Module im Bereich: Applied Data Science

AMS Lab Projects
Advanced Programming in Computational Intelligence in Games
Advanced Topics in Deep Learning (Master)
Assistenzrobotik
Clean Code Development
Data Science with Python
Design-Projekt
Estimation for Autonomous Mobile Robots
Flow Visualization
Human-Centred Manufacturing and Usability
IT-Security of Cyber-Physical Systems
Introduction to Distributed Sensor Data Fusion
MLOps for Small Language Model Applications
Management of Global Large IT-Systems in International Companies
Musik Information Retrieval
Narrative Visualization
Praktikum IT Sicherheit
Recent Topics in Business Informatics
Scientific Project on Databases for Multi-Dimensional Data, Genomics, and modern Hardware
Scientific Writing
Scrum-in-Practice
Selected Chapters of IT Security: Orchestration of Mechanisms and Tools
Seminar 'Advanced Topics of KMD'
Seminar on Advanced Topics of Predictive Maintenance
Sensor Networks Seminar
Service Engineering
Software-Development for Industrial Robotics
Three-Dimensional & Advanced Interaction
VLBA - Systemarchitekturen
VLBA – Cloud DevOps Technologies
Visual Analytics
Visual Analytics in Health Care
Visualization
Wissenschaftliches Individualprojekt
Wissenschaftliches Individualprojekt (10 CP)
Wissenschaftliches Teamprojekt
Scientific Teamproject KMD

AMS Lab Projects

every

(in German: AMS Lab Projects )

Module-ID: FIN-INF-120503

Abbreviation

AMS-Lab

Credit Points

Semester

every

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	false
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 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

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 Deep Learning (Master)

every

(in German: Advanced Topics in Deep Learning (Master) )

Module-ID: FIN-INF-120496

Abbreviation

ATDL

Credit Points

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:

Assistenzrobotik

Sommer

(engl. Assistance robotics )

Modulnummer: FIN-INF-120443

Kürzel

AROB

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:

Clean Code Development

Winter

(in German: Clean Code Development )

Module-ID: FIN-INF-120432

Abbreviation

CCD

Credit Points

Semester

Winter

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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.

Data Science with Python

Winter

(in German: Data Science with Python )

Module-ID: FIN-INF-120513

Abbreviation

DSWP

Credit Points

Semester

Winter

Term

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	false
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. DE: Methoden der Informatik - M.Sc. DE: Interdisziplinäres Team-Projekt - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen

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:

Design-Projekt

Sommer

(engl. Design Project )

Modulnummer: FIN-INF-120520

Kürzel

DSP

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:

Estimation for Autonomous Mobile Robots

Winter

(in German: Estimation for Autonomous Mobile Robots )

Module-ID: FIN-INF-120485

Abbreviation

AMR

Credit Points

Semester

Winter

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	false
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:

Flow Visualization

Summer

(in German: Flow Visualization )

Module-ID: FIN-INF-120261

Abbreviation

FlowVis

Credit Points

Semester

Summer

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	false
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:

Human-Centred Manufacturing and Usability

Sommer

HCAMU

(in German: Human-Centred Manufacturing and Usability )

Module-ID: FIN-INF-120512

Abbreviation

HCMU

Credit Points

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-Security of Cyber-Physical Systems

Winter

(engl. IT-Security of Cyber-Physical Systems )

Modulnummer: FIN-INF-120457

Kürzel

ITS-CPS

Semester

Winter

Fachsem.

ab 1.

