Modulkatalog (ab Winter 2026/27) Investition und Finanzierung Sommer (engl. Investition und Finanzierung ) Modulnummer: FIN-INF-999852 Kürzel CP 5 Semester Sommer Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Fakultät für Wirtschaftswissenschaften Dozent:in: Fakultät für Wirtschaftswissenschaften Lehrveranstaltungen: Vorlesung Investition und Finanzierung Hörsaalübung Investition und Finanzierung Verwendbarkeit: - B.Sc. WIF: Wirtschaftswissenschaften Pflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden sind in der Lage finanzielle Ziele von Unternehmen zu formulieren. erwerben Kenntnisse, um Investitionen analysieren zu können. entwickeln die Fähigkeit, eine Investitionsentscheidung zu treffen. lernen die verschiedenen Finanzmärkte kennen. erhalten Einblicke in die Beurteilung der unterschiedlichen Risikoarten. sind in der Lage sich selbstständig neues Wissen anzueignen. sind befähigt, finanzwirtschaftliche Sachverhalte bzw. Fragestellungen problem- und zielorientiert zu betrachten Inhalt: Grundlagen der Finanzwirtschaft und der betrieblichen Finanzprozesse Finanzmathematische Grundlagen der Investitionskalküle Statische und Dynamische Investitionsrechnung Unsicherheitsberücksichtigung (Risiko, Risikoarten und Risikonutzen) Portfoliotheorie Capital Asset Pricing Model Arbeitsaufwand: 42 h Präsenz 108 h Selbstudium (inkl. Prüfung) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur 2 SWS (Vorlesung) 1 SWS (Hörsaalübung) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: AI Ethics, Data Privacy, and Intellectual Property in IT Winter (in German: AI Ethics, Data Privacy, and Intellectual Property in IT ) Module-ID: FIN-INF-110510 Abbreviation Credit Points 5 Semester Winter Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Dr. Laila Barqawi, Dr. Mohammad Abdallah Lecturer: Dr. Laila Barqawi, Dr. Mohammad Abdallah Classes: Lecture AI Ethics, Data Privacy, and Intellectual Property in IT (online) Exercise AI Ethics, Data Privacy, and Intellectual Property in IT (online)   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. WIF: Recht - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: Students: can explain fundamental ethical principles. can appreciate ‘ACM’ and ‘IEEE’ professional ethics codes. can interpret the core provisions of the ‘GDPR’ and apply them to IT scenarios. can understand and identify IP rights and licensing types relevant to software and AI. can analyse how ethics, privacy, and IP are interrelated in IT innovation. can propose responsible approaches to real-world data and IP challenges. Content: Ethics: professional integrity, fairness, and accountability in IT; Data Privacy: key data protection concepts and GDPR compliance; Intellectual Property (IP): ownership, licensing, and innovation in digital products. Workload: Contact hours (lectures + activities): 52h Independent work (preparation + homework + project): 98h Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): None Hausarbeit (Homework and Presentation) Lectures (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Professional Ethics ACM Code – https://www.acm.org/code-of-ethics IEEE Code – https://www.ieee.org/about/corporate/governance/p7-8 AI Ethics UNESCO - https://www.unesco.org/en/artificial-intelligence/recommendation-ethics Data Privacy & GDPR The General Data Protection Regulation (GDPR),  https://gdpr.eu/ Federal Data Protection Act (BDSG), https://www.gesetze-im-internet.de/englisch_bdsg/ Intellectual Property WIPO. Enterprising Ideas- A Guide to Intellectual Property for Startups https://www.wipo.int/edocs/pubdocs/en/wipo_pub_961.pdf Comments: Kurs für Wintersemester unklar, da Lehrauftrag AMS Lab Projects every (in German: AMS Lab Projects ) Module-ID: FIN-INF-120503 Abbreviation AMS-Lab Credit Points 6 Semester every Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr.-Ing. Benjamin Noack Lecturer: Prof. Dr.-Ing. Benjamin Noack Classes: AMS Lab Projects   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DKE: Projects (SPO 2027) - M.Sc. DE: Interdisziplinäres Team-Projekt - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Digital Engineering-Projekt - M.Sc. DE: Digital Engineering (SPO 2027) - M.Sc. DE: Engineering Specialization (SPO 2027) - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Computer Science (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) Intended learning outcomes: Students who complete the course ... can collaborate in teams to solve challenges in technical domains and deepen their technical expertise. can manage a project and define goals and milestones can acquire the knowledge in a technical domain to derive solutions can present and document their work and achievements Content: This module offers different team projects and individual projects on current, research-related areas like: robotics sensor data processing navigation and planning industrial machine learning optimization and control and more Workload: 180 h of individual and team work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Scientific Project (Wissenschaftliches Projekt) Project (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Literature will be announced in the lecture. Comments: Advanced Database Models Summer (in German: Advanced Database Models ) Module-ID: FIN-INF-103805 Abbreviation ADBM Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: Eike Schallehn Classes: Lecture Advanced Database Models Exercise Advanced Database Models   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: The students ... understand different non-relational database models, their basic concepts, and their historical development understand implications of non-relational data models for query processing and application development use non-relational DBMS and their specific capabilities develop databases and according applications using non-relational databases Content: Overview and history of database models NF2-, object-oriented, object-relational, and semi-structured database models Application of the database models and design methodologies (extended ERM, UML, ODMG, XML Schema, etc.) Foundations of query languages (OQL, SQL:2003, XPath/XQuery, etc.) and query processing for non-relational data models Workload: 56 h contact hours + 124 h self-study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): To be eligible to take the exam, you must have completed certain prerequisites. Further details will be announced in the first lecture. Written exam (120 min) Lecture 2 SWS Exercise 2 SWS Prerequisites according to examination regulations: Recommended prerequisites: none Database introduction course Media: Literature: Comments: Advanced Programming in Computational Intelligence in Games Summer (in German: Advanced Programming in Computational Intelligence in Games ) Module-ID: FIN-INF-120495 Abbreviation AP-CIG Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Sanaz Mostaghim Lecturer: Sanaz Mostaghim Classes: Lecture Advanced Programming in Computational Intelligence in Games Tutorials Advanced Programming in Computational Intelligence in Games   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. VC: Computer Science Intended learning outcomes: Students ... carry out a large programming project using the concepts from the theoretical part of the course. have a full understanding of the algorithms of computational Intelligence in Games. learn to develop new ideas and apply them to new problems in the context of AI and Games. learn to program the methodologies from the lectures in teams. Content: This course addresses the basic and advanced topics in the area of computational intelligence and games and contains three parts: Part 1 addresses the basics in Evolutionary Game Theory (EGT). In this part you will learn about simple games such as scissors/rock/paper and the focus on the strategies for playing games. Part 2 is about learning agents, and we focus on reinforcement learning mechanisms. There are three questions for games: How can we use the information from a search mechanism to learn? How can we use reinforcement learning to find for a better strategy? How can we use reinforcement learning as a search mechanism? The application is on board games. Part 3 contains the advanced topics in games and artificial intelligence How can we consider physical constraints of a spaceship while moving in an unknown terrain. Other topics are Monte Carlo Tree Search, Procedural Content Generation, Decision Making and Multi-Objective Learning. Workload: 56 contact hours + 94h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Hausarbeit (home work containing programming) Exercises and Tutorials Klausur (written Exam) 120 Minuten lectures (2 SWS) exercise classes (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Programming experience Media: Literature: ­Ian Millington and John Funge, Artificial Intelligence for Games, CRC Press, 2009 Richard S. Sutton and Andrew G. Barto, Reinforcement Learning: An Introduction, MIT Press, Cambridge, MA, 1998 Jorgen W. Weibull, Evolutionary Game Theory, MIT Press, 1997 Thomas Vincent, Evolutionary Game Theory, Natural Selection, and Darwinian Dynamics, Cambridge University Press, 2005 Josef Hofbauer, Karl Sigmund, Evolutionary Games and Population Dynamics, Cambridge University Press, 1998 Comments: Advanced Topics in Databases Summer (in German: Advanced Topics in Databases ) Module-ID: FIN-INF-120277 Abbreviation ATDB Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: David Broneske Classes: Lecture Advanced Topics in Databases Exercise Advanced Topics in Databases   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: The students ... understand selected advanced topics in databases know state-of-the-art solutions for current problems in database research assess advanced solutions for current database systems can apply advanced methods in database implementation techniques Content: Topics of the lecture will frequently change in accordance with current research directions in the database community and represent cutting-edge aspects. Current Topics: Main-memory database algorithms and techniques Heterogeneous processing in database systems Advanced indexing ans storage techniques Storage techniques for NoSQL database systems Workload: 56h contact hours + 124h self-study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Successful participation in the exercise Oral exam 2 SWS Lecture 2 SWS Exercise class Prerequisites according to examination regulations: Recommended prerequisites: none Knowledge about database foundations and about principles of internal database operations Basic programming skills Media: Literature: Comments: Advanced Topics in Deep Learning (Bachelor) every (in German: Advanced Topics in Deep Learning (Bachelor) ) Module-ID: FIN-INF-110502 Abbreviation ATDL Credit Points 5 Semester every Term starting at 1. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Sebastian Stober Lecturer: Sebastian Stober Classes: Advanced Topics in Deep Learning   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Künstliche Intelligenz - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: The students ... are able to read and analyze current research papers can apply deep learning to an application domain gain in-depth knowledge in an application domain learn to work efficiently in a team on scientific problems learn to work on a server infrastructure present scientific results in a written and oral form Content: Current topics from deep learning research Creation of domain-specific deep learning pipelines The application domain will be announced beforehand Workload: 30 contact hours + 120h self-study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written report ("Hausarbeit") Oral exam Lecture/Seminar (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Introduction to Deep Learning or Deep Learning for Engineers Media: Literature: Comments: Advanced Topics in Deep Learning (Master) every (in German: Advanced Topics in Deep Learning (Master) ) Module-ID: FIN-INF-120496 Abbreviation ATDL Credit Points 6 Semester every Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Sebastian Stober Lecturer: Sebastian Stober Classes: Advanced Topics in Deep Learning   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DKE: Data Processing for Data Science - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Students ... can read and analyze current research papers apply deep learning to an application domain gain in-depth knowledge In the application domain learn to work efficiently in a team on scientific problems learn to work on a server infrastructure present scientific results in a written and oral form Content: Current topics from deep learning research Create domain-specific deep learning pipelines The application domain will be announced beforehand Workload: 30h in person 150h self-study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Hausarbeit Mündliche Prüfung Vorlesung/Seminar (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Introduction to Deep Learning Media: Literature: Comments: Advanced Topics in Networking Winter (in German: Advanced Topics in Networking ) Module-ID: FIN-INF-120518 Abbreviation ATN Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: David Hausheer Lecturer: David Hausheer Classes: Lecture Advanced Topics in Networking Exercise Advanced Topics in Networking   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: Students... enhance their competence in the area of networking understand advanced networking concepts can explain these concepts to other participants are able to apply these concepts in theoretical use cases and practical exercises gain expertise in practical network applications Content: The course deals with advanced topics in the area of networking: Overlay networks for content delivery, e.g., P2P, BitTorrent, CDNs, caching, overlay video streaming Distributed Hash Tables (DHT), e.g., Kademlia Blockchains Crypto currencies and Bitcoin Ethereum and smart contracts Secure network architectures, e.g., SCION Congestion Control, e.g., QUIC and Multipath-QUIC Workload: 28h lectures 22h theoretical exercises 6h practical exercises 124h homework (further studies, practical work, preparation for the final exam) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Prerequisites for the exam required; details will be announced at the beginning of the semester. Written exam 120 minutes Lecture 2 SWS Exercise 2 SWS Prerequisites according to examination regulations: Recommended prerequisites: none Modul Computernetze Media: Literature: Textbooks as indicated. Slides and paper copies as necessary. Comments: Advanced Topics in Networking Winter (in German: Advanced Topics in Networking ) Module-ID: FIN-INF-110513 Abbreviation ATN Credit Points 5 Semester Winter Term starting at 5. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: David Hausheer Lecturer: David Hausheer Classes: Lecture Advanced Topics in Networking Exercise Advanced Topics in Networking   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: Students... enhance their competence in the area of networking understand advanced networking concepts can explain these concepts to other participants are able to apply these concepts in theoretical use cases and practical exercises Content: The course deals with advanced topics in the area of networking: Overlay networks for content delivery, e.g., P2P, BitTorrent, CDNs, caching, overlay video streaming Distributed Hash Tables (DHT), e.g., Kademlia Blockchains Crypto currencies and Bitcoin Ethereum and smart contracts Secure network architectures, e.g., SCION Congestion Control, e.g., QUIC and Multipath-QUIC Workload: 28h lectures 22h theoretical exercises 4h practical exercises 96h homework (further studies, preparation for the final exam) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Prerequisites for the exam required; details will be announced at the beginning of the semester. Written exam 120 minutes Lecture 2 SWS Exercise 2 SWS Prerequisites according to examination regulations: Recommended prerequisites: none Modul Computernetze Media: Literature: Textbooks as indicated. Slides and paper copies as necessary. Comments: In früheren Versionen der Studien- und Prüfungsordnung ist dieses Modul als WPF Technische Informatik anrechenbar. Algorithmen und Datenstrukturen Sommer (engl. Algorithms and Data Structures ) Modulnummer: FIN-INF-110361 Kürzel AuD CP 10 Semester Sommer Fachsem. ab 2. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Christian Rössl Dozent:in: Christian Rössl Lehrveranstaltungen: In Deutsch / In German Vorlesung Algorithmen und Datenstrukturen Übung Algorithmen und Datenstrukturen Tutorien Algorithmen und Datenstrukturen In Englisch / In English Lecture Algorithms and Data Structures Exercise Algorithms and Data Structures Tutorial Algorithms and Data Structures Verwendbarkeit: - B.Sc. INF: Informatik I - Pflicht - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Informatik I - Pflicht - B.Sc. CV: Kernmodule (SPO 2027) - B.Sc. INGINF: Informatik I - Pflicht - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Gestalten - Pflicht - B.Sc. WIF: Kernmodule (SPO 2027) - B.Sc. INF (bilingual): Informatik I - Pflicht - B.Sc. INF (bilingual): Kernmodule (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden kennen und verstehen die wichtigsten grundlegenden Datenstrukturen und Algorithmen auf diesen können diese anwenden und beurteilen, welche für eine bestimmte Anwendung (besser) geeignet sind verstehen vorgegebene und erstellen eigene Implementierungen Inhalt: Listen Bäume Balancierte Suchbäume Heaps Hashverfahren Graphen Dynamische Programmierung Suche in Texten Entwurf und Analyse von Algorithmen Arbeitsaufwand: 106h Präsenz + 194h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Um an der Klausur teilnehmen zu können, sind Prüfungsvorleistungen erforderlich. Details werden in der ersten Vorlesung bekannt gegeben. Klausur 120 Minuten Vorlesung (4 SWS) Übung (2 SWS) Tutorium (1 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Programmierkenntnisse in Java, insbesondere Objektorientierung und Abstrakte Datentypen Grundlegendes Verständnis von Algorithmen, insbesondere Verständnis von Rekursion Verständnis von asymptotischer Abschätzung des Aufwands von Algorithmen und deren formale Beschreibung (z.B. Groß-O-Notation) Verständnis grundlegender Beweistechniken (z.B. vollständige Induktion) Medienformen: Literatur: Saake & Sattler: Algorithmen und Datenstrukturen Goodrich, Tamassia & Goldwasser: Data Structures and Algorithms in Java Sedgewick & Wayne: Algorithms Cormen, Leiserson, Rivest, Stein: Introduction to Algorithms Hinweise: Die Abgabe des ersten Übungsblatts erfolgt ggf. schon in der ersten Semesterwoche, d.h. die Aufgaben können vorher bearbeitet werden! Dazu ist eine rechtzeitige Anmeldung auf https://aud.vc.cs.ovgu.de erforderlich. Diese ist bereits vor Semesterbeginn möglich. Algorithmen und Datenstrukturen Summer (in German: Algorithmen und Datenstrukturen ) Module-ID: FIN-INF-110487 Abbreviation DSA Credit Points 10 Semester Summer Term starting at 2. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Christian Braune Lecturer: Christian Braune Classes: Lecture Algorithms and Data Structures Exercise Algorithms and Data Structures Tutorial Algorithms and Data Structures   Applicability in curriculum: - B.Sc. INF (bilingual): Informatik I - Pflicht - B.Sc. INF (bilingual): Kernmodule (SPO 2027) Intended learning outcomes: The students know and understand the most important basic data structures and algorithms on these are able to apply these and assess which are (better) suited to a specific application understand predefined and create their own implementations Content: Lists Trees Balanced search trees Heaps Hash method Graphs Dynamic programming Search in texts Design and analysis of algorithms Workload: 106h attendance + 194h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): In order to be able to take part in the exam, preliminary work is required. Details will be announced in the first lecture. Written exam 120 minutes Lecture (4 SWS) Exercise (2 SWS) Tutorial (1 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Programming skills in Java, including Object Oriented Programming and Abstract Data Types Basic understanding of algorithms, including understanding of recursion Understanding of runtime/cost of algorithms and its formal representation (e.g., Big-O notation) Understanding basic methods of proof (e.g., proof by induction) Media: Literature: Saake & Sattler: Algorithmen und Datenstrukturen Goodrich, Tamassia & Goldwasser: Data Structures and Algorithms in Java Sedgewick & Wayne: Algorithms Cormen, Leiserson, Rivest, Stein: Introduction to Algorithms Comments: The first assignment may be due in the first week of the semester, which means you can work on the assignment in advance! This requires prior registration at https://aud.vc.cs.ovgu.de. Registration opens before the semester begins. Algorithmen und Programmierung Winter Grundlagen Programmierung und Algorithmen (engl. Algorithms and Programming ) Modulnummer: FIN-INF-160002 Kürzel GPA CP 5 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Eike Schallehn Dozent:in: Eike Schallehn Lehrveranstaltungen: Vorlesung Grundlagen Programmierung und Algorithmen Übung Grundlagen Progammierung und Algorithmen Verwendbarkeit: Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls... haben ein Verständnis von der Arbeit mit dem Computer zur Unterstützung von ingenieurtechnischen Anwendungsaufgaben. kennen Mittel und Methoden zum Algorithmenentwurf und Modellierung, um Software zu entwickeln. können erste Programmierieraufgaben lösen und diese erfolgreich einer geeigneten Entwicklungsumgebung (z. B. Matlab) zu testen. entwickeln Kenntnisse in Programmierung und Testung. Damit sollen Fertigkeiten und Fähigkeiten zur Lösung konkreter Aufgabenstellungen des eigenen Fachbereiches unter Einsatz von Computer erworbenen werden. erwerben Kompetenzen, um im weiteren Studium systematisch Techniken der Informatik erschließen zu können. Inhalt: Die Teilnehmer*innen diese Computer und Logik Programmstrukturen Programmplanungsprozess Eigenschaften und Entwurf von Algorithmen Entscheidungen, Schleifen Felder und Methoden Operationen mit Feldern und Dateien Objekt-orientierte Programmierung Programmierumgebung Matlab Arbeitsaufwand: 56h Präsenzzeit (28h Vorlesung, 28h Übung) 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Zulassung aus dem Bereich der Übungen, Bedingungen werden zu Beginn der Veranstaltung bekanntgegeben. Klausur 120 Minuten 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Anwendungssysteme Sommer (engl. Business Application Systems ) Modulnummer: FIN-INF-110123 Kürzel AWS CP 5 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Klaus Turowski Dozent:in: Prof. Dr. Klaus Turowski Lehrveranstaltungen: Vorlesung Anwendungssysteme Übung Anwendungssysteme Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Anwenden - Pflicht - B.Sc. WIF: Wirtschaftsinformatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... verstehen, wie Geschäftsprozesse durch IT-Technologien unterstützt werden. kennen die Zwecke betrieblicher Anwendungssysteme. wissen, dass für verschiedene Geschäftsbereiche unterschiedliche betriebliche Anwendungen erforderlich sind. verstehen, wie Geschäftsdaten auf verschiedene betriebliche Anwendungen abgebildet werden. wissen wie man komplexere Sachverhalte mit Tabellen darstellt. können mehrere betriebliche Anwendungssysteme in verschiedenen Geschäftsbereichen anwenden. wissen wie verschiedene betriebliche Anwendungssysteme miteinander integriert sind und welche Integrationsformen möglich sind. können sich neues Wissen eigenständig aneignen und für sich nutzbar machen. können bei unbekannten Aufgaben eigene Ideen einbringen und Entscheidungen treffen. können für neue Aufgaben geeignete Lösungen wählen, anwenden und anschließend beurteilen. Inhalt: Grundlagen der Wertschöpfungskette nach Porter Prozesse der betrieblichen Informationsverarbeitung Forschung und Entwicklung Vertrieb Einkauf Produktion Logistik Fallstudien zu komplexen Geschäftsprozessen mit SAP R/3 Enterprise Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit Vorlesung Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Mertens, P. (2005): Integrierte Informationsverarbeitung 1. 15. Auflage, Berlin u. a. Hinweise: Applied Discrete Modelling Winter (in German: Applied Discrete Modelling ) Module-ID: FIN-INF-120279 Abbreviation ADM Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: PD Dr. Claudia Krull Lecturer: PD Dr. Claudia Krull Classes: Lecture Applied Discrete Modelling Exercise class Applied Discrete Modelling   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Intended learning outcomes: Students understand the basics of Markov chains and know selected applications and solution methods Students understand non-Markovian stochastic processes and can model and simulate them in different ways Students understand hidden Markovian and non-Markovian processes Students know selected research topics of the research group Students can implement the models and methods they have learned and apply them to problems from the university's main research areas, in particular medicine and engineering Content: Discrete-time and continuous-time Markov chains Applications and implementation of solution methods for Markov chains Method of supplementary variables Proxel simulation and phase distributions Modeling with hidden models Programming solution methods for different model classes Modeling and solving problems from medicine and engineering Workload: 56 h lectures and exercise classes 124 h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Solutions to Assignments 1-6 need to be handed in before the exam registration. Oral Exam 30 Minutes Lecture 2 SWS Exercise class 2 SWS Prerequisites according to examination regulations: Recommended prerequisites: none Engineering mathematics Computer programming Media: Literature: recorded lectures and exercises are available Comments: Assistenzrobotik Sommer (engl. Assistance robotics ) Modulnummer: FIN-INF-120443 Kürzel AROB CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Norbert Elkmann (Fraunhofer IFF) Dozent:in: Norbert Elkmann (Fraunhofer IFF) Lehrveranstaltungen: Vorlesung Assistenzrobotik Übung Assistenzrobotik Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. DE: Digital Engineering (SPO 2027) - M.Sc. DE: Engineering Specialization (SPO 2027) Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls ... kennen mathematische Transformationen zur geometrischen und differentiellen Beschreibung von Roboterkinematiken kennen die Bewegungsgleichung von Roboter-Manipulatoren und können sie für Fragestellungen zur kollaborativen Sicherheit anwenden kennen die unterschiedlichen Interpolationsarten zum Beschreiben einer Roboterbahn und können eigenständig C²-Trajektorien generieren können die Kinematik von mobilen Robotern modellieren und ihre Position unter Berücksichtigung von Unsicherheiten im Raum bestimmen kennen verschiedene Methoden des maschinellen Lernens (unüberwachtes und überwachtes Lernen sowie Deep Learning) und können deren Einsatzmöglichkeiten für die Bildverarbeitung im Kontext der Robotik einordnen verstehen die Grundprinzipien des Reinforcement Learnings und wissen, wie damit optimale Handhabungsstrategien für Roboter generiert werden können kennen die Grundlagen der Maschinensicherheit (Risikobeurteilung und CE-Kennzeichnung) kennen die Sicherheitsbetriebsarten für kollaborative Robotersysteme und können sie anwenden Inhalt: Einführung in die Assistenzrobotik Grundlagen der Assistenzrobotik (Modellierung von Roboterkinematiken, Bahnplanung, Bewegungs- und Kraftregelung, Sensoren, mobile Systeme) Mensch-Roboter-Kollaboration und Sicherheit: Technologien, Maschinensicherheit, Normen, Rechtslage KI-Verfahren in der Robotik Arbeitsaufwand: 42h Präsenzzeit + 138h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Mündliche Prüfung 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Programmierkenntnisse Lineare Algebra Medienformen: Literatur: Hinweise: Ausgewählte Algorithmen der Computergraphik Winter (engl. Selected Algorithms in Computer Graphics ) Modulnummer: FIN-INF-120272 Kürzel AACG CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Christian Rössl Dozent:in: Christian Rössl Lehrveranstaltungen: Vorlesung Ausgewählte Algorithmen der Computergraphik Übung Ausgewählte Algorithmen der Computergraphik Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. VC: Visual Computing Angestrebte Lernergebnisse: Die Studierenden verstehen grundlegende Konzepte der Linearen Algebra und Numerik wenden diese an, um Algorithmen aus dem Bereich der Computergraphik zu implementieren erstellen eigene Implementierungen,Tests und Benchmarks können geeignete Werkzeuge (z.B. Programmiersprache, Bibliotheken) beurteilen, sinnvoll auswählen und anwenden können wissenschaftlichen Artikel im Bereich Computergraphik insbesondere im Hinblick auf mathematische Inhalte verstehen und implementieren Inhalt: Linear least-squares approximation Data interpolation and approximation Matrix factorization Sparse matrices Regularization Implementation issues General applications and case studies The specific contents may vary each semester. Die Veranstaltung kann je Bedarf in englischer oder deutscher Sprache abgehalten werden. Vorlesungsmaterialien stehen auf englisch zur Verfügung. Arbeitsaufwand: 56 h Präsenz 124 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Um an der Prüfung teilnehmen zu können, sind Prüfungsvorleistungen erforderlich. Details werden in der ersten Vorlesung bekannt gegeben. Mündliche Prüfung 20 Minuten Vorlesung 2 SWS Übung 2 SWS Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Vorlesungen im Bereich Computergraphik z.B. Grundlagen der Computergraphik CAGD Mesh Processing Spaß an mathematischen Aufgabenstellungen und Programmierung Programmierkenntnisse in C++ oder Julia oder Matlab und/oder die Bereitschaft sich schnell und selbständig in neues einzuarbeiten Grundlegende Kenntnisse der Versionsverwaltung mit Git Bereitschaft, der Veranstaltung auch in englischer Sprache zu folgen Medienformen: Literatur: Literatur wird in der Vorlesung bekannt gegeben. Hinweise: Wir verwenden i.d.R. Julia (https://julialang.org) als Programmiersprache (statt vormals Matlab und GNU Octave) und dazu C++ nach Bedarf. Wo genau der Fokus liegt, tarieren wir soweit möglich in der Veranstaltung je nach Vorkenntnissen und Wünschen aus. Bachelor-Projekt jedes (engl. Bachelor Project ) Modulnummer: FIN-INF-999995 Kürzel CP 18 Semester jedes Fachsem. ab 6. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Alle Hochschullehrer der FIN Lehrveranstaltungen: keine Verwendbarkeit: - B.Sc. INF: Studienprofil: Webgründer - B.Sc. INF: Abschlussmodule Angestrebte Lernergebnisse: Die Studierenden ... haben ein von einem externen Auftraggeber formuliertes, studienfachnahes Problem bearbeitet. haben die zu erbringenden fachbezogenen Leistungen und die Projektorganisation werden mit ihrem Auftraggeber vereinbart. haben einen Meilensteinplan und einen Kommunikationsplan für ihren Arbeitsfortschritt und die erzielten Ergebnisse formuliert Inhalt: Auftragsspezifisch Arbeitsaufwand: 150 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Bachelorarbeit Verteidigung keine Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Bachelorarbeit jedes (engl. Bachelor Thesis ) Modulnummer: FIN-INF-999997 Kürzel CP 12 Semester jedes Fachsem. ab 6. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Alle Hochschullehrer der FIN Lehrveranstaltungen: keine Verwendbarkeit: - B.Sc. INF: Abschlussmodule - B.Sc. CV: Abschlussmodule - B.Sc. INGINF: Abschlussmodule - B.Sc. WIF: Abschlussmodule - B.Sc. INF (bilingual): Abschlussmodule Angestrebte Lernergebnisse: Studierende, die dieses Modul absolviert haben, … können eine wissenschaftliche Fragestellung oder eine betriebliche Problemstellung mit wissenschaftlichem Charakter analysieren können einen aus wissenschaftlicher Sicht geeigneten Lösungsweg definieren und selbstständig planen und organisieren können die benötigten Ressourcen wie wissenschaftliche Literatur oder Software-Werkzeuge beschaffen und sich dort einarbeiten können regelmäßige Fortschrittsgespräche nutzen, um Vorschläge ihres Betreuers und ihre eigenen Ideen zu besprechen können ihren Lösungweg sowie ihre Ergebnisse und deren Interpretation in einer Bachelorarbeit schriftlich dokumentieren können ihre Arbeitsergebnisse sowie deren potenzielle Konsequenzen einschätzen und bewerten. können in der Verteidigung die wichtigsten Punkte ihrer Bachelorarbeit in einem Vortrag zusammenfassen und in einem Fachgespräch verteidigen. Inhalt: Das Thema der Bachelorarbeit kann aus aktuellen Forschungsvorhaben der Institute oder aus betrieblichen Problemstellungen mit wissenschaftlichem Charakter abgeleitet werden. In der Verteidigung sollen das Thema der Bachelorarbeit und die damit verbundenen Probleme und Erkenntnisse in einem Vortrag dargestellt und diesbezügliche Fragen beantwortet werden. Arbeitsaufwand: 360 h selbstständige Arbeit Verteidigung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Bachelorarbeit Verteidigung keine Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: 150 CP, um die Arbeit anzumelden Medienformen: Literatur: Hinweise: Die Zeit von der Ausgabe des Themas bis zur Abgabe beträgt 20 Wochen. Bachelorarbeit (dual) jedes (engl. Bachelor Thesis (dual) ) Modulnummer: FIN-INF-9999972 Kürzel CP 12 Semester jedes Fachsem. ab 6. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Alle Dozenten der FIN Lehrveranstaltungen: keine Verwendbarkeit: - B.Sc. INF: Abschlussmodule - B.Sc. INGINF: Abschlussmodule Angestrebte Lernergebnisse: Studierende, die dieses Modul absolviert haben, … können eine wissenschaftliche Fragestellung oder eine betriebliche Problemstellung mit wissenschaftlichem Charakter analysieren können einen aus wissenschaftlicher Sicht geeigneten Lösungsweg definieren und selbstständig planen und organisieren können die benötigten Ressourcen wie wissenschaftliche Literatur oder Software-Werkzeuge beschaffen und sich dort einarbeiten können regelmäßige Fortschrittsgespräche nutzen, um Vorschläge ihres Betreuers und ihre eigenen Ideen zu besprechen können ihren Lösungweg sowie ihre Ergebnisse und deren Interpretation in einer Bachelorarbeit schriftlich dokumentieren können ihre Arbeitsergebnisse sowie deren potenzielle Konsequenzen einschätzen und bewerten. können in der Verteidigung die wichtigsten Punkte ihrer Bachelorarbeit in einem Vortrag zusammenfassen und in einem Fachgespräch verteidigen. Inhalt: Das Thema der Bachelorarbeit kann aus aktuellen Forschungsvorhaben der Institute oder aus betrieblichen Problemstellungen mit wissenschaftlichem Charakter abgeleitet werden. In der Verteidigung sollen das Thema der Bachelorarbeit und die damit verbundenen Probleme und Erkenntnisse in einem Vortrag dargestellt und diesbezügliche Fragen beantwortet werden. Arbeitsaufwand: 360 h selbstständige Arbeit Verteidigung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Bachelorarbeit Verteidigung keine Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: 150 CP, um die Arbeit anzumelden Medienformen: Literatur: Hinweise: Die Zeit von der Ausgabe des Themas bis zur Abgabe beträgt 20 Wochen. Bachelorseminar KMD every (in German: Bachelorseminar KMD ) Module-ID: FIN-INF-110527 Abbreviation KMD_BachelorSeminar Credit Points 5 Semester every Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Myra Spiliopoulou Lecturer: Myra Spiliopoulou Classes: Seminar KMD_BachelorSeminar   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Künstliche Intelligenz - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: When successfully completing this seminar, the students: can read and present a scientific paper can compare mining methods, workflows and frameworks that address a specific scientific topic, and can rank them on given criteria can critically discuss the advantages and caveats of a published mining method can summarize one or more papers , their comparisons and critical discussion in an essay can present the scientific paper(s) they have read in a pre-specified amount of time and in a way understandable to both an audience that has read the papers and to an audience that has not, and they can answer questions Content: CONTENT: Topics on 'Knowledge Management and Discovery' for business applications, engineering applications and applications in healthcare; all topics refer to mining algorithms STRUCTURE: Each student receives a topic as assignment. The assignment encompasses: one or two papers in the topic's area a series of questions to be answered from the papers The student must: read the papers compare the methods and results in them in order to answer the scientific questions critically discuss and rank the methods compared in the previous step present the above in class and answer questions write an essay on them Workload: 28 h Präsenz + 94 h selbstständige Arbeit COURTESY TRANSLATION: 28 h in class + 94 h self-study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Referat Seminar (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Familiarity with mining algorithms Familiarity with methods for model evaluation Media: Literature: The seminar contains several topics. The mapping of the module (see field 'Verwendbarkeit') depends on the topic assigned to a specific student. Comments: Bachelorseminar Predictive Maintenance every (in German: Bachelorseminar Predictive Maintenance ) Module-ID: FIN-INF-110524 Abbreviation PREDMA_BSEM Credit Points 5 Semester every Term ab 3. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Prof. Dr. Myra Spiliopoulou, Prof. Dr.-Ing. Benjamin Noack Lecturer: Prof. Dr. Myra Spiliopoulou, Prof. Dr.-Ing. Benjamin Noack Classes: Seminar PredMa_BSeminar   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Künstliche Intelligenz - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: When successfully completing this seminar, the students can: read scientific articles given to them on introductory topics of predictive maintenance discuss these articles and reflect on them compare the methods that appear in these articles and discuss the pros and contra of each method in comparison to other methods summarize article contents on predictive maintenance in a report and present them formulate questions on these articles and answer questions formulated by other seminar participants Content: In this seminar, the participants will learn about challenges and methods for data acquisition in industrial processing data analysis tools in predictive maintenance process modeling, fault detection, and state prediction Workload: 28 h in presence (consultation meetings, presentations) / 96 h self-study for: Reading and Understanding of Provided Papers Writing an essay Presentation and question answering Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Referat Seminar (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Linear Algebra and Calculus Underpinnings of data analytics Underpinnings of signal processing Media: Literature: Scientific articles on Predictive Maintenance; choice of articles depends on topic assignment and is given to each student together with the assignment Comments: Berufspraktikum jedes (engl. Internship ) Modulnummer: FIN-INF-999999 Kürzel CP 18 Semester jedes Fachsem. ab 6. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Dozenten der FIN Lehrveranstaltungen: keine Verwendbarkeit: - B.Sc. INF: Abschlussmodule - B.Sc. CV: Abschlussmodule - B.Sc. INGINF: Abschlussmodule - B.Sc. WIF: Abschlussmodule - B.Sc. INF (bilingual): Abschlussmodule Angestrebte Lernergebnisse: Die Studierenden ... setzen ihre Kenntnisse aus dem Studium ein, um ein praktisches Problem in einer Organisation zu lösen. führen ihre Aufgaben in eigener Verantwortung durch unter Berücksichtigung der betrieblichen und sachlichen Anforderungen ihres Arbeitsumfeldes. diskutieren ihren Lösungsweg mit ihren Team-Kollegen und informieren sie über ihre Fortschritte und Ergebnisse. bekommen Einblicke in die Notwendigkeiten, Abläufe und sozialen Strukturen in der Organisation. beschreiben in einem Abschlussbericht einzelne Aspekte ihrer Tätigkeit, die besondere positive oder negative Folgen hatten. Inhalt: Arbeitgeberspezifisch Arbeitsaufwand: 480 h Praktikumszeit + 60 h Praktikumsbericht Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Unbenotete Hausarbeit (Praktikumsbericht) Leitfaden für das Schreiben des Praktikumsbericht Praktikum außerhalb der Fakultät für Informatik Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Dauer des Berufspraktikums ist mindestens 12 Wochen. Möglichkeiten zum Praktikum können über das Universitätsportal Jobteaser gefunden werden: Allgemeine Informationen zum Jobteaser Jobteaser Portal Bioinformatik Sommer (engl. Bioinformatics ) Modulnummer: FIN-INF-700003 Kürzel BioInf CP 5 Semester Sommer Fachsem. ab 5. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Andreas Nürnberger Dozent:in: Andreas Nürnberger Lehrveranstaltungen: Vorlesung Bioinformatik Übung Bioinformatik Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... verstehen verschiedene Datenstrukturen für Bioinformatik können Basisalgorithmen zur Bearbeitung von Sequenzdaten anwenden und programmieren wenden Clusteranalyse und verschiedene Heuristiken für die Bearbeitung molekularbiologischer Daten an Inhalt: Einführung in die Bioinformatik und die Molekularbiologie Einführung in Datenbanken und speziell molekularbiologische Datenbanken Algorithmen zur Sequenzanalyse Heuristische Methoden für die Sequenzanalyse Algorithmen zur Clusteranalyse Expressionsdatenanalyse Algorithmen zum Aufbau phylogenetischer Bäume Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur (2h). Voraussetzung zur Teilnahme an der Prüfung werden in der ersten Vorlesung und online bekannt gegeben. 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Algorithmen und Datenstrukturen Medienformen: Literatur: R. Merkl. Bioinformatik: Grundlagen, Algorithmen, Anwendungen (4. Auflage), Wiley-VCH, 2022. R. Merkl, S. Waak. Bioinformatik Interaktiv: Algorithmen und Praxis. Wiley-VCH, 2003. R. Rauhut. Bioinformatik: Sequenz-Struktur-Funktion. WileyVHC, 2001. D.E. Krane, ML. Raymer. Fundamental Concepts of Bioinformatics. Pearson Education, 2003. J. Setubal, J. Meidanis. Introduction to Computational Molecular Biology. PWS Publishing Company, 1997. A. M. Lesk. Bioinformatik: Eine Einführung. Spektrum Akademischer Verlag, 2002. A. M. Lesk. Introduction to Bioinformatics. Oxford University Press, 2002. Hinweise: Biometrics Project jedes (engl. Biometrics Project ) Modulnummer: FIN-INF-110415 Kürzel MMDAP CP 5 Semester jedes Fachsem. ab 5. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr.-Ing. Jana Dittmann Dozent:in: Prof. Dr.-Ing. Jana Dittmann Lehrveranstaltungen: Vorlesung IT-Sicherheit und Digitale Selbstverteidigung Übung IT-Sicherheit und Digitale Selbstverteidigung Vorlesung Informatik & Kriminalistik Übung Informatik & Kriminalistik Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Forensik Design - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Computervisualistik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... können anhand einer ausgewählten fachlichen Fragestellung zur Cybersicherheit die Anforderungen und Lösungsmöglichkeiten im Zusammenspiel von Sicherheit, Sensortechnik und Multimediatechnologie für ein Anwendungsbeispiel verstehen können Komponenten multi-modaler Systeme am Beispiel sicher gestalten und eine Sicherheitsbewertung vornehmen können technische Integrationsaspekte verstehen und Umsetzungen ausgewählter Inhalte aus „Sichere Systeme“ und „Algorithmen und Datenstrukturen“ vornehmen können eine Evaluation und Bewertung multi-modaler Systeme vornehmen und Restrisiken benennen können Herausforderungen in der Teamarbeit erkennen und reflektieren können die Ergebnisse in einem Referat präsentieren und sich einer Diskussion stellen können Sicherheit als Prozess in einem IuK-System verstehen und ausgewählte Mechanismen gestalten und anwenden Inhalt: Einführung und Grundlagen zu ausgewählten fachlichen Fragestellungen zur Cybersicherheit, Sensortechnik und Multimediatechnologie Erläuterungen anhand von Anwendungsbeispielen Gestaltungskonzepte für sichere Multi-modale Systeme für ausgewählte Beispiele Ansätze zur Sicherheitsbewertung Wiederholung: Grundlagen der Teamarbeit, Vorlesung ist Projekt-orientiert Arbeitsaufwand: 56h Präsenszeit 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: keine Referat mit zwei Teilleistungen (Vortrag und Ausarbeitung) Das Referat umfasst eine eigenständige und vertiefte schriftliche Auseinandersetzung mit einer Fragestellung aus dem Arbeitszusammenhang der Lehrveranstaltung unter Einbeziehung und gezielter kritischer Auswertung einschlägiger Literatur, sowie die Darstellung der eigenen Arbeit auch im Vergleich im Team und die Vermittlung sowie Bewertung der eigenen Ergebnisse im mündlichen Vortrag sowie in der anschließenden Diskussion im Team. Die Ausarbeitungen müssen schriftlich vorliegen. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Clean Code Development Winter (in German: Clean Code Development ) Module-ID: FIN-INF-120432 Abbreviation CCD Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr. Frank Ortmeier Lecturer: Prof. Dr. Frank Ortmeier Classes: Vorlesung Clean Code Development Übung Clean Code Development   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen Intended learning outcomes: Students: know and understand the principles of Clean Code Development are able to apply the associated tools and practices in practice learn to independently select and adapt the concepts suitable for a project learn to distribute tasks within a team and collaborate in an organized manner Content: Software engineering deals with the creation and development of software, the organization and modeling of related data structures, and the operation of software systems. It thus encompasses software design, implementation, and management. The introductory lecture Software Engineering I provided the foundational knowledge for designing and writing good software. This advanced lecture introduces modern techniques and methods that are commonly used in the development of large software systems. We align with the four core values of Clean Code Development – evolvability, correctness, production efficiency, and comprehensibility. To achieve these goals, a variety of programming principles and practices will be introduced. These include, among others, team formation and organization in software development, principles and tools of Clean Code Development, continuous integration and automated build systems, bug tracking, error localization and debugging, automated and model-based testing, code analysis and quality metrics, requirements engineering and tracing, as well as distributed and component-based software architectures. The course will offer a high degree of practical engagement with tools and software development techniques, especially in the exercises. The goal is not only to convey abstract knowledge but also to develop hands-on competencies. Participation in the exercises is mandatory and will be conducted in groups. Workload: 56h Präsenszeit + 124h selbständige Arbeit am Projekt Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Projekt Mündliche Prüfung Vorlesung (2 SWS) Übung (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Software Engineering Media: Literature: Comments: Enrollment Restriction: Limited number of participants. The selection process will be announced during the first lecture. Cloud School Sommer (in German: Cloud School ) Module-ID: FIN-INF-110484 Abbreviation CS Credit Points 5 Semester Sommer Term starting at 3. