Details
- Vorlesungstyp: Vorlesung + Übung
- Sprache: englisch
- Kurse:
- Dienstag, 16:15 - 17:45, 0.154-115
Credits
- 2,5 + 2,5
Zusätzliche Informationen
- Maximale Anzahl an Studenten: 50
- www
Wintersemester 2018/2019
Advanced Networking (AdN) | Grundlagen der Informatik mit praktischen Übungen (Inf_MMD) Details
Credits
Zusätzliche Informationen
Dozenten |
Kommunikationssysteme (KS) Details
Credits
Zusätzliche InformationenDozenten | Modellierung, Optimierung und Simulation von Energiesystemen (MOSES) Details
Credits
Zusätzliche Informationen
Dozenten |
Seminar: Machine Learning for Computer NetworkingDetails
Credits
Zusätzliche InformationenDozenten | Simulation and Modeling 1 (SaM 1) Details
Credits
Zusätzliche Informationen
Dozenten
|
Neuigkeiten aus der Lehre
Kolloquiumsvortrag: 23. Oktober 2018, Samson Groß
reserviert
Veröffentlicht am 2018-08-17 09:20:29 (Permalink)
Kolloquiumsvortrag: 16. Oktober 2018, Andreas Buck
Performanceoptimierung von Apache Spark im Bereich Data Analytics bei Audi
Die Entwicklung neuer Fahrzeugfunktionen im E-/E-Bereich löst seit einiger Zeit einen rasanten Anstieg anfallender Daten aus. Vor allem im Entwicklungsstadium ist es wichtig, die Messungen von Sensoren und Steuergeräten effektiv auswerten zu können. Um bisherige, mittlerweile inpraktikable, Verwaltungsmethoden abzulösen, wird bei Audi an dem Projekt Share42morrow gearbeitet. Share42morrow soll eine zentrale Plattform schaffen, die es ermöglicht, Messdaten fachbereichsübergreifend abzulegen, zu verwalten und auszuwerten. Die Auswertung der Daten geschieht zum großen Teil durch Apache Spark. Dieses Framework erlaubt eine komfortable Entwicklung von hoch parallelen Analysen in interaktiven sowie automatisierten Anwendungen. Die einfache Handhabung birgt allerdings auch ein hohes Optimierungspotential für Konfigurationen, Datenstrukturen und die Anwendungen selbst. Im Rahmen dieser Projektarbeit wird deshalb ein umfassendes Bild der Möglichkeiten zur Optimierung von Clusteranwendungen unter Apache Spark gezeichnet. Besondere Rücksicht wird dabei auf die lokalen Gegebenheiten und Restriktionen genommen. Zudem werden drei Umsetzungen vorgestellt, durch die die Performance von Analysen großer Datenmengen erheblich gesteigert wird. Um Daten in erster Linie ressourcenschonend auszuwerten, werden diese oder ähnliche Maßnahmen wärmstens empfohlen. Ort: Raum 04.137, Martensstr. 3, ErlangenVeröffentlicht am 2018-08-17 09:16:31 (Permalink)
Kolloquiumsvortrag 4. September 2018, Victor Simon
reserviert
Veröffentlicht am 2018-08-02 15:11:39 (Permalink)
Kolloquiumsvortrag: 9. Oktober 2018, Anna Dorokhova
Betrachtungen der Physikalischen Schicht eines Low Power-Funkprotokolls
Untertitel: Evaluation der Verwendbarkeit von RTLSDR und BladeRF zum Empfang von LoRa, sowie der Reichweite
Effiziente und wirtschaftliche Kommunikationswege sind für das Internet der Dinge von grundlegender Bedeutung. Für die drahtlose Datenübertragung über mehrere Kilometer konkurrieren verschiedene Technologien, eine vielversprechende davon ist LoRa mit dem Netzwerkprotokoll LoRaWAN. Es eignet sich insbesondere für Anwendungen, bei welchen der Stromverbrauch der IoT-Geräten minimiert werden soll. Für die Erweiterung der Übung zur Lehrveranstaltung Advanced Networking wurden Methoden zum Empfangen, Demodulieren und Dekodieren von LoRa-Nachrichten mit günstiger Hardware evaluiert. Ein Lösungsweg wurde herausgearbeitet und erfolgreich getestet. Eine Evaluation der Reichweite der LoRa-Technologie auf dem Campus der Technischen Fakultät und in dessen Umgebung im Bezug auf ein Gateway im Informatik-Hochhaus rundet die Arbeit ab. Ort: Raum 04.137, Martensstr. 3, ErlangenVeröffentlicht am 2018-07-25 15:25:38 (Permalink)
Kolloquiumsvortrag: 31. Juli 2018, Ramesh Palwai
Development and Evaluation of Adaptive Methods for Fault Detection in Building Operation
In order to ensure fault-free and energy-efficient building operation, it is necessary to acquire and analyze relevant time series data, such as system temperatures, control signals or weather data. For a largely automated analysis of these data with regard to suboptimal operating states / errors, different methods can be used. Promising methods are common regression and classification methods, such as linear regression, support vector machines, decision trees, or naive Bayes classifiers. A prerequisite for the functioning of these and similar methods is the existence of a training data set which covers as far as possible (nominal and faulty) system states. Since this requirement is not fulfilled in practice in most cases, one can pass on to adjust the training data set gradually during operation. Ort: Raum 04.137, Martensstr. 3, ErlangenVeröffentlicht am 2018-07-13 12:46:50 (Permalink)