This report is about implementing a real-time monitoring water qualitysystem to measure water quality autonomously in any water environment.The purpose of collecting data is to analyze the results and build a clearpicture to move quickly to find solutions in the event of pollution or any otherdangerous circumstances. The report explains the submarine system thatconnects to the winch system, part of the primary system.Two Raspberry Pi microcontrollers and sensors are used to collect the data.Serial connection is used to build communication between themicrocontrollers in order to transfer data between them. The focus area of thewhole project is the communication part since the prototype’s design is not apart of this thesis. Storing the collected data happens in the centralmicrocomputer in a CSV file. However, it should be stored in a databaseserver to take advantage of this data in the fastest way possible. / Den här rapporten handlar om att implementera ett vattenkvalitetssystem förövervakning i realtid för att mäta vattenkvaliteten självständigt i vilkenvattenmiljö som helst. Syftet med att samla in data är att analysera resultatoch bygga upp en tydlig bild för att snabbt kunna hitta lösningar i händelseav föroreningar eller andra farliga omständigheter. Rapporten förklararubåtssystemet som ansluter till vinschsystemet, en del av det primärasystemet.Två Raspberry Pi-mikrokontroller och sensorer används för att samla in data.Seriell anslutning används för att bygga kommunikation mellanmikrokontrollerna för att överföra data mellan dem. Fokusområdet för helaprojektet är kommunikationsdelen eftersom design av prototypen inte är endel av detta arbete. Lagring av insamlade data sker i den centrala mikrodatorni en CSV-fil. Det bör dock sparas i en databasserver för att dra resultat ochslutsatser av denna data på snabbast möjliga sätt.

Цель проекта заключается в разработке приложения, которое способно информационно поддержать структурный анализ веб-сайта. В функционал созданного приложения входят: разбор тегов, составляющих HTML-код приложения, построение карты сайта, определение ссылок на внешние адреса, нахождение и отображение в отдельном окне подгруженных на сайт графических ресурсов. В ходе выполнения ВКР были рассмотрены варианты использования данного приложения. Например, его можно использовать для оценки сложности и трудоемкости сайта. Для этого были изучены и адаптированы основные методики оценки трудоемкости создания программных продуктов. Результаты тестирования показали, что все функции приложения работают корректно и могут быть использованы в практической деятельности. / The goal of the project is to develop an application that is able to support the structural analysis of a website. The functionality of the created application includes the following stages: parsing the tags that make up the HTML code of a website under investigation, building the site map, determining links to external addresses, finding and displaying graphic resources uploaded into the site in a separate window. In this work, ways for implementing this application were considered. For example, it provides the functionality to assess the site complexity and labor costs for its development. In order to do this, main techniques for assessing labor costs of software development were learnt and adapted. Test results showed that all functions of the application were working correctly and could be used in practice.