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Prof. Dr. Klaus Turowski Lecturer: Christian Haertel / Christian Daase Classes: Lecture Cloud School Exercise Cloud School   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: The students ... know and understand the basic principles of the cloud computing paradigm know the typical service and deployment models of cloud computing understand workloads and revenue models are able to build basic cloud applications independently understand the benefits and risks of cloud computing at the business and application layer are able to select suitable cloud infrastructure from appropriate platform offerings for their applications know how to apply cloud design patterns in practical developments are able to use self-developed cloud applications for modern application scenarios (e.g., related to machine learning and data science) Content: Cloud Computing Fundamentals Cloud Offering Patterns Cloud Application Architecture Patterns Cloud Application Management Patterns Composite Application Pattern Impact of Cloud Computing Properties Cloud Computing Application Scenarios Workload: 45 h lecture and exercise + 105 h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): In order to participate in the exam, preliminary exam requirements must be met. Details will be announced in the first lecture. Graded und ungraded written examination, 120 Min. 2 SWS Lecture + 3 SWS Exercise class Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: ​Fehling, C.; Leymann, F.; Retter, R.; Schupeck, W.; Arbitter, P. (2014): Cloud Computing Patterns: Fundamentals to Design, Build, and Manage Cloud Applications (ISBN: 978-3-7091-1567-1), DOI: 10.1007/978-3-7091-1568-8 Comments: Compilerbau Winter (engl. Compiler Construction ) Modulnummer: FIN-INF-100382 Kürzel CB CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Michael Kuhn Dozent:in: Prof. Dr. Michael Kuhn Lehrveranstaltungen: Vorlesung Compilerbau Übung Compilerbau Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Teilnehmenden... verstehen theoretische Grundlagen von formalen Sprachen wenden Algorithmen zur Optimierung von regulären Ausdrücken, Grammatiken und Code-Repräsentationen an verstehen wichtige Konzepte von Compilern erstellen Komponenten eines Compilers in kleineren Teams präsentieren Lösungsansätze und Ergebnisse anderen Teilnehmenden Inhalt: Compiler übersetzen Programme aus einer Ausgangssprache in eine Zielsprache, üblicherweise aus einer höheren Programmiersprache in eine Maschinensprache. Dies erlaubt es unter anderem, die gleiche Anwendung mit relativ geringem Aufwand für unterschiedliche Prozessorarchitekturen zu übersetzen und darauf auszuführen. Ein tiefergehendes Verständnis von Compilern hilft dabei, effizientere und sicherere Programme zu schreiben. Die zu übersetzenden Programme werden außerdem durch Compiler überprüft und verbessert. Wie viele Fehler dabei gefunden werden können, hängt von der Striktheit der Sprache ab. Einige Sprachen, wie z. B. Rust, machen es schwieriger, Programme ohne Fehler zu schreiben, bieten dafür aber gewisse Korrektheitsgarantien. Darüber hinaus führen Compiler eine Vielzahl an Optimierungen durch, um die gegebene Rechnerarchitektur möglichst effizient zu nutzen. Die Vorlesung findet nach dem Prinzip des Flipped Classroom statt. Dabei sollen selbstständig die entsprechenden Kapitel des Buches „Introduction to Compilers and Language Design“ gelesen werden, die dann in der Vorlesung vertieft besprochen werden. In der Vorlesung werden die Konzepte vermittelt, die Übungen dienen der praktischen Anwendung und Umsetzung der erworbenen Kenntnisse. Arbeitsaufwand: 56h Präsenz 94h selbstständiges Arbeiten Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Aktive und erfolgreiche Teilnahme an den Übungen Mündliche Prüfung Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Praktische Kenntnis einer Systemprogrammiersprache wie C oder C++ Grundkenntnisse in Datenstrukturen und Rechnerarchitekturen (z. B. Algorithmen und Datenstrukturen, Technische Informatik) Medienformen: Literatur: Introduction to Compilers and Language Design (Douglas Thain) Hinweise: Computational Geometry Summer (in German: Computational Geometry ) Module-ID: FIN-INF-102201 Abbreviation CompGeom Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr. Stefan Schirra Lecturer: Prof. Dr. Stefan Schirra Classes: Lectures and exercises Computational Geometry   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Visual Computing - M.Sc. VC: Visual Computing (SPO 2027) Intended learning outcomes: Students know how to design and analyze algorithms for advanced geometric problems. They understand the basics of combinatorial and algebraic geometry. Content: basics in combinatorial geometry basics in algebraic geometry duality algorithm design paradigms Workload: 56 h classroom + 124 h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): active participation Oral exam Lecture and Exercise (4 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Basics in algorithmic geometry (for example, bachelor modul Grundzüge der Algorithmischen Geometrie) Media: Literature: de Berg, Cheong, van Kreveld, Overmars; Computational Geometry Devadoss, O'Rourke; Computational Geometry Comments: Computational Intelligence in Games Summer Game Theory, Reinforcement Learning and Beyond (in German: Computational Intelligence in Games ) Module-ID: FIN-INF-110515 Abbreviation CIG Credit Points 5 Semester Summer Term starting at 4. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Sanaz Mostaghim Lecturer: Sanaz Mostaghim Classes: Lecture Computational Intelligence in Games Exercise Computational Intelligence in Games   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: The students will learn the concepts in reinforcement learning, Game Theory and beyond and can apply them to various domains, particularly in Games. The students can program the learned algorithms and will get an understanding about the functionality of the algorithms. Content: This course addresses the basic and advanced topics in the area of computational intelligence and games and contains three parts: Part one addresses the basics in Evolutionary Game Theory (EGT). In this part you will learn about simple games such as scissors/rock/paper and the main focus on the strategies for playing games. Part two is about learning agents and we focus on reinforcement learning mechanisms. There are three questions for games: – How can we use the information from a search mechanism to learn? – How can we use reinforcement learning to find for a better strategy? – How can we use reinforcement learning as a search mechanism? The application is on board games. Part three contains the advanced topics in games and artificial intelligence such as how can we program an agent who can pass a Turing test? How can we consider physical constraints of a spaceship while moving in an unknown terrain? Workload: 56 contact hours + 94 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam Hausarbeit Lecture (2 SWS) Exercise class (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Intelligente Systeme Media: Literature: Ian Millington and John Funge, Artificial Intelligence for Games, CRC Press, 2009 Richard S. Sutton and Andrew G. Barto, Reinforcement Learning: An Introduction, MIT Press, Cambridge, MA, 1998 Jorgen W. Weibull, Evolutionary Game Theory, MIT Press, 1997 Thomas Vincent, Evolutionary Game Theory, Natural Selection, and Darwinian Dynamics, Cambridge University Press, 2005 Josef Hofbauer, Karl Sigmund, Evolutionary Games and Population Dynamics, Cambridge University Press, 1998 Comments: Computer Graphics - an Introduction Winter (in German: Computer Graphics - an Introduction ) Module-ID: FIN-INF-110472 Abbreviation ICG Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Holger Theisel Lecturer: Holger Theisel Classes: Lecture Computer Graphics - an Introduction Exercise class Computer Graphics - an Introduction   Applicability in curriculum: - M.Sc. DE: Grundlagen Informatik - M.Sc. VC: Visual Computing Intended learning outcomes: The students understand the basic concepts of computer graphics can apply their knowledge to create their own simple rendering program work in groups on exercises and programming tasks learn both the theoretical basics and applications of computer graphics are able to acquire in-depth knowledge of computer graphics after finishing the course Content: Introduction, history, application areas of Computer graphics Modeling and acquisition of graphical data Transformations Clipping Rasterization and antialiasing Lighting Texturing Visibility Ray tracing Modern concepts of computer graphics at a glance Workload: 56h contact time (lecture + exercise class) 94h self study (lecture material, solution of exercises and assignments) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Successful completion of the exercises Completing a programming task Exam: Written exam 120 min. Exam certificate: Passing the written exam 120 min. Lectures (2 SWS) Exercises (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: J.D. Foley, A. van Dam, S.K. Feiner, J.F. Hughes: Computer Graphics – Principles and Practice (second Edition). AddisonWesley Publishing Company, Inc., 1996 J.Encarnacao, W. D. Salomon: Computer Graphics Geometric Modeling, Springer, 1999A. Watt: 3D Computer Graphics. Addison-Wesley Publishing Company, Inc., 2000 Comments: (nur anrechenbar wenn nicht vorher die deutschsprachige Bachelor-LV Computergraphik I belegt wurde) Computer-Assisted Surgery Winter (in German: Computer-Assisted Surgery ) Module-ID: FIN-INF-120519 Abbreviation CAS Credit Points 6 Semester Winter Term ab 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Christian Hansen Lecturer: Christian Hansen Classes: Lecture Computer-Assisted Surgery Seminar Computer-Assisted Surgery Team project Computer-Assisted Surgery   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. VC: Visual Computing Intended learning outcomes: Students who complete this module ... have an in-depth knowledge of modern surgical and interventional imaging technologies such as iMRI, iCT and IOUS, as well as medical image processing understand methods such as surgical tracking, calibration and registration, which are essential for the development and application of surgical assistance systems can design and develop surgical planning and navigation systems. can write a state of the art report in the field of computer assisted surgery can read, analyse and briefly summarise scientific papers in a scientific report. Within this module students can choose between a seminar or a team project. If students choose to undertake a seminar, they ... will be able to read, understand and present scientific publications in the field of computer-assisted surgery will understand how to critically analyse scientific publications and improve their ability to present the results of others' research. If students opt for a team project, they ... will develop, test and evaluate a software tool in an interdisciplinary team will learn how to deal with conflict in interdisciplinary teams. Content: This lecture provides an overview of computer-assisted surgery. After an introduction to the basics, the state of the art in computer-assisted surgery is presented using clinical examples. The following topics will be covered: Fundamentals of intra-operative imaging Fundamentals of surgical visualisation Computer-assisted surgical planning Surgical navigation systems Surgical Augmented Reality Surgeon-Computer Interaction Robotic Surgery Medical Software Development and Evaluation Workload: 56 h contact hours + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Successful completion of the exercise/seminar Oral exam Lecture (2SWS) Seminar (2SWS) or team project (2SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: Computer-Assisted Surgery Winter (in German: Computer-Assisted Surgery ) Module-ID: FIN-INF-110514 Abbreviation CAS Credit Points 5 Semester Winter Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Christian Hansen Lecturer: Christian Hansen Classes: Lecture Computer-Assisted Surgery Seminar Computer-Assisted Surgery Team project Computer-Assisted Surgery   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Anwendungsfach - Medizintechnik - B.Sc. CV: Computervisualistik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: Students who complete this module ... have an in-depth knowledge of modern surgical and interventional imaging technologies such as iMRI, iCT and IOUS, as well as medical image processing understand methods such as surgical tracking, calibration and registration, which are essential for the development and application of surgical assistance systems can design and develop surgical planning and navigation systems. can write a state of the art report in the field of computer assisted surgery can read, analyse and briefly summarise scientific papers in a scientific report. Within this module students can choose between a seminar or a team project. If students choose to undertake a seminar, they ... will be able to read, understand and present scientific publications in the field of computer-assisted surgery will understand how to critically analyse scientific publications and improve their ability to present the results of others' research. If students opt for a team project, they ... will develop, test and evaluate a software tool in an interdisciplinary team will learn how to deal with conflict in interdisciplinary teams. Content: This lecture provides an overview of computer-assisted surgery. After an introduction to the basics, the state of the art in computer-assisted surgery is presented using clinical examples. The following topics will be covered: Fundamentals of intra-operative imaging Fundamentals of surgical visualisation Computer-assisted surgical planning Surgical navigation systems Surgical Augmented Reality Surgeon-Computer Interaction Robotic Surgery Medical Software Development and Evaluation Workload: 56h contact hours + 94h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Successful completion of the exercise/seminar oral exam Lecture (2 SWS) Seminar (2 SWS) or team project (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Comments: Computergestützte Diagnose und Therapie Winter (engl. Computer Aided Diagnosis and Therapy ) Modulnummer: FIN-INF-110325 Kürzel CDT CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Bernhard Preim Dozent:in: Bernhard Preim Lehrveranstaltungen: Vorlesung Computergestützte Diagnose und Therapie Seminar Computergestützte Diagnose und Therapie Verwendbarkeit: - B.Sc. CV: Anwendungsfach - Medizintechnik - B.Sc. CV: Computervisualistik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... kennen ausgewählte diagnostische u. therapeutische Prozesse, insbesondere die Rolle der medizinischen Bildgebung (Histologie, radiologische und nuklearmedizinische Bildgebung) haben die Fähigkeit, den Bedarf für eine Computerunterstützung abzuschätzen haben einen Einblick in die KI-gestützte medizinische Bildanalyse, einschließlich klinischer Anwendungsmöglichkeiten und noch bestehender Limitationen kennen die Kriterien für die Akzeptanz von (neuen) Softwarelösungen in der bildbasierten Diagnostik und Therapie Inhalt: Prinzipien der 3D-Bildgebung in der Medizin Beschreibung ausgewählter diagnostischer Prozesse KI-basierte medizinische Bildanalyse Quantifizierung in der bildbasierten Diagnostik Computergestützte Diagnostik, insbesondere Erkennung von Lungenrundherden in CT-Daten und Läsionen in Mammographien Grundlagen und Anwendungen der virtuellen Endoskopie Grundlagen und ausgewählte Beispiele der Planung von Interventionen und Operationen Computergestützte Planung u. Bewertung von Operationsstrategien Integration von Simulation u. Visualisierung in der Therapieplanung Betrachtung von Fallbeispielen: Diagnostik von Gefäßerkrankungen, Planung und intraoperative Unterstützung neurochirurgischer Eingriffe, KI-Strategien zur Unterstützung diagnostischer Prozesse Arbeitsaufwand: 56 h Präsenzzeit + 94 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Referat (im Seminar) Schriftliche Prüfung, 2 Stunden Prüfungsvoraussetzung: Präsentation 2 SWS Vorlesung 2 SWS Seminar Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Modul Computer Vision Medienformen: Literatur: Lehmann, Thomas „Digitale Bildverarbeitung für Routineanwendungen“, Universitätsverlag, 2005 Preim, Bartz „Visualization in Medicine“, Morgan Kaufman, 2007 Preim, Botha: Visual Computing for Medicine, 2nd Edition, , Morgan Kaufman, San Francisco, 2013 Hinweise: Computernetze 1 Winter (engl. Computer Networks 1 ) Modulnummer: FIN-INF-140006 Kürzel CN-1 CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Mesut Güneş Dozent:in: Prof. Dr. Mesut Güneş Lehrveranstaltungen: Vorlesung Computernetze 1 Übung Computernetze 1 Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Forensik Design - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Studierende ... kennen und verstehen die Grundlagen der Datenkommunikation kennen die Schichtenarchitektur des ISO/OSI-Modells verstehen Konzepte wie Kanalkapazität, Datenrate und ihre Zusammenhänge verstehen Fehlererkennung und Fehlerkorrektur und ARQ-Verfahren sind in der Lage Herausforderungen der höheren Protokollschichten einzuordnen Inhalt: Grundlegende Protokolle und Ansätze von der Bitübertragungsschicht bis zu Netzwerkschicht ISO/OSI-Architektur vs TCP/IP-Architektur Datenübertragung Medienzugriffskontrolle Fehlerbehandlung Zuverlässige Nachrichtenübertragung Arbeitsaufwand: 56 h Präsenz + 94 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur 120 Minuten 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Technische Informatik 1 Technische Informatik 2 Algorithmen und Datenstrukturen Medienformen: Literatur: Andrew S. Tanenbaum, “Computer Networks”, Pearson International James F. Kurose, Keith W. Ross, “Computer Networking – A Top-Down Approach”, Addison Wesley Hinweise: Data Engineering Winter (engl. Data Engineering ) Modulnummer: FIN-INF-110475 Kürzel CP 5 Semester Winter Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Andreas Nürnberger, Gunter Saake, Myra Spiliopoulou Dozent:in: Gunter Saake, Andreas Nürnberger, Myra Spiliopoulou Lehrveranstaltungen: Vorlesung Data Engineering Übung Data Engineering Verwendbarkeit: Angestrebte Lernergebnisse: - Dieses Modul steht derzeit nur den Studierenden des FMB-Bachelorstudiengangs AI Engineering zur Verfügung und leitet seine Ziele aus dem Kanon der FMB. PLATZHALTER für FIN: Die Studierenden: verstehen, warum Data Engineering vor dem Aufruf von Lernverfahren nötig ist sind vertraut mit einer Auswahl von Data Engineering Methoden und können diese bei einfachen Aufgabenstellungen anwenden und ihre Ergebnisse evaluieren Inhalt: - Arbeitsaufwand: 56 Stunden Präsenzzeit 94 Stunden selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur 120 Minuten Vorlesung 2 SWS Übung 2 SWS Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Data Engineering Winter (engl. Data Engineering ) Modulnummer: FIN-INF-999700 Kürzel CP 5 Semester Winter Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Andreas Nürnberger, Gunter Saake, Myra Spiliopoulou Dozent:in: Andreas Nürnberger, Gunter Saake, Myra Spiliopoulou Lehrveranstaltungen: Vorlesung Data Engineering Übung Data Engineering Verwendbarkeit: Angestrebte Lernergebnisse: Befähigung unstrukturierte Daten durch Datenvorverarbeitung in ein Format zu bringen, das für weitere Auswertung wie zum Beispiel maschinelles Lernen geeignet ist. Studierende sollen die Datenaufbereitung praktisch umsetzen sowie einfache Analysen durchführen können. Umgang mit wissenschaftlichen Inhalten und Software Libraries auf Englisch Inhalt: Teil 1: Datenbanken ER Modellierung und Tabellen SQL Grundlagen SQL Aggregationen Alternative Datenbanksysteme Teil 2: Datenzugriffe Anfragearten Datenstrukturen für verschieden Anfragearten Aggregationen in Python Teil 3: Statistische Datenbetrachtung Datenmengen & Zeitreihen Statistisches Testen Datenreinigung, -normalisierung und -transformationen Missingness & Rauschen Reduzierung des Dimensionsraums Arbeitsaufwand: 150 h = 54 h Präsenszeit und 96 h Selbststudium Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Keine Klausur (120 min.) Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Verwendbarkeit des Moduls im B.Sc. AI Engineering Data Management for Engineering Applications Winter (in German: Data Management for Engineering Applications ) Module-ID: FIN-INF-120326 Abbreviation DMEA Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: Eike Schallehn Classes: Lecture Data Management for Engineering Applications Exercise Data Management for Engineering Applications   Applicability in curriculum: - M.Sc. DE: Methoden des Digital Engineering Intended learning outcomes: The students ... understand and assess engineering applications understand basics of information systems design databases in the context of engineering applications Content: Introduction in the design of relational and non-relational database systems Requirements of engineering data management Product data management with database systems Workflow support and interoperability Product lifecycle management Workload: 56 contact hours + 94 h independent study + 30 h lab Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): To be eligible to take the exam, you must have completed certain prerequisites. Further details will be announced in the first lecture. Written exam (120 min) 2 SWS lecture 2 SWS exercise class Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: Data Mining I - Introduction to Data Mining Summer Introduction to Data Mining (in German: Data Mining I - Introduction to Data Mining ) Module-ID: FIN-INF-120454 Abbreviation DM1_ENG Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Myra Spiliopoulou Lecturer: Myra Spiliopoulou Classes: Vorlesung DM1_ENG Übung DM1_ENG COURTESY TRANSLATION: Lecture class DM1_ENG Exercise class DM1_ENG   Applicability in curriculum: - M.Sc. DKE: Fundamentals of Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: When successfully completing this course, the students comprehend the purpose of model induction from data are familiar with the behaviour of simple learning algorithms on tabular static data and can apply them to derive models comprehend the purpose, challenges and basic instruments for model evaluation can evaluate models comprehend the purpose of data engineering in preparation of data mining are familiar with basic tasks of data engineering and have thus acquired skills they need in order to design themselves learning algorithms, and to build workflows for model evaluation. Content: Underpinnings: basic forms of learning BLOCK 1 - supervised: Classification algorithms and evaluation procedured BLOCK 2 - unsupervised: Clustering algorithms and evaluation procedures BLOCK Evaluation: more on model evaluation and model comparison BLOCK Data Engineering: basic steps on engineering the data before they are input to the model learner Workload: 28 hours - in presence : lecture class (2 hours per week) 28 hourse in presence: exercise class (2 hours per week) 124 hours: independent work (for lectures, exerices and for the exam preparation) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): A minimum number of points must be achieved during the course. Schriftliche Prüfung - Klausur (120 min) COURTESY TRANSLATION: Written exam of the form 'Klausur' (120 min) Vorlesung (2 SWS) Übung (2 SWS) COURTESY TRANSLATION: Lecture (2 hours per week of the semester) Exercise (2 hours per week of the semester) Prerequisites according to examination regulations: Recommended prerequisites: keine Databases Data management Basics in statistics Media: Literature: Book M: The book of the course is Introduction to Data Mining by Pan-Ning Tan, Michael Steinbach, Anuj Karpatne and Vipin Kumar. PEARSON, 2019 (2nd edition) Chapters 2 and 3 Parts of Chapters 4, 6, 7 Parts of Chapters 8 and 10 Overview of the book under https://www-users.cs.umn.edu/~kumar001/dmbook/index.php including slide collections etc To read the full textbook (electronic version): Find the ebook from the library here, follow the direct link, and log in -> Shibboleth login -> Otto-von-Guericke University -> Log in -> read. Note: Some slides come from the 1st edition. They concern content that did not change between the two editions. Book D: Data Preprocessing in Data Mining by Salvador Garcia, Julian Luengo and Fransisco Herrera, SPRINGER International Publishing Switzerland, 2015**** This book is used in the Block 'Data Engineering' (Block 'Data' for short). This book is available as pdfs from our library. The chapters of relevance are mentioned in the description of the course block.**** Comments: This module is intended for students in low semesters of 4-semester-long master degrees and assumes a limited background in data science. It is not appropriate for students with a bachelor degree in data science. Data Mining II - Advanced Topics in Data Mining Winter (in German: Data Mining II - Advanced Topics in Data Mining ) Module-ID: FIN-INF-120455 Abbreviation DM2 Credit Points 9 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Myra Spiliopoulou Lecturer: Myra Spiliopoulou Classes: Vorlesung DM 2 Übung DM 2 COURTESY TRANSLATION: Lecture class DM2 Exercise class DM2   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: When successfully completing this module, the students: comprehend why temporal data need different learning algorithms and evaluation procedures than used on static data comprehend the behaviour of supervised, unsupervised and semi-supervised learning algorithms on temporal data can design and apply simple learning algorithms and workflows on temporal data and interpret the induced models can evaluate models - once and in continuous evaluation, since both are needed in temporal learning and have thus acquired skills they need in order to design and evaluate temporal learning algorithms themselves Content: Block 1A: Data Streams Basics Stream classification: learning methods and concept drift detectors; evaluation approaches Semi-supervised stream learning: methods and evaluation approaches Block 1B: Time series Basics Time series classification Time series prediction Evaluation of models Block 2: discussion of papers (inverted classroom) and hands-on of algorithms (in the exercises) Workload: 28 hours - in presence : lecture class (2 hours per week) 28 hourse in presence: exercise class (2 hours per week) 214 Stunden: Individual working time on Preparation for lectures and exercise classes Reading and understanding the articles (scientific papers) provided for the discussion in the lecture class Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Votierung in der Vorlesung und in der Übung (A minimum number of points must be achieved in Block 1 and in Block 2) Schriftliche Prüfung - Klausur COURTESY TRANSLATION: Written exam of the form 'Klausur' Prerequisite for the written exam: a minimum number of points must be achieved; this procedure is called 'Votierung' Vorlesung (2 SWS) Übung (2 SWS) COURTESY TRANSLATION: Lecture (2 hours per week of the semester) Exercise (2 hours per week of the semester) Prerequisites according to examination regulations: Recommended prerequisites: keine Familiarity with learning algorithms for static tabular data Familiarity with methods for the evaluation of models induced on static data Media: Literature: Comments: Block 1: Literature on streams and time series; is provided in the elearning page of the module Block 2: New papers are discussed, every time the course is offered Data Mining – Einführung in Data Mining Winter Einführung zu Data Mining für Bachelorstudiengänge (engl. Data Mining for Bachelor Students - An Introduction (German course) ) Modulnummer: FIN-INF-110302 Kürzel DM4BA CP 5 Semester Winter Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Myra Spiliopoulou Dozent:in: Myra Spiliopoulou Lehrveranstaltungen: Vorlesung DM4BA Übung DM4BA Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Künstliche Intelligenz - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden: verstehen, wozu Data Mining gut ist verstehen, wie eine Klassifikationsaufgabe aussieht und wie eine Clustering-Aufgabe aussieht, und können zwischen den zwei Typen von Aufgaben unterscheiden verstehen, wie einfache Klassifikationsmethoden funktionieren und können diese für Probleme anwenden verstehen, wie einfache Clustering-Methoden funktionieren und können diese für Probleme anwenden verstehen die Herausforderungen der Evaluation von Modellen können Evaluationsvorgänge gestalten und durchführen verstehen, warum Data Engineering vor dem Aufruf von Lernverfahren nötig ist können einfache Instrumente der Datenaufbereitung anwenden und ihre Ergebnisse evaluieren und haben damit notwendige Grundlagen erworben, um einen einfachen Vorgang zum Ableiten eines Modells und zu dessen Evaluation zu gestalten. Inhalt: Klassifikation: Lernverfahren und Evaluationsvorgänge Clustering: Lernverfahren und Evaluationsvorgänge mehr zu Methoden für die Evaluation von Modellen Data Engineering: Datenaufbereitungsaufgaben, -methoden und -evaluationsvorgänge Arbeitsaufwand: 28 Stunden Vorlesung (Präsenz) 28 Stunden Übung (Präsenz) 94 Stunden Eigensändiges Arbeit zur Vor- und Nachbereitung der Vorlesung und der Übung, sowie zur Prüfungsvorbereitung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Votierung - min Anzahl von Punkten durch Aufgaben in den Übungen Schriftliche Prüfung - Klausur (120 min) Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Datenbanken Medienformen: Literatur: Zu Data Mining Methoden und zu Evaluationsansätzen: Pan-Ning Tan, Michael Steinbach, Anuj Karpatne, Vipin Kumar (2019). Introduction to Data Mining, 2nd edition. Pearson – Ausschnitte aus Kpt 3, 5, 7 Ian Witten & Eibe Frank (2005). Data Mining – Practical machine learning tools and techniques. 2nd edition. Elsevier – Ausschnitte aus Kpt 4 zu Naive Bayes Zu Data Engineering: Salvador Garcia, Julian Luengo, Francisco Herrera (2015). Data Preprocessing for Data Mining. Springer – Ausschnitte aus Kpt 3, 4, 7, evtl auch aus Kpt 2 und eventuell für Zeitreihen: Parmezan, A. R. S., Souza, V. M. A., and Batista, G. E. A. P. A. (2019). Evaluation of statistical and machine learning models for time series prediction: Identifying the state-of-the-art and the best conditions for the use of each model. Information Sciences, DOI: 10.1016/j.ins.2019.01.076 Cismondi, F. C., Fialho, A., Vieira, S., Reti, S., Sousa, J., and Finkelstein, S. (2013). Missing data in medical databases: Impute, delete or classify? Artificial Intelligence in Medicine, DOI: 10.1016/j.artmed.2013.01.003 Weitere Literatur wird in den einzelnen Sessions aufgelistet. Hinweise: Data Science with Python Winter (in German: Data Science with Python ) Module-ID: FIN-INF-120513 Abbreviation DSWP Credit Points 6 Semester Winter Term Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Dr. Christian Beyer Lecturer: Dr. Christian Beyer Classes: Data Science with Python   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. DKE: Applied Data Science - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Interdisziplinäres Team-Projekt Intended learning outcomes: The course is about learning from data to perform predictions and obtain useful insights. In the seminar, we will use the programming language Python. Necessary skills to manage and analyze data will be taught and practiced on real-world applications. Programming knowledge from other courses is helpful but not mandatory. However, students are expected to have a profound knowledge of fundamental data-analysis techniques, such as classification, regression and clustering. After successful completion of this course, the student will be able to perform the following tasks in Python: Import and preprocess raw data (files, databases, web APIs) Transform data for modelling Perform exploratory data analysis with summary statistics and visualization Understand, build and evaluate predictive classification and regression models, including tree-based models, ensembles and boosted models Communicate and disseminate results and findings through reproducible documents, presentations, websites and interactive web applications Content: Part Fundamentals & Visualization: Basics, scripts, workflows, vectors & functions in Python Explorative data visualization Data transformation Part Data Management & Exploratory Data Analysis: Data cleaning & scraping Generating hypotheses and an intuition about the data with exploratory data analysis Data import Data management Relational data Strings, categorical data, dates & time Iteration: imperative & functional programming Part Modeling: Linear regression Classification Evaluation Model selection & regularization (LASSO, Ridge) Feature selection & model interpretation Decision trees Ensembles: random forests Boosting: gradient boosted trees Unsupervised learning, e.g. k-means, hierarchical clustering, self-organizing maps, principal component analysis Topic modeling with simple graphical models Statistical testing Part Communication: Communication and dissemination of results through visualization and interpretable summaries with documents, notebooks, presentations & websites Workload: Attendance time = 28 h: - 2 SWS weekly seminar; Independent work outside the actual Seminar time = 152 h: - 76 h preparation and follow-up of the seminar topics - 76 h solving the tasks, incl. work in the laboratory 180h = 28h attendance time + 152h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Referat Seminar (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Area 1: Data Mining, Machine Learning, Artificial Intelligence Area 2: Databases Area 3: Programming Languages and Software Engineering Area 4: Stochastics, Applied Statistics Media: Literature: Will provided during the seminar Comments: Data Warehouse Technologies Winter (in German: Data Warehouse Technologies ) Module-ID: FIN-INF-102808 Abbreviation DWT Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: David Broneske Classes: Lecture Introduction to Data Warehousing Exercise Introduction to Data Warehousing   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Fachliche Spezialisierung Intended learning outcomes: The students ... understand the data warehousing approach understand technologies in the field of data warehouses can use data warehouse specific DBMS functionalities can design and develop data warehouse applications Content: The data warehouse approach Architecture and differences to traditional Database Management The Extract-Transform-Load process OLAP and the Multidimensional data model Application of the model in database systems Query execution and optimization Index and Storage structures for data warehouses Buisiness Intelligence on data warehouses Workload: 56 contact hours + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam (120 min) 2 SWS Lecture 2 SWS Exercise class Prerequisites according to examination regulations: Recommended prerequisites: keine Modules Datenbanken 1/Database Concepts and Datenbanken 2 Media: Literature: Data Warehouse Technologien. Veit Köppen, Gunter Saake, Kai-Uwe Sattler. 2. Auflage, mitp-Verlag, 2014 Comments: Data and Knowledge Engineering Sommer (in German: Data and Knowledge Engineering ) Module-ID: FIN-INF-120500 Abbreviation Credit Points 6 Semester Sommer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Andreas Nürnberger Lecturer: Andreas Nürnberger Classes: Seminar Data and Knowledge Engineering   Applicability in curriculum: - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. DKE: Fundamentals of Data Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen Intended learning outcomes: Students who complete the course ... understand how to work in practice with DKE approaches can perform a literature review on the state-of-the-art on a given topic can describe a given DKE task in form of a scientific paper can present and defend a practical project by a presentation and discussion Content: The seminar focuses on applying machine learning techniques to a hands-on problem, resulting in a paper and short presentation in one of the following research areas: Information Retrieval: Document organization Information management Ranking & Explainability Natural Language Processing Named Entity Recognition Tokenization & Filtering Latent Representations of Words / Sentences / Documents Human Computer Interaction Usability User Experience (UX) Design Human-AI interaction Workload: 180 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written report and oral presentation (Referat). Requirements for exam participation will be announced in the first week of the course in class and online. Seminar Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: Database Concepts Summer (in German: Database Concepts ) Module-ID: FIN-INF-120529 Abbreviation DB1 Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: Gunter Saake Classes: Lecture Database Concepts Exercise class Database Concepts   Applicability in curriculum: - M.Sc. DE: Grundlagen Informatik Intended learning outcomes: The students ... understand basic concepts of database systems are able to model relational databases are familiar with relational database languages can develop database applications model relational databases based on complex and changing practical usage scenarios Content: Properties of Database Systems Architectures Conceptual Design of Relational Databases Relational Database Model Mapping of ER-Schemas to Relations Database Languages (Relational Algebra, SQL) Formal Design Criteria and Normalization Database Application Programming Further Database Concepts, e.g., Views, Triggers, Access Rights Workload: 56 contact hours + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Successful participation in the exercise Written exam (120 min) 2 SWS Lecture 2 SWS Exercise Prerequisites according to examination regulations: Recommended prerequisites: Cannot be attended together with “Datenbanken 1” Media: Literature: Datenbanken - Konzepte und Sprachen. Gunter Saake, Kai-Uwe Sattler, Andreas Heuer, March 2013, ISBN 3-8266-9453-8, MitpVerlag; Edition 5 Fundamentals of Database Systems. Ramez Elmasri, Shamkant B. Navathe, April 2010, ISBN 0-136-08620-9, Addison Wesley; Edition 6 Comments: Database Concepts Summer (in German: Database Concepts ) Module-ID: FIN-INF-110489 Abbreviation DB1_en Credit Points 5 Semester Summer Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: Gunter Saake Classes: Lecture Database Concepts Exercise class Database Concepts   Applicability in curriculum: - B.Sc. INF (bilingual): Informatik I - Pflicht - B.Sc. INF (bilingual): Kernmodule (SPO 2027) Intended learning outcomes: The students ... understand basic concepts of database systems are able to model relational databases are familiar with relational database languages can develop database applications Content: Properties of Database Systems Architectures Conceptual Design of Relational Databases Relational Database Model Mapping of ER-Schemas to Relations Database Languages (Relational Algebra, SQL) Formal Design Criteria and Normalization Database Application Programming Further Database Concepts, e.g., Views, Triggers, Access Rights Workload: 56 contact hours + 94 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Successful participation in the exercise Written exam (120 min) 2 SWS Lecture 2 SWS Exercise Prerequisites according to examination regulations: Recommended prerequisites: Cannot be attended together with “Datenbanken 1” Media: Literature: Datenbanken - Konzepte und Sprachen. Gunter Saake, Kai-Uwe Sattler, Andreas Heuer, March 2013, ISBN 3-8266-9453-8, MitpVerlag; Edition 5 Fundamentals of Database Systems. Ramez Elmasri, Shamkant B. Navathe, April 2010, ISBN 0-136-08620-9, Addison Wesley; Edition 6 Comments: Datenanalyse, Visualisierung und Visual Analytics Sommer (engl. Data Analysis, Visualization and Visual Analytics ) Modulnummer: FIN-INF-110388 Kürzel DatenVisVA CP 5 Semester Sommer Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Holger Theisel Dozent:in: Dirk Joachim Lehmann Lehrveranstaltungen: Vorlesung Datenanalyse, Visualisierung und Visual Analytics Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Computervisualistik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... kennen Methoden der Datenanalyse, Visualisierung und des Visual Analytics, einschließlich algorithmischer Verfahren zur Datenaufbereitung, Dimensionsreduktion und Clusteranalyse. kennen Visualisierungstechniken zur Darstellung hochdimensionaler Daten und interaktiver Visual Analytics-Ansätze zur Entscheidungsunterstützung. kennen kognitive und wahrnehmungspsychologische Aspekte der Datenvisualisierung sowie Prinzipien effektiver grafischer Darstellungen. können geeignete Methoden und Werkzeuge zur Analyse und Visualisierung komplexer Datenbestände auswählen, anwenden und interpretieren. können Visualisierungs- und Analysemodelle technisch umsetzen, evaluieren und in geeignete Applikationen integrieren. können die Qualität und Aussagekraft von Datenvisualisierungen und analytischen Modellen kritisch bewerten und optimieren. können für einfache Problemstellungen aus der Anwendung selbstständig datenbasierte Lösungen entwickeln und präsentieren. Inhalt: Inhalte der Veranstaltung: Automatisierbare Datenanalyse: Einführung in maschinelles Lernen und statistische Methoden zur Datenauswertung und deren mathematische Grundlagen (insbesondere in der multivariaten Optimierung). Behandelte Techniken umfassen PCA zur Dimensionsreduktion, k-Means zur Clusterbildung und Regressionsanalysen zur Modellierung von Zusammenhängen u.v.m. Datenvisualisierung: Methoden zur grafischen Darstellung von Daten zur Erkennung von Mustern und Trends, darunter Scatterplots, Heatmaps und Parallelkoordinaten. Visual Analytics: Kombination aus Data-Mining-Methoden und interaktiven Visualisierungen zur Analyse komplexer Datenbestände. Einsatz von Dashboards und Reporting-Tools zur Entscheidungsunterstützung. Interdisziplinäre Aspekte: Einfluss der visuellen Wahrnehmung und kognitiven Verarbeitung auf effektive Visualisierungen. Berücksichtigung von Farbtheorie, Gestaltprinzipien und Usability. Anwendungsbeispiele: Praxisnahe Anwendungen aus Finanzdatenanalyse, Bioinformatik und Epidemiologie, etwa zur Krankheitsüberwachung oder Genexpressionsanalyse. Die Veranstaltung kombiniert Theorie und praxisnahe Anwendungsszenarien, um Studierende auf eigenständige Datenanalyse- und Visualisierungsaufgaben vorzubereiten. Arbeitsaufwand: 30 h Präsenzzeit + 120 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur, 120 min. 2 SWS Vorlesung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Datenbanken 1 Winter (engl. Database Concepts ) Modulnummer: FIN-INF-100391 Kürzel DB1 CP 5 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Gunter Saake Dozent:in: Gunter Saake Lehrveranstaltungen: Vorlesung Datenbanken 1 Übung Datenbanken 1 Verwendbarkeit: - B.Sc. INF: Informatik I - Pflicht - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Informatik I - Pflicht - B.Sc. CV: Kernmodule (SPO 2027) - B.Sc. INGINF: Informatik I - Pflicht - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Anwenden - Pflicht - B.Sc. WIF: Kernmodule (SPO 2027) - B.Sc. INF (bilingual): Informatik I - Pflicht - B.Sc. INF (bilingual): Kernmodule (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... verstehen die Grundkonzepte von Datenbanksystemen können relationale Datenbanken entwerfen kennen relationale Datenbanksprachen können Datenbankanwendungen entwickeln Inhalt: Eigenschaften von Datenbanksystemen Architekturen Konzeptueller Entwurf einer relationalen Datenbank Relationales Datenbankmodell Abbildung ER-Schema auf Relationen Datenbanksprachen (Relationenalgebra, SQL) Formale Entwurfskriterien und Normalisierungstheorie Anwendungsprogrammierung Weitere Datenbankkonzepte wie Sichten, Trigger, Rechtevergabe Arbeitsaufwand: 56 h Präsenz + 94 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Erfolgreicher Besuch der Übung Schriftliche Prüfung (120 min) 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: Kann nicht gleichzeitig mit dem Modul "Database Concepts" besucht werden Medienformen: Literatur: Datenbanken - Konzepte und Sprachen. Gunter Saake, Kai-Uwe Sattler, Andreas Heuer. März 2018, ISBN 978‐3‐95845‐777‐5; Mitp-Verlag; Auflage: 6 Hinweise: Datenbanken 2 Sommer Implementierungstechniken (engl. Database Implementation Techniques ) Modulnummer: FIN-INF-102810 Kürzel DB2 CP 5 Semester Sommer Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Gunter Saake Dozent:in: Gunter Saake Lehrveranstaltungen: Vorlesung Datenbanken 2 Übung Datenbanken 2 Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Forensik Design - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... verstehendie Architektur und Funktionsweise von Datenbanksystemen verstehen die Verwaltung des Hintergrundspeichers und Seitenverdrängungsstrategien verstehen typische Zugriffstrukturen und können diese implementieren verstehen Zugriffsstrukturen für spezielle Anwendungsfälle können Basisalgorithmen für Datenbankoperationen zu implementieren verstehen die Verarbeitung von Anfragen, können deren Leistung beurteilen und optimieren Inhalt: Aufgaben und Prinzipien von Datenbanksystemen Architektur von Datenbanksystemen Verwaltung des Hintergrundspeichers Dateiorganisation und Zugriffsstrukturen Zugriffsstrukturen für spezielle Anwendungen Basisalgorithmen für Datenbankoperationen Optimierung von Anfragen Arbeitsaufwand: 56h Präsenz + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur (120 min) 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Datenbanken 1 Medienformen: Literatur: Datenbanken: Implementierungstechniken. Gunter Saake, Kai-Uwe Sattler, Andreas Heuer, 4. Auflage mitp-Verlag, Bonn, 2019, ISBN: 978-3-95845-779-9 Hinweise: Datenbanken 2 Sommer Datenbankimplementierungstechniken (engl. Database Implementation Techniques ) Modulnummer: FIN-INF-120531 Kürzel DB II CP 6 Semester Sommer Fachsem. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Gunter Saake Dozent:in: Gunter Saake Lehrveranstaltungen: Vorlesung Datenbanken 2 Übung Datenbanken 2 Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Angestrebte Lernergebnisse: Kenntnisse über die Funktionsweise von Datenbankmanagementsystemen Befähigung zum physischen Entwurf von Datenbanksyste-men Befähigung zur Administration und zum Tuning von Datenbanksystemen Befähigung zur Entwicklung von Komponenten von Datenbankmanagementlösungen Die Fähigkeit, erworbenes Wissen auf reale Datensätze zu übertragen, Implementierungsentscheidungen eigenständig zu treffen sowie die Eignung eingesetzter Algorithmen für praktische Anwendungsszenarien kritisch zu bewerten. Inhalt: Aufgaben und Prinzipien von Datenbanksystemen Architektur von Datenbanksystemen Verwaltung des Hintergrundspeichers Dateiorganisation und Zugriffsstrukturen Zugriffsstrukturen für spezielle Anwendungen Basisalgorithmen für Datenbankoperationen Optimierung von Anfragen Arbeitsaufwand: 56h Präsenz + 124h selbstständige ArbeitErfolgreiche Bearbeitung von Semesteraufgaben (Ausgabe zum Beginn des Semesters) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Erfolgreiche Bearbeitung von Semesteraufgaben (Ausgabe zum Beginn des Semesters) Klausur (120 min.) 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Datenbanken 1 Medienformen: Literatur: Datenbanken: Implementierungstechniken. Gunter Saake, Kai-Uwe Sattler, Andreas Heuer, 4. Auflage mitp-Verlag, Bonn, 2019, ISBN: 978-3-95845-779-9 Hinweise: Datenmanagement Sommer (engl. Datenmanagement ) Modulnummer: FIN-INF-100302 Kürzel DM CP 5 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Eike Schallehn Dozent:in: Eike Schallehn Lehrveranstaltungen: Vorlesung Datenmanagement Übung Datenmanagement Verwendbarkeit: Angestrebte Lernergebnisse: Die Lehrveranstaltung soll ein praxisorientiertes Verständnis von Datenbanksystemen und deren grundlegenden Konzepte vermitteln. Den Teilnehmern soll die Vorgehensweise zum Entwurf einer relationalen Datenbank vermittelt werden. Weiterhin sollen sie durch die Vermittlung von Kenntnissen der Datenbanksprache SQL und deren Anwendung zur Entwicklung von Datenbankanwendungen befähigt werden. Inhalt: Was sind Datenbanken – Grundlegende Konzepte Relationale Datenbanken Die Anfragesprache SQL Datenbankentwurf im ER-Modell Abbildung auf das Relationenmodell Normalisierung Vertiefung SQL Anwendungsprogrammierung Datenbanken im Internet Arbeitsweise von DBMS Arbeitsaufwand: 56 Stunden Präsenz 94 Stunden selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur 120 Minuten Vorlesung 2 SWS Übung 2 SWS Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Decision Support Project jedes Development of a Group Decision-Making App (engl. Decision Support Project ) Modulnummer: FIN-INF-120501 Kürzel DSP CP 6 Semester jedes Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Graham Horton Dozent:in: Graham Horton, Jana Görs Lehrveranstaltungen: Wöchentliche Projektmeetings Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls ... kennen Merkmale von multikriteriellen Gruppenentscheidungen kennen die CMAA-Methode und können unterscheiden, in welchen Situationen sie anwendbar ist entwickeln, testen und bewerten ein Software-Tool im Team planen und moderieren mindestens einmal eine Gruppenentscheidung führen ein Team-Projekt durch und bewerten die Qualität ihrer Teamarbeit nehmen an kollaborativen Entscheidungen teil und kennen deren Schwierigkeiten und Erfolgsfaktoren präsentieren ihre Projektergebnisse in einem Vortrag und begründen ihre Schlussfolgerungen setzen sich im Nachhinein mit der Ausübung ihrer Rolle im Team und ihrem individuellen Beitrag zum gemeinsamen Ergebnis auseinander lesen wissenschaftliche Veröffentlichungen und ziehen daraus Erkenntnisse für ihre Aufgabe reflektieren über die Rollen im Team, bewerten ihre Effektivität und machen Vorschläge zur Verbesserung Inhalt: Die Teilnehmer*innen entwickeln in Drei-Personen-Teams ein Software-Tool, um Gruppenentscheidungen zu unterstützen Erfolgskriterien für die Teamarbeit Grundzüge von multikriteriellen Entscheidungen Besonderheiten von kooperativen Gruppenentscheidungen Combinatorial Multicriteria Acceptability Analysis (CMAA) Regelmäßige Team- und Coaching-Meetings Abschlusspräsentation und -bericht Arbeitsaufwand: 28 h Präsenz 152 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit 2 SWS Projektmeeting Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Interesse an der Konzeption eines Softwareprototyps durch Interviews mit einem Auftraggeber Fähigkeit und Bereitschaft zur Teamarbeit Programmiererfahrung, vorzugweise in C, C++, Javascript o.ä. Interesse an der Verwirklichung von Forschungsergebnissen in Form eines praktischen Software-Tools Medienformen: Literatur: Jana Görs: Combinatorial Multicriteria Acceptability Analysis for IT-Supported Group Decisions: Detailed Analysis, Enhanced Metric and Efficient Consensus Building Goers J, Horton G: Combinatorial multi-criteria acceptability analysis: a decision analysis and consensus-building approach for cooperative groups. Eur J Oper Res 308(1):243–254 Hinweise: Der Erfolg bei diesem Modul hängt stark von der Qualität der Projekt- und Teamarbeit ab! Das Modul kann in den Studiengängen M-INF, M-WIF und M-INGINF auch als Wissenschaftliches Teamprojekt angerechnet werden. Die Anzahl Teilnehmer ist auf 18 beschränkt. Die Anmeldezeit bestimmt über die Aufnahme. Gruppenanmeldungen (drei Personen) werden bevorzugt. Die Teilnahme an der Auftaktveranstaltung ist Pflicht. Deep Learning für Ingenieure Winter (engl. Deep Learning for Engineers ) Modulnummer: FIN-INF-110485 Kürzel DLFI CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Sebastian Stober Dozent:in: Sebastian Stober Lehrveranstaltungen: Deep Learning für Ingenieure (Vorlesung) Deep Learning für Ingenieure (Übung) Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. INF: Studienprofil: Künstliche Intelligenz - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... können moderne Deep Learning Methoden für unterschiedliche Domänen sicher anwenden haben die Fähigkeit, aktuelle Forschung in diesem Bereich zu folgen kennen den Ablauf der Entwicklung von tiefen neuronalen Netzen. Inhalt: Einführung in den Lernprozess durch Backpropagation. Es werden essentielle Modellarchitekturen, wie MLP, RNN, CNN, Auto-Encoder und Transformer(Attention) vorgestellt und auf verschiedene Probleme angewendet. Hierbei werden die Lernparadigmen des überwachten und unüberwachten Lernens und deren Anwendungen vermittelt. Dies beinhaltet auch Regularisierungen, fortgeschrittene Trainingsmethoden und Interpretierung von Lernkurven und Ergebnissen Arbeitsaufwand: 56h Präsenzzeit (Vorlesung + Übung) 94h selbstständige Arbeit (Vor- und Nachbearbeitung von Vorlesung (OER) und Übung, Bearbeiten von Übungs- und Programmieraufgaben) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur 120 Minuten Ankündigung der notwendigen Vorleistungen in der ersten Veranstaltungswoche. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Maschinelles Lernen Medienformen: Literatur: Hinweise: Design-Projekt Sommer (engl. Design project ) Modulnummer: FIN-INF-110517 Kürzel DSP CP 5 Semester Sommer Fachsem. ab 5. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Hans-Knud Arndt Dozent:in: Hans-Knud Arndt Lehrveranstaltungen: Seminar Design-Projekt Übung Design Projekt Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: FIN SMK - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: FIN SMK - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: FIN SMK - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): FIN SMK Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls... entwickeln ein Verständnis für Industrie-Design setzen sich mit den „Zehn Thesen des Guten Designs“ von Dieter Rams auseinander und sind in der Lage, diese auf Projekte anzuwenden entwickeln ein Verständnis für das Design aktueller IT-Produkte Inhalt: Die Teilnehmer*innen sollen im Rahmen dieser Lehrveranstaltung ihre neu gewonnenen Erkenntnisse in Bezug auf Design praktisch auf IT-Produkte anwenden. Hierbei wird sich vor allem auf die von Dieter Rams entwickelten „Zehn Thesen des Guten Designs“ konzentriert. Arbeitsaufwand: 56 h Präsenz 94 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit Seminar (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Design-Projekt Sommer (engl. Design Project ) Modulnummer: FIN-INF-120520 Kürzel DSP CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Hans-Knud Arndt Dozent:in: Hans-Knud Arndt Lehrveranstaltungen: Seminar Design Projekt Übung Design Projekt Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Human Factors - M.Sc. VC: Schlüssel- und Methodenkompetenzen Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls... entwickeln ein Verständnis für Industrie-Design setzen sich mit den „Zehn Thesen des Guten Designs“ von Dieter Rams auseinander und sind in der Lage diese auf Projekte anzuwenden entwickeln ein Verständnis für das Design aktueller IT-Produkte sind in der Lage, das Design von aktuellen IT-Produkte zu entwickeln und zu bewerten Inhalt: Die Teilnehmer*innen sollen im Rahmen dieser Lehrveranstaltung ihre neu gewonnenen Erkenntnisse in Bezug auf Design praktisch auf IT-Produkte anwenden. Hierbei werden die von Dieter Rams entwickelten „Zehn Thesen des Guten Designs“ eingesetzt. Darüber hinaus werden weitere Ansätze, wie zum Beispiel von John Maeda: "Simplicity: Die zehn Gesetze der Einfachheit" angewendet. Arbeitsaufwand: Präsenzzeiten: 2 SWS Seminar = 28h 2 SWS Übung = 28h Selbstständiges Arbeiten: Vor- und Nachbereitung Vorlesung Entwicklung von Lösungen für die Übung 124h 180h = 4 SWS = 56h Präsenzzeit + 124h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit Seminar (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Didaktik der Informatik II jedes (engl. Didactics of Computer Science II ) Modulnummer: FIN-INF-906377 Kürzel DDI II CP 10 Semester jedes Fachsem. ab 2. Dauer 2 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Dr. Henry Herper Dozent:in: Dr. Henry Herper Lehrveranstaltungen: Vorlesung Didaktik der Informatik II Übung Didaktik der Informatik II Praktikum des Unterrichtsfaches Informatik Verwendbarkeit: Angestrebte Lernergebnisse: Die Studierenden kennen die Schwerpunkte der informatischen/informationstechnischen Grundbildung im Schulsystem Sachsen- Anhalts entwickeln Aufgabenstellungen für unterschiedliche Unterrichtssituationen können Programmierwerkzeuge für den Einsatz im Informatikunterricht bewerten und anwenden können die Phasen des informatischen Modellierens zur Bearbeitung komplexer Aufgabenstellungen für den Informatikunterricht umsetzen erarbeiten geeignete Problemstellungen für fachinterne und fachübergreifende Projekte und realisieren diese in Gruppenarbeit schätzen auf der Grundlage von Hospitationsprotokollen eine Klassensituation ein analysieren vorgegebene Themenbereiche und können das Thema einer Unterrichtsstunde ableiten bereiten Unterrichtsstunden vor, halten diese als Unterrichtsproben und werten sie anschließend in der Gruppe aus planen Themenbereiche aus vorgegeben Rahmenplänen können Schulsituationen und Ergebnisse auf der Basis von empirischer Bildungsforschung bewerten und Schlussfolgerungen ableiten Inhalt: Informatikunterricht im Schulsystem Sachsen-Anhalts Aufgabenstellungen im Informatikunterricht Programmiersprachen im Informatikunterricht Informatisches Modellieren im Informatikunterricht Projekte im Informatikunterricht Ausgewählte Themen des Informatikunterrichtes In Koordinierung mit dem berufsbildenden Fach Hospitationen im Unterricht im Fach Informatik (mind. 20 Stunden) und in außerunterrichtlichen Veranstaltungen der Praktikumsschule wie z.B. Exkursionen sowie Lehrerkonferenzen Planung, Durchführung und Analyse eigener Unterrichtsversuche (mind. 4 Unterrichtsstunden) Erarbeitung von einem ausführlichen Unterrichtsentwurf zu Unterrichtsstunden, die vom Praktikumsbetreuer der Fakultät für Informatik hospitiert werden Erarbeitung einer Didaktischen Studie als Bestandteil des Praktikumsberichtes zu einer vom Praktikumsbetreuer der Fakultät für Informatik gestellten, theoriegeleiteten Aufgabenstellung Erarbeitung eines Praktikumsberichtes (Portfolio) entsprechend der vom Praktikumsbetreuer getroffenen Fest- legungen fachdidaktische Begleitung zur Vorbereitung und Unterstützung der Praktikumsarbeit und Anleitung zur Erstellung einer wissenschaftlich fundierten Analyse der schulpraktischen Erfahrung Vorstellung der eigenen Unterrichtsentwürfe, Hospitationsberichte und des Portfolios Arbeitsaufwand: 300h gesamt/ 84h Präsenzzeit/ 216h Selbststudium Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: mündliche Prüfung Vorlesung (2 SWS) Übung (2 SWS) Praktikum (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: Didaktik der Informatik I Medienformen: Literatur: Hinweise: Digital Engineering Project every (in German: Digital Engineering Project ) Module-ID: FIN-INF-120463 Abbreviation DE Project Credit Points 12 Semester every Term starting at 3. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Dean of studies Lecturer: All professors of the FIN Classes: Project Digital Engineering Project   Applicability in curriculum: - M.Sc. DE: Digital Engineering-Projekt - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) Intended learning outcomes: The students gain practical experience in collaborative, interdisciplinary projects often do interdisciplinary work with other departments or with research institutes do scientific work, for example by contributing to publications or participating in scientific events Content: In this project, students work together on an innovative, interdisciplinary task in teams of 2 to 5. This module is implemented by different teachers, so the subject matter varies. Workload: 360 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Project report and presentation Project Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: On application to the examinations committee, the Digital Engineering Project can be split into two sub-projects. Distributed Data Management Winter (in German: Distributed Data Management ) Module-ID: FIN-INF-102404 Abbreviation DDM Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: Eike Schallehn Classes: Lecture Distributed Data Management Exercise Distributed Data Management   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: The students ... know basic principles and advantages of distributed data management can implement distributed databases understand query and transaction processing in distributed and parallel database systems optimize the run-time performance and satisfy requirements regarding reliability and availability of distributed systems Content: Overview and classification of distributed data management (distributed DBMS, parallel DBMS, fedrated DBMS, P2P) Distributed DBMS: architecture, distribution design, distributed query processing and optimization, distributed transactions, and transactional replication Parallel DBMS: fundamentals of parallel processing, types of parallelization in DBMS, parallel query processing Workload: 56 h contact hours + 124 h self-study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): To be eligible to take the exam, you must have completed certain prerequisites. Further details will be announced in the first lecture. Written exam (120 min) Vorlesung 2 SWS Übung 2 SWS Prerequisites according to examination regulations: Recommended prerequisites: none Database introduction course Media: Literature: Comments: Einführung in Digitale Spiele Winter (engl. Introduction to Digital Games ) Modulnummer: FIN-INF-110376 Kürzel EiDS CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Holger Theisel Dozent:in: Tim Härtel Lehrveranstaltungen: Vorlesung Einführung in Digitale Spiele Übung Einführung in Digitale Spiele Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. CV: Computervisualistik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage: Ideen für Spiele zu entwickeln und diese in Form eines selbstgewählten Prototypen umzusetzen. Grundlagen für den Aufbau und dem Ablauf von Spielen zu verstehen und erklären zu können. Die wichtigsten Bestandteile einer Game Engine, z. B. der Physics Engine und des Renderings, zu verstehen, zu erklären und im Rahmen einer Game Engine zu verwenden. Übergreifende Prozesse im Bezug auf die Spielentwicklung nachzuvollziehen und zu erklären. Verstehen und Anwenden (software-)technischer Askepte der Spieleentwicklung, wie Collisions, Shader, etc. Inhalt: Game Design Game Development Software Patterns 2D-3D Math Game Concepts Rendering Animations Lights Shadows Shader Physics Engines Collisions Audio (Engine) Pathfinding Navigation Procedural Content Generation Game AI Prototyping Playtesting Flow Gamification/Serious Games Feedback, Gameplay Loop Arbeitsaufwand: 56 h Präsenz + 94 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Wird in der ersten Vorlesung bekanntgegeben. Klausur 120 Minuten (Note), Wissenschaftliches Projekt (Schein) 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Algorithmen und Datenstrukturen Medienformen: Literatur: Jason Gregory: “Game Engine Architecture”, Taylor & Francis, 2009 Steve Rabin: “Introduction to Game Development”, Charles River Media, 2010 Jesse Schell: The Art of Game Design: A Book of Lenses. CRC Press, 2008 Thomas Akenine-Möller, Eric Haines, Naty Hoffman: “Real Time Rendering”, Peters, 2008 Hinweise: Einführung in Managementinformationssysteme Sommer (engl. Introduction to management information systems ) Modulnummer: FIN-INF-103315 Kürzel EinfMIS CP 5 Semester Sommer Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Hans-Knud Arndt Dozent:in: Hans-Knud Arndt Lehrveranstaltungen: Vorlesung Einführung in Managementinformationssysteme Übung Einführung in Managementinformationssysteme Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Anwenden - Pflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls... erlangen ein Verständnis des Konzepts von Managementsystemen für Organisationen jeglicher Art setzen sich mit der Idee von Managementinformationssystemen als informationstechnische Entsprechung von Managementsystemen auseinander kennen methodische Herangehensweisen zur Entwicklung von Managementinformationssystemen kennen die Anwendung von Metainformation und Anwendungsintegration in Managementinformationssystemen Inhalt: Grundlagen zu Managementsystemen Managementinformationssysteme als Informationssysteme für Managementsysteme Methoden zur Konzipierung und Realisierung von Managementinformationssystemen Metainformation in Managementinformationssystemen Arbeitsaufwand: 56h Präsenzzeit 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Um an der Prüfung teilnehmen zu können, sind Prüfungsvorleistungen erforderlich. Details werden in der ersten Vorlesung bekannt gegeben. Klausur Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Einführung in die Wirtschaftsinformatik Medienformen: Literatur: Hinweise: Einführung in die Computergraphik Sommer (engl. Introduction to Computer Graphics ) Modulnummer: FIN-INF-110512 Kürzel CP 5 Semester Sommer Fachsem. ab 2. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Holger Theisel Dozent:in: Holger Theisel Lehrveranstaltungen: Vorlesung Einführung in die Computergraphik Übung Einführung in die Computergraphik Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Computervisualistik - Pflicht - B.Sc. CV: Computervisualistik Pflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden verstehen die grundlegenden Konzepte der Computergraphik können ihre Kenntnisse anwenden zur Erstellung eines Rendering-Programms Arbeiten in Gruppen an Übungen und Programmmieraufgaben erlernen sowohl theoretische Grundlagen als auch Anwendungen der Computergraphik sind nach der Veranstaltung in der Lage, sich vertiefte Kenntnisse der Computergraphik anzueignen Inhalt: Einführung, Geschichte, Anwendungsgebiete der Computergraphik Modellierung und Akquisition graphischer Daten Graphische Anwendungsprogrammierung Transformationen Clipping Rasterisierung und Antialiasing Beleuchtung Texturierung Sichtbarkeit Raytracing Moderne Konzepte der Computergraphik im Überblick Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur, 120 min 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Einführung in die Informatik Medienformen: Literatur: J.D. Foley, A. van Dam, S.K. Feiner, J.F. Hughes: Computer Graphics – Principles and Practice (second Edition). AddisonWesley Publishing Company, Inc., 1996 J. Encarnacao, W. Straßer, R. Klein: Gerätetechnik, Programmierung und Anwendung graphischer Systeme, Teil I und II. Oldenbourg, München, Wien, 1966, 1997 D. Salomon: Computer Graphics Geometric Modeling, Sprin-ger, 1999 A. Watt: 3D Computer Graphics. Addison-Wesley Publishing Company, Inc., 2000 Hinweise: Dieses Modul darf nicht zusätzlich zum Modul Computer Graphics - an Introduction gehört werden. Einführung in die Informatik Winter (engl. Introduction to Computer Science ) Modulnummer: FIN-INF-110360 Kürzel Einf. INF CP 10 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Christian Rössl Dozent:in: Christian Rössl Lehrveranstaltungen: Vorlesung Einführung in die Informatik Übung Einführung in die Informatik Tutorium Einführung in die Informatik Verwendbarkeit: - B.Sc. INF: Informatik I - Pflicht - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Informatik I - Pflicht - B.Sc. CV: Kernmodule (SPO 2027) - B.Sc. INGINF: Informatik I - Pflicht - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Gestalten - Pflicht - B.Sc. WIF: Kernmodule (SPO 2027) - B.Sc. INF (bilingual): Informatik I - Pflicht - B.Sc. INF (bilingual): Kernmodule (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden verstehen Grundkonzepte von Algorithmen, insbesondere auch Rekursion können Algortihmen und einfache Datenstrukturen in Java implementieren verstehen Grundlagen verschiedener Programmierparadigmen können Eigenschaften von Algorithmen und Datenstrukturen formal beschreiben (z.B. Korrektheit, Aufwand, ADT) und können grundlegende Beweistechniken anwenden wenden theoretische und praktische Inhalte in Übungen und Tutorien an Inhalt: Algorithmische Grundkonzepte Grundkonzepte in Java Funktionen Objektorientierte Programmierung Programmierparadigmen Suchen und Sortieren Korrektheit von Algorithmen Aufwand von Algorithmen Abstrake Datentypen und Einführung in grundlegende Datenstrukturen Berechenbarkeit und Entscheidbarkeit Arbeitsaufwand: 98 h Präsenzzeit 202 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Um an der Klausur teilnehmen zu können, sind Prüfungsvorleistungen erforderlich. Details werden in der ersten Vorlesung bekannt gegeben. Klausur 120 Minuten Vorlesung (4 SWS) Übung (2SWS) Tutorium (1 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Überwiegend: Saake & Sattler: Algorithmen und Datenstrukturen Ergänzend: Goodrich, Tamassia & Goldwasser: Data Structures and Algorithms in Java Sedgewick & Wayne: Algorithms Cormen, Leiserson, Rivest & Stein: Introduction to Algorithms Hinweise: Einführung in die Informatik (für BiBa) Winter for BiBa (in German: Einführung in die Informatik (für BiBa) ) Module-ID: FIN-INF-110486 Abbreviation IntroCS Credit Points 10 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: PD Dr.-Ing. habil. Christian Krätzer Lecturer: PD Dr.-Ing. habil. Christian Krätzer Classes: Lecture Introduction to Computer Science Exercise Introduction to Computer Science Tutorial Introduction to Computer Science   Applicability in curriculum: - B.Sc. INF (bilingual): Informatik I - Pflicht - B.Sc. INF (bilingual): Kernmodule (SPO 2027) Intended learning outcomes: Students understand basic concepts of algorithms, in particular recursion can implement algorithms and simple data structures in Java understand the fundamentals of various programming paradigms can formally describe properties of algorithms and data structures (e.g. correctness, complexity, ADT) and apply basic methods of proof apply theoretical and practical content in exercises and tutorials Content: Basic algorithmic concepts Basic concepts in Java Functions Object-oriented programming Programming paradigms Searching and sorting Correctness of algorithms Complexity of algorithms Abstract data types and introduction to basic data structures Computability and decidability Workload: 98 h attendance + 202 h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): In order to take the exam, preliminary exam requirements must be met. Details will be announced in the first lecture. Written exam 120 minutes Lecture (4 SWS) Exercise (2 SWS) Tutorial (1 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Basis: Saake & Sattler: Algorithmen und Datenstrukturen Additional material: Goodrich, Tamassia & Goldwasser: Data Structures and Algorithms in Java Comments: Die Teilnahme an dieser Lehrveranstaltung ist beschränkt auf die Studierenden des FIN Studienganges “Bilingualer Bachelor Informatik” (BiBa) Einführung in die Informatik - Algorithmen und Datenstrukturen I Winter für Bildungsstudiengänge (engl. Introduction to Computer Science - Algorithms and Data Structures I ) Modulnummer: FIN-INF-914240 Kürzel EAD I CP 5 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Rita Freudenberg Dozent:in: Rita Freudenberg Lehrveranstaltungen: Vorlesung EAD I Übung EAD I Verwendbarkeit: Angestrebte Lernergebnisse: Die Studierenden kennen die grundlegenden Konzepte der Informatik kennen informatische Denk- und Arbeitsweisen und können diese zur Problemlösung anwenden können algorithmische Aufgaben lösen und Datenstrukturen entwerfen kennen die Grundprinzipien der Programmierung und können diese anwenden haben Fertigkeiten im Umgang mit Programmierumgebungen können Informatiksysteme in ihren gesellschaftlichen Kontext einordnen kennen die Fachsprache der Informatik und setzen diese Kommunikation ein Inhalt: Grundkonzepte der Informatik Algorithmenstrukturen – algorithmische Paradigmen, Eigenschaften von Algorithmen, Beschreibungsformen für Algorithmen Sprachübersetzung und Programmiersprachen Syntax und Semantik von Programmiersprachen Entwurf, Bewertung und Implementierung von Algorithmen Informatiksysteme und ihre Auswirkungen auf die Gesellschaft Arbeitsaufwand: 150h gesamt 56h Präsenzzeit / 94h Selbststudium Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur 120 Minuten Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Einführung in die Informatik I Winter Algorithmen und Datenstrukturen für Bildungsstudiengänge (engl. Introduction to Computer Science I ) Modulnummer: FIN-INF-914240 Kürzel EAD I CP 5 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Rita Freudenberg Dozent:in: Rita Freudenberg Lehrveranstaltungen: Vorlesung EAD I Übung EAD I Verwendbarkeit: Angestrebte Lernergebnisse: Students know the basic concepts of computer science know computer science ways of thinking and working and can apply them to solve problems can solve algorithmic tasks and design data structures know the basic principles of programming and can apply them have skills in dealing with programming environments can classify computer science systems in their social context know the technical language of computer science and use it to communicate Inhalt: Basic concepts of computer science Algorithmic structures - algorithmic paradigms, properties of algorithms, forms of description for algorithms Language translation and programming languages Syntax and semantics of programming languages Design, evaluation and implementation of algorithms Computer science systems and their impact on society Arbeitsaufwand: 150h total 56h attendance time / 94h self-study Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: written examination 120 minutes Lecture (2 SWS) Exercise (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: none Medienformen: Literatur: Hinweise: Einführung in die Wirtschaftsinformatik Winter (engl. Business Informatics (Introduction) ) Modulnummer: FIN-INF-110122 Kürzel EWIF CP 5 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Klaus Turowski Dozent:in: Prof. Dr. Klaus Turowski Lehrveranstaltungen: Vorlesung Einführung in die Wirtschaftsinformatik Übung Einführung in die Wirtschaftsinformatik Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Verstehen - Pflicht - B.Sc. WIF: Wirtschaftsinformatik Grundlagen (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... verstehen zentrale Begriffe und Konzepte aus dem Bereich der Wirtschaftsinformatik. beherrschen Methoden und Techniken des klassischen IT-Projektmanagements für die Bereiches des Anforderungsmanagements sowie der Termin-, Einsatzmittel- und Kostenplanung. kennen die Bausteine für Geschäftsmodelle und die Theorie der informationellen Mehrwerte bezogen auf elektronische und mobile Angebote. lernen die verschiedenen Generationen und Kategorien von Programmiersprachen kennen. können die Methoden der Architektur Integrierter Informationssysteme anwenden, um die Komplexität des betriebswirtschaftlichen Geschehens zu erfassen und bei der Gestaltung von Lösungen an der Schnittstelle von Informatik, Wirtschaftsinformatik und Wirtschaftswissenschaften beizutragen. können Sachverhalte abstrahieren und analytisch denken. Inhalt: Definition und Einordnung der Wirtschaftsinformatik Berufsbilder für Wirtschaftsinformatiker Wirtschaftsinformatik als Wissenschaft Grundbegriffe der Wirtschaftsinformatik Einführung in klassisches IT-Projektmanagement Anforderungsmanagement Modellierung von betriebswirtschaftlichen Strukturen und Prozessen Erarbeitung von betriebswirtschaftlichen Problemlösungen mit Endbenutzerwerkzeugen Arbeitsaufwand: 42h Präsenzzeit + 108h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Für die Teilnahme an der Prüfungsleistung (Hausarbeit) sind bestimmte Anforderungen zu erfüllen. Weitere Informationen werden in der ersten Vorlesung kommuniziert. Hausarbeit Vorlesung (2SWS) Übung (2SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: ​Enzyklopädie der Wirtschaftsinformatik (http://www.enzyklopaedie-der-wirtschaftsinformatik.de/) Hinweise: Einführung in die Wissensrepräsentation Winter (engl. Introduction to knowledge representation ) Modulnummer: FIN-INF-110518 Kürzel KR CP 5 Semester Winter Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Fabian Neuhaus Dozent:in: Fabian Neuhaus Lehrveranstaltungen: Vorlesung Einführung in die Wissensrepräsentation Übung Einführung in die Wissensrepräsentation Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... verstehen die theoretischen Grundlagen der Wissensrepräsentation kennen wichtige Sprachen, Methoden und Werkzeuge, die in der Praxis zur Repräsentation von Wissen verwendet werden haben die die Fähigkeit, einfache Wissensgraphen und Ontologien selbstständig in kleinen Teams zu entwickeln und diese Ergebnisse zu präsentieren. Inhalt: In diesem Modul werden Studierende in die Grundlagen der Wissensrepräsentation eingeführt. Dies geschieht am Beispiel von Technologien, die für die Repräsentation von Wissen in Form von Wissensgraphen und Ontologien verwendet werden. Im Rahmen dieses Moduls werden folgende Inhalte behandelt: theoretische Grundlagen der Wissensrepräsentation und formaler Semantik Resource Description Framework (RDF): eine Sprache für Wissensgraphen Resource Description Framework Schema (RDFS): eine Sprache für einfache kontrollierte Vokabulare und Taxonomien SPARQL Protocol and RDF Query Language: eine Abfragesprache für RDF(S) Graphen Web Ontology Language (OWL): eine Sprache für angewandte Ontologien Methoden für die Entwicklung von Wissensgraphen und Ontologien Beispiele für Anwendung von Wissensgraphen und Ontologien in der Praxis in verschiedenen Anwendungsgebieten (z.B. Biologie, Chemie, Materialwissenschften) Arbeitsaufwand: 56h Präsenzzeit + 94h selbständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Votierung von 2/3 der Übungsaufgaben. Aktive Teilnahme an Vorlesung und Übung Schriftliche Prüfung 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Erfolgreicher Abschluss des Modul “Logik” bzw. fundiertes Wissen im Bereich der Themen des Moduls "Logik". Medienformen: Literatur: Hinweise: Anmeldung via E-Learning-Plattform Erklärbare und sichere KI Sommer (engl. Explainable and safe AI ) Modulnummer: FIN-INF-110496 Kürzel XAI CP 5 Semester Sommer Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Sebastian Stober Dozent:in: Sebastian Stober Lehrveranstaltungen: Vorlesung Erklärbare und sichere KI Übung Erklärbare und sichere KI Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Künstliche Intelligenz - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... können Methoden zur Erklärung von Entscheidungen und internen Repräsentationen, sowie Prozessen von Modellen des maschinellen Lernens sicher anwenden haben die Fähigkeit, die Qualität von Modellen abseits von Genauigkeitsmetriken einschätzen zu können können Modelle zielgerichtet verbessern Inhalt: Einordnung unterschiedlicher Kategorien von Erklärbarkeits-Methoden für Modelle des maschinellen Lernens sowie Anforderungen an Nutzer:innenzentrierte Erklärungen. Darstellung direkt interpretierbarer Modelle (ante-hoc) sowie Analyse- und Visualisierungs-Methoden für Blackbox-Modelle (post-hoc). Zudem werden grundlegende Post-hoc Erklärungstechniken mit modell-agnostischen und modell-spezifischen Ansätzen vorgestellt. Arbeitsaufwand: 56h Präsenzzeit (Vorlesung + Übung) 94h selbstständige Arbeit (Vor- und Nachbearbeitung von Vorlesung (OER) und Übung, Bearbeiten von Übungs- und Programmieraufgaben) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur 120 Minuten Ankündigung der notwendigen Vorleistungen in der ersten Veranstaltungswoche. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Deep Learning für Ingenieure Medienformen: Literatur: Hinweise: Estimation for Autonomous Mobile Robots Winter (in German: Estimation for Autonomous Mobile Robots ) Module-ID: FIN-INF-120485 Abbreviation AMR Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr.-Ing. Benjamin Noack Lecturer: Prof. Dr.-Ing. Benjamin Noack Classes: Lecture Estimation for Autonomous Mobile Robots Exercise Estimation for Autonomous Mobile Robots   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. DE: Digital Engineering (SPO 2027) - M.Sc. DE: Engineering Specialization (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Intended learning outcomes: Students who complete the course ... have an overview of basic problems and methods in parameter and state estimation for mobile systems. understand how to develop kinematic models for mobile robots and how to derive discrete-time prediction models. are familiar with the required mathematical tools and can derive and apply least-squares methods for localization and tracking of mobile systems, e.g., based on distance measurements. have a deep understanding of Kalman filtering and its nonlinear generalizations for dynamic state estimation and localization of mobile systems. Content: Kinematics, System Models, and Dead Reckoning for Mobile Systems Sensor Models and Optimization Methods for Localization and Tracking DynamicState Estimation for Real-Time Localization and Tracking Linear Kalman Filtering and Nonlinear Generalizations Workload: 56 h contact time 124 h independent study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Oral exam (30 min) Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Linear Algebra, Analysis Media: Literature: Literature will be announced in the lecture. Comments: Ethische Herausforderungen im Digitalen Zeitalter Winter (engl. Ethical Challenges in the Digital Age ) Modulnummer: FIN-INF-140010 Kürzel CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Andreas Nürnberger Dozent:in: Dr. Karl Teille (extern) Lehrveranstaltungen: Vorlesung Ethische Herausforderungen im Digitalen Zeitalter Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: FIN SMK - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: FIN SMK - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: FIN SMK - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): FIN SMK Angestrebte Lernergebnisse: Am Ende der VL können die Studierenden: Die Digitalisierung als Teil der menschlichen Zivilisation richtig einordnen. Sie kennen die „Ethik“ als Teilgebiet der praktischen Philosophie und die Unterscheidung zur „Moral“. Die unterschiedlichen Begründungsmöglichkeiten und Herleitungen für ein moralisches Verhalten sind ihnen vertraut und können von ihnen aufgezeigt werden. Die Studierenden kennen unterschiedliche Disziplinen der Ethik und anhand von Beispielen aus dem Umfeld der Digitalisierung können sie diese mit unterschiedlichen Begründungen und in unterschiedlich Disziplinen diskutieren Die Studierenden können die gültigen Normen aus dem „Christlichen Abendland“ und dem „Weltbild der Antike“ herleiten und auf aktuelle Fragestelllungen im Digitalen Zeitalter anwenden. Die Studierenden kennen unterschiedlichen Bereichsethiken und den Unterschied zwischen ökonomischen und moralischen Handlungsmaximen. Die Studierenden haben unterschiedliche ethische Leitlinien aus Unternehmen und der Gesellschaft für Informatik kennen gelernt. Die Studierenden verfügen über einen Überblick über unterschiedliche Wirtschaftsbereiche und deren digitale Weiterentwicklung auch unter Einsatz der Künstlichen Intelligenz. Die Studierenden erkennen selbständig die besonderen ethischen Herausforderungen durch die schnelle Weiterentwicklung der Digitalisierung im Allgemeinen und im Hinblick auf die Künstliche Intelligenz im Besonderen. Sie kennen die Chancen und Einsatzgebiete von Digitalen Lösungen aber auch die sich ergebenden vielfältigen Grenzen und Schranken. Sie können neue Berufsgruppen im Umfeld der Digitalisierung und KI benennen, richtig einordnen und bewerten. Die Transformation von Unternehmen durch die Digitalisierung kann am Beispiel der Automobilindustrie von den Studierenden aufgezeigt und erläutert werden. Die durch die Transformation sich vielfältig ergebenden ethischen Herausforderungen können von den Studierenden aufgezeigt werden. Die Probleme bei de Versuch eine exakte Definition von künstlicher Intelligenz ist den Studierenden bekannt. Die können die Unterschiede zwischen der sog. Schwachen KI und Starken KI (Artificial General Intelligenz) benennen und verstehen den Unterschied zwischen KI in Spielfilmen und der Realität in der beruflichen und privaten Praxis. Die Dynamik der Digitalisierung kann von den Studierenden im Bereich von Software, Hardware und an Beispielen von KI-Lösungen aufgezeigt werden. Die Gemeinsamkeiten und Unterschiede zwischen Künstlichen Neuronalen Netzen und dem menschlichen Gehirn sin den Studierenden bekannt und sie können die Stärken und Schwächen von KI-Lösungen auf Basis Künstlicher Neuronaler Netze erläutern. Der Einsatz von KI im beruflichen und privaten Einsatz am Beispiel von KI-Assistenten, KI-Agenten und KI-basierte Autonome Systeme ist den Studierenden bekannt und kann von ihnen sicher eingeordnet werden. Die Studierenden kennen ethische Problemfelder im Umfeld KI generierter oder mit KI manipulierter Bilder und deren schnelle Verbreitung in Digitalen Medien. Anhand des Weltwirtschaftsforums in Davos (2024) haben die Studierenden sich global ergebende Problemstellungen durch Digitalisierung und KI erkannt und können diese bewerten. Die Studierenden ethischer Herausforderungen beim Einsatz der Künstlichen Intelligenz eingrenzen und kategorisieren. In der VL haben die Studierenden ungewollte KI inhärente Herausforderungen (Unseens) und Nutzerspezifische Abhängigkeiten intensiv behandelt. Die rechtlichen Herausforderungen beim Einsatz der KI sind den Studierenden bekannt und sie können diese unterscheiden. Die Studierenden kennen den risikobasierten Ansatz der EU beim Einsatz der KI und sie können Lösungen den unterschiedlichen Risikokategorien sicher zuordnen. Die Studierenden haben den Einsatz der KI in totalitären Systemen und die Gefahren für eine freie Zivilgesellschaft kennen gelernt und können eigeständig die Herausforderungen benennen. Die Weiterentwicklung digitaler Lösungen und KI-gesteuerter Systeme im Bereich der Militärwirtschaft und der Kriegsführung kann von den Studierenden sicher benannt werden. Die Studierenden haben unterschiedliche Lösungsansätze für eine Informationsethik kennen gelernt und diese anhand praktischer aktueller Herausforderungen diskutieren und bewerten. Inhalt: Definition von Ethik Deskriptive Ethik Begründung von Ethik Teleologische Ethik Deontologische Ethik Chancen der Digitalisierung Schranken der kommerziellen Verwertbarkeit von Daten Ethische Herausforderung im Umgang mit persönlichen Daten / Metadaten Erweiterung des Realitätsbegriffes Künstliche Intelligenz und Technologische Singularität Anwendungsgebiete der Digitalisierung Vertrieb Mobilität (Autonomes Fahren; Smart Cars) Autonome Entscheidungen von Maschinen Intelligente, Vernetzte Produktion, Industrie 4.0 Autonome Kriegsführung Arbeitsaufwand: 90h Präsenz + 60h selbstständiges Arbeiten Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur. Voraussetzung zur Teilnahme an der Prüfung werden in der ersten Vorlesung und online bekannt gegeben. Vorlesung 2 SWS Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Evolutionary Multi-Objective Optimization Summer (in German: Evolutionary Multi-Objective Optimization ) Module-ID: FIN-INF-120469 Abbreviation EMO Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Sanaz Mostaghim Lecturer: Sanaz Mostaghim Classes: Lecture Evolutionary Multi-Objective Optimization Exercises Evolutionary Multi-Objective Optimization   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: The students... have a full understanding of optimization and decision-making algorithms using evolutionary algorithms. are able to develop EMO algorithms can design optimization algorithms, model optimization problems and perform experiments. Content: In our daily life, we are inevitably involved in optimization. How to get to the university in the least time is a simple optimization problem that we encounter every morning. Just looking around ourselves, we can see many examples of optimization problems, even with conflicting objectives and higher complexities. It is natural to want everything to be as good as possible, in other words optimal. The difficulty arises when there are conflicts between different goals and objectives. Indeed, there are many real-world optimization problems with multiple conflicting objectives in science and industry, which are of great complexity. We call them Multi-objective Optimization Problems. Over the past decade, many new ideas have been investigated and studied to solve such optimization problems as any new development in optimization which can lead to a better solution of a particular problem is of considerable value to science and industry. Among these methods, evolutionary algorithms are shown to be quite successful and have been applied to many applications. This course addresses the basic and advanced topics in the area of evolutionary multi-objective optimization and contains the following content: Introduction to single-objective optimization (SO) and multi-objective optimization (MO), classical methods for solving MO, definitions of Pareto-optimality and other theoretical foundations for MO Basics of evolutionary algorithms (algorithms, operators, selection mechanisms, coding and representations) Evolutionary multi-objective algorithms (NSGA-II, EMO scalarization methods such as MOEA/D) Constraint handling in SO and MO, robust optimization in EMO, surrogate methods for expensive function evaluations Evaluation mechanisms (Design of experiments, test problems, metrics, visualization) Workload: 56 h contact time + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam (120 Min) Exercises 2 SWS lecture 2 SWS exercise class Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Deb, Kalyanmoy. Multi-Objective Optimization Using Evolutionary Algorithms, Wiley, 2001. Coello, Carlos A. Coello, Gary B. Lamont, and David A. Van Veldhuizen. Evolutionary algorithms for solving multi-objective problems. Vol. 5. New York: Springer, 2007. Miettinen, Kaisa. Nonlinear multiobjective optimization. Vol.12. Springer Science & Business Media, 2012. Ehrgott, Matthias. Multicriteria optimization. Vol. 491. Springer Science & Business Media, 2005. Kruse, Rudolf, et al. Computational intelligence: a methodological introduction. Springer, 2016. Comments: Filmseminar Informatik und Ethik Winter (engl. Film Seminar - Computer Science and Ethics ) Modulnummer: FIN-INF-120294 Kürzel CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Gunter Saake Dozent:in: Eike Schallehn Lehrveranstaltungen: Seminar Filmseminar Informatik und Ethik Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Computer Science Angestrebte Lernergebnisse: Die Studierenden ... können sich selbstständig in ein anspruchsvolles Thema einarbeiten könne ein anspruchsvolles Thema präsentieren verstehen Fragen der Ethik des Einsatzes von Informationstechnologien Inhalt: Diskussion von Fragen der Ethik informationstechnischer Anwendungen, wie z.B. Einschränkung von Persönlichkeitsrechten Gesellschaftliche Effekte Ethische Fragen spezifischer Anwendungen (z.B. Militär, Gentechnikt, etc.) Sicherheit und Vertrauenswürdigkeit von Systemen am Beispiel vorgegebener und selbst gewählter Spielfilme Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Referat Seminar (4 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Umfangreiche Kenntnisse von Grundlagen und Anwendungen von Informationssystemen Medienformen: Literatur: Hinweise: Flow Visualization Summer (in German: Flow Visualization ) Module-ID: FIN-INF-120261 Abbreviation FlowVis Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Holger Theisel Lecturer: Holger Theisel Classes: Vorlesung Flow Visualization Übung Flow Visualization   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Visual Computing Intended learning outcomes: The students understand the basic concepts of Flow Visualization in the broader context of Visualization are able to create their own visualization projects learn both the theoretical basics and applications of Flow Visualization are able to acquire in-depth knowledge of Flow Visualization after finishing the course Content: Mathematical principles of vector and tensor fields Obtaining flow data Direct methods for flow visualization Texture-based methods for flow visualization Geometry-based methods for flow visualization Feature-based methods for flow visualization Topological methods for flow visualization Finite Time Lyapunov exponents objective methods for flow visualization Workload: 56 contact hours + 124h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): oral exam 2 SWS lecture 2 SWS exercise class Prerequisites according to examination regulations: Recommended prerequisites: keine Einführung in die Computergraphik oder Computer Graphics - an Introduction Media: Literature: Comments: Game Design – Grundlagen Sommer (engl. Game Design – Foundations ) Modulnummer: FIN-INF-102835 Kürzel GDG CP 5 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Holger Theisel Dozent:in: Johannes Hauffe, Christian Sandkämper (Just2D Interactive GmbH) Lehrveranstaltungen: Vorlesung Game Design Grundlagen Übung Game Design Grundlagen Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... kennen grundlegende Konzepte des Game Designs wissen, wie eine Welt gestaltet wird und wie mit Spielerfeedback umgegangen wird sind dazu in der Lage, Strategien und Techniken, um Charaktere und Dialoge zu gestalten können Spielmechaniken, Spielerlebnisse und Feedback kritisch analysieren können Verbesserungen sowie Optimierungen benennen Inhalt: Game Design: Definitionen; Aufgaben eines Game Designers Die Struktur von Spielen: Komponenten eines Spiels Die Struktur von Spielen: Thema, Vision, PoV und Genre Game Design: Weltdesign Game Design: Charakterdesign Game Design: Setting, Hintergrundgeschichte und Handlung Game Design: Rätsel, Aufgaben und Hindernisse Game Design: Balancing und Testing Das Spiel und der Game Designer Das Spiel und der Spieler Dokumentationstechniken Kommunikation; der Designer und das Team Die vorgestellten Inhalte beziehen sich auf aktuelle Forschungen und werden mit Erfahrungen aus der Wirtschaft ergänzt. Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur, 120 min 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Einführung in Digitale Spiele Medienformen: Literatur: Raph Koster: A Theory of Fun. Paraglyph Press, 2005 Jesse Schell: The Art of Game Design: A Book of Lenses. CRC Press, 2008 Tracy Fullerton: Game Design Workshop: A Playcentric Approach to Creating Innovative Games. CRC Press, 2008 Hinweise: Grundlagen der C++ Programmierung Sommer (engl. Introduction to C++ Programming ) Modulnummer: FIN-INF-110382 Kürzel C++ CP 5 Semester Sommer Fachsem. ab 2. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Dr. Thomas Wilde Dozent:in: Dr. Thomas Wilde Lehrveranstaltungen: Vorlesung Grundlagen der C++ Programmierung Übung Grundlagen der C++ Programmierung Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Studierende, die den Kurs erfolgreich absolviert haben, sind in der Lage ... ... den Kompilierungsprozess für C++ Projekte zu erklären, ... primitive Datentypen, Operatoren und Kontrollstrukturen anzuwenden und zu vergleichen, ... Zeiger und Speicherverwaltung in C++ zu nutzen, ... Zeiger, Zeigerarithmetik und Arrays sicher zu verwenden, ... dynamische Speicherverwaltung und Ausnahmebehandlung zu beherrschen, ... Funktionen, objektorientierte Programmierung und Operatorüberladung anzuwenden und zu nutzen, ... generische Programmierung umzusetzen und die Standardbibliothek zu nutzen. Inhalt: Bedienung des Compilers und Zusammenspiel mit Linker Primitive Datentypen, Operatoren und Kontrollfluss (und Unterschiede zu Java) Variablen, Felder, Zeiger und Zeigerarithmetik Funktionen Klassen Speicherverwaltung, Referenzen, Ausnahmebehandlung Überladen von Operatoren Generische Programmierung mit Templates Überblick über die Standardbibliothek inklusive STL Werkzeuge (Debugger, make, Valgrind, Doxygen) Allgemeine Problematiken (z.B. Programmierstil, Quellcode-Verwaltung, Optimierung, Zeichensätze/UTF-8) Arbeitsaufwand: asynchrone Vorlesung 2 SWS = 28h Arbeit, Übung 2 SWS = 28h Präsenzzeit, 94h selbstständige Arbeit, gesamt 150h. Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Prüfungsvorleistung erforderlich, wird zu Semesterbeginn bekanntgegeben; Prüfung: schriftliche Klausur, 120 Minuten; Schein: schriftliche Klausur muss mitgeschrieben und bestanden werden. asynchrone Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Grundkenntnisse in Programmierung idealerweise Java-Kenntnisse (z.B. aus der Vorlesung "Einführung in die Informatik") Medienformen: Literatur: Bjarne Stroustrup. The C++ Programming Language, Frank B. Brokken. C++ Annotations. , Scott Meyers. Effective C++, Nicolai M. Josuttis. The C++ Standard Library - A Tutorial and Reference. Hinweise: Grundlagen der Computer Vision Sommer (engl. Introduction to Computer Vision ) Modulnummer: FIN-INF-110304 Kürzel GRCV CP 5 Semester Sommer Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Sebastian von Enzberg Dozent:in: Sebastian von Enzberg Lehrveranstaltungen: Vorlesung Grundlagen der Computer Vision Projekt Grundlagen der Computer Vision Verwendbarkeit: - B.Sc. CV: Computervisualistik - Pflicht Angestrebte Lernergebnisse: Die Studierenden: Fähigkeit zur Anwendung von Algorithmen der Computer Vision Fähigkeit zur eigenständigen Bearbeitung eines kleinen Projekts Teamfähigkeit Inhalt: Inhalt Early Vision: Active Vision, Stereo Vision, Optical FlowHigh Level Vision: Template Matching, variable Templates, Recognition by Components, Bewegungsverfolgung Arbeitsaufwand: 150h = 4SWS = 56h Präsenzzeit + 94h selbstständige Arbeit, Präsenzzeiten: 2 SWS Vorlesung, 2 SWS Projekttreffen Selbstständige Arbeit: Projektplanung und Umsetzung in Teams, Vorbereitung der Projektpräsentation, Vor- und Nachbearbeitung des Vorlesungsstoffs Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Prüfungsvorleistung wird zu Beginn der Veranstaltung bekanntgegeben. Benotet: Mündliche Prüfung Unbenotet: Projektarbeit Vorlesung (2 SWS) Projekttreffen (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Einführung in die Informatik, lineare Algebra, Grundkenntnisse des Maschinellen Lernens Medienformen: Literatur: Hinweise: Grundlagen der Informatik für Ingenieure Winter (engl. Grundlagen der Informatik für Ingenieure ) Modulnummer: FIN-INF-110473 Kürzel GIF CP 5 Semester Winter Fachsem. ab 1. Dauer 2 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Eike Schallehn Dozent:in: Eike Schallehn Lehrveranstaltungen: Vorlesung Grundlagen der Informatik für Ingenieure Übung Grundlagen der Informatik für Ingenieure Verwendbarkeit: Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls... haben ein Verständnis von der Arbeit mit dem Computer zur Unterstützung von ingenieurtechnischen Anwendungsaufgaben. haben Kenntnisse davon, wie Hard- und Software sinnvoll für Aufgabenstellungen eingesetzt werden können/sollen verfügen über Kenntnisse der Softwareentwicklung (Algorithmenentwurf und Modellierung, Programmierung und Testung) sind in der Lage Projekte in der Programmiersprache C++ zu entwerfen verstehen den Umgang mit großen Datenmengen (Datenbanksysteme), sind in der Lage Informationen grafisch darzustellen/modellieren Inhalt: Die Teilnehmer*innen behandeln folgende Themen: Computer als Arbeitsmittel Algorithmierung und Programmierung Grundsätzliches zum Programmieren in C++ Datenstrukturen, Funktionen, Zeiger und Dateien Objektorientierte Programmierung C++ Computergrafik Datenbanksysteme Softwaretechnologie Computernetzwerke Arbeitsaufwand: 56 Stunden Präsenzzeit 94 Stunden selbsständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Zulassung aus dem Bereich der Übungen, Bedingungen werden zu Beginn der Veranstaltung bekanntgegeben. Klausur 120 Minuten Vorlesung 2 SWS Übung (im Wintersemester 1 SWS, im Sommersemster 2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Grundlagen der Informatik für Ingenieure - PNK Sommer Grundlagen der Informatik für Wissenschaftliche Anwendungen (engl. Computational Foundations ) Modulnummer: FIN-INF-908618 Kürzel GIF-PNK CP 5 Semester Sommer Fachsem. ab 2. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Eike Schallehn Dozent:in: Eike Schallehn Lehrveranstaltungen: Vorlesung Grundlagen der Informatik für Ingenieure - PNK Übung Grundlagen der Informatik für Ingenieure - PNK Verwendbarkeit: Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls... haben ein Verständnis von der Arbeit mit dem Computer zur Unterstützung von wissenschaftlichen Anwendungsaufgaben. entwickeln ein Verständnis für die frühen Phasen der Softwareentwicklung wie Algorithmenentwurf und Modellierung, Programmierung und Testung. erlernen den Umgang mit der Programmiersprache Python sowie einer geeigneten Entwicklungsumgebung und trainieren praktische Fähigkeiten. haben Fertigkeiten und Fähigkeiten zur Lösung konkreter Aufgabenstellungen des eigenen Fachbereiches unter Einsatz von Computern. haben Kompetenzen erworben, um im weiteren Studium systematisch Techniken der Informatik erschließen zu können. Inhalt: Arbeit mit dem Computer Grundlagen der Programmierung Programmierung mit Python Modellierung von Sachverhalten Eigenschaften und Strategien von Alorithmen Machine Learning Arbeitsaufwand: 56 Stunden Präsenzzeit 94 Stunden selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Zulassung aus dem Bereich der Übungen, Bedingungen werden zu Beginn der Veranstaltung bekanntgegeben. Klausur 120 Minuten Vorlesung 2 SWS Übung 2 SWS Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Grundlagen der Theoretischen Informatik Winter (engl. Introduction to the Theory of Computation ) Modulnummer: FIN-INF-110105 Kürzel GThI CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Stefan Schirra Dozent:in: Prof. Dr. Stefan Schirra Lehrveranstaltungen: Vorlesung Grundlagen der Theoretischen Informatik Übung Grundlagen der Theoretischen Informatik Verwendbarkeit: - B.Sc. INF: Mathematik / Theoretische Informatik - B.Sc. INF: Aufbaumodule (SPO 2027) - B.Sc. CV: Mathematik / Theoretische Informatik - B.Sc. CV: Computervisualistik Pflicht (SPO 2027) - B.Sc. INGINF: Mathematik / Theoretische Informatik - B.Sc. INGINF: Ingenieurinformatik Pflicht (SPO 2027) - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Mathematik / Theoretische Informatik - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Angestrebte Lernergebnisse: Grundlagen von Automatentheorie und formalen Sprachen zur Problemlösung Fähigkeit, Probleme hinsichtlich Berechenbarkeit und Komplexität einordnen zu können Inhalt: Einführung in Formale Sprachen (reguläre und kontextfreie Sprachen, Grammatiken), elementare Automatentheorie (endliche Automaten, Kellerautomaten), Berechnungsmodelle und Churchsche These, Entscheidbarkeit und Semi-Entscheidbarkeit, Komplexitätsklassen P und NP, NP-Vollständigkeit Arbeitsaufwand: 70h Präsenzzeit 80h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Erfolgreiche Teilnahme an den Übungen, d.h. für je 4 aufeinanderfolgende Übungsblätter 50% der Aufgaben erfolgreich votieren (siehe moodle und Vorlesung) und mindestens einmal erfolgreich eine eigene Lösung präsentieren Klausur 120 Minuten (schriftliche Prüfung) Vorlesung (3 SWS ) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hopcroft, Motwani, Ullmann; Einführung in der Automatentheorie, Formale Sprachen und Komplexitätstheorie Lewis, Papadimitriou; Elements of the Theory of Computation Sipser; Theory of Computation. Hinweise: Grundlagen der Theoretischen Informatik Winter (in German: Grundlagen der Theoretischen Informatik ) Module-ID: FIN-INF-110493 Abbreviation Credit Points 5 Semester Winter Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Tetiana Lavynska Lecturer: Tetiana Lavynska Classes: Lecture Introduction to the Theory of Computation Exercise Introduction to the Theory of Computation   Applicability in curriculum: - B.Sc. INF (bilingual): Mathematik / Theoretische Informatik - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Intended learning outcomes: Basics of automata theory and formal languages for problem solving Ability to classify problems in terms of predictability and complexity Content: Introduction to Formal Languages (regular and context-free languages, grammars), elementary automata theory (finite automata, basement automata), Computational models and Church's thesis, Decidability and semi-decidability, Complexity classes : P and NP, NP-completeness Workload: 70h contact hours + 80h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Exam preparation: Successful participation in the exercises (see lecture) Written exam 120 minutes Lecture (3 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Hopcroft, Motwani, Ullmann; Einführung in der Automatentheorie, Formale Sprachen und Komplexitätstheorie Lewis, Papadimitriou; Elements of the Theory of Computation Sipser; Theory of Computation. Comments: Grundlagen der Theoretischen Informatik II Sommer (engl. Introduction to the Theory of Computation II ) Modulnummer: FIN-INF-110118 Kürzel GThI 2 CP 5 Semester Sommer Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Stefan Schirra Dozent:in: Prof. Dr. Stefan Schirra Lehrveranstaltungen: Vorlesung Grundlagen der Theoretischen Informatik II Übung Grundlagen der Theoretischen Informatik II Verwendbarkeit: - B.Sc. INF: Mathematik / Theoretische Informatik - B.Sc. INF: Aufbaumodule (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Mathematik / Theoretische Informatik - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden haben erweiterte Fähigkeiten, komplexe Probleme hinsichtlich Berechenbarkeit und Komplexität beurteilen und klassifizieren zu können. Inhalt: Weiterführendes zu Formalen Sprachen und Automatentheorie (Abschlusseigenschaften, deterministische Kellerautomaten, Zustandsminimierung endlicher Automaten), Äquivalenz verschiedener Berechnungsmodelle (beispielsweise Turingmaschinen, Registermaschinen, primitiv rekursive und mu-rekursive Funktionen, Grammatiken), weitere unentscheidbare und NP-vollständige Probleme. Arbeitsaufwand: 56h Präsenzzeit 94h selbstständige Arbeit (Bearbeiten der Übungsaufgaben Nachbereitung der Vorlesungen) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Erfolgreiche Teilnahme an den Übungen, d.h. für je 4 aufeinanderfolgende Übungsblätter 50% der Aufgaben erfolgreich votieren Klausur 120 Min (schriftliche Prüfung) Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Grundlagen der Theoretischen Informatik Medienformen: Literatur: Sipser; Theory of Computation Kozen; Automata and Computability Hinweise: Auch dieses Modul ist zwei Lehrstühlen zugeordnet, die es abwechselnd bedienen Grundlagen der Theoretischen Informatik II Summer (in German: Grundlagen der Theoretischen Informatik II ) Module-ID: FIN-INF-110494 Abbreviation Credit Points 5 Semester Summer Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Tetiana Lavynska Lecturer: Tetiana Lavynska Classes: Lecture Introduction to the Theory of Computation II Exercise Introduction to the Theory of Computation II   Applicability in curriculum: - B.Sc. INF (bilingual): Mathematik / Theoretische Informatik - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Intended learning outcomes: Students have advanced skills in assessing and classifying complex problems in terms of calculability and complexity. Content: Further information on formal languages and automata theory (closure properties, deterministic basement automata, state minimization of finite automata), equivalence of different computational models (e.g. Turing machines, register machines, primitive recursive and mu-recursive functions, grammars), further undecidable and NP-complete problems. Workload: 56h contact hours + 94h self study (working on the exercises and following up on the lectures) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Exam admission prerequisites: Successful participation in the exercises (see lecture) Written exam 120 min Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Introduction to the Theory of Computation Media: Literature: Sipser; Theory of Computation Kozen; Automata and Computability Comments: Grundlagen der Theoretischen Informatik III Winter (M.Sc.) (engl. Introduction to the Theory of Computation III ) Modulnummer: FIN-INF-110464 Kürzel GThI 3 CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Stefan Schirra Dozent:in: Prof. Dr. Stefan Schirra Lehrveranstaltungen: Vorlesung Grundlagen der Theoretischen Informatik III Übung Grundlagen der Theoretischen Informatik III Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Computer Science Angestrebte Lernergebnisse: Studierende lernen, formale Sprachen in die Chomsky-Hierarchie einzuordnen und beurteilen zu können. Sie verstehen algebraische Zugänge zu Formalen Sprachen. Ferner lernen sie Optionen kennen, mit schweren Problemem umzugehen, und diese anzuwenden. Inhalt: Weiteres zu regulären und kontextfreien Sprachen, Kleene Algebren, Exakte Exponentialzeitalgorithmen, Algorithmen für spezielle Graphklassen, Festparameterhandhabbarkeit, Approximationsalgorithmen und Nichatapproximierbarkeit Elementare Komplexitätstheorie. Arbeitsaufwand: 56h Präsenzzeit + 124h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Aktive Teilnahme an der Veranstaltung. Im Unterschied zur B.Sc. Variante muss mindestens einmal eine eigene Lösung zu einer Übungsaufgabe vorgestellt werden. Klausur 120 Minuten Vorlesung (3 SWS) Übung (1 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Grundlagen der Theoretischen Informatik I + II (Bachelor) Medienformen: Literatur: Sipser; Theory of Computation Kozen; Automata and Computability Shallit; A Second Course on Automata and Computability Theory Hinweise: Grundlagen der Theoretischen Informatik III Winter (B.Sc.) (engl. Introduction to the Theory of Computation III ) Modulnummer: FIN-INF-110464 Kürzel GThI 3 CP 5 Semester Winter Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Stefan Schirra Dozent:in: Prof. Dr. Stefan Schirra Lehrveranstaltungen: Vorlesung Grundlagen der Theoretischen Informatik III Übung Grundlagen der Theoretischen Informatik III Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Studierende lernen, formale Sprachen in die Chomsky-Hierarchie einzuordnen und beurteilen zu können. Sie verstehen algebraische Zugänge zu Formalen Sprachen. Ferner lernen sie Optionen kennen, mit schweren Problemem umzugehen, und diese anzuwenden. Inhalt: Weiteres zu regulären und kontextfreien Sprachen, Kleene Algebren, Exakte Exponentialzeitalgorithmen, Algorithmen für spezielle Graphklassen, Festparameterhandhabbarkeit, Approximationsalgorithmen und Nichatapproximierbarkeit Elementare Komplexitätstheorie. Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Aktive Teilnahme an der Veranstaltung Klausur (schriftlich) 120 Minuten Vorlesung (3 SWS) Übung (1 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Grundlagen der Theoretischen Informatik und Grundlagen der Theoretischen Informatik II (Bachelor) Medienformen: Literatur: Sipser; Theory of Computation Kozen; Automata and Computability Shallit; A Second Course on Automata and Computability Theory Hinweise: Dies ist die Bachelorvariante zur gleichnamigen Masterveranstaltung. Voraussetzung sind die (Inhalte der) Veranstaltungen Grundlagen der Theoretischen Informatik und Grundlagen der Theoretischen Informatik II. Ein Bachelorzeugnis ist folglich keine zwingende Voraussetzung für diese Veranstaltung, die den Stoff aus den Teilen 1 und 2 vertieft und ergänzt. Der Aufwand ist eigentlich 6 CP, aber dies ist im Bachelorbereich leider nicht möglich, also sind es im Bachelor nur 5. Dafür müssen Studierende in der Bachelorvariante weniger Übungsaufgaben bearbeiten. Grundlagen des Maschinellen Lernens Sommer (engl. Introduction to Machine Learning ) Modulnummer: FIN-INF-110482 Kürzel CP 5 Semester Sommer Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Andreas Nürnberger Dozent:in: Andreas Nürnberger Lehrveranstaltungen: Vorlesung Grundlagen des Maschinellen Lernens Übung Grundlagen des Maschinellen Lernens Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. INF: Studienprofil: Forensik Design - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... haben die Fähigkeit, Machine Learning Pipelines und individuelle Algorithmen zu erstellen können Entscheidungsbäume, Mehrebenen-Perceptrons, und KNN Klassifizierer in Java, Python, C++ programmieren können die Leistung verschiedener Klassifizierer bei praktischen Anwendungen bewerten Inhalt: Einführung in das Funktionslernen; Einführung in die Konzepträume und Konzeptlernen; Algorithmen des Instanz-basiertes Lernens und Clusteranalyse; Algorithmen zum Aufbau der Entscheidungsbäume; Bayesches Lernen; Neuronale Netze; Assoziationsanalyse; Verstärkungslernen; Hypothesen Evaluierung Arbeitsaufwand: 56h Präsenz + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur (2h, auch als unbenotete Prüfungsleistung). Voraussetzung zur Teilnahme an der Prüfung werden in der ersten Vorlesung und online bekannt gegeben. 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Grundzüge der Algorithmischen Geometrie Sommer (engl. Basic Introduction to Computational Geometry ) Modulnummer: FIN-INF-110117 Kürzel GzAG CP 5 Semester Sommer Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Stefan Schirra Dozent:in: Prof. Dr. Stefan Schirra Lehrveranstaltungen: Vorlesung Grundzüge der Algorithmischen Geometrie Übung Grundzüge der Algorithmischen Geometrie Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Computervisualistik - Pflicht - B.Sc. CV: Computervisualistik Pflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... haben die Fähigkeit, algorithmische Lösungen für elementare geometrische Probleme zu erstellen und hinsichtlich ihrer Effizienz zu bewerten können fundamentale geometrische Strukturen zur Problemlösung beschreiben und anwenden Inhalt: Algorithmenentwurfsparadigmen (beispielsweise Plane-Sweep, Teile- und Herrsche, randomisierte inkrementelle Konstruktion) für geometrische Algorithmen, Grundlegende geometrische Strukturen (Konvexe Hülle, Triangulierung von Punktmengen, Arrangements, Voronoi- und Delaunaydiagramme) Arbeitsaufwand: 56h Präsenzzeit 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Erfolgreiche Teilnahme an den Übungen (50% der Aufgaben votieren) Klausur 120 Minuten Vorlesung (3 SWS) Übung (1 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Algorithmen und Datenstrukturen Medienformen: Literatur: de Berg, Cheong, van Kreveld, Overmars: Computational Geometry (3. Edition). Klein: Algorithmische Geometrie (2. Auflage). Hinweise: Hochintegrierte Enterprise Systeme Winter (engl. Highly Integrated Enterprise Systems ) Modulnummer: FIN-INF-110477 Kürzel HES CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Klaus Turowski Dozent:in: Robert Häusler / UCC Lehrveranstaltungen: Vorlesung HES Übung HES(Ü) Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... kennen und verstehen das "Big Picture" von hochintegrierten Enterprise Systemen. verstehen die Vielseitigkeit, die Komplexität und den Wert von Anwendungssystemen für Unternehmen. verstehen die Grundzüge und Konzepte in den Bereichen Geschäftsprozesse, Fiori-Entwicklung, SAP Basis, Campus Management und Data Analytics (beispielgetriebenes Konzeptverständnis). können Geschäftsprozesse an einem Beispielsystem durchführen und sind in der Lage diese zu reflektieren. haben Kenntnisse in Bezug auf die Flexibilisierung von Unternehmenssoftware durch Customizing und Entwicklung (am Beispiel SAP). können Teile eines Unternehmens in einem Anwendungssystem abbilden (Customizing) und eine einfache SAP-basierte App entwickeln. können sich in praktische (Problem-)Szenarien einarbeiten, im Team reflektieren und Lösungen erarbeiten. Inhalt: Big Picture SAP: Vertikaler Schnitt durch die Unternehmensarchitektur (von Endanwendung über Customizing und Entwicklung hin zu Basis und Infrastruktur) Customizing von Organisationsstrukturen und Integration von Geschäftsprozessen Einstieg in App-Entwicklung mit SAP UI5 und Fiori SAP Basis (Aufbau & Betrieb von Systemen), Datensicherheit und Infrastruktur SAP in der Verwaltung Analytics in SAP Arbeitsaufwand: Vorlesung 28h Übung 28h selbstständige Arbeit 94h Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Human-Centred Manufacturing and Usability Sommer HCAMU (in German: Human-Centred Manufacturing and Usability ) Module-ID: FIN-INF-120512 Abbreviation HCMU Credit Points 6 Semester Sommer Term Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Ernesto William De Luca Lecturer: Marianna Ciccarelli Classes: Lecture/Exercise: Human-Centred Manufacturing and Usability   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: The students ... have theoretical and practical skills for the evaluation and design of safe, efficient, and human-centered work environments can apply principles of Human-Centered Design and Human-Centered Manufacturing understand risk assessment methodologies Content: The course aims to provide both theoretical and practical skills for the evaluation and design of safe, efficient, and human-centered work environments. It will cover key concepts related to health and safety in industrial settings, with a particular focus on risk prevention and the integration of human resources into Industry 4.0 processes. Special attention will be given to the principles of Human-Centered Design and Human-Centered Manufacturing, with an introduction to occupational ergonomics and methods for analyzing physical and cognitive ergonomics. The course will also explore risk assessment methodologies, including applications in human-robot collaboration, as well as user-machine interaction paradigms and usability concepts. Learning activities are supported by hands-on exercises in ergonomic analysis and usability testing. Workload: block course 40 contact hours + 140 hours self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written report (Hausarbeit) 4 SWS Lecture/Exercise Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: IT-Forensik jedes (engl. IT-Forensics ) Modulnummer: FIN-INF-110384 Kürzel IFOR CP 5 Semester jedes Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr.-Ing. Jana Dittmann Dozent:in: Prof. Dr.-Ing. Jana Dittmann Lehrveranstaltungen: Vorlesung IT-Forensik Übung IT-Forensik Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Forensik Design - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... können anhand einer ausgewählten fachlichen Fragestellung zur IT-Forensik die Anforderungen und Lösungsmöglichkeiten für ein Anwendungsbeispiel verstehen das Vorgehensmodell einer IT-forensischen Untersuchungen verstehen und umsetzen können forensische Methoden und Werkzeuge am Beispiel anwenden können Ergebnisse einer forensischen Untersuchung auswerten und bewerten können die Ergebnisse in einem Referat präsentieren und sich einer Diskussion stellen können Herausforderungen in der Teamarbeit erkennen und reflektieren können IT-Forensik als strategische und operative Aufgabe in einem IuK-System verstehen und ausgewählte Mechanismen gestalten und anwenden Inhalt: Einführung und Grundlagen zu ausgewählten fachlichen Fragestellungen zur Cybersicherheit und zu IT-forensischen Untersuchungen: datenzentrisches Vorgehensmodell mit Informationen, Daten und Phasen für IT-forensische Untersuchungen, Anwendung an ausgewählten Beispielen Sicherheitsziele und Designanforderungen in der IT-Forensik Ausgewählte Beispiele zur Beweismittelsuche und Erhebung sowie Auswertung gemäß Best Practices Grundlagen zur Aufbereitung, Dokumentation und Präsentation von Untersuchungsergebnissen Wiederholung: Grundlagen der Teamarbeit, Vorlesung ist Projekt-orientiert Arbeitsaufwand: 150h = 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: keine Referat mit zwei Teilleistungen (Vortrag und Ausarbeitung): Das Referat umfasst eine eigenständige und vertiefte schriftliche Auseinandersetzung mit einer Fragestellung aus dem Arbeitszusammenhang der Lehrveranstaltung unter Einbeziehung und gezielter kritischer Auswertung einschlägiger Literatur, sowie die Darstellung der eigenen Arbeit auch im Vergleich im Team und die Vermittlung sowie Bewertung der eigenen Ergebnisse im mündlichen Vortrag sowie in der anschließenden Diskussion im Team. Die Ausarbeitungen müssen schriftlich vorliegen. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Grundlagen Algorithmen und Datenstrukturen, Grundlagen der theoretischen Informatik, Grundlagen der technischen Informatik, Sichere Systeme Medienformen: Literatur: Hinweise: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html IT-Security of Cyber-Physical Systems Winter (engl. IT-Security of Cyber-Physical Systems ) Modulnummer: FIN-INF-120457 Kürzel ITS-CPS CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr.-Ing. Jana Dittmann Dozent:in: Prof. Dr.-Ing. Jana Dittmann Lehrveranstaltungen: Vorlesung IT-Security of Cyber-Physical Systems Projekt IT-Security of Cyber-Physical Systems Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden kennen und verstehen das Zusammenspiel von System-, Netzwerk- und Anwendungssicherheit können IT-Sicherheit zu einer technischen Anwendung im Security-by-Design aus der Forschung selbständig bewältigen können bestehende Ansätze bewerten und kreativ für eine Forschungsfrage erweitern können sich in den technischen Anwendungsfall einarbeiten und im Team reflektieren können für die technische Fragestellung neue Ansätze zur IT-Sicherheit aufzeigen können für den Anwendungsfall die IT-Sicherheitsbedarfe feststellen und Verbesserungsalternativen vorschlagen können eine ausgewählte technische Lösung umsetzen, evaluieren und bewerten sowie Restrisiken aufzeigen können selbständig wissenschaftliche Methoden der IT-Sicherheit anwenden können die Ergebnisse wissenschaftlich in einem Referat präsentieren und sich einer Diskussion stellen Inhalt: Aktuelle Herausforderungen und Erarbeitung von Lösungen zur IT Sicherheit am Beispiel von einem technischen Anwendungsfall: ausgewählten Grundlagen von System-, Netzwerk- und Anwendungssicherheit Sicherheitaspekte von Bussystemen Design und Realisierung hardwarenaher Sicherheitslösungen Bewertung sicherer Systeme mittels Evaluierung Wiederholung: Grundlagen der Teamarbeit, Vorlesung ist Projekt-orientiert Arbeitsaufwand: Projektvorlesung zu ausgewählten technischen Themen der IT Sicherheit; Vergabe eines anspruchsvollen Themas zu selbständigen Bearbeitung und Lösung einer gestellten Aufgabe 4 SWS = 2V + 2Ü (Labor) Arbeitsaufwand: 180h (56 h Präsenzzeit + 124 h selbstständige Arbeit) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: keine Referat mit zwei Teilleistungen (Vortrag und Ausarbeitung): Das Referat umfasst eine eigenständige und vertiefte schriftliche Auseinandersetzung mit einer Fragestellung aus dem Arbeitszusammenhang der Lehrveranstaltung unter Einbeziehung und gezielter kritischer Auswertung einschlägiger Literatur, sowie die Darstellung der eigenen Arbeit auch im Vergleich im Team und die Vermittlung sowie Bewertung der eigenen Ergebnisse im mündlichen Vortrag sowie in der anschließenden Diskussion im Team. Die Ausarbeitungen müssen schriftlich vorliegen. Vorlesung (2 SWS) Projekt (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Sichere Systeme, Algorithmen und Datenstrukturen, Grundlagen der Technischen Informatik Medienformen: Literatur: Hinweise: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html IT-Softwareprojekt KMD every (engl. IT-Software project KMD ) Modulnummer: FIN-INF-110525 Kürzel Softproj_KMD CP 5 Semester every Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Myra Spiliopoulou Dozent:in: Myra Spiliopoulou Lehrveranstaltungen: Softwareprojekt Softproj_KMD Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Studienprofil: Künstliche Intelligenz - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen Angestrebte Lernergebnisse: DEUTSCH: Beim erfolgreichen Abschluss von diesem Projekt können die Studierenden: ein Team gestalten, sich in dieses Team einordnen, Teilaufgaben unter sich teilen, Meilensteine setzen und einen gemeinsamen Zeitplan angehen eine vereinfachte Data-Mining oder Data-Engineering Aufgabe in Gruppenarbeit lösen in Gruppenarbeit eine Softwarelösung entwerfen, entwickeln und evaluieren ihre Entscheidungen bzgl Entwurf, Gestaltung und Software-auswahl begründen ihre Arbeit als Team präsentieren einen gemeinsamen Bericht schreiben, wo sie ihre Lösung zusammenfassen und begründen ENGLISH: When completing this project successfully, the students can: build up a team and organize themselves in it, distributing subtasks among themselves according to their competences, setting milestones and pursuing a joint schedule solve a simpified data mining or data engineering task in teamwork design, develop and evaluate a software solution jointly justify their design decisions and software suite selections present their work as a team write a joint report where they summarize and justify their approach Inhalt: DEUTSCH: Realistische aber vereinfachte Aufgabe, welche Datenanalyse mit Lernverfahren beinhaltet; die Aufgabe umfasst Entwurf, Entwicklung und Evaluation einer Softwarelösung als Gruppenarbeit ENGLISH: Assignment of a realistic but simplified task that involves the analysis of data with learning methods. The assignment involves design, development and evaluation of a software solution in teamwork. Arbeitsaufwand: DEUTSCH: Für jedes Gruppenmitglied: 28 Std Präsenz inkl Konsultationen und Sitzungen, 96 Std Selbststudium Die Aufgabe ist für eine Studierendengruppe; der Aufwand ist 5 ECTS pro Gruppenmitglied ENGLISCH: For each team member: 28 h in presence (incl consultations and meetings) + 96 h self-study Asssignments are designed for student teams; the effort of each team member is 5 ECTS. Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: GERMAN: Dieses Modul implementiert die 'Prüfungsform wissenschaftliches Projekt' als eine 'Hausarbeit', in der ein 'Referat' eingebettet ist ENGLISH: This module implements the 'Prüfungsform wissenschaftliches Projekt' in the form of a 'Hausarbeit' which in turn incorporates a 'Referat' GERMAN: IT-Softwareprojekt (2 SWS) ENGLISH: IT-Softwareprojekt (2 hours per week) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: none GERMAN: Datenbanken Vertrautheit mit einfachen Mining-Algorithmen Grundzüge der Wirtschaftsinformatik (nur für manche Aufgabestellungen) Vertrautheit mit Software Entwicklung Theoretische Grundlagen von Projektmanagement Englischkenntnisse für Lesen und Formulierung von Suchanfragen, weil alle relevanten Software-Bibliotheken und Fora zur Unterstützung bei der Software-Entwicklung auf Englisch sind ENGLISH: Database management Familiarity with simple mining algorithms Familiarity with underpinnings of business informatics (some assignments only) Familiarity with software development Theoretical underpinnings of project management Reading English and searching on English, because all relevant software libraries and fora for the support of software developers are on English Medienformen: Literatur: DEUTSCH: Die Anfangsliteratur hängt von der Aufgabenstellung ab und wird jedem Team zusammen mit der Aufgabenstellung gegeben; das Team wird eventuell weitere Literatur sammeln und sich aneignen müssen ENGLISCH: Literature to start with depends on topic assignment and is given to each team together with the assignment; the team must eventually collect further literature and work with it Hinweise: GERMAN: Als Implementierung des generischen PFLICHTMODULS "Softwareprojekt" entsprechend anrechenbar ENGLISH: This module implements the COMPULSORY generic module 'Softwareprojekt' IT-Softwareprojekt KMD every (in German: IT-Softwareprojekt KMD ) Module-ID: FIN-INF-110525 Abbreviation Softproj_KMD Credit Points 5 Semester every Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Myra Spiliopoulou Lecturer: Myra Spiliopoulou Classes: Softwareprojekt Softproj_KMD   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Studienprofil: Künstliche Intelligenz - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen Intended learning outcomes: DEUTSCH: Beim erfolgreichen Abschluss von diesem Projekt können die Studierenden: ein Team gestalten, sich in dieses Team einordnen, Teilaufgaben unter sich teilen, Meilensteine setzen und einen gemeinsamen Zeitplan angehen eine vereinfachte Data-Mining oder Data-Engineering Aufgabe in Gruppenarbeit lösen in Gruppenarbeit eine Softwarelösung entwerfen, entwickeln und evaluieren ihre Entscheidungen bzgl Entwurf, Gestaltung und Software-auswahl begründen ihre Arbeit als Team präsentieren einen gemeinsamen Bericht schreiben, wo sie ihre Lösung zusammenfassen und begründen ENGLISH: When completing this project successfully, the students can: build up a team and organize themselves in it, distributing subtasks among themselves according to their competences, setting milestones and pursuing a joint schedule solve a simpified data mining or data engineering task in teamwork design, develop and evaluate a software solution jointly justify their design decisions and software suite selections present their work as a team write a joint report where they summarize and justify their approach Content: DEUTSCH: Realistische aber vereinfachte Aufgabe, welche Datenanalyse mit Lernverfahren beinhaltet; die Aufgabe umfasst Entwurf, Entwicklung und Evaluation einer Softwarelösung als Gruppenarbeit ENGLISH: Assignment of a realistic but simplified task that involves the analysis of data with learning methods. The assignment involves design, development and evaluation of a software solution in teamwork. Workload: DEUTSCH: Für jedes Gruppenmitglied: 28 Std Präsenz inkl Konsultationen und Sitzungen, 96 Std Selbststudium Die Aufgabe ist für eine Studierendengruppe; der Aufwand ist 5 ECTS pro Gruppenmitglied ENGLISCH: For each team member: 28 h in presence (incl consultations and meetings) + 96 h self-study Asssignments are designed for student teams; the effort of each team member is 5 ECTS. Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): GERMAN: Dieses Modul implementiert die 'Prüfungsform wissenschaftliches Projekt' als eine 'Hausarbeit', in der ein 'Referat' eingebettet ist ENGLISH: This module implements the 'Prüfungsform wissenschaftliches Projekt' in the form of a 'Hausarbeit' which in turn incorporates a 'Referat' GERMAN: IT-Softwareprojekt (2 SWS) ENGLISH: IT-Softwareprojekt (2 hours per week) Prerequisites according to examination regulations: Recommended prerequisites: none GERMAN: Datenbanken Vertrautheit mit einfachen Mining-Algorithmen Grundzüge der Wirtschaftsinformatik (nur für manche Aufgabestellungen) Vertrautheit mit Software Entwicklung Theoretische Grundlagen von Projektmanagement Englischkenntnisse für Lesen und Formulierung von Suchanfragen, weil alle relevanten Software-Bibliotheken und Fora zur Unterstützung bei der Software-Entwicklung auf Englisch sind ENGLISH: Database management Familiarity with simple mining algorithms Familiarity with underpinnings of business informatics (some assignments only) Familiarity with software development Theoretical underpinnings of project management Reading English and searching on English, because all relevant software libraries and fora for the support of software developers are on English Media: Literature: DEUTSCH: Die Anfangsliteratur hängt von der Aufgabenstellung ab und wird jedem Team zusammen mit der Aufgabenstellung gegeben; das Team wird eventuell weitere Literatur sammeln und sich aneignen müssen ENGLISCH: Literature to start with depends on topic assignment and is given to each team together with the assignment; the team must eventually collect further literature and work with it Comments: GERMAN: Als Implementierung des generischen PFLICHTMODULS "Softwareprojekt" entsprechend anrechenbar ENGLISH: This module implements the COMPULSORY generic module 'Softwareprojekt' Idea Engineering Sommer (engl. Idea Engineering ) Modulnummer: FIN-INF-100708 Kürzel IE CP 5 Semester Sommer Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Graham Horton Dozent:in: Graham Horton Lehrveranstaltungen: Vorlesung Idea Engineering Übung Idea Engineering Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Studienprofil: Computer Games - B.Sc. INF: Studienprofil: Forensik Design - B.Sc. INF: FIN SMK - B.Sc. INF: Ergänzungsbereich (SPO 2027) - B.Sc. CV: Allgemeine Visualistik - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. CV: FIN SMK - B.Sc. CV: Interdisziplinär (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INGINF: Ingenieurbereich - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): FIN SMK Angestrebte Lernergebnisse: Die Studierenden können nach Abschluss des Moduls ... Ideenfindungstechniken aufgabengerecht entwickeln Projekte in Teamarbeit organisieren und durchführen Workshops planen und moderieren out-of-the-box denken und Ideen produzieren Diskussionen strukturieren und leiten Projektergebnisse in einem Bericht darstellen und erklären die Qualität der Teamarbeit und den eigenen Beitrag zum Ergebnis bewerten Inhalt: Der Innovationsprozess Grundlagen von Ideenfindungstechniken Perspektivwechsel Klassische Kreativitätstechniken Verfeinerung, Bewertung und Ausbau von Ideen Werbeideenproduktion Arbeitsaufwand: 56 h Präsenzzeit + 94 h selbstständige Projektarbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Interesse an und Bereitschaft zu Projekt- und Teamarbeit Interesse an Workshop-Gestaltung und an Ideenfindung Medienformen: Literatur: Hinweise: Der Erfolg bei diesem Modul hängt stark von der Qualität der Projekt- und Teamarbeit ab! Die Anzahl Teilnehmer ist beschränkt. Die Teilnahme an der ersten Veranstaltung ist Pflicht. In-Memory und Cloud-Technologien Winter (in German: In-Memory und Cloud-Technologien ) Module-ID: FIN-INF-120506 Abbreviation IMCloud Credit Points 6 Semester Winter Term starting at 1. Duration 2 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Hon. Prof. Dr. Alexander Zeier Lecturer: Hon. Prof. Dr. Alexander Zeier Classes: Vorlesung In-Memory und Cloud-Technologien 1 Vorlesung In-Memory und Cloud-Technologien 2   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Die Studierenden ... können Methoden ihres Fachs einschätzen und kreativ weiterentwickeln. können sich neues Wissen eigenständig aneignen und für sich nutzbar machen. können bei unbekannten Aufgaben eigene Ideen einbringen und Entscheidungen treffen. können für neue Aufgaben geeignete Lösungen wählen, anwenden und anschließend beurteilen. können selbstständig wissenschaftlich arbeiten. haben ein Verständnis für ausgewählte Vertiefungsgebiete der Wirtschaftswissenschaften, der Wirtschaftsinformatik und der Informatik und für ihre Zusammenhänge. können existierende Methoden von Data Science für neuartige Probleme anpassen. haben vertiefte, spezialisierte Kenntnisse in der Informatik und können diese in ingenieurwissenschaftlichen Domänen anwenden. können in interdisziplinären Projekten Digitalisierungslösungen für komplexe ingenieurwissenschaftliche Systeme beitragen. Content: In-Memory Technologie und Anwendungen mit Focus auf SAP HANA: Erläuterung der In-Memory-Technologie mit Focus auf SAP HANA Zeilen- versus Spaltenhauptspeicherdatenbanken Komprimierungs-, Partitionierungs- und Indexierungsansätze Google Cloud Technologie und Services Einsatz z.B. von Anthos, Bigquery, und AutoML Entwicklung von Hochverfügbarkeitslösungen und Backupstrategien Erweiterung des Datenlayouts ohne Downtime Migrationsansätze für Projekte in denen In-Memory Datenbanken eingesetzt werden Workload: Präsenzzeiten = 56 h: 56 h Vorlesung Selbstständiges Arbeiten = 64 h: 60 h Vorbereitung auf die Vorlesung und Lesen der empfohlenen Literatur Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Eine mündliche Prüfung am Ende des Kurses Vorlesung (4SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Datenbanken I Datenbanken II Media: Literature: Plattner, H., Zeier, A.: In-Memory Data Management: Technology and Applications, Springer Verlag, 2. Auflage, Mai 2012, ISBN 978-3642295744 Whitepaper HANA on Intel: Three Steps to Reinvent Your Enterprise as a Digital Disrupter†von Prof. Dr. Alexander Zeier & Intel CTO Enterprise Ed Goldman, 2016. Cloud Computing, Blog (July 2020) zu Digital Decoupling. Title: Trapped by legacy systems, CIOs look for a way out https://www.accenture.com/us-en/blogs/cloud-computing/zeier-digitaldecoupling-sap-google-cloud Comments: Start jeweils zum Wintersemester. Information Retrieval Winter (in German: Information Retrieval ) Module-ID: FIN-INF-110307 Abbreviation IR Credit Points 5 Semester Winter Term starting at 3. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Andreas Nürnberger Lecturer: Andreas Nürnberger Classes: Lecture Information Retrieval Exercise Information Retrieval   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: Students ... have the ability to create index structures for text and images using Apache SOLR, Apache Lucene and Elastic Search perform end-to-end pre-processing of text data develop index structures with pre-processing and user search interfaces evaluate search engine performance Content: Statistical properties of texts Retrieval models and data structures Relevance feedback Evaluation Structuring datasets (clustering, categorisation) Structure and algorithms for web search Interface design Workload: 56h contact time + 94h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam. Requirements for exam participation will be announced in the first week of the course in class and online. 2 SWS Lecture 2 SWS Exercise class Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Introduction to Information Retrieval, C.D. Manning, P. Raghavan, H. Schütze, Cambridge University Press, 2008. Information Retrieval: Data Structures and Algorithms, William B. Frakes and Ricardo Baeza-Yates, Prentice-Hall, 1992. Comments: Informationstechnologie in Organisationen Sommer (engl. Information Technology in Organisations ) Modulnummer: FIN-INF-110124 Kürzel ITO CP 5 Semester Sommer Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Myra Spiliopoulou Dozent:in: Myra Spiliopoulou Lehrveranstaltungen: Vorlesung Informationstechnologie in Organisationen Übung Informationstechnologie in Organisationen Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten - Pflicht - B.Sc. WIF: Wirtschaftsinformatik Grundlagen (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Beim erfolgreichen Abschliessen des Moduls, die Studierenden: verstehen die Rolle der IT für das moderne Unternehmen verstehen, was ein Geschäftsmodell ist, wie das Internet die Gestaltung von Geschäftsmodellen beeinflusst und welche Rolle IT für Geschäftsmodelle im Internet spielt haben Einblick in die Rolle der Daten für die Entscheidungsunterstützung im Unternehmen verstehen, wie Methoden zur Ableitung von einfachen Modellen funktionieren und wie diese zu evaluieren sind können Modelle für einfache Problemstellungen ableiten und haben damit notwendige Grundlagen erworben, um IT-Lösungen gestalten zu können. Inhalt: Grundzüge zu IT im Unternehmen, darunter IT entlang der Wertschöpfungskette Daten für die Entscheidungsunterstützung, darunter Datenmanagement und einfache Lernverfahren Unternehmen im Netz, darunter Geschäftsmodelle und Rolle der IT Arbeitsaufwand: 28 Stunden Vorlesung (Präsenz) 28 Stunden Übung (Präsenz) 94 Stunden Eigensändiges Arbeit zur Vor- und Nachbereitung der Vorlesung und der Übung, sowie zur Prüfungsvorbereitung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Votierung - min Anzahl von Punkten während der Lehrveranstaltung Schriftliche Prüfung - Klausur (120 min) Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: BUCH W: WIRTSCHAFTSINFORMATIK, Hans Robert Hansen & Jan Mendling & Gustaf Neumann (2019) sowie Ausschnitte aus: BUCH D: ‘Digitalisierung in Industrie, Handels- und Dienstleistungsunternehmen’ Lars Fend & Jürgen Hofmann (eds), 3. Auflage, SPRINGER GABLER BUCH T: ‘Tools des Maschinellen Lernens: Marktstudie, Anwendungsbereiche & Lösungen der Künstlichen Intelligenz’ Marcus Grum, Eldar Sultanow, Daniel Friedmann, André Ullrich, Norbert Gronau (2020) sowie: BUCH L: 'An Introduction to Statistical Learning - with Applications in R' Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani (2021), 2nd edition, SPRINGER; Kapitel 3, Abschnitte 3.1 & 3.4. https://doi.org/10.1007/978-1-0716-1418-1 Weitere zitierte Literatur, zusätzliche Fallstudien und wissenschaftliche Artikel erscheinen in den jeweiligen Veranstaltungsblocks. Hinweise: Intelligente Systeme Winter (engl. Intelligent Systems ) Modulnummer: FIN-INF-100384 Kürzel IS CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Sanaz Mostaghim Dozent:in: Sanaz Mostaghim Lehrveranstaltungen: Vorlesung Intelligente Systeme Übung Intelligente Systeme Verwendbarkeit: - B.Sc. INF: Informatik II - Pflicht - B.Sc. INF: Aufbaumodule (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik II - Pflicht - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... haben Grundkenntnisse im Bereich KI können KI-Algorithmen verstehen, implementieren und analysieren können KI-Algorithmen entwickeln und anwenden haben die Befähigung zur Modellierung von Optimierungsproblemen haben einen Überblick über hochaktuelle Themen aus der KI Inhalt: Eigenschaften intelligenter Systeme Modellierungstechniken für wissensintensive Anwendungen Subsymbolische Lösungsverfahren Heuristische Suchverfahren Lernende Systeme Modellansätze für kognitive Systeme Wissensrevision und Ontologien Entscheidungsunterstützende Systeme Weitere aktuelle Methoden für die Entwicklung Intelligenter Systeme wie Kausale Netze, Unscharfes Schließen Arbeitsaufwand: Präsenzzeit = 56 Stunden: 2 SWS Vorlesung 2 SWS Übung Selbständige Arbeit = 94 Stunden: Vor- und Nachbearbeitung von Vorlesung und Übung Bearbeiten von Übungs- und Programmieraufgaben Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: 66% aller Übungsaufgaben votieren 3 Aufgaben in den Übungen präsentieren 66% aller Programmieraufgaben votieren Prüfung in schriftlicher Form, Umfang: 2 Stunden, notwendige Vorleistungen werden in erster Veranstaltungswoche und auf Vorlesungswebseite angekündigt Unbenotete Leistung: schriftlich oder mündlich, notwendige Vorleistungen werden in erster Veranstaltungswoche und auf Vorlesungswebseite angekündigt Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Rudolf Kruse, Sanaz Mostaghim, Christian Borgelt, Christian Braune, Matthias Steinbrecher. Computational Intelligence. A Methodological Introduction, Springer Text Book, 2022 R. Kruse, C. Borgelt, C. Braune, F. Klawonn, C. Moewes, G. Ruß und M. Steinbrecher. Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. 2. Aufl., Springer-Vieweg-Verlag, 2015 S. Russell, P. Norvig: Künstliche Intelligenz: Ein moderner Ansatz, 3. Auflage, Pearson- Verlag, 2012 G. Görz, J. Schneeberger, U. Schmidt, Handbuch der Künstlichen Intelligenz, 5. Auflage, Oldenbourg-Verlag, 2014 C. Beierle und G. Kern-Isberner Methoden wissensbasierter Systeme, 5., verb. Aufl., Springer-Vieweg Verlag, 2014 Weitere Literatur findet sich auf den jeweiligen Vorlesungsfolien. Hinweise: Interaktive Systeme Sommer (engl. Interactive Systems ) Modulnummer: FIN-INF-100393 Kürzel CP 5 Semester Sommer Fachsem. ab 5. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Christian Hansen Dozent:in: Christian Hansen Lehrveranstaltungen: Vorlesung Interaktive Systeme Übung Interaktive Systeme Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Studienprofil: Computer Games - B.Sc. INF: FIN SMK - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. CV: Computervisualistik - Wahlpflicht - B.Sc. CV: FIN SMK - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: FIN SMK - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): FIN SMK Angestrebte Lernergebnisse: Studierende, die dieses Modul absolvieren, ... erwerben grundlegende Kenntnisse im Bereich der Mensch-Computer-Interaktion, einem wichtigen Teilgebiet der Informatik. kennen nutzerzentrierte und normkonforme Entwicklungsprozesse für Bedienoberflächen und können diese auf praktische Anwendungsfälle anwenden. führen ein interdisziplinäres Teamprojekt durch, entwickeln, testen und evaluieren im Team ein fortgeschrittenes User Interface, lernen komplexe Entscheidungen im Team zu treffen und Kompromisse einzugehen. präsentieren ihre Projektergebnisse in einem Vortrag, verteidigen ihre Ergebnisse und Entscheidungen und reflektieren ihre Rolle im Team und ihren individuellen Beitrag zum gemeinsamen Ergebnis. Inhalt: Technische Grundlagen der Mensch-Computer-Interaktion (Fenster-, Menü- und Dialogsysteme) Interaktionstechniken und Interaktionsaufgaben Kognitive Grundlagen der Mensch-Computer-Interaktion Analyse von Aufgaben und Benutzern Prototypentwicklung und Evaluierung Spezifikation von Benutzungsschnittstellen Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur, 120 min. 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Algorithmen und Datenstrukturen Medienformen: Literatur: Preim/Dachselt: Interaktive Systeme. Springer 2010 Hinweise: Interdisziplinäres Teamprojekt jedes (engl. Interdisciplinary Team Project ) Modulnummer: FIN-INF-120462 Kürzel ITP CP 6 Semester jedes Fachsem. ab 2. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Dozenten der FIN Lehrveranstaltungen: Projekt Interdisziplinäres Teamprojekt Verwendbarkeit: - M.Sc. DE: Interdisziplinäres Team-Projekt - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) Angestrebte Lernergebnisse: Nach Abschluss des Moduls können die Studierenden … im Team eine komplexe Aufgabe aus dem Fachgebiet mit wissenschaftlichen Methoden bearbeiten Lösungsmöglichkeiten diskutieren und sich auf einen gemeinsamen Lösungsweg einigen, zu dem jeder seine Ideen einbringt, das benötigte Wissen erarbeiten und für das Team verfügbar machen mit anderen zusammen ein Projekt planen und lenken und für ihre eigene Rolle im Team die Verantwortung übernehmen ihre Ergebnisse in mündlicher und/oder schriftlicher Form präsentieren und interpretieren sich rückblickend mit der Ausübung ihrer Rolle im Team und ihrem Beitrag zum gemeinsamen Ergebnis auseinandersetzen Inhalt: Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch. Arbeitsaufwand: 180h = Betreute Projektarbeit, Teamarbeit, Selbststudium und Präsentationen Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Wissenschaftliches Projekt Projekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Internes Rechnungswesen Sommer (engl. Internes Rechnungswesen ) Modulnummer: FIN-INF-999854 Kürzel CP 5 Semester Sommer Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Fakultät für Wirtschaftswissenschaften Dozent:in: Fakultät für Wirtschaftswissenschaften Lehrveranstaltungen: Vorlesung Internes Rechnungswesen Hörsaalübung Internes Rechnungswesen Verwendbarkeit: - B.Sc. WIF: Wirtschaftswissenschaften Pflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden durchdringen die Grundlagen der Produktions- und Kostentheorie, verstehen die Kostenrechnung als Teil des betrieblichen Informationssystems, erlangen vertiefte Kenntnisse über die Struktur von Kostenrechnungssystemen, lernen verschiedene Kostenrechnungssysteme kennen und sind in der Lage Herstellungskosten und Selbstkosten zu ermitteln, erhalten einen Überblick über moderne Ansätze der Kostenrechnung, erlernen Techniken der Abweichungsanalyse, vertiefen ihre analytischen Fähigkeiten und werden befähigt, kostenrechnungsbezogene Sachverhalte bzw. Fragestellungen problem- und zielorientiertzu betrachten lernen umfangreiche Inhalte zu strukturieren und selbstverantwortlich zu erarbeiten. Inhalt: Kostentheoretische Grundlagen Kostenarten-, Kostenstellen-, Kostenträgerrechnung Systeme der Kostenrechnung, insb. Grenzplankostenrechnung, Prozesskostenrechnung- Abweichungsanalyse Arbeitsaufwand: 56 h Präsenz 94 h Selbststudium (inkl. Prüfungsleistung) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur 2 SWS Vorlesung 2 SWS Hörsaalübung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Introduction to Computer Graphics Winter (in German: Introduction to Computer Graphics ) Module-ID: FIN-INF-999808 Abbreviation Credit Points 5 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Holger Theisel Lecturer: Holger Theisel Classes: Lecture Introduction to Computer Graphics Exercise Introduction to Computer Graphics   Applicability in curriculum: - M.Sc. VC: Visual Computing Intended learning outcomes: The students understand the basic concepts of computer graphics can apply their knowledge to create a rendering program work in groups on exercises and programming tasks learn both the theoretical basics and applications of computer graphics are able to acquire in-depth knowledge of computer graphics after the course Content: Introduction, history, areas of application of computer graphics Modeling and acquisition of graphical data Graphical application programming Transformations Clipping Rasterization and anti-aliasing Lighting Texturing Visibility Ray tracing Modern concepts of computer graphics at a glance Workload: 56h contact time + 94h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): oral examination 2 SWS Lecture 2 SWS Exercise Prerequisites according to examination regulations: Recommended prerequisites: none Einführung in die Informatik (Introduction to Computer Science) Media: Literature: J.D. Foley, A. van Dam, S.K. Feiner, J.F. Hughes: Computer Graphics – Principles and Practice (second Edition). AddisonWesley Publishing Company, Inc., 1996 J. Encarnacao, W. Straßer, R. Klein: Gerätetechnik, Programmierung und Anwendung graphischer Systeme, Teil I und II. Oldenbourg, München, Wien, 1966, 1997 D. Salomon: Computer Graphics Geometric Modeling, Sprin-ger, 1999 A. Watt: 3D Computer Graphics. Addison-Wesley Publishing Company, Inc., 2000 Comments: It is not allowed to take this module and Computer Graphics - an Introduction as well. Introduction to Computer Science for Engineers Winter (in German: Introduction to Computer Science for Engineers ) Module-ID: FIN-INF-120440 Abbreviation ICSE Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Dr. Christian Braune Lecturer: Dr. Christian Braune Classes: Lecture Introduction to Computer Science for Engineers Exercise class Introduction to Computer Science for Engineers   Applicability in curriculum: - M.Sc. DE: Grundlagen Informatik - M.Sc. DE: Informatik Grundlagen (SPO 2027) Intended learning outcomes: Students who finish this course know the basic principles of programming in an imperative, object-oriented programming language understand that design of an algorithm can impact its runtime know some of the most commonly used data structures and what their respective advantages and disadvantages are Content: Introduction to: imperative programming paradigm basic concepts of object-oriented programming programming in a commonly used programming language (e.g. Python) generic programming fundamental data structures: trees (binary trees, search-trees and self-balancing search trees) hash tables graphs abstract data types: lists, stacks, queues main algorithms for fundamental tasks such as sorting and searching methods to observe algorithm complexity or performance (Big-O notation). fundamental types of algorithm design paradigms: Divide-and-Conquer, Greedy, Backtracking and Searching, and Dynamic Programming Workload: 180 h (70 h contact hours + 110 h complementary reading and realization of the exercises/assignments) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Prerequisites for admission: successful completion of assignments (voting & assessment). Details will be explained during the first lecture. Written examination, 120 min Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Computer Science - An Interdisciplinary Approach, R. Sedgewick and K. Wayne, Addison-Wesley, 2016, ISBN 0-13-407642-7 Algorithms, 4th Edition, R. Sedgewick and K. Wayne, Addison-Wesley, 2011, ISBN 0-321-57351-X Data Structures and Algorithm in Java, 6th Edition, M.T. Goodrich and R. Tamassia and M.H. Goldwasser, Wiley, 2014, ISBN 1-118-77133-4 Comments: Introduction to Deep Learning Summer (in German: Introduction to Deep Learning ) Module-ID: FIN-INF-120521 Abbreviation IDL Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Sebastian Stober Lecturer: Sebastian Stober Classes: Lecture Introduction to Deep Learning Exercise class Introduction to Deep Learning   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Students ... confidently apply DL techniques to develop a solution for a given problem follow recent DL publications and critically assess their contributions formulate hypotheses and design & conduct DL experiments to validate them document progress & design decisions for reproducibility and transparency have advanced competencies in scientific research in topics of the module Content: Artificial neural network fundamentals (gradient descent & backpropagation, activation functions) Network architectures (Convolutional Neural Networks, Recurrent/Recursive Neural Networks, Auto-Encoders, Transformers) Regularization techniques Introspection & analysis techniques Optimization techniques Advanced training strategies (e.g. teacher-student) Workload: 56h contact hours (2 SWS lecture + 2 SWS exercise groups) 124h self study (reading assignments (flipped classroom), programming exercises) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Exam requirements: participation and active involvement in the course and the exercises (defined in the 1st lecture and published on the course website) Final exam: written (120 minutes) Schein: pass final exam (at least 4.0) Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Machine Learning (required) Media: Literature: Ian Goodfellow, Yoshua Bengio & Aaron Courville: "Deep Learning", MIT Press, 2016. Comments: Introduction to Distributed Sensor Data Fusion Summer (in German: Introduction to Distributed Sensor Data Fusion ) Module-ID: FIN-INF-120497 Abbreviation SDF Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr.-Ing. Benjamin Noack Lecturer: Prof. Dr.-Ing. Benjamin Noack Classes: Lecture Introduction to Distributed Sensor Data Fusion Exercise Introduction to Distributed Sensor Data Fusion   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Intended learning outcomes: Students who complete the course ... have an overview of basic problems and methods in designing distributed sensor systems and their applications. understand how to process data in a network of sensors, what requirements the infrastructure must meet, and how to model and describe errors like measurement noise. are familiar with the mathematical tools and can apply them. can analyze, compare, and evaluate different approaches to information processing of sensor data. Content: This lecture introduces basic principles, requirements, and methods of sensor data processing. Since data are more often gathered by networked sensor systems, this lecture places particular emphasis on distributed sensor data fusion methods. We will start by discussing the technical specifications of a sensor system and the basics of digital sensor data processing. Our study includes sampling theorems, compressive sensing, and signal matching. We will consider the required infrastructure to processing sensor data in networked systems, i.e., sensor networks. Based on this infrastructure, we can apply methods for multisensor data fusion to spatially distributed sensors and can monitor spatio-temporal processes. Workload: 56 h contact time 124 h independent study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Oral exam (30 min) Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Literature will be announced in the lecture. Comments: Introduction to Distributed Sensor Data Fusion Summer (in German: Introduction to Distributed Sensor Data Fusion ) Module-ID: FIN-INF-110503 Abbreviation SDF Credit Points 5 Semester Summer Term starting at 4. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Prof. Dr.-Ing. Benjamin Noack Lecturer: Prof. Dr.-Ing. Benjamin Noack Classes: Lecture Introduction to Distributed Sensor Data Fusion Exercise Introduction to Distributed Sensor Data Fusion   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: Students who complete the course ... have an overview of basic problems and methods in designing distributed sensor systems and their applications. understand how to process data in a network of sensors, what requirements the infrastructure must meet, and how to model and describe errors like measurement noise. are familiar with the mathematical tools and can apply them. can analyze, compare, and evaluate different approaches to information processing of sensor data. Content: This lecture introduces basic principles, requirements, and methods of sensor data processing. Since data are more often gathered by networked sensor systems, this lecture places particular emphasis on distributed sensor data fusion methods. We will start by discussing the technical specifications of a sensor system and the basics of digital sensor data processing. Our study includes sampling theorems, compressive sensing, and signal matching. We will consider the required infrastructure to processing sensor data in networked systems, i.e., sensor networks. Based on this infrastructure, we can apply methods for multisensor data fusion to spatially distributed sensors and can monitor spatio-temporal processes. Workload: 56 h contact time 94 h independent study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Oral exam (30 min) Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Literature will be announced in the lecture. Comments: Introduction to Machine Learning Safety Sommer (engl. Introduction to Machine Learning Safety ) Modulnummer: FIN-INF-120532 Kürzel MLS CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Frank Ortmeier Dozent:in: Prof. Dr. Frank Ortmeier, Konstantin Kirchheim Lehrveranstaltungen: Vorlesung Introduction to Machine Learning Safety Übung Introduction to Machine Learning Safety Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Angestrebte Lernergebnisse: Verständnis grundlegender Unterschiede zwischen klassischer Softwareentwicklung und datengetriebener Entwicklung von ML-Systemen sowie der daraus resultierenden Sicherheitsimplikationen. Fähigkeit, typische Fehlermodi von ML-Systemen systematisch zu analysieren und deren Ursachen (z. B. Datenverteilung, Modellunsicherheit, Verteilungsverschiebung) zu identifizieren. Kompetenz, geeignete Test- und Evaluationsverfahren für ML-Modelle in sicherheitskritischen Kontexten auszuwählen und anzuwenden. Einordnung und Bewertung von Unsicherheitsabschätzungen, Anomalieerkennung und Robustheitsmechanismen im Hinblick auf ihre sicherheitstechnische Relevanz. Verständnis adversarieller Bedrohungsmodelle sowie grundlegender Verteidigungsstrategien. Reflexion regulatorischer, ethischer und gesellschaftlicher Rahmenbedingungen beim Einsatz lernbasierter Systeme. Inhalt: Grundlagen und Sicherheitskontext Datenqualität und Modelltestverfahren Robustheit und Angriffsmodelle Unsicherheit und Anomalieerkennung Alignment und gesellschaftliche Aspekte Arbeitsaufwand: 20h Übungsteilnahme, 20h Vorlesung, 40h Vorlesungsvorbereitung, 40h Übung, 60h Prüfungsvorbereitung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Teilnahme an der Übung Hausarbeit Übung (2 SWS) Vorlesung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Introduction to Deep Learning Medienformen: Literatur: Hinweise: Introduction to Machine Learning Safety Sommer (in German: Introduction to Machine Learning Safety ) Module-ID: FIN-INF-120532 Abbreviation MLS Credit Points 6 Semester Sommer Term ab 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr. Frank Ortmeier Lecturer: Prof. Dr. Frank Ortmeier, Konstantin Kirchheim Classes: Vorlesung Introduction to Machine Learning Safety Übung Introduction to Machine Learning Safety   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Verständnis grundlegender Unterschiede zwischen klassischer Softwareentwicklung und datengetriebener Entwicklung von ML-Systemen sowie der daraus resultierenden Sicherheitsimplikationen. Fähigkeit, typische Fehlermodi von ML-Systemen systematisch zu analysieren und deren Ursachen (z. B. Datenverteilung, Modellunsicherheit, Verteilungsverschiebung) zu identifizieren. Kompetenz, geeignete Test- und Evaluationsverfahren für ML-Modelle in sicherheitskritischen Kontexten auszuwählen und anzuwenden. Einordnung und Bewertung von Unsicherheitsabschätzungen, Anomalieerkennung und Robustheitsmechanismen im Hinblick auf ihre sicherheitstechnische Relevanz. Verständnis adversarieller Bedrohungsmodelle sowie grundlegender Verteidigungsstrategien. Reflexion regulatorischer, ethischer und gesellschaftlicher Rahmenbedingungen beim Einsatz lernbasierter Systeme. Content: Grundlagen und Sicherheitskontext Datenqualität und Modelltestverfahren Robustheit und Angriffsmodelle Unsicherheit und Anomalieerkennung Alignment und gesellschaftliche Aspekte Workload: 20h Übungsteilnahme, 20h Vorlesung, 40h Vorlesungsvorbereitung, 40h Übung, 60h Prüfungsvorbereitung Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Teilnahme an der Übung Hausarbeit Übung (2 SWS) Vorlesung (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Introduction to Deep Learning Media: Literature: Comments: Introduction to Simulation Winter (in German: Introduction to Simulation ) Module-ID: FIN-INF-100372 Abbreviation ItS Credit Points 5 Semester Winter Term starting at 5. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Graham Horton Lecturer: Graham Horton Classes: Lecture Introduction to Simulation Exercise class Introduction to Simulation   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik II - Pflicht - B.Sc. INGINF: Ingenieurinformatik Pflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Intended learning outcomes: Students who complete the course ... can use a professional simulation tool know the practical considerations when solving initial value problems numerically can carry out input and output analysis for stochastic, discrete-event models can model simple systems as stochastic Petri nets, ordinary differential equations and discrete-time Markov chains know and understand the steps in a simulation study Content: Introduction to the fundamentals and steps in a simulation study: discrete-event simulation random variables and random number generation statistical data analysis ordinary differential equations and numerical integration stochastic Petri nets the AnyLogic simulation system discrete-time Markov chains agent-based simulation Workload: 56 contact hours + 94 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): 120 min written exam Lecture 2 SWS Exercise class 2 SWS Prerequisites according to examination regulations: Recommended prerequisites: none Mathematik 5 Media: Literature: Banks, Carson, Nelson, Nicol: Discrete-Event System Simulation Comments: Introduction to Simulation Winter (in German: Introduction to Simulation ) Module-ID: FIN-INF-120345 Abbreviation ItS Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Graham Horton Lecturer: Graham Horton Classes: Lecture Introduction to Simulation Exercise class Introduction to Simulation   Applicability in curriculum: - M.Sc. DKE: Fundamentals of Data Science - M.Sc. DE: Grundlagen Informatik - M.Sc. DE: Informatik Grundlagen (SPO 2027) Intended learning outcomes: Students who complete the course ... can analyse discrete, continuous and hybrid systems using a professional simulation tool know how to obtain an accurate result efficiently when integrating initial value problems numerically can carry out input and output analysis to obtain statistically significant results for stochastic, discrete-event models can select an appropriate modelling paradigm for a given situation can perform a simulation study and interpret its results Content: Introduction to the fundamentals and steps in a simulation study: discrete-event simulation random variables and random number generation statistical data analysis ordinary differential equations and numerical integration stochastic Petri nets the AnyLogic simulation system discrete-time Markov chains agent-based simulation Workload: 56 contact hours + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): 2h written exam 2 SWS lecture 2 SWS exercise class Prerequisites according to examination regulations: Recommended prerequisites: keine Basic engineering mathematics Media: Literature: Banks, Carson, Nelson, Nicol: Discrete-Event System Simulation Comments: KI in Unternehmen Sommer Einsatzbereiche und ethische Implikationen (engl. AI in Companies – Areas of Application and Ethical Implications ) Modulnummer: FIN-INF-110504 Kürzel KIU CP 5 Semester Sommer Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Dr. Christian Beyer Dozent:in: Dr. Christian Beyer Lehrveranstaltungen: Seminar: KI in Unternehmen - Einsatzbereiche und ethische Implikationen Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Künstliche Intelligenz - B.Sc. INF: Wissenschaftliches Seminar - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Wissenschaftliches Seminar - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Wissenschaftliches Seminar - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. WIF: Wissenschaftliches Seminar - B.Sc. WIF: Wirtschaftsinformatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Wirtschaftsinformatik Grundlagen (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Wissenschaftliches Seminar - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... verstehen, wie KI in Unternehmenskontexten genutzt wird und können es kritisch bewerten erkennen und diskutieren ethische Implikationen im Zusammenhang mit KI. entwickeln ihre Präsentationsfähigkeit und die Fähigkeit, komplexe Themen verständlich darzustellen. lernen wissenschaftliche Artikel zu analysieren, zusammenzufassen und selber zu verfassen Inhalt: Ein Überblick über Einsatzmöglichkeiten von KI in Unternehmen ethische Überlegungen gesellschaftliche Verantwortung Fallbeispiele Arbeitsaufwand: Präsenszeiten: 2 Stunden pro Woche: Seminar / Konsultationen Individuelle Arbeitszeit 130 Stunden: Lesen und Verstehen der bereitgestellten Artikel Recherche zusätzlicher Artikel Schreiben Präsentation Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Referat Seminar Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Mindestens im 4 Semester Machine Learning Data Mining Fundamentals of Natural Language Processing Introduction to Deep Learning Fortgeschrittene Englischkenntnisse Medienformen: Literatur: Literatur wird in der ersten Veranstaltung für die einzelnen Seminarthemen bereitgestellt Hinweise: Learning Generative Models Winter (in German: Learning Generative Models ) Module-ID: FIN-INF-120522 Abbreviation LGM Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Sebastian Stober Lecturer: Sebastian Stober Classes: Lecture Learning Generative Models Exercise class Learning Generative Models   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Students can .. confidently apply generative models to develop a solution for a given problem follow recent publications on generative models and critically assess their contributions formulate hypotheses and design & conduct experiments with generative models to validate them document progress & design decisions for reproducibility and transparency Content: Training methods & architectures for generative models, in particular energy-based models (e.g. Restricted Boltzmann Machines, RBMs) autoregressive models variational learning and Generative Adversarial Nets (GANs) flow-based models diffusion models Workload: 56 contact hours + 124h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Oral exam (necessary preliminary work for admission to the examination is announced in the first week of the course) Schein (necessary preliminary work for admission to the examination is announced in the first week of the course) 2 SWS lecture 2 SWS exercise class Prerequisites according to examination regulations: Recommended prerequisites: keine Introduction to Deep Learning or Deep Learning für Ingenieure (required) Media: Literature: Ian Goodfellow, Yoshua Bengio & Aaron Courville: “Deep Learning”, MIT Press, 2016. Comments: Learning Generative Models Winter (in German: Learning Generative Models ) Module-ID: FIN-INF-110519 Abbreviation LGM Credit Points 5 Semester Winter Term starting at 3. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Sebastian Stober Lecturer: Sebastian Stober Classes: Lecture Learning Generative Models Exercise class Learning Generative Models   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Künstliche Intelligenz - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: Students can .. confidently apply generative models to develop a solution for a given problem follow recent publications on generative models and critically assess their contributions formulate hypotheses and design & conduct experiments with generative models to validate them document progress & design decisions for reproducibility and transparency Content: Training methods & architectures for generative models, in particular energy-based models (e.g. Restricted Boltzmann Machines, RBMs) autoregressive models variational learning and Generative Adversarial Nets (GANs) flow-based models diffusion models Workload: 56 contact hours + 94h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Oral exam (necessary preliminary work for admission to the examination is announced in the first week of the course) Schein (necessary preliminary work for admission to the examination is announced in the first week of the course) 2 SWS lecture 2 SWS exercise class Prerequisites according to examination regulations: Recommended prerequisites: keine Deep Learning für Ingenieure Media: Literature: Ian Goodfellow, Yoshua Bengio & Aaron Courville: “Deep Learning”, MIT Press, 2016. Comments: Logik Sommer (in German: Logik ) Module-ID: FIN-INF-110492 Abbreviation Logic Credit Points 5 Semester Sommer Term starting at 2. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Martin Glauer Lecturer: Martin Glauer Classes: Lecture Logic Exercise Logic   Applicability in curriculum: - B.Sc. INF (bilingual): Mathematik / Logik - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Intended learning outcomes: Students can explain the terms relevant to logic and their definitions, read logical syntax (in particular logical formulae and arguments) describe situations using logical formulae, translate logical formulae into German and vice versa, recognize and produce normal forms, write down situations as model-theoretical structures, distinguish between formal representation and meaning (real world/application), check arguments for logical conclusions, construct proofs independently, use algorithms to evaluate and transform logical expressions and arguments. Content: Fields of application for logic in computer science, Logical syntax (concept of formula and concept of argument for propositional logic and predicate logic), Formal representation of knowledge, Logical semantics of two- and three-valued propositional logic and predicate logic, Domain-specific languages and abstraction to general logical languages, Concept of inference and logical inference, Rule systems (e.g. for formulas and proofs), - Basic algorithms for logical problems (SAT solving, Horn formula algorithm, transfer to normal forms) rule systems (e.g. for formulas and proofs), basic algorithms for logical problems (SAT solving, Horn formula algorithm, transfer to normal forms) Workload: Attendance time: 14 x 4 hours = 56 hours Independent follow-up work on the lecture: 94 hours Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): 2/3 of the exercises voted 120 minute written exam Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: - J. Barwise, J. Etchemendy: Language, Proof and Logic. Comments: Logik Summer (engl. Logic ) Modulnummer: FIN-INF-110103 Kürzel Logik CP 5 Semester Summer Fachsem. ab 2. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Fabian Neuhaus Dozent:in: Fabian Neuhaus Lehrveranstaltungen: In Deutsch / In German Vorlesung Logik Übung Logik In Englisch / In English Lecture Logik Exercise Logik Verwendbarkeit: - B.Sc. INF: Mathematik / Logik - B.Sc. INF: Aufbaumodule (SPO 2027) - B.Sc. CV: Mathematik / Logik - B.Sc. CV: Computervisualistik Pflicht (SPO 2027) - B.Sc. INGINF: Mathematik / Logik - B.Sc. INGINF: Ingenieurinformatik Pflicht (SPO 2027) - B.Sc. INF (bilingual): Mathematik / Logik - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) - B.Sc. WIF: Informatik Pflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden können die für Logik relevanten Begriffe und deren Definitionen erklären, logische Syntax (insbesondere logische Formeln und Argumente lesen) Situationen durch logische Formeln beschreiben, logische Formeln ins Deutsche übersetzen und umgekehrt, Normalformen erkennen und herstellen, Situation als modelltheoretische Struktur aufschreiben, zwischen formaler Repräsentation und der Bedeutung (reale Welt/Anwendung) unterscheiden, Argumente auf logische Folgerungen überprüfen, Beweise selbstständig konstruieren, Algorithmen zur Auswertung und Umformung logischer Ausdrücke und Argumente anwenden. Inhalt: Anwendungsfelder für Logik in der Informatik, Logische Syntax (Formelbegriff und Argumentbegriff für Aussagenlogik und Prädikatenlogik), formale Repräsentation von Wissen, Logische Semantik von zwei- und dreiwertiger Aussagenlogik sowie Prädikatenlogik, Domänenspezifische Sprachen und Abstraktion zu allgemeinen logischen Sprachen, Folgerungsbegriff und logische Folgerung, Regelsysteme (u.a. für Formeln und Beweise), grundlegende Algorithmen für logische Probleme (SAT-Solving, Hornformel-Algorithmus, Überführung in Normalformen) Arbeitsaufwand: Präsenzzeiten: 14 X 4h = 56 h Selbstständiges Nachbereiten der Vorlesung: 94 h Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: 2 Drittel der Übungsaufgaben votiert Klausur 120 Min. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: J. Barwise, J. Etchemendy: Sprache, Beweis und Logik. Dassow : Logik für Informatiker Schöning : Logik für Informatiker J. Kelly: Logik (im Klartext) Hinweise: Logik 2 Winter (engl. Logic 2 ) Modulnummer: FIN-INF-0 Kürzel Logik2 CP 10 Semester Winter Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor,Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Fabian Neuhaus Dozent:in: Fabian Neuhaus Lehrveranstaltungen: Vorlesung Logik 2 Übung Logik 2 Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Fundamentals of Data Science - M.Sc. DE: Grundlagen Informatik - M.Sc. DE: Informatik Grundlagen (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Angestrebte Lernergebnisse: Anwendungen von ausgewählten Erweiterungen der klassischen Logik zur Wissensrepräsentation Anwendungen von ausgewählten nicht-klassischen Logiken zur Wissensrepräsentation Anwendung von Beweiskalkülen für Logiken Verstehen von fortgeschrittenen semantischen Methoden für Logiken Verstehen von metalogischen Beweisen und die Fähigkeit einfache metalogische Beweise selbst zu führen Inhalt: Die Veranstaltung baut auf der Pflichtveranstaltung Logik auf, in der die klassische Aussagen- und Prädikatenlogik eingeführt wird. In Logik 2 werden einerseits weiterführende Themen der klassischen Logik behandelt (u.a. Korrektheits-, Vollständigkeits- und Kompaktheitsbeweise). Darüber hinaus werden Erweiterungen der klassischen Logik sowie nichtklassische Logiken behandelt, z.B. Modallogik, Temporallogik, epistemische Logik, Konditionallogik, mehrwertige Logiken und Logik höherer Stufe. Arbeitsaufwand: Präsenzzeiten: 14 X 4h = 56h selbständige Arbeit = 244h (Vorbereiten der Vorlesung, Lösen Übungsaufgaben, Vorbereitung Präsentation) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: 2 Drittel der Übungsaufgaben votiert BA: mindestens 1 Präsentation MA: mindestens 2 Präsentationen Mündliche Prüfung Übung 2 SWS Vorlesung 2 SWS Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Erfolgreicher Abschluss des Modul Logik bzw. fundiertes Wissen im Bereich der Themen des Moduls"Logik. Medienformen: Literatur: Hinweise: Anmeldung via E-Learning-Plattform MLOps for Small Language Model Applications Winter (in German: MLOps for Small Language Model Applications ) Module-ID: FIN-INF-120515 Abbreviation LLMOps Credit Points 9 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr. Klaus Turowski, Dr.-Ing. Abdulrahman Nahhas Lecturer: Prof. Dr. Klaus Turowski, Dr.-Ing. Abdulrahman Nahhas Classes: Vorlesung + Übung + Tutorial   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Students ... know and understand specialized subject content that expands and deepens Large Language Models (LLM) and machine learning development and operation. can independently analyze problems and identify alternative solutions. know how to work with large language models following proper machine learning development and operation practices. are experienced in the theory and handling of container-based virtualization technologies such as Docker. know how to use higher programming languages (Python). know how to use various configuration and automation tools and languages to automate the development and operation of LLM solutions. have practical and theoretical knowledge of testing LLM-solutions, particularly in relation to essential DevOps concepts such as Continuous Integration and Continuous Delivery, LLMOps, testing, and system landscape. have the ability to design, create, test, commission, and support LLM solutions for business problems. Content: The generalization and standardization of the Large Language Model Operations (LLMOps) life cycle is crucial for the effective adoption and management of Large Language Models (LLMs) in a business context. In many cases, the lifecycle of an LLM solution does not end with the delivery an initial solution; rather, subsequent model improvement, operation, monitoring, and maintenance have become essential parts of this process. At this point, sophisticated paradigms and methods are required to facilitate the continuous development and operation of these systems while preventing errors, failures, and other disruptions. The course is designed to teach the fundamentals, as well as provide initial practical experience in the development of LLM solutions and technologies, in conjunction with dedicated cloud-native technologies and an emphasis on small LLMs (SML) that are edge-suitable, may be operated on premise, or are ressource-efficient. In addition to the theoretical basics, essential concepts and technologies are discussed and applied that enable the continuous improvement, integration, delivery, and testing of LLM solutions for business problems. Workload: Attendance: 21 h lecture / 63 h exercise Independent work: 207 h Preparation and follow-up of lecture & exercise Development of an LLM-based sotution following LLMLOps practicies to address a business problems 9 x30h (63 h attendance time + 207 h independent work) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Report Vorlesung (2 SWS) Übung (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: VLBA: Systemarchitectures or 2. VLBA Cloud DevOps Technologies or 3. Version control systems, DevOps practicies (CI/CD), Containerization technologies, and python. VLBA: Systemarchitectures or 2. VLBA Cloud DevOps Technologies or 3. Version control systems, DevOps practicies (CI/CD), Containerization technologies, and python. Media: Literature: Comments: Machine Learning Winter (in German: Machine Learning ) Module-ID: FIN-INF-120517 Abbreviation ML Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Andreas Nürnberger Lecturer: Andreas Nürnberger Classes: Lecture Machine Learning Exercise class Machine Learning   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Fundamentals of Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Students ... can create machine learning pipelines and individual algorithms program decision trees, multi-layer perceptrons, and KNN classifiers in Java, Python, C++ can evaluate the predictive performance of various classifiers for practical scenarios Content: Introduction to concept spaces and concept learning Algorithms for instance-based learning and cluster analysis Algorithms for generating decision trees Bayesian learning Neural networks Association learning Reinforcement learning Hypothesis evaluation Workload: 56 contact hours + 124h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam (also for pass/fail grade). Requirements for exam participation will be announced in the first week of the course in class and online. Lecture (2 SWS) Exercise class (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Algorithmen und Datenstrukturen Media: Literature: Comments: Can only be credited if the module "Grundlagen des Maschinellen Lernens" has not been credited already. Management of Global Large IT-Systems in International Companies Summer (in German: Management of Global Large IT-Systems in International Companies ) Module-ID: FIN-INF-120315 Abbreviation MGLIIC Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: Karl-Albert Bebber, Wolfgang Stockhausen Classes: Block lecture Management of Global Large IT-Systems in International Companies Block Exercise class Management of Global Large IT-Systems in International Companies   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Human Factors - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: Students are able to … understand the fundamentals of IT strategy and analyze its significance for businesses. describe methods for developing and implementing IT strategies. apply project management methodologies such as PRINCE2 and agile approaches in IT projects. understand multi-project management, program management and portfolio management in corporate environments. apply change management models such as ADKAR to manage organizational transformations. understand the importance of IT governance and compliance for corporate structures and regulatory requirements. describe stakeholder management and intercultural communication in global IT projects. identify risks and quality requirements in IT projects and develop appropriate control measures. explain data governance concepts and assess their significance for data protection, IT security, and regulatory compliance. describe the role of data quality, metadata management and master data management (MDM) in corporate IT. model, analyze, and optimize IT-supported business processes, particularly through the use of BPMN. understand Identity & Access Management (IAM) and evaluate its implementation in enterprises. explain security aspects such as authentication, authorization, Single Sign-On (SSO), and two-factor authentication (2FA), as well as best practices in enterprise security management. assess IT security strategies and cybersecurity measures, including risk mitigation techniques. understand the importance of reference data management and data integration for corporate processes. evaluate agile methodologies such as Scrum in IT transformation projects and compare them with traditional waterfall approaches. understand risk and quality management processes in IT environments, including testing methodologies, compliance frameworks, and risk mitigation strategies. analyze and apply IT service delivery models in Shared Service Centers. Content: Business Process Management and Modeling Process Analysis and Optimization/Standardization Identity and Access Management (IAM) Quality and Risk Management in IT Operations Testing and Software Quality Assurance, including Documentation Agile vs. Waterfall Project Management in IT IT Service Delivery and Shared Service Center Management Project and Program Management (PRINCE2 i. a.) Stakeholder Management in IT Projects Change Management (ADKAR, Organizational and Employee Transformation) Data Governance (Strategy, Policies, Processes and Data Quality) IT Strategy – Business as a Driver for IT (Balanced Scorecard) IT Investments and Business Decision-Making Insights from Ongoing IT Projects by Public Accountants and IT Project Leads from Major International Companies Workload: 56 contact hours + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Requirements for exam admission will be announced in the first lecture Written Exam (120 min) 2 SWS Blockvorlesung 2 SWS Blockübung Prerequisites according to examination regulations: Recommended prerequisites: keine Knowledge about IT-Systems and Business administration Media: Literature: Comments: Marketing Sommer (engl. Marketing ) Modulnummer: FIN-INF-999853 Kürzel CP 5 Semester Sommer Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Fakultät für Wirtschaftswissenschaften Dozent:in: Fakultät für Wirtschaftswissenschaften Lehrveranstaltungen: Vorlesung Marketing Hörsaalübung Marketing Verwendbarkeit: - B.Sc. WIF: Wirtschaftswissenschaften Pflicht (SPO 2027) Angestrebte Lernergebnisse: Nach dem erfolgreichen Absolvieren des Moduls haben die Studierenden grundlegende Kenntnisse der Funktion von Marketing in Unternehmen und der Analyse von Märkten erlangt, ausgewählte Instrumente des Marketings und marketingpolitische Entscheidungsfelder kennengelernt, Fähigkeiten zur Lösung von Problemstellungen im Marketing unter Anwendung geeigneter Methoden erlernt. Inhalt: Grundlagen des Marketings (Ziele, Aufgaben, Entwicklungsstufen) Grundlagen Marktforschung Strategische Marketingplanung Produktmanagement Markenführung Ausgewählte Marketinginstrumente im Marketingmix (z.B. Preis-, Kommunikations-, und Distributionspolitik) Messung des Marketingerfolgs Arbeitsaufwand: 56 h Präsenz 94 h Selbststudium inkl. Prüfungsleistung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur 2 SWS Vorlesung 2 SWS Hörsaalübung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Esch, F. R. (2024). Strategie und Technik der Markenführung (10th ed.). Vahlen, Franz. https://permalink.obvsg.at/AC16821843 Homburg, C. (2020a). Grundlagen des Marketingmanagements: Einführung in Strategie, Instrumente, Umsetzung und Unternehmensführung (6th ed.). Springer eBook Collection. Springer Gabler. https://doi.org/10.1007/978- 3-658-29638-4 Homburg, C. (2020b). Marketingmanagement: Strategie - Instrumente - Umsetzung - Unternehmensführung (7th ed.). Springer Gabler.https://doi.org/10.1007/978-3-658-29636-0 T Sarstedt, M., & Mooi, E. (2019). A Concise Guide to Market Research: The Process, Data, and Methods Using IBM SPSS Statistics (3.th ed.). Springer. Scharf, A., Schubert, B., & Hehn, P. (2022). Marketing: Einführung in Theorie und Praxis (7th ed.). SchäfferPoeschel Verlag für Wirtschaft SteuernRecht GmbH. Weiterführende Literatur bzw. Ergänzungen werden im Laufe der Lehrveranstaltung bekannt gegeben. Hinweise: Masterarbeit jedes (engl. Masters Thesis ) Modulnummer: FIN-INF-999997 Kürzel CP 30 Semester jedes Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Alle Dozenten der FIN Lehrveranstaltungen: keine Verwendbarkeit: - M.Sc. INF: Masterarbeit - M.Sc. INGINF: Masterarbeit - M.Sc. WIF: Masterarbeit - M.Sc. DKE: Masterarbeit - M.Sc. DE: Masterarbeit - M.Sc. VC: Masterarbeit Angestrebte Lernergebnisse: Nach Abschluss des Moduls können die Studierenden … eine komplexe Aufgabe aus Anwendung oder Forschung mit wissenschaftlichen Methoden selbstständig bewältigen, sich in die Thematik selbstständig einarbeiten, die Aufgabenstellung analysieren und Lösungsmöglichkeiten dafür vergleichen einen eigenen Lösungsweg entwickeln und anschließend bewerten ihre Arbeitsergebnisse sowie deren potenzielle Konsequenzen einschätzen und bewerten. ihre Ergebnisse und das neue erworbene Wissen erklären und ihre Entscheidungen und Interpretationen verteidigen. Inhalt: Durch die Bearbeitung der Masterarbeit entwickeln die Studierenden eine eigenständige Lösung und erwerben dadurch detailliertes und kritisches Verständnis in einem Spezialbereich der Informatik. Das Thema der Masterarbeit kann aus aktuellen Forschungsvorhaben der Institute oder aus betrieblichen Problemstellungen mit wissenschaftlichem Charakter abgeleitet werden. Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch. Arbeitsaufwand: 22 Wochen eigenständige Erstellung einer wissenschaftlichen Arbeit 1h Verteidigung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Masterarbeit und Verteidigung selbstständige Arbeit, Verteidigung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: Nachweis von 60 CP bzw. 90 CP aus den Schwerpunktbereichen (siehe SPO des Studienganges) Medienformen: Literatur: Hinweise: Wie finde ich ein Thema und wie schreibe ich meine Masterarbeit? Übersicht für Masterarbeitsthemen im Thesis Portal Masterarbeit jedes (in German: Masterarbeit ) Module-ID: FIN-INF-999997 Abbreviation Credit Points 30 Semester jedes Term ab 3. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Studiendekan:in der FIN Lecturer: Alle Dozenten der FIN Classes: keine   Applicability in curriculum: - M.Sc. INF: Masterarbeit - M.Sc. INGINF: Masterarbeit - M.Sc. WIF: Masterarbeit - M.Sc. DKE: Masterarbeit - M.Sc. DE: Masterarbeit - M.Sc. VC: Masterarbeit Intended learning outcomes: Nach Abschluss des Moduls können die Studierenden … eine komplexe Aufgabe aus Anwendung oder Forschung mit wissenschaftlichen Methoden selbstständig bewältigen, sich in die Thematik selbstständig einarbeiten, die Aufgabenstellung analysieren und Lösungsmöglichkeiten dafür vergleichen einen eigenen Lösungsweg entwickeln und anschließend bewerten ihre Arbeitsergebnisse sowie deren potenzielle Konsequenzen einschätzen und bewerten. ihre Ergebnisse und das neue erworbene Wissen erklären und ihre Entscheidungen und Interpretationen verteidigen. Content: Durch die Bearbeitung der Masterarbeit entwickeln die Studierenden eine eigenständige Lösung und erwerben dadurch detailliertes und kritisches Verständnis in einem Spezialbereich der Informatik. Das Thema der Masterarbeit kann aus aktuellen Forschungsvorhaben der Institute oder aus betrieblichen Problemstellungen mit wissenschaftlichem Charakter abgeleitet werden. Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch. Workload: 22 Wochen eigenständige Erstellung einer wissenschaftlichen Arbeit 1h Verteidigung Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Masterarbeit und Verteidigung selbstständige Arbeit, Verteidigung Prerequisites according to examination regulations: Recommended prerequisites: Nachweis von 60 CP bzw. 90 CP aus den Schwerpunktbereichen (siehe SPO des Studienganges) Media: Literature: Comments: Wie finde ich ein Thema und wie schreibe ich meine Masterarbeit? Übersicht für Masterarbeitsthemen im Thesis Portal Medical Visualization Summer (in German: Medical Visualization ) Module-ID: FIN-INF-102622 Abbreviation MedVis Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Bernhard Preim Lecturer: Gabriel Mistelbauer Classes: Lecture Medical Visualization Exercise class Medical Visualization   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. VC: Visual Computing Intended learning outcomes: Students ... are familiar with methods for visualizing three-dimensional medical image data can compare and evaluate methods for medical volume visualization know selected advanced methods for medical visualization can apply interactive methods to medical image data Content: Medical volume visualization Visualization of 3D surfaces Virtual endoscopy Vessel visualization Workload: 56 contact hours + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Oral exam 2 SWS lecture 2 SWS exercise class Prerequisites according to examination regulations: Recommended prerequisites: none Lecture Visualization Media: Literature: B. Preim und D. Bartz: Visualization in Medicine, Morgan Kaufman, San Francisco, 2006Preim, Botha: Visual Computing for Medicine, 2nd Edition, , Morgan Kaufman, San Francisco, 2013 Comments: Mesh Processing Sommer (engl. Mesh Processing ) Modulnummer: FIN-INF-110330 Kürzel MP CP 5 Semester Sommer Fachsem. ab 5. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Christian Rössl Dozent:in: Christian Rössl Lehrveranstaltungen: Vorlesung Mesh Processing Übung Mesh Processing Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. CV: Computervisualistik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden verstehen 2D Flächen im 3D Raum (z.B. parametrische vs implizite Darstellung) sowohl und deren Eigenschaften (z.B. Differentialgeometrie) verstehen die diskrete Darstellung von Flächen mit Polygonnetzen verstehen und verwenden verschiedene Datenstrukturen für Dreiecksnetze an verstehen grundlegende Methoden der Geometrieverarbeitung mit Polygonnetzen wenden diese Methoden beispielhaft in Implementierungen an Inhalt: 3D-scannen und Triangulierung Datenstrukturen Diskrete Differentialgeometrie Glätten Parametrisierung Dezimierung Remeshing Deformation Die Veranstaltung kann je Bedarf in englischer oder deutscher Sprache abgehalten werden. Vorlesungsmaterialien stehen auf englisch zur Verfügung. Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Um an der Prüfung teilnehmen zu können, sind Prüfungsvorleistungen erforderlich. Details werden in der ersten Vorlesung bekannt gegeben. Mündliche Prüfung Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Computergraphik CAGD Mathematik 1,2 (Lineare Algebra, Analysis) und Mathematik 5 (Numerische Lösungsverfahren, Geometrische Methoden) Programmierkenntnisse in C++ oder Julia oder Matlab und/oder die Bereitschaft sich schnell und selbständig in neues einzuarbeiten Grundlegende Kenntnisse der Versionsverwaltung mit Git Bereitschaft, der Veranstaltung auch in englischer Sprache zu folgen Medienformen: Literatur: Botsch, Kobbelt, Pauly, Alliez & Lévy.: Polygonal Mesh Processing Hinweise: Wir verwenden i.d.R. Julia (https://julialang.org) als Programmiersprache (statt vormals Matlab und GNU Octave) und ggf. C++ (mit https://www.pmp-library.org). Ob wir C++ verwenden, entscheiden wir in der Veranstaltung je nach Vorkenntnissen und Wünschen. Mobile Robotics Sommer (in German: Mobile Robotics ) Module-ID: FIN-INF-110526 Abbreviation MR Credit Points 5 Semester Sommer Term starting at 4. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Prof. Dr.-Ing. Benjamin Noack Lecturer: Prof. Dr.-Ing. Benjamin Noack Classes: Lecture Mobile Robotics Exercise Mobile Robotics   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Intended learning outcomes: Students who completed the course ... have a comprehensive overview of concepts and algorithms used in mobile robotics applications, such as delivery robots or autonomous cars have a foundational understanding of the mathematical principles required for system modeling, planning, perception, mapping, and their probabilistic approaches understand how various components within a robotic system interlink and interact are able to select appropriate algorithms for a given setup in mobile robotics and implement them using the ROS2 framework Content: This course offers an introduction to the foundational principles and algorithms of mobile robotics, utilizing a flipped classroom approach. The course emphasizes a conceptual understanding of mobile robotics while introducing relevant mathematical underpinnings. Students complete preparatory work before each lecture, which they use in class to deepen understanding and application of knowledge. In the exercise, students deepen their knowledge with practical experience and complete programming assignments using the Robot Operating System 2 (ROS2) framework. With an emphasis on wheeled robots, this lecture covers the modeling of mobile robots, sensing of their own state and the environment—including image processing planning, control, localization, mapping, and advanced methods. The main parts of the course are based on the book Computational Principles of Mobile Robotics Workload: 28h Lecture 28h Practical Exercise 94h independent Study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Term paper about implementation, documentation, and presentation of a robotics project (Hausarbeit über Durchführung, Dokumentation und Abnahme eines Roboterprojekts) Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Linear Algebra and Calculus Media: Literature: Computational Principles of Mobile Robotics Comments: Modellierung Winter (engl. Modeling ) Modulnummer: FIN-INF-110127 Kürzel Mod CP 5 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Dr.-Ing. Daniel Staegemann Dozent:in: Dr.-Ing. Daniel Staegemann Lehrveranstaltungen: Vorlesung Modellierung Übung Modellierung Verwendbarkeit: - B.Sc. INF: Informatik I - Pflicht - B.Sc. CV: Informatik I - Pflicht - B.Sc. INGINF: Informatik I - Pflicht - B.Sc. WIF: Gestalten - Pflicht - B.Sc. INF (bilingual): Informatik I - Pflicht Angestrebte Lernergebnisse: Studierende ... können Systeme, Daten und Prozesse mithilfe verschiedener Modellierungstechniken abbilden. können im Rahmen von Informations- und Kommunikationssystemen Lösungen gestalten, darstellen und kommunizieren. können komplexe, gestalterische Sachverhalte abstrahieren und analytisch denken. können Konzepte für Informatiklösungen und computergestützte Lösungen so entwerfen und darstellen, dass diese hierauf aufbauend implementiert werden können. können die von ihnen erworbenen Fähigkeiten der Abstraktion und Darstellung, besonders in Bezug auf die Abbildung von Prozessen, einerseits zur Erfüllung von Aufgaben an der Schnittstelle von Informatik, Wirtschaftsinformatik und Wirtschaftswissenschaften, aber auch im Kontext von Fachgebieten außerhalb der Informatik einbringen. können die Darstellung ihrer Konzepte und Ideen an die Bedürfnisse unterschiedlicher Stakeholder anpassen und somit in zahlreichen Kontexten und über verschiedene Disziplinen hinweg einen wertvollen Beitrag zum Gelingen verschiedenartigster Projekte leisten. Inhalt: Modellierungstheorie: Von der Diskurswelt zu formalisierten Informationsmodellen Prozesse, Workflows und Geschäftsprozesse Meta-Modelle, Referenzmodellierung Grundsätze ordnungsmäßiger Modellierung Grundlagen XML Fachkonzeptuelle Modellierung mit höheren Petri-Netzen, der Entity Relationship-Methode und der BPMN Objektorientierte Modellierung mit UML Umsetzung konkreter Aufgabenstellungen Arbeitsaufwand: Präsenzzeiten: 28 SWS Vorlesung + 28 SWS Übung Selbstständiges Arbeiten: 54 h Vor- und Nachbereitung der Vorlesung + 40 h Entwicklung von Modellen für die Übung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Benotete und unbenotete schriftliche Prüfung, 120 Min. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Kecher, C. (2011): UML 2 – Das umfassende Handbuch. 4. Aufl. Reisig, W. (1998): Systementwurf mit Netzen. Berlin u. a. Hinweise: Modellierung Winter (in German: Modellierung ) Module-ID: FIN-INF-110488 Abbreviation Credit Points 5 Semester Winter Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: n.b. Lecturer: n.b. Classes: Lecture Modeling Exercise Modeling   Applicability in curriculum: - B.Sc. INF (bilingual): Informatik I - Pflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Intended learning outcomes: Students ... are able to represent systems, data and processes using various modeling techniques. can design, present and communicate solutions within the framework of information and communication systems. can abstract complex, creative issues and think analytically. can design and present concepts for IT solutions and computer-aided solutions in such a way that they can be implemented on this basis. can apply the skills they have acquired in abstraction and representation, especially with regard to the mapping of processes, to fulfill tasks at the interface of computer science, business informatics and economics, but also in the context of subject areas outside of computer science. can adapt the representation of their concepts and ideas to the needs of different stakeholders and thus make a valuable contribution to the success of a wide variety of projects in numerous contexts and across different disciplines. Content: Modeling Theory: From the discourse world to formalized information models Processes, Workflows, and Business Processes Meta-models, Reference Modeling Principles of Proper Modeling Basics of XML Domain Conceptual Modeling with High-level Petri Nets, the Entity-Relationship Method, and BPMN Object-Oriented Modeling with UML Implementation of Concrete Tasks Workload: Contact hours: 28 semester hours per week (SWS) of lectures + 28 SWS of exercises Self study: 54 hours of preparation and follow-up for the lectures + 40 hours of model development for the exercises Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Graded und ungraded written examination, 120 Min. Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Kecher, C. (2011): UML 2 – Das umfassende Handbuch. 4. Aufl. Reisig, W. (1998): Systementwurf mit Netzen. Berlin u. a. Comments: Modellierungstechnik und Softwareprojekt Winter (engl. Modeling Technology and Software Project ) Modulnummer: FIN-INF-906375 Kürzel MSP CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Dr. Henry Herper Dozent:in: Dr. Henry Herper Lehrveranstaltungen: Vorlesung Modellierung und Softwareprojekt Übung Modellierung und Softwareprojekt Verwendbarkeit: Angestrebte Lernergebnisse: Die Studierenden entwickeln ein Grundverständnis für Softwarearchitekturen und Softwarelebenszyklusmodelle sind in der Lage, die Modellierung und Implementierung komplexer Systeme unter Verwendung von UML und einer objektorientierten Programmiersprache zu realisieren kennen Software-Testmethoden und können diese anwenden können im Rahmen eines Softwareprojektes die Vorgehensweise zur Problemlösung dokumentieren, die Ergebnisse präsentieren und bewerten Inhalt: Software-Lebenszyklus, Architekturschemata Modellierungs- und Entwicklungsmethoden Objektorientierte Modellierung mit UML Umsetzung konkreter Aufgabenstellungen mit Modellierungswerkzeugen und einer objektorientierten Programmiersprache Verifikation und Validierung von Programmen Durchführung eines Softwareentwicklungsprojektes Arbeitsaufwand: 150h gesamt/ 56h Präsenzzeit/ 94h Selbststudium Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: mündliche Prüfung Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine erfolgreiche Teilnahme an EAD I und EAD II Medienformen: Literatur: Hinweise: Multimedia and Security Sommer (engl. Multimedia and Security ) Modulnummer: FIN-INF-120458 Kürzel MMSEC CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Jana Dittmann Dozent:in: Prof. Dr. Jana Dittmann Lehrveranstaltungen: Vorlesung Mediensicherheit Übung Mediensicherheit Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... kennen und verstehen Aspekte der Mediensicherheit können ausgewählte Forschungsfragen der Mediensicherheit selbständig bewältigen können bestehende Ansätze bewerten und kreativ für eine Forschungsfrage erweitern können sich in den semesterspezifischen Anwendungsfall einarbeiten und im Team reflektieren können für die Fragestellung neue Ansätze zur Mediensicherheit aufzeigen können für den semesterspezifischen Anwendungsfall Sicherheitsbedarfe feststellen und Verbesserungsalternativen vorschlagen können eine ausgewählte Lösung umsetzen, evaluieren und bewerten sowie Restrisiken aufzeigen können selbständig wissenschaftliche Methoden der IT-Sicherheit anwenden können die Ergebnisse wissenschaftlich in einem Referat präsentieren und sich einer Diskussion stellen Inhalt: Motivation, Einführung und Grundlagen zu ausgewählten Themen der Mediensicherheit mit aktuellen Forschungsfragen und Semester-spezifischen Anwendungsfällen Zusammenfassung von Sicherheitsaspekten in Multimedia­anwendungen und Multimedia-spezifische Umsetzungen von Sicherheitsprotokollen und -mechanismen für Bild, Video und Audio sowie Kombinationen mit Fokus auf die Semester-spezifischen Anwendungsfälle Erarbeitung, Umsetzung, Evaluierung und Bewertung von Lösungsmöglichkeiten für die Semester-spezifischen Anwendungsfälle Wiederholung: Grundlagen der Teamarbeit, Vorlesung ist Projekt-orientiert Arbeitsaufwand: 56 h Präsenzzeit + 124 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: keine Referat Das Referat umfasst eine eigenständige und vertiefte schriftliche Auseinandersetzung mit einer Fragestellung aus dem Arbeitszusammenhang der Lehrveranstaltung unter Einbeziehung und gezielter kritischer Auswertung einschlägiger Literatur, sowie die Darstellung der eigenen Arbeit auch im Vergleich im Team und die Vermittlung sowie Bewertung der eigenen Ergebnisse im mündlichen Vortrag sowie in der anschließenden Diskussion im Team. Die Ausarbeitungen müssen schriftlich vorliegen. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Musik Information Retrieval Winter (engl. Music Information Retrieval ) Modulnummer: FIN-INF-110520 Kürzel MIR CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Sebastian Stober Dozent:in: Sebastian Stober Lehrveranstaltungen: Vorlesung Musik Information Retrieval Übung Musik Information Retrieval Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... kennen die Grundlagen der digitalen Musikverarbeitung kennen unterschiedliche Musikformate (Repräsentationen) und relevanter Merkmale können Probleme der Musikanalyse mit Hilfe von Theorien und Methoden der Informatik analysieren und modellieren können computergestützte Lösungen für die Analyse von Musikdaten umzusetzen und erproben (u.a. Musiksynchronisation, Strukturanalyse, Content-Based Retrieval, Quellentrennung) Inhalt: Music Representations Fourier Analysis of Signals Music Synchronization Music Structure Analysis Chord Recognition Tempo and Beat Tracking Content-Based Audio Retrieval Musically Informed Audio Decomposition Arbeitsaufwand: Präsenzzeit = 56 Stunden: 2 SWS Vorlesung 2 SWS Übung Selbstständige Arbeit = 94 Stunden: Vor- und Nachbearbeitung von Vorlesung und Übung, Bearbeiten von Übungs- und Programmieraufgaben, Kursprojekt Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Prüfung in mündlicher Form: Ankündigung der notwendigen Vorleistungen in der ersten Veranstaltungswoche und auf der Vorlesungswebseite; Schein (mündlich): Ankündigung der notwendigen Vorleistungen in der ersten Veranstaltungswoche und auf der Vorlesungswebseite Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Meinard Müller: Fundamentals of Music Processing Using Python and Jupyter Notebooks 2nd edition, Springer 2021 ISBN: 978-3-030-69807-2 Hinweise: Musik Information Retrieval Winter (engl. Music Information Retrieval ) Modulnummer: FIN-INF-120516 Kürzel MIR CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Sebastian Stober Dozent:in: Sebastian Stober Lehrveranstaltungen: Vorlesung Musik Information Retrieval Übung Musik Information Retrieval Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Angestrebte Lernergebnisse: Die Studierenden ... kennen die Grundlagen der digitalen Musikverarbeitung kennen unterschiedliche Musikformate (Repräsentationen) und relevanter Merkmale können Probleme der Musikanalyse mit Hilfe von Theorien und Methoden der Informatik analysieren und modellieren können computergestützte Lösungen für die Analyse von Musikdaten umzusetzen und erproben (u.a. Musiksynchronisation, Strukturanalyse, Content-Based Retrieval, Quellentrennung) Inhalt: Music Representations Fourier Analysis of Signals Music Synchronization Music Structure Analysis Chord Recognition Tempo and Beat Tracking Content-Based Audio Retrieval Musically Informed Audio Decomposition Arbeitsaufwand: Präsenzzeit = 56 Stunden Selbstständige Arbeit = 124 Stunden: Vor- und Nachbearbeitung von Vorlesung und Übung, Bearbeiten von Übungs- und Programmieraufgaben, Kursprojekt Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Prüfung in mündlicher Form: Ankündigung der notwendigen Vorleistungen in der ersten Veranstaltungswoche und auf der Vorlesungswebseite; Schein (mündlich): Ankündigung der notwendigen Vorleistungen in der ersten Veranstaltungswoche und auf der Vorlesungswebseite Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Meinard Müller: Fundamentals of Music Processing Using Python and Jupyter Notebooks 2nd edition, Springer 2021 ISBN: 978-3-030-69807-2 Hinweise: Narrative Visualization Summer (in German: Narrative Visualization ) Module-ID: FIN-INF-120523 Abbreviation NarVis Credit Points 3 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Bernhard Preim Lecturer: Bernhard Preim Classes: Seminar Narrative Visualization   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Human Factors - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Visual Computing Intended learning outcomes: Students ... can apply methods of narrative visualization for Science communication can design and present topics of Science communication Content: Overview of Narrative Visualization Concepts and Tools for Story Generation Applications in climate research, molecular research and astronomy Applications in business and finance Workload: 28 h contact hours + 152 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Referat 2 SWS Seminar Prerequisites according to examination regulations: Recommended prerequisites: keine Module Visualization Media: Literature: Comments: Neuro-Symbolic Integration Winter (in German: Neuro-Symbolic Integration ) Module-ID: FIN-INF-0 Abbreviation NeSy Credit Points 6 Semester Winter Term Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Martin Glauer Lecturer: Martin Glauer Classes: Lectures Exercise Classes   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Intended learning outcomes: Die Absolvent:innen vertiefen die Inhalte der Lehrveranstaltungen Logik und Intelligente Systeme, indem sie lernen, wie diese zu Neuro-Symbolischen Methoden kombiniert werden können. Hierfür werden neuste Forschungsinhalte aus diesem Gebiet vorgestellt und hinsichtlich der Eignung bestimmter Problemstellungen untersucht. Somit lernen Absolvent:innen komplexe Aufgaben aus der Schnittstelle von Anwendung und Forschung selbstständig zu bewältigen. In den Übungen werden auch offene Aufgaben gestellt, bei denen die eigenen Ergebnisse erklärt und kritisch bewertet und ggf alternative Ansätze vorgeschlagen werden sollen. Die Teilnehmenden können so eigene Ideen einbringen und erlangen detailliertes und kritisches Verständnis der Methoden der neuro-symbolischen Integration. Content: (Fuzzy) Logic Neuro-Symbolic Integration nach von Hamelen Propositional Program Extraction (Arthur, KBANN) Cognitive architectures (CLARION) Logic Tensor Networks Logical Neural Networks Graph Neural Networks Ontology-based Training Workload: Total: 180 h Weekly lecture (2 SWS = 28 h) Follow-up work (20 h) Weekly exercise session (2 SWS = 28 h) Completing assignments (84 h) Follow-up work (20 h) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Active participations during the exercise sessions Voting for exercise tasks Schriftliche Prüfung/Klausur bzw. elektronische Prüfung (written exam) Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Logik/Logic Intelligente Systeme/Intelligent Systems Deep Learning Programming experience (e.g. in Python) Media: Literature: Books P. Hitzler and M. K. Sarker (eds.): Neuro-Symbolic Artificial Intelligence, IOS Press, 2022 Artur S. d'Avila Garcez, Krysia Broda, Dov M. Gabbay: Neural-symbolic learning systems - foundations and applications. Perspectives in neural computing, Springer 2002  PDF Garcez A, Lamb LC, Gabbay DM. Neural-symbolic cognitive reasoning. Springer; 2009. Cognitive Technologies. Hammer B, Hitzler P, editors. Perspectives of neural-symbolic integration. Springer; 2007. Survey papers Michael van Bekkum, Maaike de Boer, Frank van Harmelen, André Meyer-Vitali, Annette ten Teije: Modular design patterns for hybrid learning and reasoning systems. Appl. Intell. 51(9): 6528-6546 (2021) Md. Kamruzzaman Sarker, Lu Zhou, Aaron Eberhart, Pascal Hitzler: Neuro-Symbolic Artificial Intelligence: Current Trends. CoRR abs/2105.05330 (2021) Artur d'Avila Garcez, Luís C. Lamb: Neurosymbolic AI: The 3rd Wave. CoRR abs/2012.05876 (2020) Tarek R. Besold, et al.: Neural-Symbolic Learning and Reasoning: A Survey and Interpretation. CoRR abs/1711.03902 (2017) Marra G, Dumancic S, Manhaeve R, et al. From statistical relational to neural symbolic artificial in- telligence: a survey. CoRR abs/2108.11451 (2021) Grady Booch et al.: Thinking Fast and Slow in AI. AAAI 2021: 15042-15046 (2021) Specific approaches Samy Badreddine, Artur d'Avila Garcez, Luciano Serafini, Michael Spranger: Logic Tensor Networks. Artif. Intell. 303: 103649 (2022) Ryan Riegel et al.: Logical Neural Networks. CoRR abs/2006.13155 (2020) Honghua Dong et al.: Neural Logic Machines. ICLR (Poster) 2019. Also: CoRR abs/1904.11694 Matthieu Zimmer et al.: Differentiable Logic Machines. CoRR abs/2102.11529 (2021) F. Scarselli, M. Gori, A. C. Tsoi, M. Hagenbuchner, and G. Monfardini. “The graph neural network model.” In: IEEE transactions on neural networks 20.1 (2008), pp. 61–80. J. Chen, P. Hu, E. Jiménez-Ruiz, O. M. Holter, D. Antonyrajah, and I. Horrocks. “OWL2Vec*: embedding of OWL ontologies.” In: Mach. Learn. 110.7 (2021), pp. 1813–1845. Aws Albarghouthi: Introduction to Neural Network Verification. Comments: Parallele Programmierung Winter (engl. Parallel Programming ) Modulnummer: FIN-INF-110463 Kürzel PP CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Michael Kuhn Dozent:in: Prof. Dr. Michael Kuhn Lehrveranstaltungen: Vorlesung Parallele Programmierung Übung Parallele Programmierung Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Teilnehmenden... verstehen Hardwarearchitekturen von Parallelrechnern optimieren Anwendungen bezüglich ihrer Leistungsfähigkeit verstehen wichtige Konzepte zur Parallelisierung von Anwendungen erstellen parallele Programme mit verschiedenen Programmieransätzen in kleineren Teams präsentieren Lösungsansätze und Ergebnisse anderen Teilnehmenden Inhalt: Die parallele Programmierung gewinnt immer mehr an Bedeutung, da heutzutage bereits Mobiltelefone und Laptops über mehrere Prozessorkerne verfügen. Supercomputer besitzen teilweise sogar mehrere Millionen Kerne und haben sich als ein nützliches und mittlerweile unverzichtbares Werkzeug für viele Wissenschaftsbereiche etabliert. Die dadurch möglichen Analysen und Simulationen haben es erlaubt, den wissenschaftlichen Erkenntnisgewinn in vielen Bereichen deutlich zu steigern. Die optimale Nutzung dieser Komponenten ist allerdings keine einfache Aufgabe, weshalb Wissenschaftlerinnen und Wissenschaftler bei der Entwicklung effizienter Anwendungen vor immer neue Herausforderungen gestellt werden. Für die parallele Programmierung ist daher ein tiefergehendes Verständnis der Hard- und Softwareumgebung sowie möglicher Fehlerursachen unabdingbar. In der Vorlesung werden die Grundlagen der parallelen Programmierung gelehrt; die Übungen dienen der praktischen Anwendung und Umsetzung der erworbenen Kenntnisse in der Programmiersprache C. Im Rahmen der Vorlesung werden einige der wichtigsten Themengebiete betrachtet: Hard- und Softwarekonzepte (Mehrkernprozessoren, Prozesse/Threads, NUMA etc.), unterschiedliche Ansätze zur parallelen Programmierung (OpenMP, POSIX Threads, MPI) sowie Werkzeuge zur Leistungsanalyse und Fehlersuche (Skalierbarkeit, Deadlocks, Race Conditions etc.). Zusätzlich werden Gründe und Lösungsansätze für Leistungsprobleme diskutiert und alternative Ansätze für die parallele Programmierung vorgestellt. Beispiele und Probleme werden anhand realer wissenschaftlicher Anwendungen veranschaulicht. Arbeitsaufwand: 56h Präsenz 94h selbstständiges Arbeiten Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Aktive und erfolgreiche Teilnahme an den Übungen Klausur (120 Minuten) Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Praktische Kenntnis einer Programmiersprache und die Fähigkeit, einfache Programme zu erstellen Grundkenntnisse in Betriebssystemen und Rechnerarchitekturen (z. B. Technische Informatik) Medienformen: Literatur: High Performance Computing: Modern Systems and Practices (Thomas Sterling, Matthew Anderson und Maciej Brodowicz) Hinweise: Praktikum IT Sicherheit jedes (engl. Praktikum IT-Security ) Modulnummer: FIN-INF-120291 Kürzel P-ITSEC CP 6 Semester jedes Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr.-Ing. Jana Dittmann Dozent:in: PD Dr.-Ing. habil. Christian Krätzer Lehrveranstaltungen: Wissenschaftliches Projekt Praktikum IT-Sicherheit Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Interdisziplinäres Team-Projekt - M.Sc. DE: Digital Engineering-Projekt - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... kennen und verstehen Sicherheitsaspekte des ausgewählten Themas können die ausgewählte Forschungsfragen selbständig bewältigen können bestehende Ansätze bewerten und kreativ für eine Forschungsfrage erweitern können sich in Sicherheitsaspekte des ausgewählten Themas einarbeiten und reflektieren können für die Fragestellung neue Ansätze für das ausgewählten Thema aufzeigen können für das ausgewählte Thema Sicherheitsbedarfe feststellen und Verbesserungsalternativen vorschlagen können eine ausgewählte Lösung umsetzen, evaluieren und bewerten sowie Restrisiken aufzeigen können selbständig wissenschaftliche Methoden der IT-Sicherheit anwenden können die Ergebnisse wissenschaftlich in einem Referat präsentieren und sich einer Diskussion stellen können Herausforderungen allein oder ggf. in der Teamarbeit erkennen und reflektieren sowie angehen Inhalt: Praktikum als Wissenschaftliches Projekt mit Erarbeitung eines Demonstrators als Einzel- oder Teamprojekt: Bearbeitung eines ausgewählten, aktuellen Themas zur Cybersicherheit Lösung einer Forschungsaufgabe wie zum Beispiel aus: System-, Netzwerk- und Anwendungssicherheit Kryptologie Protokolle Mediensicherheit und Biometrische Systeme Spezifikation und formale Verifikation sicherer Systeme IT Sicherheitsmanagement Arbeitsaufwand: 28 h Präsenzzeit (Projektbesprechung, Abgabe und Abnahme) 152 h selbstständige Arbeit (132 h Entwicklung einer Softwarelösung 20 h Vorbereitung und Durchführung einer Präsentation und der Abgabe der Ergebnisse) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: keine Hausarbeit (Beschreibung der erarbeiteten Lösung und der zugehörigen Evaluationsergebnisse) Wissenschaftliches Projekt (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Praxisphase im letzten Semester (dual) jedes (engl. Internship ) Modulnummer: FIN-INF-9999992 Kürzel CP 18 Semester jedes Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Dozenten der FIN Lehrveranstaltungen: keine Verwendbarkeit: - B.Sc. INF: Abschlussmodule - B.Sc. INGINF: Abschlussmodule Angestrebte Lernergebnisse: Die Studierenden ... setzen ihre Kenntnisse aus dem Studium ein, um ein praktisches Problem in einer Organisation zu lösen. führen ihre Aufgaben in eigener Verantwortung durch unter Berücksichtigung der betrieblichen und sachlichen Anforderungen ihres Arbeitsumfeldes. diskutieren ihren Lösungsweg mit ihren Team-Kollegen und informieren sie über ihre Fortschritte und Ergebnisse. bekommen Einblicke in die Notwendigkeiten, Abläufe und sozialen Strukturen in der Organisation. beschreiben in einem Abschlussbericht einzelne Aspekte ihrer Tätigkeit, die besondere positive oder negative Folgen hatten. Inhalt: Arbeitgeberspezifisch Arbeitsaufwand: 480 h Praxiszeit + 60 h Hausarbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Unbenotete Hausarbeit Praxisphase außerhalb der Fakultät für Informatik Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Principles and Practices of Scientific Work and Soft Skills Summer (in German: Principles and Practices of Scientific Work and Soft Skills ) Module-ID: FIN-INF-120502 Abbreviation PPSW Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: PD Dr. Claudia Krull Lecturer: PD Dr. Claudia Krull Classes: Lecture PPSW Exercise PPSW   Applicability in curriculum: - M.Sc. DKE: Fundamentals of Data Science - M.Sc. DE: Human Factors - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) Intended learning outcomes: Students know how a Goal is defined and are able to formulate it properly. based on that students know methods for time management. Students understand important aspects of project management and teamwork, including phases and pitfalls. Students are able to conduct a systematic literature review in order to gain an overview of an area of interest. Students are able to identify and formulate research hypothesis Students understand how a scientific publication is structured, can read it and extract the important information. Students are able to write a research proposal on a selected topic in the form of a scientific publication. Students understand how to present a research topic proposal on a selected topic. Content: The course covers the following topics, among others: Introduction to Scientific Work Literature Research and Management Research Projects and Thesis Topics Scientific Writing - Thesis Structure and Writing Techniques Study Skills & Self Management Project Management & Team Work Presentation Skills The project and term paper topic can be related to an ongoing research project or be used for Master’s thesis preparation. Workload: 40 h in person teaching 140 h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): participation in all classes completion of assignments keeping all deadlines Report Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: participation is limited to 40 Programmierparadigmen Sommer (engl. Programming Paradigms ) Modulnummer: FIN-INF-110121 Kürzel PGP CP 5 Semester Sommer Fachsem. ab 2. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Dr. Christian Braune Dozent:in: Dr. Christian Braune Lehrveranstaltungen: Vorlesung Programmierparadigmen Übung Programmierparadigmen Verwendbarkeit: - B.Sc. INF: Informatik II - Pflicht - B.Sc. INF: Aufbaumodule (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Pflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik II - Pflicht - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) - M.Sc. DE: Grundlagen Informatik - M.Sc. DE: Informatik Grundlagen (SPO 2027) Angestrebte Lernergebnisse: Studierende, die diesen Kurs erfolgreich abschließen, ... kennen die gängigsten Paradigmen zum Algorithmenentwurf, sind in der Lage, diese anzuwenden, können beurteilen, in welchen Situationen welches Paradigma am geeignetsten ist und verstehen welche Vor- und Nachteile sich aus der Verwendung der jeweiligen Paradigmen ergeben. Inhalt: Konzepte der wesentlichen Paradigmen Prozedurale Programmierung Objektorientierte Programmierung Funktionale Programmierung Logische Programmierung Parallele Programmierung Quantencomputing Technische Umsetzung der Paradigmen in Programmiersprachen Anwendung der Paradigmen in Programmiersprachen wie z.B. C, Java, Scala, Haskell, Prolog, Python Entscheidungskriterien für Paradigmen Arbeitsaufwand: 56 h Präsenzzeit 94 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Prüfungsvorleistung erforderlich Prüfung: mündliche Prüfung (wenn es hinreichend viele Teilnehmer gibt: schriftliche Klausur, 120 Minuten) Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Einführung in die Informatik, M1 Der parallele Besuch der Veranstaltungen Algorithmen und Datenstrukturen und M5 ist von Vorteil Medienformen: Literatur: Hinweise: Propädeutikum Informatik Winter (engl. Introductory Course in Computer Science ) Modulnummer: FIN-INF-999820 Kürzel Alle Hochschullehrer:innen CP 5 Semester Winter Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Alle Hochschullehrer:innen Lehrveranstaltungen: Praktikum Propädeutikum Informatik Verwendbarkeit: - B.Sc. INF: Aufbaumodule (SPO 2027) - B.Sc. CV: Computervisualistik Pflicht (SPO 2027) - B.Sc. INGINF: Ingenieurinformatik Pflicht (SPO 2027) - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Angestrebte Lernergebnisse: Nach erfolgreicher Teilnahme können die Studierenden… sich im Fach und an der Fakultät orientieren: Sie kennen die Schwerpunkte der Arbeitsgruppen und können daraus Vertiefungsrichtungen, Themen für Abschlussarbeiten und mögliche Karrierewege ableiten; die Werkzeuge des Studienalltags einsetzen: Textsatzsysteme, Kommandozeile und die Kollaborationsdienste der Fakultät; rechtliche, ethische und gesellschaftliche Rahmenbedingungen beurteilen: Urheberrecht und Open-Source-Lizenzen, sicherer Umgang mit Daten sowie die Wirkungen informatischer Systeme, etwa Bias und Nachhaltigkeit; ihr Studium eigenverantwortlich organisieren: Studienverlauf und Auslandsaufenthalt planen und die Beratungs- und Förderangebote gezielt nutzen. Inhalt: Das Modul verbindet drei Stränge. Den ersten bildet die Vorstellung der Arbeitsgruppen der Fakultät: An jedem Termin präsentieren sich zwei Arbeitsgruppen mit ihren Forschungsschwerpunkten, ihrem Lehrangebot, möglichen Themen für Projekt- und Abschlussarbeiten sowie den daraus erwachsenden Karrierewegen. Ergänzt wird dies durch exemplarische Einblicke in laufende Forschungsarbeiten und durch die Frage, wofür die Inhalte der Grundlagenmodule im weiteren Studium gebraucht werden. Der zweite Strang vermittelt in praktischen, am eigenen Rechner nachvollzogenen Sequenzen die Werkzeuge des wissenschaftlichen und praktischen Arbeitens: Textsatz und Dokumentenerstellung mit LaTeX, Typst, Markdown/Pandoc und Overleaf; die Kommandozeile mit Dateisystem, Kommandos, Umlenkung und einfacher Skripterstellung; die Kollaborations- und Infrastrukturdienste der Fakultät (Mattermost, GitLab und Git, BigBlueButton, Nextcloud) sowie die Einrichtung der eigenen Arbeitsumgebung einschließlich grundlegender Backup-Praktiken. Der dritte Strang stellt die Informatik in ihren rechtlichen, gesellschaftlichen und organisatorischen Kontext. Behandelt werden Urheberrecht und geistiges Eigentum, die Open-Source-Idee und die gängigen Lizenzfamilien mit ihren Konsequenzen für eigene Projekte; Medienkompetenz, Datenschutz und Datensicherheit bis hin zu signierter und verschlüsselter Kommunikation; die historische Perspektive auf das Fach mit Beiträgen von Ada Lovelace, Grace Hopper und den „Hidden Figures“, daran anschließend Diversität in der Informatik und Bias in informatischen Systemen, etwa in Spracherkennung und Bildverarbeitung; schließlich die Rolle von Informatiker/-innen im KI-Zeitalter und in interdisziplinären Entwicklungsteams sowie Nachhaltigkeitsaspekte informatischer Systeme. Zur Studienorganisation stellen sich die Fachschaft (FaRaFIN) und die zuständigen Beauftragten vor und informieren über Auslandsaufenthalte, Gleichstellungs- und Förderangebote, Familienfreundlichkeit, Nachteilsausgleiche und Härtefallregelungen. Arbeitsaufwand: 56h Präsenz und 94h Selbststudium Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Keine Anwesenheit als Prüfungsvorleistung für Bachelorarbeit Praktikum (2×2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Recent Topics in Business Informatics every (in German: Recent Topics in Business Informatics ) Module-ID: FIN-INF-120318 Abbreviation RTBI Credit Points 6 Semester every Term Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr. Klaus Turowski Lecturer: Dr. Daniel Staegemann , Abdulrahman Nahhas Classes: Seminar RTBI   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. DKE: Applied Data Science - M.Sc. DE: Human Factors - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: Students ... can acquire new knowledge independently through self-sufficient research and consultation of thematically relevant scientific literature and make it usable for themselves. can write a scientific paper almost independently and with only a small amount of support and present the final result. can convey knowledge from a subject area of their choice as part of a specialist presentation, explain the research results they have achieved and defend the arguments they have put forward in a scientific discussion. know the steps involved in writing a scientific paper, from finding a specific topic to presenting it at a conference. have carried out the necessary steps for crafting a scientific publication themselves and have developed an understanding of them. Content: Research, Literature Search, Citation & Plagiarism Scientific methods Hands-On-Guidance Introduction to selected Business Informatics topics Workload: presence = 40 hr.: 40 h lecture with integrated exercise independent work = 140 hr: Follow-up of the lecture, write paper and review, and present paper. Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Referat Seminar (4SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Basics of scientific writing Media: Literature: Comments: Recommenders - Master level Summer Learning Methods and Evaluation Methods for Recommenders (in German: Recommenders - Master level ) Module-ID: FIN-INF-120525 Abbreviation RECSYS-M Credit Points 9 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Myra Spiliopoulou Lecturer: Myra Spiliopoulou Classes: Lecture Recommenders Exercise class Recommenders   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: When successfully completing this module, the students have acquired soft skills and technical expertise, as follows: SOFT SKILLS: They have learned how to critically discuss and valuate a scientific paper TECHNICAL EXPERTISE: They comprehend the business context of recommenders comprehend the different types of recommenders, their advantages and disadvantages from the business perspective and from the mining perspective and are familiar with advanced recommendation methods have acquired advanced insights on how to critically evaluate a recommender from the mining perspective and the business perspective understand why adaption is necessary in recommenders and comprehend the behaviour of temporal methods for recommenders and have thus acquired skills they need in order to critically appreciate off-the-shelf or state-of-the-art methods and to design workflows that encompass recommender learning, tuning and evaluation Content: The course consists of two blocks: Block 1 is on Fundamentals of Recommenders and has mutiple parts: (1.1) recommender goals and workflows, (1.2) simple recommendation methods, (1.3) evaluation mechanisms, (1.4) recommender adaption on a stream Block 2 covers advanced topics of recommenders: students read and critically discuss papers in class Workload: 28 Std/hours: Vorlesung/Lecture - in presence (lecture class: 2 hours per week, 28 hours) 28 Std/hours: Übung/Exercises - in presence (exercise class: 2 hours per week, 28 hours) 214 Stunden: Individual working time on Preparation for lectures and exercise classes Reading and understanding the articles provided Discussion of the articles in class Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): A minimum number of points must be achieved during the classes Schriftliche Prüfung (Klausur) Vorlesung (2 SWS) - Lecture class (2 hours-per-week) Übung (2 SWS) - Exercise class (2 hours-per-week) Prerequisites according to examination regulations: Recommended prerequisites: keine Data Mining I Machine Learning Data Mining II Introduction to Deep Learning Advanced English skills Reading of scientific papers, as acquired eg in a bachelor seminar Media: Literature: Literature for Block 1: selected chapters from the 'Recommender Systems Handbook' in the editions: Recommender Systems Handbook by Francesco Ricci, Lior Rokach and Bracha Shapira (editors), SPRINGER (2015), 2nd edition, https://doi.org/10.1007/978-1-4899-7637-6 Recommender Systems Handbook by Francesco Ricci, Lior Rokach and Bracha Shapira (editors), SPRINGER (2022), 3rd edition, https://doi.org/10.1007/978-1-0716-2197-4 Further cited literature, including scientific articles and use cases are cited at the beginning of each unit. Literature for Block 2: the papers for the discussions in class will be announced during the course Comments: Schlüsselkompetenzen Grundlagen Winter vorher Schlüsselkompetenzen I&II (engl. Soft Skills Basics ) Modulnummer: FIN-INF-110110 Kürzel SchlüKo CP 5 Semester Winter Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: PD Dr. Claudia Krull Dozent:in: PD Dr. Claudia Krull Lehrveranstaltungen: In Deutsch / In German Vorlesung Schlüsselkompetenzen Grundlagen In Englisch / In English Lecture Soft Skills Basics (Die Sprachvarianten alternieren jährlich. Im Wintersemester 205/26 findet die englische Variante statt.) Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: Kernmodule (SPO 2027) - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. WIF: Kernmodule (SPO 2027) - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): Kernmodule (SPO 2027) Angestrebte Lernergebnisse: Studierende verstehen den Aufbau des Studiums und wie man erfolgreich studieren kann Studierende können Ziele formulieren und sie als Grundlage für erfolgreiches Zeitmanagement nutzen Studierende kennen Strategien für erfolgreiche Kommunikation mit anderen und Zusammenarbeit in Teams, und können mögliche Probleme erkennen Studierende kennen Methoden für die effektive und effiziente Lebensplanung Studierende verstehen die Grundlagen wissenschaftlichen Arbeitens, wissen wie eine Literaturrecherche funktioniert und wie wissenschaftliche Veröffentlichungen aufgebaut sind Studierende kennen notwendige Eigenschaften von guten Präsentationen und wissen wie man sie erstellt und durchführt Studierende können einen Projektplan erstellen und danach handeln Studierende können sich mit rechtlichen Aspekten, Nachhaltigkeit und ethischen Fragen im Bezug auf die Informatik auseinandersetzen Studierende kennen Werkzeuge zur kreativen Lösungsfindung Inhalt: Studienplanung & erfolgreiches Studieren Ziele & zielorientiertes Handeln Zeitmanagement & Zeitplanung Selbstständig denken und handeln Werte und ethisches Handeln Teams und Teamfähigkeit Entrepreneurgeist & Initiative Diskussionsführung wissenschaftlichen Berichte und Präsentationen Digital Rights Nachhaltigkeit Arbeitsaufwand: 56 h Vorlesung 94 h Hausaufgaben & Klausurvorbereitung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur, 120 min Vorlesung (4 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Videos der Vorlesungen sind in Deutsch und Englisch für alle Teilnehmer verfügbar Hinweise: Sprache jetzt deutsch und englisch, abwechselnd live und mit Videos in beiden Sprachen. Weitere Informationen siehe www.sim.ovgu.de Schlüsselkompetenzen Grundlagen Winter vorher Schlüsselkompetenzen I&II (in German: Schlüsselkompetenzen Grundlagen ) Module-ID: FIN-INF-1101102 Abbreviation SchlüKo Credit Points 5 Semester Winter Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: PD Dr. Claudia Krull Lecturer: PD Dr. Claudia Krull Classes: In Deutsch / In German Vorlesung Schlüsselkompetenzen Grundlagen In Englisch / In English Lecture Soft Skills Basics (Die Sprachvarianten alternieren jährlich. Im Wintersemester 2025/26 findet die englische Variante statt.)   Applicability in curriculum: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: Kernmodule (SPO 2027) - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. WIF: Kernmodule (SPO 2027) - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): Kernmodule (SPO 2027) Intended learning outcomes: Students understand the structure of the degree program and how to study successfully Students can formulate goals and use them as a basis for successful time management Students know strategies for successful communication with others and collaboration in teams, and can recognize potential problems Students know methods for effective and efficient life planning Students understand the basics of scientific work, know how literature research works and how scientific publications are structured Students know the necessary characteristics of good presentations and know how to create and conduct them Students can create a project plan and act accordingly Students can deal with legal aspects, sustainability and ethical issues in relation to computer science Students know tools for finding creative solutions Content: Study planning & successful studying Goals & goal-oriented action Time management & time planning Thinking and acting independently Values and ethical behavior Teams and team spirit Entrepreneurial spirit & initiative Discussion skills Scientific reports and presentations Digital Rights Sustainability Workload: 56 h lecture 94 h homework & exam preparation Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam, 120 min Lecture (4 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Videos der Vorlesungen sind in Deutsch und Englisch für alle Teilnehmer verfügbar Comments: Language now German and English, alternating live and with videos in both languages. For further information see www.sim.ovgu.de Schlüsselkompetenzen Grundlagen (dual) Winter vorher Schlüsselkompetenzen I&II (dual) (engl. Soft Skills Basics (dual) ) Modulnummer: FIN-INF-110110 Kürzel SchlüKo CP 5 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: PD Dr. Claudia Krull Dozent:in: PD Dr. Claudia Krull Lehrveranstaltungen: In Deutsch / In German Vorlesung Schlüsselkompetenzen Grundlagen In Englisch / In English Lecture Soft Skills Basics (Die Sprachvarianten alternieren jährlich. Im Wintersemester 205/26 findet die englische Variante statt.) Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. WIF: Kernmodule (SPO 2027) Angestrebte Lernergebnisse: Studierende verstehen den Aufbau des Studiums und wie man erfolgreich studieren kann Studierende können Ziele formulieren und sie als Grundlage für erfolgreiches Zeitmanagement nutzen Studierende kennen Strategien für erfolgreiche Kommunikation mit anderen und Zusammenarbeit in Teams, und können mögliche Probleme erkennen Studierende kennen Methoden für die effektive und effiziente Lebensplanung Studierende verstehen die Grundlagen wissenschaftlichen Arbeitens, wissen wie eine Literaturrecherche funktioniert und wie wissenschaftliche Veröffentlichungen aufgebaut sind Studierende kennen notwendige Eigenschaften von guten Präsentationen und wissen wie man sie erstellt und durchführt Studierende können einen Projektplan erstellen und danach handeln Studierende können sich mit rechtlichen Aspekten, Nachhaltigkeit und ethischen Fragen im Bezug auf die Informatik auseinandersetzen Studierende kennen Werkzeuge zur kreativen Lösungsfindung Inhalt: Studienplanung & erfolgreiches Studieren Ziele & zielorientiertes Handeln Zeitmanagement & Zeitplanung Selbstständig denken und handeln Werte und ethisches Handeln Teams und Teamfähigkeit Entrepreneurgeist & Initiative Diskussionsführung wissenschaftlichen Berichte und Präsentationen Digital Rights Nachhaltigkeit Arbeitsaufwand: 56 h Vorlesung 94 h Hausaufgaben & Klausurvorbereitung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Referat in Kooperation mit dem Praxispartner Klausur, 120 min Vorlesung (4 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Videos der Vorlesungen sind in Deutsch und Englisch für alle Teilnehmer verfügbar Hinweise: Sprache jetzt deutsch und englisch, abwechselnd live und mit Videos in beiden Sprachen. Weitere Hinweise siehe www.sim.ovgu.de Schlüsselkompetenzen Grundlagen (dual) Winter vorher Schlüsselkompetenzen I&II (dual) (in German: Schlüsselkompetenzen Grundlagen (dual) ) Module-ID: FIN-INF-1101102 Abbreviation SchlüKo Credit Points 5 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: PD Dr. Claudia Krull Lecturer: PD Dr. Claudia Krull Classes: In Deutsch / In German Vorlesung Schlüsselkompetenzen Grundlagen In Englisch / In English Lecture Soft Skills Basics (Die Sprachvarianten alternieren jährlich. Im Wintersemester 2025/26 findet die englische Variante statt.)   Applicability in curriculum: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. WIF: Kernmodule (SPO 2027) Intended learning outcomes: Students understand the structure of the degree program and how to study successfully Students can formulate goals and use them as a basis for successful time management Students know strategies for successful communication with others and collaboration in teams, and can recognize potential problems Students know methods for effective and efficient life planning Students understand the basics of scientific work, know how literature research works and how scientific publications are structured Students know the necessary characteristics of good presentations and know how to create and conduct them Students can create a project plan and act accordingly Students can deal with legal aspects, sustainability and ethical issues in relation to computer science Students know tools for finding creative solutions Content: Study planning & successful studying Goals & goal-oriented action Time management & time planning Thinking and acting independently Values and ethical behavior Teams and team spirit Entrepreneurial spirit & initiative Discussion skills Scientific reports and presentations Digital Rights Sustainability Workload: 56 h lecture 94 h homework & exam preparation Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Presentation in collaboration with the industry partner Written exam, 120 min Lecture (4 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Lecture videos are available in German and English for all participants Comments: Sprache jetzt deutsch und englisch, abwechselnd live und mit Videos in beiden Sprachen. Weitere Hinweise siehe www.sim.ovgu.de Scientific Project on Databases for Multi-Dimensional Data, Genomics, and modern Hardware every (in German: Scientific Project on Databases for Multi-Dimensional Data, Genomics, and modern Hardware ) Module-ID: FIN-INF-120507 Abbreviation SPDB Credit Points 6 Semester every Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: Gunter Saake Classes: Lecture Scientific Project on Databases for Multi-Dimensional Data, Genomics, and modern Hardware   Applicability in curriculum: - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. DKE: Applied Data Science - M.Sc. DE: Interdisziplinäres Team-Projekt - M.Sc. DE: Fachliche Spezialisierung Intended learning outcomes: The students ... work and coordinate in a team write academic papers present scientific results acquire knowledge of an advanced research topic on their own self-sufficiently develop solutions on selected topics of databases or their applications assess their own work critically Content: Scientific writing Survey of research literature Advanced research topics in the area of databases, genomics and modern hardware Workload: contact hours: 14h lectures + 8h presentations + 14h consultations self study: 60h implementation + 24h presentations + 30h papers Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Seminar paper (Referat) Lecture (2 SWS) Supervision (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Programming Knowledge in C++, Python, Java or Rust Media: Literature: Comments: Requirement: Passing an initial programming test Scientific Project on Databases for Multi-Dimensional Data, Genomics, and modern Hardware every (in German: Scientific Project on Databases for Multi-Dimensional Data, Genomics, and modern Hardware ) Module-ID: FIN-INF-110507 Abbreviation SPDB Credit Points 6 Semester every Term starting at 5. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: Gunter Saake Classes: Lecture Scientific Project on Databases for Multi-Dimensional Data, Genomics, and modern Hardware   Applicability in curriculum: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: FIN SMK - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: FIN SMK - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: FIN SMK - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): FIN SMK Intended learning outcomes: The students ... work and coordinate in a team write academic papers present scientific results develop solutions on selected topics of databases or their applications assess their own work critically Content: Scientific writing Survey of research literature Advanced research topics in the area of databases, genomics and modern hardware Workload: contact hours: 14h lectures + 8h presentations + 14h consultations self study: 60h implementation + 24h presentations + 30h papers Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Seminar paper (Referat) Vorlesung (2 SWS) Betreuung (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: Requirement: Passing an initial programming test Scientific Writing Winter (in German: Scientific Writing ) Module-ID: FIN-INF-120511 Abbreviation SciWri Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: PD Dr. Claudia Krull Lecturer: Temitope Ibidunni Akinloye Classes: Seminar Scientific Writing   Applicability in curriculum: - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DE: Human Factors - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) Intended learning outcomes: Students are able to conduct a literature research in order to gain an overview of an area of interest. Students can identify open research questions based on a literature research. Students are able to identify and formulate research hypothesis Students understand how a scientific publication is structured, can read it and extract the important information. Students are able to write a research proposal on a selected topic in the form of a scientific publication. Students are able to identify and select possible solution methods for a scientific question. Students are able to prepare a presentation to explain and defend their research proposal. Students understand how to present a research topic proposal on a selected topic. Students are able to evaluate the quality of others scientific work Content: Literature citation and paraphrasing Presentations Review scientific articles Argument formation Knowledge and application of academic writing styles Peer review assessment Workload: 28h Seminar 152h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): participation in all classes completion of assignments keeping all deadlines Seminar paper (Paper + Reviews) Presentation Seminar (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: participation is limited to 40 Scrum-in-Practice Winter (engl. Scrum-in-Practice ) Modulnummer: FIN-INF-110511 Kürzel SIP CP 5 Semester Winter Fachsem. ab 5. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Frank Ortmeier Dozent:in: Prof. Dr. Frank Ortmeier Lehrveranstaltungen: Vorlesung Scrum-in-Practice Übung Scrum-in-Practice Die Lehrveranstaltungen finden zum Teil im Blockformat statt. Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: FIN SMK - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: FIN SMK - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: FIN SMK - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): FIN SMK Angestrebte Lernergebnisse: Die Studierenden ... kennen die Projektmanagementmethode Scrum wenden agile Softwareentwicklungsmethoden praktisch an gewinnen praktische Erfahrungen mittels Durchführung eines Projektes reflektieren ihr Selbst- und Projektmanagement Inhalt: In diesem Modul werden theoretische Kenntnisse und praktische Kompetenzen im Umgang mit Scrum vermittelt. Die Veranstaltung besteht aus drei Teilen. In einem Einführungsteil werden in zwei Vorlesungen die notwendigen Konzepte des Scrum-ProzessModells vorgestellt und eine Einleitung in die zur erfolgreichen Projektdurchführung notwendigen Technologien gegeben. Im Hauptteil der Veranstaltung wird in einer 1-wöchigen Blockveranstaltung ein Projekt mittels Scrum umgesetzt. Diese erfolgt in Projektteams von 4-5 Teilnehmern. Während dieser Phase finden 2mal täglich Scrum-Meetings mit den Betreuern statt. Als Ergebnis lernen die Teilnehmer zielgerichtet und effizient nach diesem Entwicklungsmodell zu entwickeln. Die Blockveranstaltung findet in einer Woche während der Vorlesungsfreien Zeit. Hier besteht natürlich Anwesenheitspflicht. Zur erfolgreichen Durchführung in der Projektarbeit wird von jedem Teilnehmer ein sorgfältiges Einarbeiten in die notwendigen Technologien erwartet. Nach Abschluss der Projektwoche reflektieren die Teilnehmer Ihre Erfahrungen und fassen diese zusammen. Diese Ergebnisse werden dann in einer gemeinsamen Abschlussveranstaltung diskutiert. Arbeitsaufwand: 150h = 56h Präsenszeit + 94h selbständige Arbeit am Projekt Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Projekt mündliche Prüfung 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Software Engineering Medienformen: Literatur: Hinweise: Zuangsbeschränkung: Limitierte Teilnehmerzahl. Auswahlverfahren wird in erster Vorlesung bekannt gegeben Scrum-in-Practice Winter (engl. Scrum-in-Practice ) Modulnummer: FIN-INF-120438 Kürzel SIP CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Frank Ortmeier Dozent:in: Prof. Dr. Frank Ortmeier Lehrveranstaltungen: Vorlesung Scrum-in-Practice Übung Scrum-in-Practice Die Lehrveranstaltungen finden zum Teil im Blockformat statt. Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen Angestrebte Lernergebnisse: Die Studierenden ... kennen die Projektmanagementmethode Scrum wenden agile Softwareentwicklungsmethoden praktisch an gewinnen praktische Erfahrungen mittels Durchführung eines Projektes reflektieren ihr Selbst- und Projektmanagement Inhalt: In diesem Modul werden theoretische Kenntnisse und praktische Kompetenzen im Umgang mit Scrum vermittelt. Die Veranstaltung besteht aus drei Teilen. In einem Einführungsteil werden in zwei Vorlesungen die notwendigen Konzepte des Scrum-ProzessModells vorgestellt und die zur erfolgreichen Projektdurchführung notwendigen Technologien aufgelistet. Im Hauptteil der Veranstaltung wird in einer 1-wöchigen Blockveranstaltung ein Projekt mittels Scrum umgesetzt. Diese erfolgt in Projektteams von 4-5 Teilnehmern. Während dieser Phase finden 2mal täglich Scrum-Meetings mit den Betreuern statt. Als Ergebnis lernen die Teilnehmer zielgerichtet und effizient nach diesem Entwicklungsmodell zu entwickeln. Die Blockveranstaltung findet in einer Woche während der Vorlesungsfreien Zeit. Hier besteht natürlich Anwesenheitspflicht. Zur erfolgreichen Durchführung in der Projektarbeit wird von jedem Teilnehmer ein sorgfältiges Einarbeiten in die notwendigen Technologien erwartet. Nach Abschluss der Projektwoche reflektieren die Teilnehmer Ihre Erfahrungen und fassen diese zusammen. Diese Ergebnisse werden dann in einer gemeinsamen Abschlussveranstaltung diskutiert. Arbeitsaufwand: 180h = 56h Präsenszeit + 124h selbständige Arbeit am Projekt Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Projekt + Ausarbeitung mündliche Prürfung Blockseminar / Projektarbeit Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Software Engineering Medienformen: Literatur: Hinweise: Zuangsbeschränkung: Limitierte Teilnehmerzahl. Auswahlverfahren wird in erster Vorlesung bekannt gegeben Selected Chapters of IT Security: Orchestration of Mechanisms and Tools Winter (engl. Selected Chapters of IT Security: Orchestration of Mechanisms and Tools ) Modulnummer: FIN-INF-120505 Kürzel ITSEC-Orch CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr.-Ing. Jana Dittmann Dozent:in: Prof. Dr.-Ing. Jana Dittmann Lehrveranstaltungen: Projekt Selected Chapters of IT-Security Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Computer Science (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... kennen und verstehen Aspekte der Orchestrierung können ausgewählte Forschungsfragen der Orchestrierung selbständig bewältigen können bestehende Ansätze bewerten und kreativ für eine Forschungsfrage erweitern können sich in den semesterspezifischen Anwendungsfall einarbeiten und im Team reflektieren können für die Fragestellung neue Ansätze zur Orchestrierung aufzeigen können für den Semester-spezifischen Anwendungsfall Sicherheitsbedarfe feststellen und Verbesserungsalternativen vorschlagen können eine ausgewählte Lösung umsetzen, evaluieren und bewerten sowie Restrisiken aufzeigen können selbständig wissenschaftliche Methoden der IT-Sicherheit anwenden können die Ergebnisse wissenschaftlich in einem Referat präsentieren und sich einer Diskussion stellen können Herausforderungen in der Teamarbeit erkennen und reflektieren sowie angehen Inhalt: Inhalte zu aktuellen Herausforderungen und Lösungen der IT Sicherheit mit ausgewählten Fragen der Orchestrierung als technisch-organisatorische Gestaltungsaufgabe wie zum Beispiel aus: Sicherheitsmanagement Standardisierung, Zertifizierung und Evaluation Technische Gestaltung vor Rechtlichen Erwartungshorizonten ethische und sozial Aspekte der IT-Sicherheit einschließlich Nachhaltigkeit, digitale Inklusion und Barrierefreiheit Sicherheit im E-Business Fallstudien zur IT-Sicherheit Arbeitsaufwand: 28 h Präsenzzeit 152 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: keine Hausarbeit Forschungsprojekt (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Selected Chapters of IT Security: Orchestration of Mechanisms and Tools Winter (in German: Selected Chapters of IT Security: Orchestration of Mechanisms and Tools ) Module-ID: FIN-INF-120505 Abbreviation ITSEC-Orch Credit Points 6 Semester Winter Term ab 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr.-Ing. Jana Dittmann Lecturer: Prof. Dr.-Ing. Jana Dittmann Classes: Projekt Selected Chapters of IT-Security   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Computer Science (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) Intended learning outcomes: Die Studierenden ... kennen und verstehen Aspekte der Orchestrierung können ausgewählte Forschungsfragen der Orchestrierung selbständig bewältigen können bestehende Ansätze bewerten und kreativ für eine Forschungsfrage erweitern können sich in den semesterspezifischen Anwendungsfall einarbeiten und im Team reflektieren können für die Fragestellung neue Ansätze zur Orchestrierung aufzeigen können für den Semester-spezifischen Anwendungsfall Sicherheitsbedarfe feststellen und Verbesserungsalternativen vorschlagen können eine ausgewählte Lösung umsetzen, evaluieren und bewerten sowie Restrisiken aufzeigen können selbständig wissenschaftliche Methoden der IT-Sicherheit anwenden können die Ergebnisse wissenschaftlich in einem Referat präsentieren und sich einer Diskussion stellen können Herausforderungen in der Teamarbeit erkennen und reflektieren sowie angehen Content: Inhalte zu aktuellen Herausforderungen und Lösungen der IT Sicherheit mit ausgewählten Fragen der Orchestrierung als technisch-organisatorische Gestaltungsaufgabe wie zum Beispiel aus: Sicherheitsmanagement Standardisierung, Zertifizierung und Evaluation Technische Gestaltung vor Rechtlichen Erwartungshorizonten ethische und sozial Aspekte der IT-Sicherheit einschließlich Nachhaltigkeit, digitale Inklusion und Barrierefreiheit Sicherheit im E-Business Fallstudien zur IT-Sicherheit Workload: 28 h Präsenzzeit 152 h selbstständige Arbeit Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): keine Hausarbeit Forschungsprojekt (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Selected Chapters of IT Security: Prevention, Detection, Attribution and Reaction Winter (engl. Selected Chapters of IT Security: Prevention, Detection, Attribution and Reaction ) Modulnummer: FIN-INF-120504 Kürzel ITSEC-PDAR CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr.