Module im Bereich: Interdisziplinäres Team-Projekt
- AMS Lab Projects
- Data Science with Python
- Interdisziplinäres Teamprojekt
- Praktikum IT Sicherheit
- Scientific Project on Databases for Multi-Dimensional Data, Genomics, and modern Hardware
- Wissenschaftliches Teamprojekt
- Scientific Teamproject KMD
AMS Lab Projects
every
(in German: AMS Lab Projects )
Module-ID: FIN-INF-120503 |
|
Abbreviation AMS-Lab |
Credit Points 6 |
Semester every |
Term starting at 1. |
Duration 1 Semester |
Language english |
Level Master |
| Link: | LSF |
| Limited accessability: | false |
| Responsibility: | Prof. Dr.-Ing. Benjamin Noack |
| Lecturer: | Prof. Dr.-Ing. Benjamin Noack |
| Classes: |
|
| 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:
Data Science with Python
Winter
(in German: Data Science with Python )
Module-ID: FIN-INF-120513 |
|
Abbreviation DSWP |
Credit Points 6 |
Semester Winter |
Term |
Duration 1 Semester |
Language english |
Level Master |
| Link: | LSF |
| Limited accessability: | 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. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Interdisziplinäres Team-Projekt |
Intended learning outcomes:
The course is about learning from data to perform predictions and obtain useful insights. In the seminar, we will use the programming language Python.
Necessary skills to manage and analyze data will be taught and practiced on real-world applications. Programming knowledge from other courses is helpful but not mandatory. However, students are expected to have a profound knowledge of fundamental data-analysis techniques, such as classification, regression and clustering.
After successful completion of this course, the student will be able to perform the following tasks in Python:
- Import and preprocess raw data (files, databases, web APIs)
- Transform data for modelling
- Perform exploratory data analysis with summary statistics and visualization
- Understand, build and evaluate predictive classification and regression models, including tree-based models, ensembles and boosted models
- Communicate and disseminate results and findings through reproducible documents, presentations, websites and interactive web applications
Content:
Part Fundamentals & Visualization:
Basics, scripts, workflows, vectors & functions in Python
Explorative data visualization
Data transformation
Part Data Management & Exploratory Data Analysis:
Data cleaning & scraping
Generating hypotheses and an intuition about the data with
exploratory data analysis
Data import
Data management
Relational data
Strings, categorical data, dates & time
Iteration: imperative & functional programming
Part Modeling:
Linear regression
Classification
Evaluation
Model selection & regularization (LASSO, Ridge)
Feature selection & model interpretation
Decision trees
Ensembles: random forests
Boosting: gradient boosted trees
Unsupervised learning, e.g. k-means, hierarchical clustering,
self-organizing maps, principal component analysis
Topic modeling with simple graphical models
Statistical testing
Part Communication:
Communication and dissemination of results through
visualization and interpretable summaries with documents,
notebooks, presentations & websites
Workload:
Attendance time = 28 h: - 2 SWS weekly seminar;
Independent work outside the actual
Seminar time = 152 h: - 76 h preparation and follow-up of the
seminar topics - 76 h solving the tasks, incl. work in the laboratory
180h = 28h attendance time + 152h independent work
| Pre-examination requirements: | Type of examination: | Teaching method / lecture hours per week (SWS): |
|
Referat |
Seminar (2 SWS) |
| Prerequisites according to examination regulations: | Recommended prerequisites: |
|
keine |
Area 1: Data Mining, Machine Learning, Artificial Intelligence Area 2: Databases Area 3: Programming Languages and Software Engineering Area 4: Stochastics, Applied Statistics |
| Media: | Literature: |
|
Will provided during the seminar
|
Comments:
Interdisziplinäres Teamprojekt
jedes
(engl. Interdisciplinary Team Project )
Modulnummer: FIN-INF-120462 |
|
Kürzel ITP |
CP 6 |
Semester jedes |
Fachsem. ab 2. |
Dauer 1 Semester |
Sprache deutsch |
Niveau Master |
| Link zum LSF: | LSF |
| Zugang beschränkt: | |
| Verantwortung: | Studiendekan:in der FIN |
| Dozent:in: | Dozenten der FIN |
| Lehrveranstaltungen: | Projekt Interdisziplinäres Teamprojekt |
| Verwendbarkeit: | - M.Sc. DE: Interdisziplinäres Team-Projekt - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) |
Angestrebte Lernergebnisse:
Nach Abschluss des Moduls können die Studierenden …
- im Team eine komplexe Aufgabe aus dem Fachgebiet mit wissenschaftlichen Methoden bearbeiten
- Lösungsmöglichkeiten diskutieren und sich auf einen gemeinsamen Lösungsweg einigen, zu dem jeder seine Ideen einbringt,
- das benötigte Wissen erarbeiten und für das Team verfügbar machen
- mit anderen zusammen ein Projekt planen und lenken und für ihre eigene Rolle im Team die Verantwortung übernehmen
- ihre Ergebnisse in mündlicher und/oder schriftlicher Form präsentieren und interpretieren
- sich rückblickend mit der Ausübung ihrer Rolle im Team und ihrem Beitrag zum gemeinsamen Ergebnis auseinandersetzen
Inhalt:
Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch.