Dieser Konferenzband ist das Ergebnis von SPRING 2022, der Summerschool Python remote für Ienieur*innen, einer von der Technischen Unviersität Dresden organisierten Online-Summerschool, welche in der Woche vom 07.06. bis 10.06.2022 stattfand. Das erste Kapitel befasst sich mit den Rahmenbedingungen, Vorüberlegungen und der organisatorischen Umsetzung der Summerschool mit dem Ziel, die Erfahrungen der Organisator*innen mit interessierten Nachahmenden zu teilen. Das zweite Kapitel fasst die Inhalte und Übungsaufgaben der theoretischen Einheiten der Summerschool zusammen, aufgeteilt in die Inhalte für Anfänger*innen und die Inhalte für Fortgeschrittene. Im letzten Kapitel finden sich die Beiträge des Symposiums, einer Abendveranstaltung im Rahmen der Summerschool, bei der die fortgeschrittenen Teilnehmenden ihre Erfahrungen zum Einsatz von Python aus ihrem Ingenieur*innenalltag teilen konnten.:1 Organisatorisches 5 Abstract 5 1.1 Organisation einer Online-Summerschool Python für Ingenieur*innen 6 1.1.1 Motivation 6 1.1.2 Team und Teilnehmende 7 1.1.3 Ablauf 9 1.1.4 Evaluation und Ausblick 13 2 Workshops 19 2.1 Python für Ingenieur*innen - Programmiereinstieg 20 2.2 Python für Ingenieur*innen - Fortgeschrittene 27 2.2.1 Numpy-Übungen 27 2.2.2 Einschub: Effizienter Umgang mit Dokumentationen und anderen Online-Ressourcen 30 2.2.3 Matplotlib-Übungen 31 2.2.4 Pandas-Übungen 32 3 Beiträge zum Symposium 35 3.1 Automatisierte Messdatenauswertung am Motorprüfstand in Python 36 3.2 Opto-Mechatronic Screening Module for 3D Tumour Model Eng. 38 3.3 Python in der Regelungs- und Automatisierungstechnik 40 3.4 Leben mit Python 45 / This conference volume is the result of SPRING 2022, the summer school Python remote for engineers, an online summer school organized by the Technische Unviersität Dresden, which took place in the week from 07.06. to 10.06.2022. The first chapter deals with the framework conditions, preliminary considerations and the organizational implementation of the summer school with the aim of sharing the experiences of the organizers with interested imitators. The second chapter summarizes the content and exercises of the theoretical units of the summer school, divided into content for beginners and content for advanced participants. The last chapter contains the contributions from the symposium, an evening event held as part of the summer school, where the advanced participants were able to share their experiences of using Python in their everyday engineering work.:1 Organisatorisches 5 Abstract 5 1.1 Organisation einer Online-Summerschool Python für Ingenieur*innen 6 1.1.1 Motivation 6 1.1.2 Team und Teilnehmende 7 1.1.3 Ablauf 9 1.1.4 Evaluation und Ausblick 13 2 Workshops 19 2.1 Python für Ingenieur*innen - Programmiereinstieg 20 2.2 Python für Ingenieur*innen - Fortgeschrittene 27 2.2.1 Numpy-Übungen 27 2.2.2 Einschub: Effizienter Umgang mit Dokumentationen und anderen Online-Ressourcen 30 2.2.3 Matplotlib-Übungen 31 2.2.4 Pandas-Übungen 32 3 Beiträge zum Symposium 35 3.1 Automatisierte Messdatenauswertung am Motorprüfstand in Python 36 3.2 Opto-Mechatronic Screening Module for 3D Tumour Model Eng. 38 3.3 Python in der Regelungs- und Automatisierungstechnik 40 3.4 Leben mit Python 45

Räumliche Transkriptomik-Sequenzierungstechniken werden bei der Untersuchung von RNA in komplexen Geweben immer populärer. Mit diesen neuartigen Ansätze wird die Häufigkeit von Transkripten unter Beibehaltung ihrer räumlichen Lage gemessen, und ermöglichen so die Untersuchung der Genexpression in einem unvoreingenommen, raumzeitlichen Kontext. Angesichts der Vielfalt der zugrunde liegenden experimentellen Techniken, die Datensätze, die von verschiedenen Transkriptomik-Assays erstellt werden, variieren stark. Diese Datensätze werden von Pipelines verarbeitet und analysiert, die speziell für die jeweilige Methode entwickelt sind. Sie sind weder einfach modifizierbar, noch erweiterbar, dadurch sind sie nicht mit Inputs anderer Technologien kompatibel. Hier wird spacemake vorgestellt, eine bioinformatische Software, die darauf abzielt, die Lücke zwischen den verschiedenen räumlichen transkriptomischen Sequenzierungsansätzen zu schließen, durch sie einheitliches, schnelles, modulares, reproduzierbares und erweiterbares Rahmenwerk für die Verarbeitung und Analyse groß angelegter räumlicher transkriptomischer Daten bietet. Spacemake verarbeitet erfolgreich Daten aus den neuesten räumlichen Transkriptomik-Assays, unabhängig von ihrer Inputs. Spacemake ist parallel und läuft im Vergleich zu anderen vergleichbaren Techniken schneller. Spacemake ist modular entwickelt, und bietet verschiedene Module wie automatisiertes Clustering und Analyse, Quality Control, Saturation Analyse durch Downsampling, Zusammenführung technischer Replikate, Integration von scRNA-seq-Daten und Alignment von Mikroskopiebildern. Um ein Höchstmaß an Flexibilität zu bieten, ermöglicht spacemake benutzerkonfigurierbare Einstellungen\textit{run-mode} Einstellungen, wodurch die Unterstützung einer breiten Palette experimenteller Designs gewährleistet wird. Da spacemake in Python geschrieben ist, lässt es sich gut mit anderen Computational Biologie Methoden integrieren. Insgesamt hat spacemake das Potenzial, ein wichtiger Bestandteil der räumlichen Transkriptomik-Toolbox der Gegenwart und Zukunft zu sein. / Spatial transcriptomics sequencing techniques are increasingly popular when studying RNA in complex tissues. These novel approaches measure the abundance of transcripts while retaining their spatial location information, thus allowing the study of gene expression in an unbiased, spatiotemporal context. Given the variety of the underlying experimental techniques, the datasets which are produced by each spatial transcriptomic assay also vary greatly. These datasets are processed and analyzed by pipelines tailored specifically for each method, and are not easily modifiable nor extendable, thus making them incompatible to work with inputs from other technologies. Here spacemake is introduced, a bioinformatic software that aims to close the gap between the various spatial transcriptomic sequencing approaches, by providing a unified, fast, modular, reproducible, and extendable framework for large-scale spatial transcriptomic data processing and analysis. Spacemake successfully processes data from the latest spatial transcriptomics assays, regardless of their input data structure. Spacemake is parallel and runs faster when compared with other similar methods. It has a modular design and offers several modules such as automated clustering and analysis, quality control, saturation analysis through downsampling, technical replicate merging, scRNA-seq data integration, and microscopy image alignment. To offer maximum flexibility, spacemake allows for user-configurable \textit{run-mode} settings, ensuring support for a wide range of experimental designs. Written in Python, spacemake integrates well with other computational biology solutions. Overall spacemake has the potential to be an important part of the spatial transcriptomics toolbox of the present and future.