-Ing. Jana Dittmann Dozent:in: Prof. Dr.-Ing. Jana Dittmann Lehrveranstaltungen: Projekt Selected Chapters of IT Security Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... kennen und verstehen von Aspekten der Prävention, Detektion, Attribution und Reaktion können ausgewählte Forschungsfragen der Prävention, Detektion, Attribution und Reaktion selbständig bewältigen können bestehende Ansätze bewerten und kreativ für eine Forschungsfrage erweitern können sich in den Semester-spezifischen Anwendungsfall einarbeiten und im Team reflektieren können für die Fragestellung neue Ansätze zur Prävention, Detektion, Attribution und Reaktion aufzeigen können für den Semester-spezifischen Anwendungsfall Sicherheitsbedarfe feststellen und Verbesserungsalternativen vorschlagen können eine ausgewählte Lösung umsetzen, evaluieren und bewerten sowie Restrisiken aufzeigen können selbständig wissenschaftliche Methoden der IT-Sicherheit anwenden können die Ergebnisse wissenschaftlich in einem Referat präsentieren und sich einer Diskussion stellen können Herausforderungen in der Teamarbeit erkennen und reflektieren sowie angehen Inhalt: Inhalte zu aktuellen Herausforderungen und Lösungen der IT Sicherheit mit ausgewählten Themen der Prävention, Detektion, Attribution und Reaktion wie zum Beispiel aus: System-, - Netzwerk- und Anwendungssicherheit Kryptologie Mediensicherheit Biometrische Systeme Spezifikation und formale Verifikation sicherer Systeme Arbeitsaufwand: 28 h Präsenzzeit 152 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: keine Hausarbeit Forschungsprojekt (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Sichere Systeme, Algorithmen und Datenstrukturen, Grundlagen der Technischen Informatik Medienformen: Literatur: Hinweise: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Selected Chapters of IT Security: Prevention, Detection, Attribution and Reaction Winter (in German: Selected Chapters of IT Security: Prevention, Detection, Attribution and Reaction ) Module-ID: FIN-INF-120504 Abbreviation ITSEC-PDAR Credit Points 6 Semester Winter Term ab 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr.-Ing. Jana Dittmann Lecturer: Prof. Dr.-Ing. Jana Dittmann Classes: Projekt Selected Chapters of IT Security   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) Intended learning outcomes: Die Studierenden ... kennen und verstehen von Aspekten der Prävention, Detektion, Attribution und Reaktion können ausgewählte Forschungsfragen der Prävention, Detektion, Attribution und Reaktion selbständig bewältigen können bestehende Ansätze bewerten und kreativ für eine Forschungsfrage erweitern können sich in den Semester-spezifischen Anwendungsfall einarbeiten und im Team reflektieren können für die Fragestellung neue Ansätze zur Prävention, Detektion, Attribution und Reaktion aufzeigen können für den Semester-spezifischen Anwendungsfall Sicherheitsbedarfe feststellen und Verbesserungsalternativen vorschlagen können eine ausgewählte Lösung umsetzen, evaluieren und bewerten sowie Restrisiken aufzeigen können selbständig wissenschaftliche Methoden der IT-Sicherheit anwenden können die Ergebnisse wissenschaftlich in einem Referat präsentieren und sich einer Diskussion stellen können Herausforderungen in der Teamarbeit erkennen und reflektieren sowie angehen Content: Inhalte zu aktuellen Herausforderungen und Lösungen der IT Sicherheit mit ausgewählten Themen der Prävention, Detektion, Attribution und Reaktion wie zum Beispiel aus: System-, - Netzwerk- und Anwendungssicherheit Kryptologie Mediensicherheit Biometrische Systeme Spezifikation und formale Verifikation sicherer Systeme Workload: 28 h Präsenzzeit 152 h selbstständige Arbeit Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): keine Hausarbeit Forschungsprojekt (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Sichere Systeme, Algorithmen und Datenstrukturen, Grundlagen der Technischen Informatik Media: Literature: Comments: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Seminar 'Advanced Topics of KMD' every (in German: Seminar 'Advanced Topics of KMD' ) Module-ID: FIN-INF-120330 Abbreviation AdvKMD_Seminar Credit Points 6 Semester every Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Myra Spiliopoulou Lecturer: Myra Spiliopoulou Classes: Seminar AdvKMD_Seminar   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DKE: Data Processing for Data Science - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: When successfully completing this seminar, the students: know how to collect literature on a specific topic, and can judge which literature is relevant and which is not can compare mining methods, workflows and frameworks that address a specific scientific topic, and can rank them on given criteria can formulate such criteria themselves can critically discuss the advantages and caveats of a published mining method can summarize the papers they collected, their comparisons and critical discussion in an essay can present the papers they collected, their comparisons and critical discussion in a pre-specified amount of time and in a way understandable to both an audience that has read the papers and to an audience that has not read, and they can answer questions Content: CONTENT: Topics on 'Advanced Knowledge Management and Discovery' for business applications, engineering applications and applications in healthcare; all topics refer to mining algorithms for static or dynamic data STRUCTURE: Each student receives a topic as assignment. The assignment encompasses: one or more 'seed' papers in the topic's area a series of questions to be answered, and which concern state of the art (SOTA) methods in the topic area, challenges addressed by these methods, evaluation criteria on the performance of these methods, evaluation procedures and datasets The student must: collect additional literature from the topic area in a transparent manner compare the scientific advances in the collected literature in order to answer the scientific questions critically discuss and rank the methods compared in the previous step present the collected literature, the comparisons and the results in class write an essay on them Workload: 28 hours Seminar+Consultations in class 124 hours self-study work on scientific papers Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Referat Seminar (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Familiarity with advanced mining methods Familiarity with procedures for the evaluation of models and the comparison of models Underpinnings of scientific writing (e.g. through a bachelor seminar or a bachelor thesis) Media: Literature: The literature of the seminar covers several topics. For each topic, it consists of the papers assigned to each student and the paper that the student collects on that topic. The topics change in each semester. Comments: The seminar contains several topics. The mapping of the module (see field 'Verwendbarkeit') depends on the topic assigned to a specific student. Seminar on Advanced Topics of Predictive Maintenance every (in German: Seminar on Advanced Topics of Predictive Maintenance ) Module-ID: FIN-INF-120489 Abbreviation PredMa_Masterseminar Credit Points 6 Semester every Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr.-Ing. Benjamin Noack, Prof. Dr. Myra Spiliopoulou Lecturer: Prof. Dr.-Ing. Benjamin Noack, Prof. Dr. Myra Spiliopoulou Classes: Seminar Advanced Topics of Predictive Maintenance   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Wirtschaftsinformatik (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Digital Engineering (SPO 2027) - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Intended learning outcomes: Students who complete the course ... read scientific articles given to them on introductory topics of predictive maintenance discuss these articles and reflect on them compare the methods that appear in these articles and discuss the pros and contra of each method in comparison to other methods summarize article contents on predictive maintenance in a report and present them formulate questions on these articles and answer questions formulated by other seminar participants Content: In this seminar, the participants will learn about challenges and methods for data acquisition in industrial processes data analysis tools in predictive maintenance process modeling, fault detection, and state prediction for industrial applications Workload: 28h in presence (consultation meetings, presentations) + 156 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Referat Seminar (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Signal and information processing Learning algorithms Underpinnings of engineering sciences and/or business informatics (some topics only) Principles of scientific writing Media: Literature: Literature depends on topic assignment and is given to each student together with the assignment Comments: Sensor Networks Seminar Winter (in German: Sensor Networks Seminar ) Module-ID: FIN-INF-120514 Abbreviation SN Credit Points 6 Semester Winter Term ab 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr.-Ing. Benjamin Noack Lecturer: Prof. Dr.-Ing. Benjamin Noack Classes: Seminar Sensor Networks   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) Intended learning outcomes: Students who complete the course ... ​can independently research complex topics write clear scientific articles present informative and understandable scientific talks understand challenges and methods in sensor networks understand how to these challenges are addressed in practical applications of sensor networks Content: In this seminar, the participants will learn about challenges and methods used in sensor networks the variety of applications and application-specific sensor network design Workload: 28 h in presence (consultation meetings, presentations) + 156 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Presentation Discussion Scientific Article (Referat und Hausarbeit) Seminar (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Lecture Introduction to Distributed Sensor Data Fusion Learning algorithms Underpinnings of engineering sciences and/or business informatics (some topics only) Principles of scientific writing Media: Literature: Literature depends on topic assignment and is given to each student together with the assignment Comments: Service Engineering Sommer (engl. Service Engineering ) Modulnummer: FIN-INF-120530 Kürzel CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Frank Ortmeier Dozent:in: Prof. Dr. Andreas Schmietendorf (HWR Berlin) Lehrveranstaltungen: Vorlesung Service Engineering Übung Service Engineering Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science Angestrebte Lernergebnisse: Die Studierenden ... kennen die Auswirkungen serviceorientierter Architekturansätze auf den gesamten Lebenszyklus derart implementierter Lösungen, kennen Herausforderungen (Technologie, Prozesse, Organisation, …) serviceorientierter Integrationslösungen und einhergehende Lösungsalternativen, können benötigte Services modellgetrieben herleiten und erstellen bzw. Kriterien basiert bewerten (make or buy), kennen aktuelle Technologieansätze zur Implementierung benötigter Services und können ausgewählte Vertreter prototypisch anwenden, können Servicekompositionen aus Sicht der Modellierung und Implementierung (Low- und High –Code) erstellen bzw. das benötigte Management anwenden. Inhalt: Überblick Die Vorlesung vermittelt zunächst die geschäfts-, organisations- und prozessbezogenen Ursachen API-basierter Integrationslösungen. In diesem Zusammenhang wird auf domänenspezifische (Referenz-) Modellansätze aus dem industriellen Umfeld (Telekommunikation, Banken, Versicherungen, …) eingegangen. Darauf aufbauend lernen die Studierenden die Funktionen von Integrationsplattformen (u.a. API-Management) kennen, welche API-Kompositionen über deren gesamten Lebenszyklus unterstützen bzw. verwalten. Mit Hilfe der ersten Komplexübung erfolgt dann eine quantitative Bewertung im Internet angebotenen Public- bzw. Open APIs. Eine weitere alternativ gestaltbare Komplexübung beschäftigt sich mit der Spezifikation, Modellierung, Entwicklung und Einbindung webbasierter APIs in (ggf. mobile) Applikationsszenarien. Im Mittelpunkt der abschließenden Komplexübung steht die Komposition von APIs, wobei abermals ein eigener Schwerpunkt (Modellsicht, Implementierung, Management) gewählt werden kann. Themen: Integrationslösungen als Treiber der Digitalisierung Integrieren statt Implementieren Basistechnologien für Web-APIs (Public- und Open APIs) Spezifikation, Entwicklung und Management von Web-APIs Prozess-Modellierung und -Implementierung (API-Komposition) Arbeitsaufwand: 56 h Präsenz + 124 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Mündliche Prüfung 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Software Engineering Medienformen: Literatur: Hartenstein, S.; Nadobny, K.; Schmidt, S.; Schmietendorf, A.: Sicherheits- und Compliance-Management im Lebenszyklus von Web APIs, Logos-Verlag, Berlin, März 2020, Nitze, A.; Schmietendorf, A.: Bewertungsaspekte bei der agilen SW-Entwicklung …, Logos Verlag, Berlin 2014 Schmietendorf, A.; Knuth, M.: Aspekte des Software Engineerings im Diskurs einer Low-Code orientierten Softwareentwicklung, Logos Verlag, Berlin 2024 Sneed, H.; Sneed, S.: Web-basierte Systemintegration, Vieweg-Verlag, Braunschweig/Wiesbaden 2003 Spichale, K.: API-Design, Praxishandbuch für Java-und Webservice-Entwickler, dpunkt.verlag, 2017 Tilkov, S. et al.: REST und HTTP, dpunkt.verlag, Heidelberg 2015 Hinweise: Service Engineering Sommer (engl. Service Engineering ) Modulnummer: FIN-INF-110318 Kürzel CP 5 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Frank Ortmeier Dozent:in: Prof. Dr. Andreas Schmietendorf (HWR Berlin) Lehrveranstaltungen: Vorlesung Service Engineering Übung Service Engineering Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Die Studierenden ... kennen die Auswirkungen serviceorientierter Architekturansätze auf den gesamten Lebenszyklus derart implementierter Lösungen, kennen Herausforderungen (Technologie, Prozesse, Organisation, …) serviceorientierter Integrationslösungen und einhergehende Lösungsalternativen, können benötigte Services modellgetrieben herleiten und erstellen bzw. Kriterien basiert bewerten (make or buy), kennen aktuelle Technologieansätze zur Implementierung benötigter Services und können ausgewählte Vertreter prototypisch anwenden, können Servicekompositionen aus Sicht der Modellierung und Implementierung (Low- und High –Code) erstellen bzw. das benötigte Management anwenden. Inhalt: Überblick Die Vorlesung vermittelt zunächst die geschäfts-, organisations- und prozessbezogenen Ursachen API-basierter Integrationslösungen. In diesem Zusammenhang wird auf domänenspezifische (Referenz-) Modellansätze aus dem industriellen Umfeld (Telekommunikation, Banken, Versicherungen, …) eingegangen. Darauf aufbauend lernen die Studierenden die Funktionen von Integrationsplattformen (u.a. API-Management) kennen, welche API-Kompositionen über deren gesamten Lebenszyklus unterstützen bzw. verwalten. Mit Hilfe der ersten Komplexübung erfolgt dann eine quantitative Bewertung im Internet angebotenen Public- bzw. Open APIs. Eine weitere alternativ gestaltbare Komplexübung beschäftigt sich mit der Spezifikation, Modellierung, Entwicklung und Einbindung webbasierter APIs in (ggf. mobile) Applikationsszenarien. Im Mittelpunkt der abschließenden Komplexübung steht die Komposition von APIs, wobei abermals ein eigener Schwerpunkt (Modellsicht, Implementierung, Management) gewählt werden kann. Themen: Integrationslösungen als Treiber der Digitalisierung Integrieren statt Implementieren Basistechnologien für Web-APIs (Public- und Open APIs) Spezifikation, Entwicklung und Management von Web-APIs Prozess-Modellierung und -Implementierung (API-Komposition) Arbeitsaufwand: 56 h Präsenz + 124 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Mündliche Prüfung 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Software Engineering Medienformen: Literatur: Hartenstein, S.; Nadobny, K.; Schmidt, S.; Schmietendorf, A.: Sicherheits- und Compliance-Management im Lebenszyklus von Web APIs, Logos-Verlag, Berlin, März 2020, Nitze, A.; Schmietendorf, A.: Bewertungsaspekte bei der agilen SW-Entwicklung …, Logos Verlag, Berlin 2014 Schmietendorf, A.; Knuth, M.: Aspekte des Software Engineerings im Diskurs einer Low-Code orientierten Softwareentwicklung, Logos Verlag, Berlin 2024 Sneed, H.; Sneed, S.: Web-basierte Systemintegration, Vieweg-Verlag, Braunschweig/Wiesbaden 2003 Spichale, K.: API-Design, Praxishandbuch für Java-und Webservice-Entwickler, dpunkt.verlag, 2017 Tilkov, S. et al.: REST und HTTP, dpunkt.verlag, Heidelberg 2015 Hinweise: Sichere Systeme Sommer (engl. Secure Systems ) Modulnummer: FIN-INF-110115 Kürzel SISY CP 5 Semester Sommer Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Jana Dittmann Dozent:in: Prof. Dr. Jana Dittmann Lehrveranstaltungen: Vorlesung Sichere Systeme Übung Sichere Systeme Verwendbarkeit: - B.Sc. INF: Informatik II - Pflicht - B.Sc. INF: Aufbaumodule (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik II - Pflicht - B.Sc. INGINF: Ingenieurinformatik Pflicht (SPO 2027) - B.Sc. WIF: Anwenden - Pflicht - B.Sc. WIF: Informatik Pflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik II - Pflicht - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... können Sichere Systeme mit Designprinzipien beschreiben und bewerten können Sicherheitsaspekte und Gewährleistungsziele im Konzept berücksichtigen und mittels ausgewählten Mechanismen umsetzen sowie beispielhaft evaluieren können die Bedeutung von Designprinzipien für sichere Systeme selbständig beschreiben können verschiedene Sicherheitsbedürfnisse für sich selbst erkennen und sich selbst danach organisieren können anhand von ausgewählten Bedrohungen und Schwachstellen die abstrakten Sicherheitsaspekte und Gewährleistungsziele erkennen, benennen, Basisangriffe zuordnen als auch ausgewählte Sicherheitsmechanismen ableiten können eine Sicherheitsbewertung vornehmen und Ergebnisse interpretieren können Sicherheit als Prozess in einem IuK-System verstehen und ausgewählte Mechanismen gestalten und anwenden Inhalt: IT-Sicherheitsaspekte, Gewährleistungsziele und IT-Sicherheitsbedrohungen Designprinzipien sicherer IT-Systeme Sicherheitsrichtlinien Ausgewählte Sicherheitsmechanismen Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit (Lösung der Übungsaufgaben & Prüfungsvorbereitung) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: keine Empfohlene Teilnahme an den Vorlesungen und Übungen: Note: Prüfung (schriftlich, 120 Min, keine Vorleistungen) Unbenotete Prüfungsleistung: Bekanntgabe zu Beginn der Veranstaltung Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Einführung in die Informatik Grundlagen der Theoretischen Informatik Grundlagen der Technischen Informatik Medienformen: Literatur: Hinweise: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Simulation Project Summer (in German: Simulation Project ) Module-ID: FIN-INF-102616 Abbreviation SimProj Credit Points 5 Semester Summer Term starting at 5. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: PD Dr. Claudia Krull Lecturer: PD Dr. Claudia Krull Classes: Project meeting Simulation Project   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: FIN SMK - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: FIN SMK - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: FIN SMK - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): FIN SMK - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Intended learning outcomes: Students are able to work in a team on a given project with milestone orientation Students are able to coordinate and conduct a semester long project, including goal setting and budgeting Students are able to plan and structure a project according to given milestones Students understand the importance of responsibility, leadership, delegation, coordination of tasks in a team Students are able to implement and conduct a practical simulation project on a real world task Students know how to develop and comply with success and quality criteria Students have the ability to look back and reflect on their role in the team and their contribution to the joint result Content: Basics of project management and teamwork Implementation of the contents of “Introduction to Simulation” in a real project. Workload: 56 h teammeetings and presentations 94 h project work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Report 2 SWS Lecture (Project presentations) 2 SWS Exercise (Team Meetings) Prerequisites according to examination regulations: Recommended prerequisites: none Introduction to Simulation Media: Literature: Comments: Signup is conducted at the end of the previous winter term in the context of the Introduction to Simulation lecture Participation is limited to 25 Soft Skills für Masterstudierende Sommer (engl. Soft Skills for Masters students ) Modulnummer: FIN-INF-120250 Kürzel SK-M CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Graham Horton Dozent:in: Graham Horton Lehrveranstaltungen: Vorlesung Soft Skills für Masterstudierende Tutorien Soft Skills für Masterstudierende Verwendbarkeit: - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Human Factors - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... kennen die Grundlagen für eine wertbasierte Lebensführung können kreative Methoden der Ideengewinnung und Problemlösung durchführen können eine inhaltliche Planung für ihre Masterarbeit erstellen können Techniken des Selbstmanagements anwenden kennen Perspektiven für die Wahl ihres Berufs Inhalt: Wissenschaftliches Arbeiten III + IV Persönliche Produktivität Life Leadership Problemlösungstechniken Wertschöpfung und Kundennutzen Innovation Querdenken Berufswahl Meetings leiten Arbeitsaufwand: 56 h Präsenzzeit + 124 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Gruppenarbeit Thesis proposal erarbeiten Klausur 120 min Vorlesung (2 SWS) Tutorien (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Der frühere Name dieses Moduls war Schlüsselkompetenzen 3 Software Defined Networking Summer (in German: Software Defined Networking ) Module-ID: FIN-INF-110528 Abbreviation SDN Credit Points 5 Semester Summer Term starting at 5. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: David Hausheer Lecturer: David Hausheer Classes: Lecture Software Defined Networking Exercise Software Defined Networking   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: Students... gain competence in the area of software defined networking understand software defined networking concepts can explain these concepts to other participants are able to apply these concepts in theoretical use cases and practical exercises Content: The course deals with topics in the area of software defined networking: SDN Architecture (Application, Control, Infrastructure Layer) SDN Interfaces (North/South-bound vs. East/West-bound interface) SDN Applications and Use Cases (e.g. Multicasting) Network Virtualization and Slicing (e.g. FlowVisor) Network Function Virtualization (NFV) and Network Service Chaining SDN Security Network Operating Systems and Languages OpenFlow Controller (e.g. NOX, Beacon, etc.) Hardware Switches (e.g. NEC IP8800, Pronto) vs. Software Switches (e.g. NetFPGA, OpenVSwitch) SDN in Wireless Networks (e.g. OpenWRT) Workload: 28h lectures 22h theoretical exercises 4h practical exercises 96h homework (further studies, preparation for the final exam) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Prerequisites for the exam required; details will be announced at the beginning of the semester. Written exam 120 minutes 2 SWS lecture 2 SWS exercise Prerequisites according to examination regulations: Recommended prerequisites: none Modul Computernetze Media: Literature: Textbooks as indicated. Slides and paper copies as necessary. Comments: In der letzen SPO ist dieses Modul als WPF im Modulbereich Technische Informatik anrechenbar. Software Defined Networking Summer (in German: Software Defined Networking ) Module-ID: FIN-INF-120460 Abbreviation SDN Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: David Hausheer Lecturer: David Hausheer Classes: Lecture Software Defined Networking Exercise Software Defined Networking   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: Students... gain competence in the area of software defined networking understand software defined networking concepts can explain these concepts to other participants are able to apply these concepts in theoretical use cases and practical exercises gain expertise in practical network applications Content: The course deals with topics in the area of software defined networking: SDN Architecture (Application, Control, Infrastructure Layer) SDN Interfaces (North/South-bound vs. East/West-bound interface) SDN Applications and Use Cases (e.g. Multicasting) Network Virtualization and Slicing (e.g. FlowVisor) Network Function Virtualization (NFV) and Network Service Chaining SDN Security Network Operating Systems and Languages OpenFlow Controller (e.g. NOX, Beacon, etc.) Hardware Switches (e.g. NEC IP8800, Pronto) vs. Software Switches (e.g. NetFPGA, OpenVSwitch) SDN in Wireless Networks (e.g. OpenWRT) Workload: 28h lectures 22h theoretical exercises 6h practical exercises 124h homework (further studies, practical work, preparation for the final exam) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Prerequisites for the exam required; details will be announced at the beginning of the semester. Written exam 120 minutes 2 SWS lecture 2 SWS exercise Prerequisites according to examination regulations: Recommended prerequisites: none Modul Computernetze Media: Literature: Textbooks as indicated. Slides and paper copies as necessary. Comments: Software Development Project Sommer (engl. Software Development Project ) Modulnummer: FIN-INF-110478 Kürzel SDP CP 10 Semester Sommer Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Frank Ortmeier Dozent:in: Prof. Dr. Frank Ortmeier Lehrveranstaltungen: Vorlesung Software Development Project Übung Software Development Project Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: Kernmodule (SPO 2027) - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. WIF: Kernmodule (SPO 2027) - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... kennen moderne Softwareentwicklungsprozesse und können diese anwenden kennen moderne Frameworks zur Softwareentwicklung, insbesondere aus dem Webkontext und können diese verwenden und entsprechend Anwendungsfällen beurteilen haben praktische Erfahrung in der Softwareentwicklung von größeren Softwareprojekten und können diese Erkenntnisse zukünftig anwenden Studierende können verschiedene Softwareentwicklungsmethoden im industriellen und akademischen Kontext auswählen, beurteilen und effektiv anwenden Inhalt: Softwareentwicklungsumgebung Software(architektur)dokumentation Versionierung und Continuous Integration Automatisiertes Testen Issue Tracking und Behandlung von Programmierfehlern Codeanalyse und Softwareentwicklungsprozesse inkl. Einsatz ML-basierter Unterstützungssysteme Arbeitsaufwand: 300h = 50h Präsenzzeit + 190h Projektarbeit + 60h selbstständige Prüfungsvorbereitung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Anzahl Kurzpräsentationen in den Übungen Mündliche Prüfung, aufgeteilt auf einzelne Meilensteine als Teilleistung. Alle Teilleistungen müssen bestanden werden. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Einführung in die Informatik Software Engineering Medienformen: Literatur: Hinweise: Software Engineering & IT-Projektmanagement Winter (engl. Software Engineering & IT-Projectmanagement ) Modulnummer: FIN-INF-110476 Kürzel SE&IT-PM CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Dr. Thomas Wilde Dozent:in: Dr. Thomas Wilde Lehrveranstaltungen: Vorlesung Software Engineering & IT-Projektmanagement Übung Software Engineering & IT-Projektmanagement Verwendbarkeit: - B.Sc. INF: Informatik I - Pflicht - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Informatik I - Pflicht - B.Sc. CV: Kernmodule (SPO 2027) - B.Sc. INGINF: Informatik I - Pflicht - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Kernmodule (SPO 2027) - B.Sc. INF (bilingual): Informatik I - Pflicht - B.Sc. INF (bilingual): Kernmodule (SPO 2027) Angestrebte Lernergebnisse: Studierende, die den Kurs erfolgreich absolviert haben ... ... verstehen den Begriff "Software Engineering", seine Bedeutung und die Notwendigkeit strukturierter Softwareentwicklung. ... kennen verschiedene Prozessmodelle, deren Vor- und Nachteile sowie die Kernaktivitäten des Software Engineerings. ... wenden Testmethoden und Refactoring an, um Softwarequalität zu sichern und Fehler zu vermeiden. ... verstehen und nutzen agile Methoden wie Scrum und Kanban und vergleichen sie mit traditionellen Ansätzen. ... setzen Versionskontrolle, IDEs und CI/CD-Pipelines effektiv ein und verstehen Continuous Integration & Deployment. ... schreiben lesbaren, wartbaren und effizienten Code nach bewährten Prinzipien und Konventionen. ... schätzen Aufwand und Ressourcen ein, planen Projekte und überwachen deren Fortschritt. ... kennen Architekturkonzepte und Design-Patterns und wenden diese in Softwareprojekten an. ... arbeiten effektiv im Team, präsentieren Ideen klar und dokumentieren ihre Arbeit. Inhalt: Software Engineering - Was ist das und wozu wird es gebraucht? Prozessmodelle: sequentielle & iterativ, Prozessaktivitäten: Spezifikation, Entwicklung, Validierung, Evolution, Qualitätssicherung: Testint & Refactoring, Agile Softwareentwicklung, Tools & Werkzeuge, Clean-Coding / Code-Conventions, Continuous Integration, Continuous Deployment, Continuous Delivery, IT-Projektmanagement: Schätzung & Prozessplanung, Softwarearchitektur, Design-Patterns, Praktische Beispiele. Arbeitsaufwand: Präsenzzeit: 28h Vorlesung + 28h Übung 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Um an der Prüfung teilnehmen zu können, sind Prüfungsvorleistungen erforderlich. Details werden in der ersten Vorlesung bekannt gegeben. Prüfung: schriftliche Klausur, 120 Minuten; Schein (SPO bis 2022): Bearbeitung der Aufgaben & Teilnahme an den Übungen. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Erfolgreicher Abschluss von: Einführung in die Informatik, Algorithmen und Datenstrukturen. Medienformen: Literatur: Ian Sommerville. Software Engineering, 10. Auflage. Pearson, 2016 Erich Gamma, Richard Helm, Ralph E. Johnson, John Vlissides: Design Patterns. Elements of Reusable Object-Oriented Software, Addison Wesley, 1997 Robert Martin: Clean Code: A Handbook of Agile Software Craftsmanship, Prentice Hall, 2008 Für alle Lehrbücher gilt, dass die Auflage und ggf. die Wahl zwischen englischem Original oder deutscher Übersetzung für uns irrelevant ist. Jede ältere Auflage ist in Ordnung. Hinweise: Software Engineering & IT-Projektmanagement (dual) Winter (engl. Software Engineering & IT-Projectmanagement ) Modulnummer: FIN-INF-1104762 Kürzel SE&IT-PM CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Dr. Thomas Wilde Dozent:in: Dr. Thomas Wilde Lehrveranstaltungen: Vorlesung Software Engineering & IT-Projektmanagement Übung Software Engineering & IT-Projektmanagement Verwendbarkeit: - B.Sc. INF: Informatik I - Pflicht - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Informatik I - Pflicht - B.Sc. CV: Kernmodule (SPO 2027) - B.Sc. INGINF: Informatik I - Pflicht - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Kernmodule (SPO 2027) Angestrebte Lernergebnisse: Studierende, die den Kurs erfolgreich absolviert haben ... ... verstehen den Begriff "Software Engineering", seine Bedeutung und die Notwendigkeit strukturierter Softwareentwicklung. ... kennen verschiedene Prozessmodelle, deren Vor- und Nachteile sowie die Kernaktivitäten des Software Engineerings. ... wenden Testmethoden und Refactoring an, um Softwarequalität zu sichern und Fehler zu vermeiden. ... verstehen und nutzen agile Methoden wie Scrum und Kanban und vergleichen sie mit traditionellen Ansätzen. ... setzen Versionskontrolle, IDEs und CI/CD-Pipelines effektiv ein und verstehen Continuous Integration & Deployment. ... schreiben lesbaren, wartbaren und effizienten Code nach bewährten Prinzipien und Konventionen. ... schätzen Aufwand und Ressourcen ein, planen Projekte und überwachen deren Fortschritt. ... kennen Architekturkonzepte und Design-Patterns und wenden diese in Softwareprojekten an. ... arbeiten effektiv im Team, präsentieren Ideen klar und dokumentieren ihre Arbeit. Inhalt: Software Engineering - Was ist das und wozu wird es gebraucht? Prozessmodelle: sequentielle & iterativ, Prozessaktivitäten: Spezifikation, Entwicklung, Validierung, Evolution, Qualitätssicherung: Testint & Refactoring, Agile Softwareentwicklung, Tools & Werkzeuge, Clean-Coding / Code-Conventions, Continuous Integration, Continuous Deployment, Continuous Delivery, IT-Projektmanagement: Schätzung & Prozessplanung, Softwarearchitektur, Design-Patterns, Praktische Beispiele. Arbeitsaufwand: Präsenzzeit: 28h Vorlesung + 28h Übung 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Prüfung: schriftliche Klausur, 120 Minuten; Schein (SPO bis 2022): Bearbeitung der Aufgaben & Teilnahme an den Übungen. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Erfolgreicher Abschluss von: Einführung in die Informatik, Algorithmen und Datenstrukturen. Medienformen: Literatur: Ian Sommerville. Software Engineering, 10. Auflage. Pearson, 2016 Erich Gamma, Richard Helm, Ralph E. Johnson, John Vlissides: Design Patterns. Elements of Reusable Object-Oriented Software, Addison Wesley, 1997 Robert Martin: Clean Code: A Handbook of Agile Software Craftsmanship, Prentice Hall, 2008 Für alle Lehrbücher gilt, dass die Auflage und ggf. die Wahl zwischen englischem Original oder deutscher Übersetzung für uns irrelevant ist. Jede ältere Auflage ist in Ordnung. Hinweise: Software-Development for Industrial Robotics Winter (engl. Software-Development for Industrial Robotics ) Modulnummer: FIN-INF-120432 Kürzel SDIR CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Frank Ortmeier Dozent:in: Prof. Dr. Frank Ortmeier Lehrveranstaltungen: Vorlesung Software-Development for Industrial Robotics Übung Software-Development for Industrial Robotics Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Angestrebte Lernergebnisse: The students have ... Understanding of problems in the robotics domain Understanding and applicability of the mathematical background Practical experience in programming industrial robots on the basis of various tasks Inhalt: The use of industrial robots is increasing rapidly these days. In 2014, the expected number of industrial robots increased by 27% compared to the previous year. The main reason is their flexibility, especially their ability to perform a wide range of tasks. In the lecture “Software Development for Industrial Robotics” an overview of this domain is given as well as the mathematical background. The latter deals in particular with the idea of forward and inverse kinematics, point-to-point movements, linear movements, trajectory planning, recognition of singularities, Denavit-Hartenberg convention, rotation and translation matrices. The final project deals with control using a collision-free path planner, KUKA youBot kinematics, numerical approaches to solving inverse kinematics, etc. Arbeitsaufwand: 180h = 56h attendance time + 124h independent work Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Projekt mündliche Prüfung Lecture (2 SWS) Exercise (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: none Medienformen: Literatur: Hinweise: Zuangsbeschränkung: Limitierte Teilnehmerzahl. Auswahlverfahren wird in erster Vorlesung bekannt gegeben Softwareprojekt jedes (engl. Software Project ) Modulnummer: FIN-INF-110316 Kürzel SWP CP 5 Semester jedes Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Dozenten der FIN Lehrveranstaltungen: Projekt Softwareprojekt Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: Kernmodule (SPO 2027) - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. WIF: Kernmodule (SPO 2027) - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): Kernmodule (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... planen und organisieren ein Team-Projekt erstellen ein Software-Erzeugnis zu einem vorgegebenen Thema berichten regelmäßig über den Verlauf ihres Projektes bewerten am Schluss die Qualität der Teamarbeit und ihren eigenen Beitrag zum Ergebnis Inhalt: Durchführung eines Softwareentwicklungsprojektes im Team Fachliche Inhalte sind angebotsspezifisch. Arbeitsaufwand: 150h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit: Durchführung, Dokumentation und Abnahme eines Softwareprojektes Projekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Softwareprojekt (dual) jedes (engl. Software Project (dual) ) Modulnummer: FIN-INF-1103162 Kürzel SWP CP 5 Semester jedes Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Dozenten der FIN Lehrveranstaltungen: Projekt Softwareprojekt (dual) Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. WIF: Kernmodule (SPO 2027) - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen Angestrebte Lernergebnisse: Die Studierenden ... planen und organisieren ein Team-Projekt erstellen ein Software-Erzeugnis zu einem vorgegebenen Thema berichten regelmäßig über den Verlauf ihres Projektes bewerten am Schluss die Qualität der Teamarbeit und ihren eigenen Beitrag zum Ergebnis Inhalt: Durchführung eines Softwareentwicklungsprojektes im Team Fachliche Inhalte sind angebotsspezifisch. Arbeitsaufwand: 150 h Projektarbeit in Teams Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit (Bericht über den Verlauf und die Ergebnisse des Projektes) Projekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Spezifikationstechnik Sommer (engl. Introduction to Specification ) Modulnummer: FIN-INF-110116 Kürzel SPT CP 5 Semester Sommer Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Frank Ortmeier Dozent:in: Prof. Dr. Frank Ortmeier Lehrveranstaltungen: Vorlesung Spezifikationstechnik Übung Spezifikationstechnik Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Forensik Design - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik II - Pflicht - B.Sc. INGINF: Ingenieurinformatik Pflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... sind mit Methoden der formalen Spezifikation vertraut können einschätzen, für welche Software-Artefakte der Einsatz formaler Methoden sinnvoll ist kennen die Potentiale und Grenzen formaler Methoden Inhalt: Formale versus informale Spezifikation Spezifikation, Validierung, Verifikation, Generierung Spezifikation abstrakter Datentypen Spezifikation von zeitlichen Abläufen und Prozessen, Anwendungsbeispiel: Protokollspezifikation Konkrete Spezifikationssprachen und Werkzeuge Arbeitsaufwand: 150 h = 56 h Präsenzzeit + 94 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Prüfungsvorleistung erforderlich Mündliche Prüfung Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Algorithmen und Datenstrukturen Theoretische Informatik Medienformen: Literatur: Hinweise: Startup Engineering I Winter Vorbereitung der Gründung (engl. Startup Engineering I ) Modulnummer: FIN-INF-110322 Kürzel SE 1 CP 5 Semester Winter Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Graham Horton Dozent:in: Graham Horton Lehrveranstaltungen: Projekt: Startup Engineering I Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: FIN SMK - B.Sc. INF: Ergänzungsbereich (SPO 2027) - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: FIN SMK - B.Sc. CV: Interdisziplinär (SPO 2027) - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: FIN SMK - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Wirtschaftsinformatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): FIN SMK Angestrebte Lernergebnisse: Die Absolventen des Moduls ... kennen und verstehen wichtige Erfolgsfaktoren von Startups können eine Produktidee entsprechend mehreren Kriterien beschreiben kennen Vorbereitungsschritte zur Gründung eines Lean Startups können eine Zielgruppe charakterisieren können einen Kundengewinnungsprozess gestalten haben im Team einige Gründungsvorbereitungen eines Startups durchgespielt bewerten die Qualität der Teamarbeit und den eigenen Beitrag zum Ergebnis Inhalt: Teamarbeit Das Lean Startup-Prinzip Plausibilitätscheck eines minimalen Geschäftsmodells Einschätzung des Marktpotenzials eines Produktes Problem-Solution-Fit und Product-Market-Fit Customer Journey Map Customer Persona Validierung von Gründungshypothesen Arbeitsaufwand: 28 h Präsenzzeit + 122 h selbstständige Projektarbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit 2 SWS Projekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Interesse an Startups und deren Gründungsvorbereitungen Interesse an und Bereitschaft zu Projekt- und Teamarbeit Medienformen: Literatur: Eric Ries: The Lean Startup Diverse Internet-Quellen (werden in der Veranstaltung bekanntgegeben) Hinweise: Der Erfolg bei diesem Modul hängt stark von der Qualität der Projekt- und Teamarbeit ab! Die Anzahl Teilnehmer ist beschränkt. Die Teilnahme an der ersten Veranstaltung ist Pflicht. Das Modul wird nur in Verbindung mit einer benoteten Prüfungsleistung angeboten. Startup Engineering II Winter Developing a Minimum Viable Product (engl. Startup Engineering II ) Modulnummer: FIN-INF-120442 Kürzel SE 2 CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Jana Görs Dozent:in: Graham Horton; Jana Görs Lehrveranstaltungen: Projekt Startup Engineering 2 Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... können in Teamarbeit ein Softwareentwicklungsprojekt durchführen, können ein innovatives Software-Produkt konzipieren, nutzen einen agilen Ansatz, um ein Produkt zu entwickeln, das seine Nutzer begeistert, bewerten die Qualität der Teamarbeit und den eigenen Beitrag zum Ergebnis. Inhalt: Minimum Viable Product Product-Market Fit-Hypothese Spezifikation, Erstellung und Test eines MVP zur Überprüfung einer Hypothese Teamarbeit Kundennahe Produktentwicklung Arbeitsaufwand: 28 h Präsenz + 152 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Keine Hausarbeit 2 SWS Projekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Startup Engineering I Medienformen: Literatur: Internet-Recherchen. Anhaltspunkte werden gegeben. Hinweise: Der Erfolg bei diesem Modul hängt stark von der Qualität der Projekt- und Teamarbeit ab! Das Modul kann in den Studiengängen M-INF, M-WIF, M-INGINF und M-VC auch als Wissenschaftliches Teamprojekt angerechnet werden. Die Anzahl Teilnehmenden ist auf 15 beschränkt. Die Teilnahme an der ersten Veranstaltung ist Pflicht. Swarm Intelligence Winter (in German: Swarm Intelligence ) Module-ID: FIN-INF-102419 Abbreviation SI Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Sanaz Mostaghim Lecturer: Sanaz Mostaghim Classes: Vorlesung Swarm Intelligence Übung Swarm Intelligence   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: The students will get an understanding about Swarm Intelligence and its definitions. They will get the ability to develop swarm intelligence algorithms such as swarm aggregation, swarm movements, tracking, tracing and optimization. In addition, they learn the foundations in collective decision-making and their applications. The students can implement, analyse and evaluate swarm algorithms on several applications. Content: This course provides in-depth knowledge about swarm intelligence in technical systems. In swarm intelligence, we deal with a group of simple and usually homogenous individuals with simple rules. Usually, swarms can achieve a complex and intelligent behaviour using local interactions between its members. This collective property can be used in technical systems. One advanced application of swarm intelligence is in swarm robotics, in which simple small robots can collectively learn to achieve some predefined complex tasks. During this course, the algorithms of swarm intelligence are presented, analysed and compared. The following topics will be covered: Part 1: Fundamentals of swarm intelligence Swarm stability and stability analysis Swarm aggregation Swarm in known environments Swarm in unknown environments: Particle Swarm Optimization Dynamic Optimization Multi-Objective Particle Swarm Optimization Part 2: Swarm and multiagent systems Division of labour and task allocation Swarm clustering and sorting Ant systems and optimization Part 3: Applications Swarm localization and display Swarm robotics Workload: Präsenzzeit: 2 SWS Vorlesung 2 SWS Übungen Selbstständige Arbeit: Bearbeiten von Übungs- und Programmieraufgaben 180 h = 56 h Präsenzzeit + 124 h selbstständige Arbeit Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): All students that participate can take the exam. Written Exam (120 min) Vorlesung (2 SWS) Übung (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Informatik (Algorithmen und Datenstrukturen, Maschinelles Lernen) Media: Literature: Eric Bonabeau, Marco Dorigo and Guy Theraulaz, Swarm In-telligence: From Natural to Artificial Systems, Oxford University Press, 1999Andries Engelbrecht, Fundamentals of Computational Swarm Intelligence, Wiley 2006 James Kennedy and Russel Eberhart, Swarm Intelligence, Morgan Kaufmann, 2001 Zbigniew Michalewicz and David Fogel, How to solve it: Modern Heuristics, Springer, 2001 Veysel Gazi, Stability Analysis of Swarms, The Ohio State University, 2002 Marco Dorigo and Thomas Stützle, Ant Colony Optimization, The MIT Press, 2004 C. Solnon: Ant Colony Optimization and Constraint Program-ming. Wiley 2010 Gerhard Weiss, Multiagent Systems: A modern approach to distributed artificial systems, The MIT Press, 2000 Christian Müller-Schloer, Hartmut Schmeck and Theo Ungerer, Organic Computing – A Paradigm Shift for Complex Systems, Springer, 2011 Comments: Enrollment is limited to a maximum number of participants. If necessary, students will be selected based on a statement of purpose submitted at the beginning of the semester. Technische Aspekte der IT-Sicherheit Sommer (engl. Technical Aspects of IT-Security ) Modulnummer: FIN-INF-110434 Kürzel TAITS CP 5 Semester Sommer Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Jana Dittmann Dozent:in: Prof. Dr. Jana Dittmann Lehrveranstaltungen: Vorlesung Technische Aspekte der IT-Sicherheit Übung Technische Aspekte der IT-Sicherheit Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Forensik Design - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... können anhand einer ausgewählten technischen Fragestellung zur IT-Sicherheit die Anforderungen und Lösungsmöglichkeiten für ein Anwendungsbeispiel verstehen technische Integrationsaspekte verstehen und Umsetzungen ausgewählter Inhalte aus „Sichere Systeme“ und „Algorithmen und Datenstrukturen“ vornehmen können technische Komponenten am Beispiel sicher gestalten und eine Sicherheitsbewertung vornehmen können eine Evaluation und Bewertung technischer Systeme vornehmen und Restrisiken benennen können die Ergebnisse in einem Referat präsentieren und sich einer Diskussion stellen können Herausforderungen in der Teamarbeit erkennen und reflektieren können Sicherheit als Prozess in einem IuK-System verstehen und ausgewählte Mechanismen gestalten und anwenden Inhalt: Zusammenfassung von relevanten Grundlagen für einen ausgewählten technischen Praxisfall der IT-Sicherheit mit Zusammenfassung von Security-by-Design Sicherheitsevaluierung und -bewertung Einführung in die Sensortechnik und Kommunikationstechnologien aus Bereichen wie automotiver Sicherheit, IoT- oder Steuer- und Regelungstechnik Erarbeitung von Anforderungen und Umsetzung sowie Bewertung von Lösungsmöglichkeiten von IT-Sicherheit für den ausgewählten praxisrelevanten, hardwarenahen Anwendungsfall Technische Integrationsaspekte, Umsetzung ausgewählter Inhalte aus "Sichere Systeme" und "Algorithmen und Datenstrukturen" Wiederholung: Grundlagen der Teamarbeit, Vorlesung ist Projekt-orientiert Arbeitsaufwand: 150h: Präsenzzeit = 56h, Selbstständige Arbeit = 94h Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: keine Referat Das Referat umfasst eine eigenständige und vertiefte schriftliche Auseinandersetzung mit einer Fragestellung aus dem Arbeitszusammenhang der Lehrveranstaltung unter Einbeziehung und gezielter kritischer Auswertung einschlägiger Literatur, sowie die Darstellung der eigenen Arbeit auch im Vergleich im Team und die Vermittlung sowie Bewertung der eigenen Ergebnisse im mündlichen Vortrag sowie in der anschließenden Diskussion im Team. Die Ausarbeitungen müssen schriftlich vorliegen. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Sichere Systeme, Technische Informatik, Kommunikation und Netzwerke, Algorithmen und Datenstrukturen Medienformen: Literatur: Hinweise: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Technische Informatik 1 Winter (engl. Computer Engineering 1 ) Modulnummer: FIN-INF-110378 Kürzel TI-1 CP 5 Semester Winter Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Mesut Güneş, Prof. Dr. David Hausheer Dozent:in: Prof. Dr. Mesut Güneş Lehrveranstaltungen: Vorlesung Technische Informatik 1 Übung Technische Informatik 1 Verwendbarkeit: - B.Sc. INF: Technische Informatik - B.Sc. INF: Aufbaumodule (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Technische Informatik - B.Sc. INGINF: Ingenieurinformatik Pflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Technische Informatik - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Angestrebte Lernergebnisse: Studierende verstehen den Aufbau digitaler Computer verstehen das Schichtenmodell für Computersysteme verstehen Zahlensysteme und die Herausforderungen der Computerarithmetik können mit unterschiedlichen Zahlensystemen umgehen verstehen die grundlegenden Hardware-Komponenten von Computern verstehen die Maschinenprogrammierung und können einfache Assemblerprogramme entwickeln Inhalt: Aufbau eines Rechners Computerarithmetik Kombinatorische Schaltnetze Sequentielle Schaltwerke Befehlssatz und Adressierung Fließband- und Parallelverarbeitung Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Votierung - mindestens 50% der Punkte durch Aufgaben in den Übungen Klausur 120 Minuten Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Wird in der Veranstaltung bekannt gegeben. Hinweise: Technische Informatik 1 Winter (in German: Technische Informatik 1 ) Module-ID: FIN-INF-1103782 Abbreviation TI-1 Credit Points 5 Semester Winter Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Prof. Dr. Mesut Güneş, Prof. Dr. David Hausheer Lecturer: Prof. Dr. Mesut Güneş Classes: Vorlesung Technische Informatik 1 Übung Technische Informatik 1   Applicability in curriculum: - B.Sc. INF: Technische Informatik - B.Sc. INF: Aufbaumodule (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Technische Informatik - B.Sc. INGINF: Ingenieurinformatik Pflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Technische Informatik - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Intended learning outcomes: Students understand the structure of digital computers understand the layer model for computer systems understand number systems and the challenges of computer arithmetic can deal with different number systems understand the basic hardware components of computers understand machine programming and can develop simple assembly programs Content: Structure of a computer Computer arithmetic Combinatorial switching networks Sequential switching networks Instruction set and addressing Conveyor belt and parallel processing Workload: 56h attendance + 94h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam 120 Minuten lecture (2 SWS) exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Comments: Technische Informatik 2 Sommer (engl. Computer Engineering 2 ) Modulnummer: FIN-INF-110379 Kürzel TI-2 CP 5 Semester Sommer Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Mesut Güneş, Prof. Dr. David Hausheer Dozent:in: Prof. Dr. Mesut Güneş Lehrveranstaltungen: Vorlesung Technische Informatik 2 Übung Technische Informatik 2 Verwendbarkeit: - B.Sc. INF: Technische Informatik - B.Sc. INF: Aufbaumodule (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Technische Informatik - B.Sc. INGINF: Ingenieurinformatik Pflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Technische Informatik - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Angestrebte Lernergebnisse: Studierende ... verstehen Prozesse in Betriebssystemen können Algorithmen zur Synchronisation von Prozessen umsetzen verstehen wie Deadlocks entstehen und können Verfahren zur Lösung umsetzen verstehen die Speicherverwaltung und das Scheduling in Betriebssystemen können in C Prozesse umsetzen und betriebssystemnahe Programme entwickeln verstehen die Grundlagen von Kommunikationsnetzen Inhalt: Einführung in Betriebssysteme und Kommunikationssysteme ... Prozesse & Threads Synchronisation Deadlocks Speicherverwaltung Scheduling E/A und Dateisystem Booting, Services und Sicherheit Vernetzte Computer und Internet Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Votierung - mindestens 50% der Punkte durch Aufgaben in den Übungen Klausur 120 Minuten Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Technische Informatik 1 Medienformen: Literatur: wird auf der Web-Seite der VL bekanntgegeben Hinweise: Dieses Modul wird im Sommer 2026 in English gelesen. Videos werden in Deutsch verfügbar sein. Technische Informatik 2 Summer (in German: Technische Informatik 2 ) Module-ID: FIN-INF-1103792 Abbreviation TI-2 Credit Points 5 Semester Summer Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Prof. Dr. Mesut Güneş, Prof. Dr. David Hausheer Lecturer: Prof. Dr. Mesut Güneş Classes: Vorlesung Technische Informatik 2 Übung Technische Informatik 2   Applicability in curriculum: - B.Sc. INF: Technische Informatik - B.Sc. INF: Aufbaumodule (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Technische Informatik - B.Sc. INGINF: Ingenieurinformatik Pflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Technische Informatik - B.Sc. INF (bilingual): Aufbaumodule (SPO 2027) Intended learning outcomes: Students ... understand processes in operating systems can implement algorithms for the synchronization of processes understand how deadlocks occur and can implement procedures to solve them understand memory management and scheduling in operating systems can implement processes in C and develop operating system-related programs understand the basics of communication networks Content: Introduction to operating systems and communication systems ... Processes & Threads Synchronization Deadlocks Memory management Scheduling I/O and file system Booting, services and security Networked computers and the Internet Workload: 56h attendance time + 94h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written examination 120 Minutes Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Technische Informatik 1 Media: Literature: wird auf der Web-Seite der VL bekanntgegeben Comments: Technische Informatik für Bildungsstudiengänge I Winter (engl. Computer Engineering for Educational Study Programs ) Modulnummer: FIN-INF-900603 Kürzel TI I CP 5 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Dr. Volkmar Hinz Dozent:in: Dr. Volkmar Hinz Lehrveranstaltungen: Vorlesung Technische Informatik I Übung Technische Informatik I Verwendbarkeit: Angestrebte Lernergebnisse: Die Studierenden kennen die Grundlagen der Informationsdarstellung und -codierung kennen die Komponenten von Computersystemen und können diese entsprechend ihrer Parameter bewerten kennen grundlegende theoretische Aspekte von Betriebssystemen und können diese auf reale Betriebssysteme anwenden kennen den Aufbau und die Funktionsweise von Computernetzwerken Inhalt: Darstellung von Informationen, Codierungen Aufbau von Computern und Computernetzen Ausgewählte Aspekte der einzelnen Architekturebenen Einblick in die Betriebssystemtheorie Grundlagen der Computernetzwerke Arbeitsaufwand: 150h gesamt/ 56h Präsenzzeit/ 94h Selbststudium Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Klausur 120 Minuten Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Technische Informatik für Bildungsstudiengänge II Sommer (engl. Computer Engineering for Educational Study Programs II ) Modulnummer: FIN-INF-903863 Kürzel TI II CP 5 Semester Sommer Fachsem. ab 2. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Dr. Volkmar Hinz Dozent:in: Dr. Volkmar Hinz Lehrveranstaltungen: Vorlesung Technische Informatik II Übung Technische Informatik II Verwendbarkeit: Angestrebte Lernergebnisse: Die Studierenden kennen analoge und digitale Schaltungskonzepte und können diese praktisch realisieren können Informatiksysteme im Umfeld „Messen, Steuern, Regeln“ konfigurieren und anwenden haben Grundkenntnisse in der Kommunikations- und Netzwerktechnik sowie dem Aufbau einfacher lokaler drahtgebundener und drahtloser Netzwerke Inhalt: Grundschaltungen der Elektronik in Informatiksystemen Sensoren, Aktoren, Mikrocontroller Softwarelösungen für Messen, Steuern, Regeln Netzstrukturen und Basistechnologien, Protokollarchitektur Arbeitsaufwand: 150h gesamt/ 56h Präsenzzeit/ 94h Selbststudium Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: mündliche Prüfung Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine erfolgreich Teilnahme an Technische Informatik I für Bildungsstudiengänge Medienformen: Literatur: Hinweise: Three-Dimensional & Advanced Interaction Winter (in German: Three-Dimensional & Advanced Interaction ) Module-ID: FIN-INF-120286 Abbreviation TAI Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Christian Hansen Lecturer: Florian Heinrich Classes: Lecture Three-Dimensional & Advanced Interaction Seminar Three-Dimensional & Advanced Interaction   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Visual Computing Intended learning outcomes: Students ... understand the nature and importance of future user interfaces and the challenges and problems associated with them know, analyze and evaluate technologies, interaction techniques and methods for the development of advanced user interfaces are able to select suitable technologies and interaction techniques in the field of three-dimensional and modern Post-WIMP user interfaces have the ability to critically analyze scientific literature and knowledge of scientific publishing can conduct own research on a postgraduate level in the field of advanced user interfaces Content: Introduction to Post-WIMP and Reality-based User Interfaces 3DInteraction: Tasks, Devices, 3D-Widgets, 3D UIs Augmented Reality Interaction Pen-based Interaction Techniques and Sketching Multitouch: Technologies, Gestures, Applications Gestural Interaction: Tracking, Freehand Gestures Tangible Interaction Advanced Topics: Gaze-based Interaction, Organic Interfaces, Everywhere Interfaces Workload: 56h contact time + 124h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Successful completion of the seminar (clarified in first lecture) Written exam Lecture (2 SWS) Exercise class (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Module Interactive Systems Media: Literature: Bowman, Kruijff, Laviola, Jr., Poupyrev: „3D User Interfaces: Theory and Practice“, Addison-Wesley, 2004 Müller-Tomfelde (Ed.): „Tabletops – Horizontal Interactive Displays“, Springer, 2010 Saffer: „Designing Gestural Interfaces“, O'Reilly Media, 2008 Shaer, Hornecker: „Tangible User Interfaces: Past, Present and Future Directions“. In Foundations and Trends in Human-Computer Interaction, 3 (1), 2010 Comments: Umweltmanagementinformationssysteme Sommer (engl. Environmental Management Information Systems ) Modulnummer: FIN-INF-120257 Kürzel UMIS CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Hans-Knud Arndt Dozent:in: Hans-Knud Arndt Lehrveranstaltungen: Vorlesung Umweltmanagementinformationssysteme Übung Umweltmanagementinformationssysteme Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. WIF: Wirtschaftsinformatik Angestrebte Lernergebnisse: Die Studierenden ... setzen sich mit dem Spannungsfeld von Umweltaspekten, umweltorientierter Leistung und Umweltinformation auseinander kennen methodische Herangehensweisen zur Messung Umweltaspekten und umweltorientierter Leistung sind in der Lage die rechtlichen Folgen mangelnder Umweltleistung zu erfassen kennen methodische Herangehensweisen zur effizienten Erfassung, Verwaltung und Nutzung von Metadaten und Daten eines Umweltmanagements setzen sich mit der Einführung von Umweltmanagementinformationssystemen in Organisationen auseinander Inhalt: Grundlagen zu Umweltmanagementsystemen Gesetzliche und andere Forderungen des Umweltschutzes Methoden, Werkzeuge und Normen zu Umweltmanagementsystemen Konzeption und Einführung von Umweltmanagementinformationssystemen Arbeitsaufwand: 56h Präsenzzeit (Vorlesung + Übung) 124h selbstständige Arbeit (Vor- und Nachbereitung Vorlesung, Entwicklung von Lösungen in der Übung) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Um an der Prüfung teilnehmen zu können, sind Prüfungsvorleistungen erforderlich. Details werden in der ersten Vorlesung bekannt gegegeben. Mündliche Prüfung Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Usability und Ästhetik Sommer (engl. Usability and Aesthetics ) Modulnummer: FIN-INF-110433 Kürzel U&Ä CP 5 Semester Sommer Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Hans-Knud Arndt Dozent:in: Hans-Knud Arndt Lehrveranstaltungen: Vorlesung Usability und Ästhetik Übung Usability und Ästhetik Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten - Pflicht - B.Sc. WIF: Wirtschaftsinformatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Absolvent*Innen dieses Moduls ... setzen sich mit der Ästhetik und des Designs von Informations- und Kommunikationssystemen bzw. Informations- und Kommunikationstechnik auseinander setzen sich mit der Idee des Designs als Schlüssel zur nachhaltigen und zeitgemäßen Umsetzung von Informations- und Kommunikationssystemen bzw. einer Informations- und Kommunikationstechnik auseinander kennen methodische Herangehensweise zur Entwicklung einer nachhaltigen Designstrategie setzen sich mit Usability, User Experience und gutem Design für Informations- und Kommunikationssysteme bzw. Informations- und Kommunikationstechnik auseinander Inhalt: Methoden des User Experience Design und Design Thinking für die Ideation Phase im Entwicklungsprozess von Produkten und Dienstleistungen Designgeschichte von Informations- und Kommunikationsprodukten Methoden zur Konzipierung und Realisierung einer Usability und User Experience 10 Thesen des guten Designs Gutes Design für Informations- und Kommunikationssysteme bzw. Informations- und Kommunikationstechnik Arbeitsaufwand: Präsenzzeiten: 2 SWS Vorlesung 2 SWS Übung Selbstständiges Arbeiten: Vor- und Nachbereitung Vorlesung Entwicklung von Lösungen in und für die Übung 150h = 4 SWS = 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Das erfolgreiche Absolvieren der Semesteraufgabe ermöglicht den Studierenden die Teilnahme an der Prüfung. Schriftliche Prüfung (Klausur) jeweils im SoSe Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Siehe http://bauhaus.cs.uni-magdeburg.de Hinweise: VLBA - Systemarchitekturen Sommer (engl. VLBA: Systemarchitectures ) Modulnummer: FIN-INF-120252 Kürzel VLBA-SysA CP 9 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Klaus Turowski Dozent:in: Prof. Dr. Klaus Turowski Lehrveranstaltungen: Vorlesung VLBA: Systemarchitekturen Übung VLBA: Systemarchitekturen Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Angestrebte Lernergebnisse: Die Studierenden ... sammeln Know-how über die Architektur von Systemlandschaften. wissen wie Geschäftsprozesse und IT-Ressourcen miteinander verbunden werden können (Wie spiegelt sich dies in der (System-)Architektur wider). kennen die Unterschiede zwischen monolithischen und serviceorientierten Architekturen bei der Entwicklung und Integration von Anwendungssystemen für Unternehmen. wissen, wie man Anwendungskomponenten zur Unterstützung verschiedener Geschäftsprozesse ableitet. wissen wie Komponenten und Dienste als Elemente einer Systemarchitektur systematisch identifiziert werden. wissen wie Cloud Computing-Technologien zur Unterstützung von Geschäftsprozessen genutzt werden können. kennen die Unterschiede zwischen den verschiedenen Cloud- Patterns und den Cloud-Service-Modellen. lernen die Cloud Application Architecture kennen und erfahren, wie die Microservice-Architektur die klassische serviceorientierte Architektur in Cloud-Umgebungen ergänzt. können sich selbstständig neues Wissen aneignen und für sich nutzbar machen. können bei ungewohnten Aufgabenstellungen eigene Ideen einbringen und Entscheidungen treffen. können für neue Aufgabenstellungen geeignete Lösungen auswählen, anwenden und anschließend bewerten. können die Ergebnisse wissenschaftlich in einem Referat präsentieren und sich einer Diskussion stellen. Inhalt: Theorie der komponentenbasierten Systementwicklung Fachkomponenten, Frameworks, Komponenten-Lebenszyklen, CoBCoM-Architektur Architekturen von Systemlandschaften Pattern-Sprachen und Architektur-Pattern Service-orientierte Architektur (SoA) Web-Services Mediatoren Fallstudien Personal Information GuideShared ERP Architecture Inhaltsverzeichnis Teil A (Winter) Seite 250 – Teil A Inhaltsverzeichnis Teil B (Gesamt) S4/Hana und SAP Datasphere Prototypische Realisierung eines interorganisationalen Informationssystems auf Grundlage der CoBCoM-Architektur und SoA Arbeitsaufwand: Präsenzzeiten: 28 h Vorlesung / 28 h Übung Selbstständiges Arbeiten: 1. Vor- und Nachbereitung Vorlesung 2. Entwicklung einer auf maschinellem Lernen basierenden Lösung unter Anwendung von MLOps-Praktiken zur Lösung betriebswirtschaftlicher Probleme 9 x30h (56 h Präsenzzeit + 214 h selbstständige Arbeit) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Referat Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: Version control systems, DevOps practicies (CI/CD), Containerization technologies, and python. Version control systems, DevOps practicies (CI/CD), Containerization technologies, and python. Medienformen: Literatur: Turowski, K.: Fachkomponenten. Aachen 2002. Herden, S., Marx Gómez, J., Rautenstrauch, C., Zwanziger, A.: Softwarearchitekturen für E-Business-Systeme, Berlin, Heidelberg u. a., 2006. Hinweise: VLBA – Cloud DevOps Technologies Winter (in German: VLBA – Cloud DevOps Technologies ) Module-ID: FIN-INF-120478 Abbreviation VLBA-CDOT Credit Points 9 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr. Klaus Turowski Lecturer: Prof. Dr. Klaus Turowski Classes: '- Lecture VLBA Cloud DevOps Technologies Exercise VLBA Cloud DevOps Technologies Consultation VLBA - Cloud DevOps Technologien (Consultation) Tutorial VLBA - Cloud DevOps Technologien (Tutorial)   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Students ... know and understand specialized subject content that expands and deepens the Bachelor's degree. can independently analyze problems and identify alternative solutions. -know how to work with UNIX operating systems. are experienced in the theory and handling of container-based virtualization technologies such as Docker. know how to use higher programming languages (Python). know how to use various configuration and automation tools and languages such as Ansible, Salt and Terraform. have practical and theoretical knowledge of testing IT systems, particularly in relation to essential DevOps concepts such as Continuous Integration and Continuous Delivery. have the ability to design, create, test, commission and support IT systems. Content: In view of highly networked applications, big data and cloud computing, the careful planning and construction of architectures and landscapes of the corresponding information systems is more important than ever. In many cases, the lifecycle of a system does not end with the delivery of the solution, but rather the subsequent operation, monitoring and maintenance have become an essential part of this process. At this point, sophisticated paradigms and methods are required to facilitate the continuous development and operation of these systems while preventing errors, failures and other disruptions. The course is designed to teach the fundamentals as well as initial practical experience in the development and Table of Contents Part A (Winter) Page 248 - Part A Table of Contents Part B (Full) operation (DevOps) of systems in conjunction with dedicated cloud technologies. In addition to the theoretical basics, essential concepts and technologies are discussed and applied that enable the continuous integration, delivery and testing of corresponding systems. Workload: Attendance = 84 h: 21 h Lecture 21 h Exercise 21 h Consultation 21 h Tutorial Independend work = 186 h: 186 h working on several assignments that build on each other Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): In order to qualify for the final project, certain requirements must be fulfilled. Details will be announced in the first lecture. Hausarbeit Vorlesung (2 SWS) Übung (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: Virtual and Augmented Reality I Summer (in German: Virtual and Augmented Reality I ) Module-ID: FIN-INF-110523 Abbreviation VAR1_BA Credit Points 5 Semester Summer Term ab 4. Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Christian Hansen Lecturer: Christian Hansen Classes: Lecture Virtual and Augmented Reality I Exercise class Virtual and Augmented Reality I   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Computer Games - B.Sc. CV: Anwendungsfach - Computer Games - B.Sc. CV: Computervisualistik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht Intended learning outcomes: Students who complete this module will acquire in-depth knowledge in the areas of human-computer interaction in the context of VR/AR, perceptual aspects of VR/AR, VR/AR and input/output devices. In addition, they will gain an understanding of the technical fundamentals of tracking, VR/AR visualisation/rendering and AR registration. In the associated seminar, students develop, test and evaluate a VR/AR software tool in a team. Students will learn how to design, program and test a VR/AR system. In these team projects, students learn how to solve social and technical conflicts. In addition, students present their project results in an oral presentation and justify the results achieved by their team. Content: This module covers fundamentals and advanced techniques in the area of VR/AR systems. Students will gain the theoretical foundation needed to design, implement, improve, and evaluate VR/AR systems. In addition, the theoretical foundations can be applied in a team project that accompanies the lecture. Following topics in the field of VR/AR are addressed: Introduction to VR/AR systems Perceptional aspects Input devices Output devices AR components and types Interaction techniques Workload: 56h contact hours + 94h self-study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): oral exam Lecture (2SWS) Seminar (2SWS) Prerequisites according to examination regulations: Recommended prerequisites: Introduction to Computer Graphics Media: Literature: Virtual und Augmented Reality (VR/AR) Grundlagen und Methoden der Virtuellen und Augmentierten Realität herausgegeben von: Prof. Dr. Ralf Dörner, Prof. Dr. Wolfgang Broll, Prof. Dr. Paul Grimm, Prof. Dr. Bernhard Jung Verlag: Springer Berlin Heidelberg Comments: Virtual and Augmented Reality I Summer (in German: Virtual and Augmented Reality I ) Module-ID: FIN-INF-120527 Abbreviation VAR1_MA Credit Points 6 Semester Summer Term Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Christian Hansen Lecturer: Christian Hansen Classes: Lecture Virtual and Augmented Reality Exercise class Virtual and Augmented Reality   Applicability in curriculum: - M.Sc. VC: Visual Computing Intended learning outcomes: Students who complete this module will acquire in-depth knowledge in the areas of human-computer interaction in the context of VR/AR, perceptual aspects of VR/AR, VR/AR and input/output devices. In addition, they will gain an understanding of the technical fundamentals of tracking, VR/AR visualisation/rendering and AR registration. In the associated seminar, students develop, test and evaluate a VR/AR software tool in a team. Students will learn how to design, program and test a VR/AR system. In these team projects, students learn how to solve social and technical conflicts. In addition, students present their project results in an oral presentation and justify the results achieved by their team. Students who complete this module will learn how to supervise an interdisciplinary project team.  They will learn how to analyse their role in the team and their individual contribution to the team's outcome. Content: This module covers fundamentals and advanced techniques in the area of VR/AR systems. Students will gain the theoretical foundation needed to design, implement, improve, and evaluate VR/AR systems. In addition, the theoretical foundations can be applied in a team project that accompanies the lecture. Following topics in the field of VR/AR are addressed: Introduction to VR/AR systems Perceptional aspects Input devices Output devices AR components and types Interaction techniques Workload: 56 contact hours + 124h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): oral exam Lecture (2 SWS) Seminar (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: Introduction to Computer Graphics Media: Literature: Virtual und Augmented Reality (VR/AR) Grundlagen und Methoden der Virtuellen und Augmentierten Realität herausgegeben von: Prof. Dr. Ralf Dörner, Prof. Dr. Wolfgang Broll, Prof. Dr. Paul Grimm, Prof. Dr. Bernhard Jung Verlag: Springer Berlin Heidelberg Comments: Visual Analytics Summer (in German: Visual Analytics ) Module-ID: FIN-INF-120524 Abbreviation Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Bernhard Preim Lecturer: Bernhard Preim Classes: Lecture Visual Analytics Exercise class Visual Analytics   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Visual Computing Intended learning outcomes: Students ... know machine learning methods and the visualization of their results apply this knowledge to analyse financial and business data use statistical methods to improve visual analytics solutions can assess and compare clustering methods Content: Introduction: Potential and applications of Visual Analytics Visual Analytics based on clustering Visual Analytics based on subspace clustering and biclustering Visual Analytics with decision trees Visual Analytics with association rules Scatterplot-based visualizations Visual Analytics of events sequences Interaktive und Kooperative Methoden von Visual Analytics Visual Analytics im Gesundheitswesen Workload: '- 56 contact hours + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam, 2 hours 2 SWS Lecture 2 SWS Exercise class Prerequisites according to examination regulations: Recommended prerequisites: none Lecture Visualization Knowledge of Data Analysis, for example Intelligent Data Analysis Data Mining Machine Learning Artificial Intelligence Media: Literature: Powerpoint presentation Whiteboard Videos J. J. Thomas, K. A. Cook (Hrsg.): Illuminating the path: The research and development agenda for visual analytics. IEEE Computer Society 2005 D. A. Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: Visual analytics: Scope and challenges. Visual Data Mining, 2008 Andrienko, N., Andrienko, G., Fuchs, G., Slingsby, A., Turkay, C., & Wrobel, S. (2020). Visual analytics for data scientists. Springer Nature. Kohlhammer, J., Proff, D. U., & Wiener, A. (2018). Visual business analytics: effektiver Zugang zu Daten und Informationen. dpunkt. verlag. Comments: Visual Analytics in Health Care Winter (in German: Visual Analytics in Health Care ) Module-ID: FIN-INF-120476 Abbreviation VAHC Credit Points 3 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Bernhard Preim Lecturer: Bernhard Preim Classes: '- Seminar Visual Analytics in Health Care   Applicability in curriculum: - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Visual Computing Intended learning outcomes: The students ... know specific visual analytics solutions that are used in public healthcare applications can interpret and evaluate public healthcare data present and explain visual analytics solutions in healthcare scenarios Content: Overview: Potential and applications of Visual Analytics in Healthcare Visual Analytics in Public Health Visual Analytics in Clinical Medicine Visual Analytics for Detecting Adverse Drug Effects Visual Analytics in Epidemiology Workload: 3 credit points = 90 h (28 h attendance time + 62 h independent work), grading scale according to examination regulations Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Examinations: student talk, seminar paper (10 pages) Seminar (3 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Visualization, Data Mining, Visual Analytics or Information Visualization Media: Literature: PowerPoint presentation, use of whiteboard, videos Workshop volumes of the IEEE Workshop Visual Analytics in Healthcare (since 2010), selected publications of other conferences / magazines in the fields of data analysis and visualization Comments: Auch anrechenbar für Studierende des Masterstudiengangs "Medical Systems Engineering". Visualization Winter (in German: Visualization ) Module-ID: FIN-INF-102812 Abbreviation VIS Credit Points 5 Semester Winter Term Duration 1 Semester Language english Level Bachelor Link: LSF Limited accessability: Responsibility: Bernhard Preim Lecturer: Bernhard Preim Classes: Lecture Visualization Exercise Visualization   Applicability in curriculum: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Computervisualistik - Pflicht - B.Sc. CV: Computervisualistik Pflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) Intended learning outcomes: Students ... understand how physiological perception affects visualization effectiveness know basic visualization techniques, such as color coding, diagramme types and techniques to visualize graph and network data can generate appropriate visualizations for business and statistical data Content: Visualization goals and quality criteria Understanding of fundamentals of visual perception Overview of data structures in visualization Basic algorithms (Isolines, color scales, diagramm techniques), Direct and indirect visualization of volume data map-based visualization dashboard design Information visualization Workload: 56 contact hours + 94 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Successful participation in the exercise (voting system, vote for at least 2/3 of all tasks) Written exam, 2hours 2 SWS Lectures 2 SWS Exercise classes Prerequisites according to examination regulations: Recommended prerequisites: none Module: Computer Graphics I Media: Literature: Powerpoint presentation Sketches Videos P. and M. Keller (1994): Visual Cues, IEEE Computer Society PressT. Munzner (2015). Visualization Analysis and Design: Principles, Techniques, and Practice, A K Peters W. Schroeder, K. Martin, B. Lorensen (2001): The Visualization Toolkit: An object-oriented approach to 3d graphics, 3. Aufl. Springer, Heidelberg A. Telea (2014): Data Visualization: Principles and Practice, Second Edition, AK Peters (2. Auflage) Munzner, T. (2014). Visualization analysis and design. CRC press. Tominski, C., & Schumann, H. (2020). Interactive visual data analysis. AK Peters/CRC Press. M. Ward, D. Keim, G. Grinstein (2015): Interactive Data Visualization: Foundations, Techniques, and Applications, Second Edition Comments: Visualization Winter (in German: Visualization ) Module-ID: FIN-INF-102812 Abbreviation VIS Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Bernhard Preim Lecturer: Bernhard Preim Classes: Lecture Visualization Exercise class Visualization   Applicability in curriculum: - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Visual Computing - M.Sc. VC: Visual Computing (SPO 2027) Intended learning outcomes: Students ... understand how physiological perception affects visualization effectiveness know basic visualization techniques can generate appropriate visualizations for business and statistical data obtain a dataset with at least 100 observations and 5 attributes, formulate two analytical questions, and create data visualizations to answer these questions. Content: Visualization goals and quality criteria Understanding of fundamentals of visual perception Overview of data structures in visualization Basic algorithms (Isolines, color scales, diagram techniques), Direct and indirect visualization of volume data map-based visualization dashboard design Information visualization Workload: 56h contact time + 124h self study, students have to solve a comprehensive additional task where they analyze and visualize a multi-dimensional dataset Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam, 2 hours 2 SWS Lectures 2 SWS Exercise classes Prerequisites according to examination regulations: Recommended prerequisites: none Module Computer Graphics I Modules Mathematics I, II and III Media: Literature: Powerpoint presentation Sketches Videos P. and M. Keller (1994): Visual Cues, IEEE Computer Society PressT. Munzner (2015). Visualization Analysis and Design: Principles, Techniques, and Practice, A K Peters W. Schroeder, K. Martin, B. Lorensen (2001): The Visualization Toolkit: An object-oriented approach to 3d graphics, 3. Aufl. Springer, Heidelberg A. Telea (2014): Data Visualization: Principles and Practice, Second Edition, AK Peters (2. Auflage) M. Ward, D. Keim, G. Grinstein (2015): Interactive Data Visualization: Foundations, Techniques, and Applications, Second Edition Comments: Wahlpflichtfach FIN SMK jedes (engl. WPF FIN SMK ) Modulnummer: FIN-INF-110397 Kürzel WPF FIN SMK CP 5 Semester jedes Fachsem. ab 6. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Alle Hochschullehrer der FIN Lehrveranstaltungen: Implementierungsspezifisch Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: FIN SMK - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: FIN SMK - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: FIN SMK - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): FIN SMK Angestrebte Lernergebnisse: Die Studierenden ... setzen Methoden der Informatik ein, um ein Problem auf dem Gebiet der Informatik oder ihren Anwendungen zu bearbeiten üben Methoden-, Selbst- und Sozialkompetenzen bei der Bearbeitung der fachbezogenen Aufgabe. Dazu können beispielsweise gehören: Teamarbeit, Kommunikation und Projektplanung Inhalt: '- Dieses Modul wird durch unterschiedliche Lehrveranstaltungen implementiert. Die Inhalte sind angebotsspezifisch. Arbeitsaufwand: 150 Stunden (implementierungsspezifisch) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Implementierungsspezifisch Implementierungsspezifisch Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Wissenschaftliches Individualprojekt jedes (engl. Individual Scientific Project ) Modulnummer: FIN-INF-120301 Kürzel WIP CP 6 Semester jedes Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Alle Dozenten der FIN Lehrveranstaltungen: keine Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DKE: Data Processing for Data Science - M.Sc. DKE: Applied Data Science - M.Sc. DKE: Projects (SPO 2027) - M.Sc. DE: Human Factors - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) - M.Sc. VC: Visual Computing - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Projekte (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... arbeiten selbstständig an einer wissenschaftlichen Fragestellung arbeiten sich selbstständig in ein wissenschaftliches Spezialgebiet ein erarbeiten vertiefte Kenntnisse auf einem wissenschaftlichen Spezialgebiet präsentieren und interpretieren ihre Ergebnisse in mündlicher und/oder schriftlicher Form können ihren Erfolg und die Bedeutung ihrer Ergebnisse einschätzen beschreiben die Auswirkungen ihrer Entscheidungen auf den Verlauf und die Ergebnisse des Projektes Inhalt: Die Studierenden bearbeiten in selbstständiger Arbeit eine individuell vereinbarte, wissenschaftliche Fragestellung unter Anleitung eines Hochschullehrers. Im Projekt entwickeln die Studierenden eine eigenständige Informatik-Lösung. Dadurch erwerben sie ein detailliertes und kritisches Verständnis in einem Spezialbereich der Informatik. Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch. Arbeitsaufwand: 180h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Wissenschaftliches Projekt Angeleitetes wissenschaftliches Individualprojekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Projekte außerhalb der FIN müssen von Studiengangsleiter abgesegnet werden. Wissenschaftliches Individualprojekt (10 CP) jedes (engl. Individual Scientific Project ) Modulnummer: FIN-INF-999851 Kürzel WIP CP 10 Semester jedes Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Alle Dozenten der FIN Lehrveranstaltungen: keine Verwendbarkeit: - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DKE: Projects (SPO 2027) - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Projekte (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... arbeiten selbstständig an einer wissenschaftlichen Fragestellung arbeiten sich selbstständig in ein wissenschaftliches Spezialgebiet ein erarbeiten vertiefte Kenntnisse auf einem wissenschaftlichen Spezialgebiet präsentieren und interpretieren ihre Ergebnisse in mündlicher und/oder schriftlicher Form können ihren Erfolg und die Bedeutung ihrer Ergebnisse einschätzen beschreiben die Auswirkungen ihrer Entscheidungen auf den Verlauf und die Ergebnisse des Projektes Inhalt: Die Studierenden bearbeiten in selbstständiger Arbeit eine individuell vereinbarte, wissenschaftliche Fragestellung unter Anleitung eines Hochschullehrers. Im Projekt entwickeln die Studierenden eine eigenständige Informatik-Lösung. Dadurch erwerben sie ein detailliertes und kritisches Verständnis in einem Spezialbereich der Informatik. Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch. Arbeitsaufwand: 300 h selbständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Wissenschaftliches Projekt Angeleitetes wissenschaftliches Individualprojekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Wissenschaftliches Seminar jedes (engl. Scientific Seminar ) Modulnummer: FIN-INF-110321 Kürzel CP 5 Semester jedes Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Dozenten der FIN Lehrveranstaltungen: Seminar Wissenschaftliches Seminar Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Wissenschaftliches Seminar - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: Wissenschaftliches Seminar - B.Sc. CV: Kernmodule (SPO 2027) - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Wissenschaftliches Seminar - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. WIF: Wissenschaftliches Seminar - B.Sc. WIF: Kernmodule (SPO 2027) - B.Sc. INF (bilingual): Schlüssel- und Methodenkompetenzen - B.Sc. INF (bilingual): Wissenschaftliches Seminar - B.Sc. INF (bilingual): Kernmodule (SPO 2027) Angestrebte Lernergebnisse: Studierende, die dieses Modul  absolviert haben … können sich mit Hilfe entsprechender Ressourcen in eine wissenschaftliche Fragestellung einarbeiten und sich einen Überblick darüber verschaffen können die wichtigen Merkmale einer wissenschaftlichen Fragestellung zusammenfassen, dokumentieren und mit Hilfe geeigneter Medien verständlich präsentieren Inhalt: Die fachlichen Inhalte sind angebotsspezifisch. Arbeitsaufwand: Präsenzzeiten = 28 h Selbstständiges Arbeiten = 122 h (Aufarbeitung des Themas, Vorbereitung einer Präsentation, schriftliche Ausarbeitung des Themas) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Referat Seminar (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Folgende Seminare werden im Wintersemester angeboten: Bachelorseminar KMD Bachelorseminar Predictive Maintenance Digitalhandwerk Effiziente Programmierung und Ein-/Ausgabe Hot Topics in Computer Graphics Seminar Interactive Information Organization Seminar IT-Sicherheit (SITSEC) Seminar Vernetzte Systeme Wissenschaftliches Seminar: Vibe-Coding in der Softwareentwicklung Wissenschaftliches Seminar: AI in Robotics Wissenschaftliches Seminar: Introduction to Model Checking Folgende Seminare werden im Sommersemester angeboten: Bachelorseminar KMD Bachelorseminar Predictive Maintenance Current Topics in Business Informatics Research (nur unbenotet) Digitalisierung und Politik Design-Projekt Hot Topics in Communication and Networked Systems Narrative Visualization Recommenders - Bachelorseminar Seminar Vernetzte Systeme Wissenschaftliches Seminar Advanced Topics in Robotics Wissenschaftliches Seminar Advanced Topics in Explainability in Machine Learning Wissenschaftliches Seminar Advanced Topics in Formal Methods Wissenschaftliches Seminar (dual) jedes (engl. Scientific Seminar (dual) ) Modulnummer: FIN-INF-1103213 Kürzel CP 5 Semester jedes Fachsem. ab 3. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Dozenten der FIN Lehrveranstaltungen: Seminar Wissenschaftliches Seminar Verwendbarkeit: - B.Sc. INF: Schlüssel- und Methodenkompetenzen - B.Sc. INF: Wissenschaftliches Seminar - B.Sc. INF: Kernmodule (SPO 2027) - B.Sc. CV: Schlüssel- und Methodenkompetenzen - B.Sc. CV: Wissenschaftliches Seminar - B.Sc. INGINF: Schlüssel- und Methodenkompetenzen - B.Sc. INGINF: Wissenschaftliches Seminar - B.Sc. INGINF: Kernmodule (SPO 2027) - B.Sc. WIF: Schlüssel- und Methodenkompetenzen - B.Sc. WIF: Wissenschaftliches Seminar - B.Sc. WIF: Kernmodule (SPO 2027) Angestrebte Lernergebnisse: Studierende, die dieses Modul  absolviert haben … können sich mit Hilfe entsprechender Ressourcen in eine wissenschaftliche Fragestellung einarbeiten und sich einen Überblick darüber verschaffen können die wichtigen Merkmale einer wissenschaftlichen Fragestellung zusammenfassen, dokumentieren und mit Hilfe geeigneter Medien verständlich präsentieren Inhalt: Dieses Modul kann durch unterschiedliche Lehrveranstaltungen implementiert werden. Die fachlichen Inhalte sind angebotsspezifisch. Arbeitsaufwand: Präsenzzeiten = 28 h Selbstständiges Arbeiten = 122 h (Aufarbeitung des Themas, Vorbereitung einer Präsentation, schriftliche Ausarbeitung des Themas) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Referat Seminar (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Folgende Seminare werden im Wintersemester angeboten: Bachelorseminar KMD Bachelorseminar Predictive Maintenance Digitalhandwerk Effiziente Programmierung und Ein-/Ausgabe Hot Topics in Computer Graphics Seminar Interactive Information Organization Seminar IT-Sicherheit (SITSEC) Seminar Vernetzte Systeme Wissenschaftliches Seminar: Vibe-Coding in der Softwareentwicklung Wissenschaftliches Seminar: AI in Robotics Wissenschaftliches Seminar: Introduction to Model Checking Folgende Seminare werden im Sommersemester angeboten: Bachelorseminar KMD Bachelorseminar Predictive Maintenance Current Topics in Business Informatics Research (nur unbenotet) Digitalisierung und Politik Design-Projekt Hot Topics in Communication and Networked Systems Narrative Visualization Recommenders - Bachelorseminar Seminar Vernetzte Systeme Wissenschaftliches Seminar Advanced Topics in Robotics Wissenschaftliches Seminar Advanced Topics in Explainability in Machine Learning Wissenschaftliches Seminar Advanced Topics in Formal Methods Wissenschaftliches Teamprojekt jedes (engl. Scientific Team Project ) Modulnummer: FIN-INF-120482 Kürzel WTP CP 6 Semester jedes Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Dozenten der FIN Lehrveranstaltungen: keine Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DKE: Projects (SPO 2027) - M.Sc. DE: Interdisziplinäres Team-Projekt - M.Sc. DE: Digital Engineering-Projekt - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Projekte (SPO 2027) Angestrebte Lernergebnisse: Nach Abschluss des Moduls können die Studierenden … im Team eine komplexe Aufgabe aus dem Fachgebiet mit wissenschaftlichen Methoden bearbeiten Lösungsmöglichkeiten diskutieren und sich auf einen gemeinsamen Lösungsweg einigen, zu dem jeder seine Ideen einbringt, das benötigte Wissen erarbeiten und für das Team verfügbar machen mit anderen zusammen ein Projekt planen und lenken und für ihre eigene Rolle im Team die Verantwortung übernehmen das Team-Ergebnis präsentieren und beurteilen und ihre Entscheidungen verteidigen sich rückblickend mit der Ausübung ihrer Rolle im Team und ihrem Beitrag zum gemeinsamen Ergebnis auseinandersetzen Inhalt: Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch. Arbeitsaufwand: 180 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Referat Wissenschaftliches Projekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Wissenschaftliches Teamprojekt (10 CP) jedes (engl. Scientific Team Project ) Modulnummer: FIN-INF-999850 Kürzel WTP CP 10 Semester jedes Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Alle Dozenten der FIN Lehrveranstaltungen: keine Verwendbarkeit: - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) - M.Sc. DKE: Projects (SPO 2027) - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Projekte (SPO 2027) Angestrebte Lernergebnisse: Nach Abschluss des Moduls können die Studierenden … im Team eine komplexe Aufgabe aus dem Fachgebiet mit wissenschaftlichen Methoden bearbeiten Lösungsmöglichkeiten diskutieren und sich auf einen gemeinsamen Lösungsweg einigen, zu dem jeder seine Ideen einbringt, das benötigte Wissen erarbeiten und für das Team verfügbar machen mit anderen zusammen ein Projekt planen und lenken und für ihre eigene Rolle im Team die Verantwortung übernehmen das Team-Ergebnis präsentieren und beurteilen und ihre Entscheidungen verteidigen sich rückblickend mit der Ausübung ihrer Rolle im Team und ihrem Beitrag zum gemeinsamen Ergebnis auseinandersetzen Inhalt: Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch. Arbeitsaufwand: 300 h selbständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Referat Wissenschaftliches Projekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Wissenschaftliches Teamprojekt KMD every (in German: Wissenschaftliches Teamprojekt KMD ) Module-ID: FIN-INF-120528 Abbreviation Teamproj_KMD Credit Points 6 Semester every Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Myra Spiliopoulou Lecturer: Myra Spiliopoulou Classes: Teamproj_KMD   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. DKE: Applied Data Science - M.Sc. DE: Interdisziplinäres Team-Projekt - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Digital Engineering-Projekt - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen Intended learning outcomes: When completing this module successfully, the students can: * solve a realistic data mining and data engineering task in teamwork * assess the business implications (costs and benefits) of a solution they propose * built-up a team and organize themselves in it, distributing subtasks among themselves according to their competences, setting milestones and pursuing a joint schedule * search for scientific papers of relevance * search appropriate libraries for data preparation, learning and visualization * design a learning workflow, apply AI methods and evaluate the induced models * develop a software solution jointly, using public domain tools * justify their design decisions and software suite selections * present their work as a team * write a joint report where they summarize and justify their approachBitte nachtragen nach neuen Constructive Alignment Vorgaben. Content: CONTENT: Assignment in the form of a realistic task that involves the analysis of static or dynamic, structured or unstructured data with mining methods, including supervised, unsupervised and semi-supervised methods, stream miners, forecasters and elaborate AI tools. The assignment involves design, development and evaluation of a software solution in teamwork. STRUCTURE: The assignment is for a team of students, typically three; for larger teams, the assignment is extended to ensure that the effort of each student is 6 ECTS. The students are called to solve the task as a team. The task involves understanding a realistic problem, designing, developing and evaluating a solution for it, presenting this solution to the class, defending it and documenting it on paper. Workload: For each team member: 28 h in class (including meetings) + 124 h self-study The teamproject is typically for three students. For larger teams, the assignments is extended to ensure that the effort of each team member is as above. Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Wissenschaftliches Projekt, implementiert als eine Hausarbeit, die ein Referat beinhaltet COURTESY TRANSLATION: This module implements the exam form 'Wissenschaftliches Projekt' as a 'Hausarbeit' which incorporates a 'Referat'. Wissenschaftliches Teamprojekt (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Familiarity with advanced mining methods for static data and (for some assignments) for streams Familiarity with software development and software libraries Underpinnings of project management Media: Literature: Literature depends on topic assignment and is given to each team together with the assignment Comments: Als Implementierung des generischen PFLICHTMODULS "Wissenschaftliches Teamprojekt" entsprechend anrechenbar. COURTESY TRANSLATION: This module implements the COMPULSORY generic module 'Wissenschaftliches Teamprojekt'. Wissensmanagement – Methoden und Werkzeuge Winter (engl. Knowledge Management Methods and Instruments ) Modulnummer: FIN-INF-100373 Kürzel WMS CP 5 Semester Winter Fachsem. Dauer 1 Semester Sprache deutsch Niveau Bachelor Link zum LSF: LSF Zugang beschränkt: Verantwortung: Myra Spiliopoulou Dozent:in: Myra Spiliopoulou Lehrveranstaltungen: Vorlesung Wissensmanagement - Methoden und Werkzeuge Übung Wissensmanagement - Methoden und Werkzeuge Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Gestalten - Pflicht - B.Sc. WIF: Wirtschaftsinformatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht Angestrebte Lernergebnisse: Nach dem erfolgreichen Abschliessen des Moduls, die Studierenden: verstehen, was Wissensmanagement bedeutet und was die Rolle und Ziele von einem WMS in einem Unternehmen sind verstehen die Ziele und Grundfunktionalitäten von einzelnen WMS Komponenten können erkennen, welche Instrumente für welche WMS-Aufgaben anzuwenden sind verstehen, wie einfache Text-Mining Methoden funktionieren verstehen, wie Modelle für herkömmliche und für multi-label Klassifikation abzuleiten sind können Klassifikationsmodelle evaluieren können Instrumente für vereinfachte WMS-Aufgaben anwenden und haben damit notwendige Grundlagen erworben, um WMS-Lösungen gestalten zu können. Inhalt: Wissensmanagement im Unternehmen: Begriffe und Ordnungsrahmen für Wissensmanagementlösungen Wissen und Strategie/Entscheidungsunterstützung Wissensmanagementmethoden für explizites und tazides Wissen, darunter Dokumentenmanagement und Text Mining Fallbeispiele Arbeitsaufwand: 28 Stunden Vorlesung (Präsenz) 28 Stunden Übung (Präsenz) 94 Stunden Eigensändiges Arbeit zur Vor- und Nachbereitung der Vorlesung und der Übung, sowie Prüfungsvorbereitung Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Votierung - min Anzahl von Punkten durch Aufgaben in den Übungen Schriftliche Prüfung - Klausur (120 min) Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Data Mining, Machine Learning, Information Retrieval Medienformen: Literatur: Literatur zum Teil I der Lehrveranstaltung: 1. Franz Lehner ‘WISSENSMANAGEMENT - Grundlagen, Methoden und technische Unterstützung’ 6. überarbeitete und erweiterte Auflage, 2021, Verlag: HANSER; erreichbar unter www.hanser-elibrary.com von unserer Universitätsbibliothek 2. Fallstudien zusätzlich aus: • K. Mertins & H. Seidel. "Wissensmanagement im Mittelstand", SPRINGER (2009) • A. Stocker & K. Tochtermann, "Wissenstransfer mit Wikis und Weblogs: Fallstudien zum erfolgreichen Einsatzvon Web 2.0 in Unternehmen", GABLER (2010) Literatur zum Teil II der Lehrveranstaltung: 1. Einstiegshilfe für Klassifikation aus dem entsprechenden Kapitel des Buchs ‘Introduction to Data Mining’, 2. Auflage, (2018/2019) von Pan-Ning Tan, Michael Steinbach, Anuj Karpatne & Vipin Kumar, PEARSON (erreichbar unter https://www-users.cs.umn.edu/~kumar001/dmbook/index.php) 2. Auszüge zu Text Mining aus ‘Modeling the Internet and the Web: Probabilistic Methods and Algorithms’ (2003) von Pierre Baldi, Paolo Frasconi, Padhraic Smyth, WILEY 3. Tutorial von Jesse Read zu Multi-Label Klassifikation (verlinkt vom Foliensatz) 2013 Weitere Literatur, zusätzliche Fallstudien und wissenschaftliche Artikel erscheinen im jeweiligen Veranstaltungsblock. Hinweise: