Semesterprojekt 1
Rechnerarchitektur und eingebettete Systeme
T. Wübbenhorst
Im Rahmen des Projektes werden Themen aus den Bereichen der Rechnerarchitektur, der Sensordatenverarbeitung und der eingebetteten Systeme bearbeitet. Insbesondere werden Leistungsaspekte und Echtzeitverhalten sowie Fragen aus dem Bereich der funktionalen Sicherheit von eingebetteten Systemen betrachtet.
In diesem Semester konzentriert sich das Projekt auf die RISC-V Architektur. Unter Anleitung wird ein RISC-V Prozessor samt Peripherie mit einer Hardwarebeschreibungssprache entwickelt und simuliert. Anschließend wird der Prozessor für ein konkretes Problem mit benutzerdefinierten Maschinenbefehlen zur Leistungssteigerung erweitert, synthetisiert und auf einen FPGA geladen.
Um einen Platz zu erhalten, ist eine Anmeldung in Agnes notwendig. Die Kursorganisation erfolgt in Moodle. Siehe Hinweise auf der Lehrstuhlseite:
https://www.informatik.hu-berlin.de/de/forschung/gebiete/ti/teaching
---------------------------------------------------------------------------------------------
Semesterprojekt 2
Maschinelles Lernen auf Graphen
H. Meyerhenke, F. Brandt-Tumescheit
Heutzutage werden Graphdatensätze in zahllosen wissenschaftlichen und kommerziellen Anwendungen (Transportwesen, Kommunikation, Wirschaftskreisläufe, etc.) verwendet und die effiziente Gewinnung nicht-trivialer Informationen aus ihnen ist zu einer Herausforderung geworden. Auch im Bereich Machine Learning steigt das Interesse an der Informationsgewinnung basierend auf Graphen (Graph Deep Learning) immens an. Aus den bestehenden Verbindungen (Kanten) zwischen den bestehenden Entitäten (Knoten) lassen sich Vorhersagen auf mehreren Ebenen treffen. Auf Knotenebene werden u.a. Proteinfaltungen vorhergesagt, auf der Ebene von Kanten Nebenwirkungen von Medikamenten bestimmt und Graphenebene Wettervorhersage betrieben.
In diesem Semesterprojekt geht es darum, die Algorithmen, welche die ML Analysen ermöglichen, zu verstehen und zu implementieren. Der Fokus liegt hierbei auf GPUs. Im Vergleich zu CPUs verfügen GPUs im Allgemeinen über weniger Cache und Speicher, dafür aber über viel mehr Rechenleistung und Speicherbandbreite.
Inhalte und Ziele:
* Graphenalgorithmen und Darstellungen im Bereich Machine Learning programmieren
* Einarbeitung in GPU-basierter (CUDA) Programmierung
* Low-Level Python (z.B. PyTorch) bzw. C++ (z.B. CUDA C++) Implementierung verstehen
* Optimierung basierend auf Speicherhierarchien
Voraussetzungen:
* erfolgreicher Abschluss von Grundlagen der Programmierung
* Erfahrung mit C++ oder Einarbeitung zu Beginn des Moduls
---------------------------------------------------------------------------------------------
Semesterprojekt 3
Schnelle Algorithmen für schwere Probleme
P. Kunz
In Kleingruppen werden Heuristiken und Approximationsalgorithmen für ein NP-schweres Problem implementiert. Die Lösungsqualität und Laufzeit dieser Algorithmen sollen so miteinander auf geeigneten Testdatensätzen verglichen werden. Das Ziel dabei ist es, einerseits einen möglichst effizienten Solver, der eine gute Lösungsqualität erreicht, zu erstellen; andererseits Aussagen darüber treffen zu können, wie sich verschiedene algorithmische Ansätze auf Laufzeit und Lösungsqualität auswirken.
Die entsprechenden Algorithmen werden im Kurs vorgestellt, aber algorithmisches Vorwissen ist von Vorteil. Die Programmiersprache kann von jeder Kleingruppe frei gewählt werden.
---------------------------------------------------------------------------------------------
Semesterprojekt 4
Pattern Matching in IoT Infrastructures
S. Purtzel
Sensor-basierte Systeme, oft unter dem Schlagwort Internet-of-Things (IoT) zusammengefasst, bilden das Rückgrat von reaktiven Anwendungen in einer Vielzahl von Domänen, von der Logistik bis zum Gesundheitswesen. Ein wesentlicher Bestandteil solcher Systeme sind Techniken des Complex Event Processing (CEP). Jene sehen die Definition von Anfragen über Sensordatenströmen vor, welche kontinuierlich ausgewertet werden, um bestimmte Muster in den Datenströmen zu detektieren. Die Verteiltheit einer typischen IoT-Infrastruktur ist gleichermaßen Chance und Herausforderung für die Implementierung von CEP: Die Ausführung von (Teil-)Anfragen auf den Geräten einer IoT-Infrastruktur ermöglicht eine hohe Skalierbarkeit der Anfrageauswertung, verlangt jedoch auch nach entsprechender Kommunikation zwischen den Geräten.
Im Rahmen des Semesterprojekts werden die Studierenden an einer IoT Infrastruktur arbeiten und Techniken für die verteilte Auswertung von CEP Anfragen implementieren. Basis dafür werden existierende, open-source CEP Engines sein, welche in Teilgruppen auf heterogener Hardware (Raspberry Pis, Smart Watches, etc) genutzt werden. Um die Erkennung von verteilt auftretenden Mustern zu ermöglichen, muss zusätzlich die Kommunikation zwischen den in Gruppen implementierten Lösungen ermöglicht werden.
---------------------------------------------------------------------------------------------
Semesterprojekt 5
Learning Analytics Dashboards
J. Kuzilek
Um Studierenden Empfehlungen zu geben und Feedback bereitzustellen, werden unter anderem Learning Analytics Dashboards verwendet. Damit Studien- und Lernprozesse durch Learning Analytics entsprechend unterstützt werden, ist die Integration von pädagogischen Annahmen und informationstechnologischen Möglichkeiten entscheidend.
In dieser Veranstaltung werden Sie zunächst einen Einblick in Learning Analytics und Dashboards sowie agiles Projektmanagement erhalten. Im Anschluss definieren Sie Funktionen für Learning Analytics und Dashboards für Studierende oder Lehrende. Sie implementieren diese Funktionalitäten unter Verwendung eines vorhandenen Datensatzes von Studierendendaten.
Ziel des Semesterprojekt ist es, zunächst entsprechende Funktionen von Learning Analytics und Dashboards zu definieren und anschließend zu entwickeln.
Der Entwicklungsprozess wird im Rahmen von Zwischenpräsentationen sowie in einem Abschlussbericht dokumentiert.
Die Lehrveranstaltung findet auf Englisch statt.
---------------------------------------------------------------------------------------------
Semesterprojekt 6
LLMs zur Generierung von Software Engineering Artefakten
Thomas Vogel, Marc Carwehl, Lars Grunske
In this project, we will explore the abilities of large language models to assist with various software engineering tasks. We will develop, improve or compare tools for different tasks such as test or documentation generation or enhancement, or system design.
----------------
In diesem Projekt werden wir die Fähigkeiten von large language models zur Unterstützung von verschiedenen Software Engineering Aufgaben untersuchen. Wir werden Werkzeuge für Test- oder Dokumentationserstellung oder Systementwurf entwickeln, verbessern und/oder vergleichen.
|