With the growth of digital information and technology, more websites require user authentication to access individuals' sensitive information. The main form of authentication are passwords which if chosen unwisely can easily be guessed or cracked by someone else. This is why it is important to create safe yet memorable passwords. The goal of this report was to develop a program that is able to detect commonly used patterns within passwords in order to transform a specified user inputted password into a more secure password without sacrificing the memorability of the original input. This was realized by analyzing lists of common passwords and partaking in a literature study within this field to identify the patterns present within those password lists. Based on the pattern analysis the program could be designed and developed using python to transform a password into three different password classes with differing levels of security and memorability. The password cracking software hashcat as well as online resources were used to estimate the time it would crack each set of passwords to then gain an understanding of the security levels between them. Results show that it is possible to perform password generation without sacrificing too much security while still having the passwords somewhat memorable. / Med framväxten av digital information och teknik kräver fler webbplatser användarautentisering för att få tillgång till individers känsliga information. Den huvudsakliga formen av autentisering är lösenord, och om de väljs oklokt, kan lätt gissas eller knäckas av någon annan. Det är därför det är viktigt att skapa säkra men ändå minnesvärda lösenord. Målet med denna rapport var att utveckla ett program som kan upptäcka vanliga mönster i lösenord för att omvandla ett specifikt användar inmatat lösenord till ett säkrare lösenord utan att offra minnesvärdheten av den ursprungliga inmatningen. Detta förverkligas genom att analysera listor med vanliga lösenord och delta i en litteraturstudie inom detta område för att identifiera mönstren som finns i dessa lösenordslistor. Baserat på mönsteranalysen kunde programmet designas och utvecklas med Python för att omvandla ett lösenord in till tre olika lösenordsklasser med olika nivåer av säkerhet och minnesvärdhet. Mjukvaran ”hashcat” (ett lösenordsåterställningsverktyg) samt resurser från nätet användes för att uppskatta den tid det skulle ta att knäcka varje uppsättning av lösenord för att sedan få en förståelse för säkerhetsnivåerna mellan dem. Resultaten visar att det är möjligt att digitalt generera lösenord utan att offra för mycket säkerhet, samtidigt som lösenorden behåller minnesvärdheten.

The intensity and frequency of precipitation events have increased because of global warming and its direct impact on the hydrological cycle. This poses a significant challenge for various locations around the globe where in recent years more unpredicted flooding has been observed. The utilization of hydrological models for accurate prediction of urban floods under heavy rainfall events is crucial to deal with such global problems. The purpose of this study is to develop a model based on the Spatial Distributed Travel Time (SDTT) approach that estimates the response of watersheds to a short and intense rainfall event in urban settings. The model is developed in Python and uses the ArcPy package, which allows access to all the geoprocessing tools available at ArcGIS, along with the Numpy package that supports matrices which makes mathematical calculation efficient.   One of the important factors affecting the response of watersheds is the contribution of upstream flow. The current study used Dynamic Upstream Contribution (DUC) to estimate the unit hydrograph and consider the effect of upstream runoff contributing to travel time equations using physical characteristics and the dynamic of rainfall events. The SDTT model was validated with a fully distributed model, MIKE 21, and showed that when the infiltration module estimates the total runoff volume accurately, the unit hydrograph of the DUC method can predict the peak almost as accurately as MIKE 21. Before validation, the excess rainfall estimated in the SDTT model is multiplied by a constant coefficient to align the total water volume of the model with that of the MIKE 21 model.  The peak flow is the most important component of a discharge hydrograph since its accurate prediction helps in assessing the severity of flooding and the capacity of drainage systems to handle the excess water. Another component of a discharge hydrograph is time to peak which the SDTT model predicts with a delay compared to MIKE 21. The sensitivity analysis showed the simplification regarding the dynamic of rainfall intensity used in travel time equations contributes to this delayed peak. The other simplification that might impact the watershed response is the approach the model used to handle depression volume which is too general. A conceptual method proposed in this report can be used in future studies to improve this part of the model by capturing the spatial distribution of depression locations as well as the temporal dynamics of charging the depressions.   After the model was validated in the first study area, it was implemented in another study area to evaluate the effect of urban development on the hydrological response of urban catchments to a short and intense rainfall event. This scenario-based analysis showed that by further development of the model, it can be used as a tool for the initial phase of hydrologic investigation of urban areas in response to heavy rainfall events. By conducting the screening phase of hydrological investigation and filtering the risky location, the SDTT model can be used as a complementary model for more advanced fully distributed models that are more computationally extensive.   The recorded simulation time demonstrated that the SDTT model is quick when it comes to small-sized watersheds, but it is less time-efficient for large catchments. An approach proposed in this report can be utilized to optimize the model's processing time for larger catchments. By making the model time efficient and addressing the issues mentioned in the report, the developed SDTT model can facilitate the hydrological investigation by reducing the initial data gathering burden and simulation time, and making the assessments of urban watersheds more efficient can facilitate informed decision-making in urban flood risk management. / Till följd av den globala uppvärmningen har intensiteten och frekvensen av nederbördshändelser ökat, en direkt inverkan på den hydrologiska cykeln som utgör en betydande utmaning för olika platser runt om i världen där oförutsedda översvämningar observerats under de senaste åren. Användningen av hydrologiska modeller för att med noggrannhet förutseurbana översvämningar under kraftiga nederbördshändelser är avgörande för att hantera detta globala problem. Syftet med denna studie är att utveckla en modell baserad på Spatial Distributed Travel Time (SDTT) metodiken. SDTT-metodiken beskriver responsen från ett avrinningsområde för en kort och intensiv nederbördshändelse i urban miljö. Modellen är utvecklad i Python och inkluderar ArcPy-paketet som ger tillgång till alla geoprocesseringsverktyg som finns i ArcGIS tillsammans med Numpy-paketet som stödjer matriser som effektiviserar matematiska beräkningar.  En av de avgörande faktorerna som visade sig påverka reaktionen från ett avrinningsområde var flödet från uppströmsområdet. Den aktuella studien använde Dynamic Upstream Contribution (DUC) för att uppskatta enhetshydrografen med hänsyn till effekten avrinningen uppströms har på avrinningshastigheten med hjälp av fysiska egenskaper och nederbördsdynamik. SDTT-modellen validerades med en fullt distribuerad modell, MIKE 21, och visade att när infiltrationsmodulen uppskattar den totala avrinningsvolymen exakt, kan enhetshydrografen för DUC-metoden förutsäga toppflödet exakt. Innan validering multipliceras överskottsnederbörden uppskattad i SDTT-modellen med en konstant koefficient för att justera modellens totala vattenvolym med den i MIKE 21-modellen. Toppflödet är den viktigaste komponenten i en flödeshydrograf eftersom dess noggranna förutsägelse hjälper till att bedöma allvarsgraden av översvämningar samt dräneringssystemens kapacitet att hantera överskottsvatten. En annan komponent i en flödeshydrograf är den tid det tar tills toppflödet uppstår, något som SDTT-modellen förutsäger med en fördröjning jämfört med MIKE 21. Känslighetsanalysen visade att förenklingen gällande dynamiken för nederbördsintensitet som används i ekvationerna för avrinningshastighet bidrar till denna fördröjda topp. Den andra förenklingen som kan påverka responsen från avrinningsområdet är metoden som modellen använde för att hantera volymen vatten som lagras i sänkor, som är förgenerell. En konceptuell metod föreslås i denna rapport och kan användas i framtida studier för att förbättra denna del av modellen genom att fånga den rumsliga fördelningen av sänkor samt tidsaspekten i att fylla upp sänkvolymerna.   Efter att modellen validerats i det första studieområdet, implementerades den i ett annat studieområde för att utvärdera kopplingen mellan stadsutveckling och hydrologisk respons i urbana avrinningsområden i kontexten av en kort och intensiv nederbördshändelse. Denna scenariobaserade analys visade att modellen efter vidareutveckling kan användas som ett verktyg för den inledande fasen av hydrologisk undersökning av stadsområden, i syfte att utreda möjliga konsekvenser av kraftiga nederbördshändelser. Genom att genomföra screeningfasen av hydrologisk undersökning och filtrera den mest riskfyllda platsen kan SDTT-modellen användas som en kompletterande modell för mer avancerade fullt distribuerade modeller som är mer beräkningsmässigt omfattande.   Den registrerade simuleringstiden visade att SDTT-modellen är snabb när det kommer till ett litet avrinningsområde, men modellen är mindre tidseffektiv för stora avrinningsområden. Ett tillvägagångssätt som föreslås i denna rapport kan användas för att optimera modellens handläggningstid för större avrinningsområden. Genom att göra modellen tidseffektiv och åtgärda frågorna som nämns i rapporten, kan den utvecklade SDTT-modellen underlätta den hydrologiska undersökningen genom att minska den inledande datainsamlingsbördan, minskasimuleringstiden, och dessutom göra utvärderingarna av urbana avrinningsområden mer effektiva. Slutligen kan modellens resultat användas för att underlätta informerat beslutsfattande kopplat till hantering av översvämningsrisker i städer.

