MySchool

Verkfræðideild
Deildarforseti:	Dr. Ármann Gylfason
Vefpóstur:	ru@ru.is
Vefsíða:	http://www.ru.is/tvd
Kennarar	Skoða

MSc í fjármálaverkfræði
Annir:	4
Ár:	2
Einingar:	120
Um námsleiðina	Fjármálaverkfræði er þverfagleg grein sem samþættir fjármálafræði við verkfræðilegar aðferðir, stærðfræðileg líkön, tölfræði, aðgerðagreiningu og hagnýta tölvunarfræði. Nám í fjármálaverkfræði hentar þeim sem hafa áhuga á t.d. áhættustýringu, afleiðuviðskiptum eða fjárstýringu. MSc námið er mótað að kröfum Verkfræðingafélags Íslands um fullnaðarmenntun í verkfræði.
Hæfniviðmið	Skoða
Námsstig	2

Táknmyndir
	Skyldufag á braut		Kennslutungumál
	Valfag á braut		Undanfarar fyrir námskeið

Vorönn/Spring 2024

Energy Financial Assessment

SE-833-FA2

6 Einingar

Verkfræðilegar bestunaraðferðir

T-423-ENOP

6 Einingar

Svefn

T-424-SLEE

6 Einingar

Ákvarðanatökuaðferðir

T-603-AKVA

6 Einingar

Starfsnám í verkfræði I

T-706-INT1

6 Einingar

Starfsnám í verkfræði II

T-706-INT2

6 Einingar

Systems Biology

T-765-SYBI

8 Einingar

Verkefnastjórnun og stefnumarkandi áætlunargerð

T-803-VERK

8 Einingar

Afleiður og áhættustýring

T-814-DERI

8 Einingar

Gerð viðskiptaáætlunar fyrir tæknilega hugmynd - Frumkvöðlafræði og nýsköpun

T-814-INNO

8 Einingar

Nýjar stefnur í fjármálaverkfræði

T-816-MTFE

8 Einingar

Vefjaverkfræði og lífefnisfræði

T-828-TISS

8 Einingar

Rannsóknarvinna í meistaranámi I

T-829-GRO1

6 Einingar

Tölvustudd greining með einingaaðferðinni

T-844-FEMM

8 Einingar

Verkfræði taugamótunar

T-863-NEUR

8 Einingar

Vindorka

T-863-WIND

8 Einingar

Rekstur raforkukerfa

T-867-POSY

8 Einingar

Stöðugleiki og stjórnun raforkukerfa

T-867-STAB

8 Einingar

Protection Philosophy for Smart-Grids

T-868-PROT

8 Einingar

Meistaraverkefni

T-899-MEIS

30 Einingar

Meistaraverkefni fyrri hluti

T-900-MEIS

30 Einingar

Meistaraverkefni seinni hluti

T-901-MEI2

30 Einingar

Business Process Management

V-716-BPMA

7,5 Einingar

Entrepreneurial Finance

V-733-ENTR

7,5 Einingar

Business Intelligence and Analytics

V-784-REK5

7,5 Einingar

Nýsköpun og stofnun fyrirtækja

X-204-STOF

6 Einingar

Skiptinám

X-699-EXCH

30 Einingar

Sumar/Summer 2024

Rannsóknarvinna í meistaranámi I

T-829-GRO1

6 Einingar

Skiptinám

X-699-EXCH

30 Einingar

Haustönn/Fall 2024

Sérhæft efni í orku I

SE-801-STE

1 Einingar

Energy Economics

SE-805-EC1

6 Einingar

Sérhæft efni í orku III

SE-806-STE

6 Einingar

Embedded System Programming

T-738-EMBE

8 Einingar

Hermun II

T-806-SIMU

6 Einingar

Gæðastjórnun

T-807-QUAL

6 Einingar

Notkun líkana við stjórnun

T-808-NOLI

8 Einingar

Gagnanám og vitvélar

T-809-DATA

8 Einingar

Bestunaraðferðir

T-810-OPTI

8 Einingar

Hagnýt líkindafræði

T-811-PROB

8 Einingar

Fjármálaverkfræði fyrirtækja

T-814-FINA

8 Einingar

Samhæfð vöruþróun; kerfi og ferlar

T-814-PROD

8 Einingar

Skuldabréfagreining og vaxtalíkön

T-815-FIXE

8 Einingar

Lífaflfræði II

T-828-BIOM

8 Einingar

Orka í iðnaðarferlum

T-863-EIIP

8 Einingar

Töluleg straum- og varmaflutningsfræði

T-864-NUFF

8 Einingar

Hönnun vélbúnaðar

T-865-MADE

8 Einingar

Háspennutækni

T-866-HIVO

8 Einingar

Smart-Grid and Sustainable Power Systems

T-867-GRID

8 Einingar

Tölvusjón

T-869-COMP

6 Einingar

Ár

1. ár

Önn

Haustönn/Fall 2024

Stig námsgreinar

5. Framhaldsnám, framhaldsnámskeið

Tegund námskeiðs

Valnámskeið

Undanfarar

Engir undanfarar.

Skipulag

Ekkert skráð skipulag.

Kennari

Torfi Þórhallsson

Lýsing

Image formation, cameras and projection models, low-level image processing methods such as filtering, edge detection, interest operators, optical flow; mid-level vision topics such as model fitting and image-to-image matching; shape and motion estimation from multiple cameras, multiple-view constraints, probabilistic models and MAP estimationt, robust estimation using RANSAC; high-level vision tasks such as object and scene recognition, tracking using dynamic models and Kalman filtering.

Námsmarkmið

After the course the students should be able to recall, describe and define, the following terms: Image formation, cameras and projection models, low-level image processing methods such as filtering and edge detection; mid-level vision topics such as segmentation and clustering; shape reconstruction from stereo, as well as high-level vision tasks such as object recognition, scene recognition, face detection and human motion categorization.After the course the students should be able to use Open CV and/or other real-time computer vision tools to acquire image data and implementcomputer vision algorithms to detect and recognize facial expressions and apply these techniques to emotion classification.
After the course the students should be able to design a suitable computer vision algorithm and recognition techniques for real world problems,evaluate algorithmic performance and compare different designs and implementations and interpret the results. The students should also be able to present findings and new results in the subject.

Námsmat

Lesefni

Ekkert skráð lesefni.

Kennsluaðferðir

Tungumál

Enska

Meistaraverkefni

T-899-MEIS

30 Einingar

Meistaraverkefni fyrri hluti

T-900-MEIS

30 Einingar