Dauer

1 Semester

Sprache

deutsch

Niveau

Master

Link zum LSF:	LSF
Zugang beschränkt:	false
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

Introduction to Distributed Sensor Data Fusion

Summer

(in German: Introduction to Distributed Sensor Data Fusion )

Module-ID: FIN-INF-120497

Abbreviation

SDF

Credit Points

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:

MLOps for Small Language Model Applications

Winter

(in German: MLOps for Small Language Model Applications )

Module-ID: FIN-INF-120515

Abbreviation

LLMOps

Credit Points

Semester

Winter

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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:

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

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:

Musik Information Retrieval

Winter

(engl. Music Information Retrieval )

Modulnummer: FIN-INF-120516

Kürzel

MIR

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

Semester

Summer

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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:

Praktikum IT Sicherheit

jedes

(engl. Praktikum IT-Security )

Modulnummer: FIN-INF-120291

Kürzel

P-ITSEC

Semester

jedes

Fachsem.

ab 1.

Dauer

1 Semester

Sprache

deutsch

Niveau

Master

Link zum LSF:	LSF
Zugang beschränkt:	false
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

Recent Topics in Business Informatics

every

(in German: Recent Topics in Business Informatics )

Module-ID: FIN-INF-120318

Abbreviation

RTBI

Credit Points

Semester

every

Term

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	false
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:

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

Semester

every

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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 Writing

Winter

(in German: Scientific Writing )

Module-ID: FIN-INF-120511

Abbreviation

SciWri

Credit Points

Semester

Winter

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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-120438

Kürzel

SIP

Semester

Winter

Fachsem.

ab 1.

Dauer

1 Semester

Sprache

deutsch

Niveau

Master

Link zum LSF:	LSF
Zugang beschränkt:	true
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

(in German: Selected Chapters of IT Security: Orchestration of Mechanisms and Tools )

Module-ID: FIN-INF-120505

Abbreviation

ITSEC-Orch

Credit Points

Semester

Winter

Term

ab 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	false
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

Seminar 'Advanced Topics of KMD'

every

(in German: Seminar 'Advanced Topics of KMD' )

Module-ID: FIN-INF-120330

Abbreviation

AdvKMD_Seminar

Credit Points

Semester

every

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	false
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

Semester

every

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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

Credit Points

Semester

Winter

Term

ab 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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

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:

Software-Development for Industrial Robotics

Winter

(engl. Software-Development for Industrial Robotics )

Modulnummer: FIN-INF-120432

Kürzel

SDIR

Semester

Winter

Fachsem.

ab 1.

Dauer

1 Semester

Sprache

deutsch

Niveau

Master

Link zum LSF:	LSF
Zugang beschränkt:	true
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

Three-Dimensional & Advanced Interaction

Winter

(in German: Three-Dimensional & Advanced Interaction )

Module-ID: FIN-INF-120286

Abbreviation

TAI

Credit Points

Semester

Winter

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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:

VLBA - Systemarchitekturen

Sommer

(engl. VLBA: Systemarchitectures )

Modulnummer: FIN-INF-120252

Kürzel

VLBA-SysA

Semester

Sommer

Fachsem.

ab 1.

Dauer

1 Semester

Sprache

deutsch

Niveau

Master

Link zum LSF:	LSF
Zugang beschränkt:	true
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

Semester

Winter

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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:

Visual Analytics

Summer

(in German: Visual Analytics )

Module-ID: FIN-INF-120524

Abbreviation

Credit Points

Semester

Summer

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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

Semester

Winter

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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

Semester

Winter

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	true
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:

Wissenschaftliches Individualprojekt

jedes

(engl. Individual Scientific Project )

Modulnummer: FIN-INF-120301

Kürzel

WIP

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

Semester

jedes

Fachsem.

ab 1.

Dauer

1 Semester

Sprache

deutsch

Niveau

Master

Link zum LSF:	LSF
Zugang beschränkt:	false
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

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 Teamprojekt

jedes

(engl. Scientific Team Project )

Modulnummer: FIN-INF-120482

Kürzel

WTP

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:

Scientific Teamproject KMD

every

(in German: Wissenschaftliches Teamprojekt KMD )

Module-ID: FIN-INF-120528

Abbreviation

Teamproj_KMD

Credit Points

Semester

every

Term

starting at 1.

Duration

1 Semester

Language

english

Level

Master

Link:	LSF
Limited accessability:	false
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'.