Many modern neural simulators focus on the simulation of networks of spiking neurons on parallel hardware. Another important framework in computational neuroscience, rate-coded neural networks, is mostly difficult or impossible to implement using these simulators. We present here the ANNarchy (Artificial Neural Networks architect) neural simulator, which allows to easily define and simulate rate-coded and spiking networks, as well as combinations of both. The interface in Python has been designed to be close to the PyNN interface, while the definition of neuron and synapse models can be specified using an equation-oriented mathematical description similar to the Brian neural simulator. This information is used to generate C++ code that will efficiently perform the simulation on the chosen parallel hardware (multi-core system or graphical processing unit). Several numerical methods are available to transform ordinary differential equations into an efficient C++code. We compare the parallel performance of the simulator to existing solutions.

The main goal of this thesis was to get acquainted with the phases of data mining, with the support of the programming languages Python and R in the field of data mining and demonstration of their use in two case studies. The comparison of these languages in the field of data mining is also included. The data preprocessing phase and the mining algorithms for classification, prediction and clustering are described here. There are illustrated the most significant libraries for Python and R. In the first case study, work with time series was demonstrated using the ARIMA model and Neural Networks with precision verification using a Mean Square Error. In the second case study, the results of football matches are classificated using the K - Nearest Neighbors, Bayes Classifier, Random Forest and Logical Regression. The precision of the classification is displayed using Accuracy Score and Confusion Matrix. The work is concluded with the evaluation of the achived results and suggestions for the future improvement of the individual models.

Many modern neural simulators focus on the simulation of networks of spiking neurons on parallel hardware. Another important framework in computational neuroscience, rate-coded neural networks, is mostly difficult or impossible to implement using these simulators. We present here the ANNarchy (Artificial Neural Networks architect) neural simulator, which allows to easily define and simulate rate-coded and spiking networks, as well as combinations of both. The interface in Python has been designed to be close to the PyNN interface, while the definition of neuron and synapse models can be specified using an equation-oriented mathematical description similar to the Brian neural simulator. This information is used to generate C++ code that will efficiently perform the simulation on the chosen parallel hardware (multi-core system or graphical processing unit). Several numerical methods are available to transform ordinary differential equations into an efficient C++code. We compare the parallel performance of the simulator to existing solutions.

Syftet med rapporten är att visa möjligheten att använda Raspberry Pi 2 i ett ansiktsigenkänningssystem. Studien redogör för prestandaskillnader mellan Eigenface och Fisherfacemetoden. Studieförfattarna har genomfört en experimentell studie enligt en kvantitativ metod där tester utgör empirin. Resultatet från testerna kommer presenteras genom diagram och påvisa möjligheten att använda Raspberry Pi 2 som hårdvara i ett ansiktsigenkänningssystem. Genom samma testutförande kommer skillnader mellan igenkänningsmetoderna att påvisas. Studien visar att Raspberry Pi 2 är en lämplig kandidat att använda för mindre ansiktsigenkänningssystem. Vidare framgår det att Fisherface-metoden är det lämpligaste valet att använda vid implementation av systemet. / The purpose with this report is to demonstrate the possibility to use Raspberry Pi 2 as hardware in a face recognition system. The study will show performance differences regarding the Eigenface- and Fisherface-method. To demonstrate the possibility the authors have done tests using an experimental study and quantitative method. To review the tests and to understand the result a qualitative literature review was taken. The tests will be presented as graphs to show the possibility to use Raspberry Pi 2 as hardware in a face recognition system. The same goes for the comparison of the chosen algorithms. The work indicates that Raspberry Pi 2 is a possible candidate to use for smaller face recognition systems. There is also an indication that the Fisherface method is the better choice for face recognition.