Arbeitsaufwand:
180h = Betreute Projektarbeit, Teamarbeit, Selbststudium und Präsentationen
| Prüfungsvorleistungen: | Studien-/Prüfungsleistungen: | Lehrform / SWS: |
|
Wissenschaftliches Projekt
|
Projekt
|
| Voraussetzungen nach Prüfungsordnung: | Empfohlene Voraussetzungen: |
|
keine
|
|
| Medienformen: | Literatur: |
|
|
|
Hinweise:
Praktikum IT Sicherheit
jedes
(engl. Praktikum IT-Security )
Modulnummer: FIN-INF-120291 |
|
Kürzel P-ITSEC |
CP 6 |
Semester jedes |
Fachsem. ab 1. |
Dauer 1 Semester |
Sprache deutsch |
Niveau Master |
| Link zum LSF: | LSF |
| Zugang beschränkt: | 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
Scientific Project on Databases for Multi-Dimensional Data, Genomics, and modern Hardware
every
(in German: Scientific Project on Databases for Multi-Dimensional Data, Genomics, and modern Hardware )
Module-ID: FIN-INF-120507 |
|
Abbreviation SPDB |
Credit Points 6 |
Semester every |
Term starting at 1. |
Duration 1 Semester |
Language english |
Level Master |
| Link: | LSF |
| Limited accessability: | 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) |
|
| 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
Wissenschaftliches Teamprojekt
jedes
(engl. Scientific Team Project )
Modulnummer: FIN-INF-120482 |
|
Kürzel WTP |
CP 6 |
Semester jedes |
Fachsem. ab 1. |
Dauer 1 Semester |
Sprache deutsch |
Niveau Master |
| Link zum LSF: | LSF |
| Zugang beschränkt: | |
| Verantwortung: | Studiendekan:in der FIN |
| Dozent:in: | Dozenten der FIN |
| Lehrveranstaltungen: | keine |
| Verwendbarkeit: | - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DKE: Projects (SPO 2027) - M.Sc. DE: Interdisziplinäres Team-Projekt - M.Sc. DE: Digital Engineering-Projekt - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Projekte (SPO 2027) |
Angestrebte Lernergebnisse:
Nach Abschluss des Moduls können die Studierenden …
- im Team eine komplexe Aufgabe aus dem Fachgebiet mit wissenschaftlichen Methoden bearbeiten
- Lösungsmöglichkeiten diskutieren und sich auf einen gemeinsamen Lösungsweg einigen, zu dem jeder seine Ideen einbringt,
- das benötigte Wissen erarbeiten und für das Team verfügbar machen
- mit anderen zusammen ein Projekt planen und lenken und für ihre eigene Rolle im Team die Verantwortung übernehmen
- das Team-Ergebnis präsentieren und beurteilen und ihre Entscheidungen verteidigen
- sich rückblickend mit der Ausübung ihrer Rolle im Team und ihrem Beitrag zum gemeinsamen Ergebnis auseinandersetzen
Inhalt:
Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch.
Arbeitsaufwand:
180 h selbstständige Arbeit
| Prüfungsvorleistungen: | Studien-/Prüfungsleistungen: | Lehrform / SWS: |
|
Referat
|
Wissenschaftliches Projekt
|
| Voraussetzungen nach Prüfungsordnung: | Empfohlene Voraussetzungen: |
|
keine
|
|
| Medienformen: | Literatur: |
|
|
|
Hinweise:
Scientific Teamproject KMD
every
(in German: Wissenschaftliches Teamprojekt KMD )
Module-ID: FIN-INF-120528 |
|
Abbreviation Teamproj_KMD |
Credit Points 6 |
Semester every |
Term starting at 1. |
Duration 1 Semester |
Language english |
Level Master |
| Link: | LSF |
| Limited accessability: | 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): |
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 |
|
| 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'.