II
L14 Searching and Sorting L15 version management and git
L16 API and Libraries L18 Graphs and graph algorithms
L19 Bellman-Ford L20 Dijkstra
L21 Dynamic Programming L21 Hashtables R01 Revision Q&A
(automatisch geplant, erwartete Hörerzahl original: 300, fixe Veranstaltung: nein)
|
| |
Algorithms, programming, and data representation; Exercise -
- Dozentinnen/Dozenten:
- Johanna Müller, u. Mitarbeiter
- Angaben:
- Übung, 2 SWS, ECTS: 2,5
- Termine:
- Zeit/Ort n.V.
- Inhalt:
- This is the coursework part for Algorithms, programming, and data representation
Topics
Students will solve object-oriented programming tasks in the Python programming language illustrate program structures with the help of a subset of the Unified Modelling Language
compare the efforts of different algorithms in terms of runtime and memory requirements implement basic combinatorial algorithms, especially search and sort algorithms, binary trees and basic graph algorithms understand and use recursion as a link between mathematical problem descriptions and programming implementation translate recursive problem descriptions into iterative ones
plan and process programming tasks in such a way that they are completed on time. Syllabus: C01 Explore local Anaconda and Google Colab C02 Number Representations and Boolean Algebra in Python C03 Branching and Iterations C04 Recursion and Dictionaries C05 Testing, Debugging, Exceptions, and Assertions C06 Classes and Inheritance C07 Searching and Sorting C08 APIs and Libraries C09 Searching and Sorting C10 Graphs and Trees C11 Hashtables Confidence and social competence:
The students will
organize themselves independently into groups and coordinate the organizational and technical process of group work in consultation with each other
communicate and jointly develop solutions for theoretical questions and practical programming tasks within the framework of group tasks
plan and apply targeted measures for mutual quality assurance of the submitted solutions (check each other's group submissions)
are jointly responsible for the result of their group work, the evaluation of which applies equally to both group partners
(erwartete Hörerzahl original: 300, fixe Veranstaltung: nein)
|
| |
Algorithms, programming, and data representation; Tutorial -
- Dozentinnen/Dozenten:
- Mischa Dombrowski, Johanna Müller, u. Mitarbeiter
- Angaben:
- Übung, 2 SWS, ECTS: 2,5
- Termine:
- Zeit/Ort n.V.
- Inhalt:
- This is the tutorial part for Algorithms, programming, and data representation
Topics:
Students will solve object-oriented programming tasks in the Python programming language illustrate program structures with the help of a subset of the Unified Modelling Language
compare the efforts of different algorithms in terms of runtime and memory requirements implement basic combinatorial algorithms, especially search and sort algorithms, binary trees and basic graph algorithms understand and use recursion as a link between mathematical problem descriptions and programming implementation translate recursive problem descriptions into iterative ones
plan and process programming tasks in such a way that they are completed on time. Syllabus: T01 Organization and Boolean Algebra
T02 Number Representations and Boolean Algebra
T03 Memory Organisation T04 Decomposition, Abstraction, and Functions T05 Recursion T06 Object Oriented Programming T07 Program efficency T08 Searching and Sorting T09 Graphs and Trees T10 Hashtables
(erwartete Hörerzahl original: 300, fixe Veranstaltung: nein)
|
|
 |
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|