M.Sc. Ingenieurinformatik (ab Winter 2026/27) Modulhandbuch für den Master of Science (M.Sc.) Ingenieurinformatik der Fakultät für Informatik gültig für die SPO 2024 und ältere SPOs* verbindlich für das Wintersemester 2026/27 und vorläufig für das Sommersemester 2027 Stand 01.10.2026 * Für ältere SPOs als die SPO 2024 gelten abweichende Regelstudienpläne, die entsprechend berücksichtigt werden müssen. Beachten Sie insbesondere abweichende Pflichtveranstaltungen und CP. Nicht zu Ihrer SPO passende Lehrveranstaltungen können ggf. nicht vollständig oder gar nicht angerechnet werden. Prüfen Sie auch die Zuordnungen aus dem Modulhandbuch des Wintersemesters 2024/2025. Wenden Sie sich bei Inkonsistenzen oder Unklarheiten an das Prüfungsamt. 👋 Herzlich willkommen Lieber Studierende, herzlich willkommen zum Modulhandbuch für deinen Studiengang. Das Modulhandbuch umfasst das Angebot aller Module, die du brauchst, um dein Studium erfolgreich abzuschließen. Ein Modul ist dabei immer eine Lehreinheit, die aus mehreren Lehrveranstaltungen (z.B. Vorlesung und Übung) besteht, um sich Kompetenzen und Fähigkeiten im Studium anzueignen. Alle Module sind im Modulhandbuch genauer beschrieben, so dass du dein Studium genauer planen kannst. 🗺️ Was finde ich hier? In deinem Modulhandbuch findest du: Ein 🧭 Orientierungskapitel, das den Studiengang zusammenfasst, dir Orientierung an einem beispielhaften Regelstudienplan bietet, mögliche Studienprofile für deinen Studiengang aufzeigt sowie Module von fachfremden Fakultäten auflistet.  Das Kapitel 📰 Neuigkeiten teilt dir Änderungen an Modulen im Vergleich zum vorigen Semester mit, Hinweise zur Nutzung von KI, Informationen der Fachschaft und weiteres. Außerdem sind die ⚠️ Regelungen des Prüfungsausschuss verlinkt. In den Kapiteln Module im Bereich [...] bis zum Kapitel Abschlussmodule werden dann die Module aufgelistet, die laut Regelstudienplan Pflicht oder Wahlpflicht für deinen Studiengang sind. Eine Seite mit einem Link zu einem Feedback-Formular, um Anregungen zu sammeln, die unsere Modulhandbücher in Zukunft weiter verbessern. ⭐ Wie kann ich das nutzen? Diese Übersicht hilft beim Planen eines und auch zukünftiger Semester. So werden die meisten Module nicht jedes Semester angeboten. Manche bauen auch aufeinander auf. Das benötigt ein vorausschauendes Planen, wenn du eine fachliche Vertiefung studieren möchtest. Im Wahlpflichtbereich kann auch die Form der Prüfung darüber Aufschluss geben die eigenen Kapazitäten für die Prüfungsbelastung zu berücksichtigen. Zum Prüfen, welche Module bereits erfolgreich absolviert wurden und welche noch für einen erfolgreichen Abschluss des Studiums fehlen. ❓Und was ist mit ...? Wenn es darüber hinaus Fragen gibt, die du selbst mit dem Modulhandbuch oder der Studien- und Prüfungsordnung nicht lösen kannst, wende dich gern an ... ... deinen Studiengangsleiter für Fragen zum Studium oder Verwendbarkeit von Modulen oder ... unser Prüfungsamt für individuelle studiumsbezogene Fragen. 🏆 Die Fakultät wünscht dir maximalen Erfolg für dein Studium! 🧭 Orientierung Über den Studiengang Studienziel Ziel ist die auf einem einschlägigen Bachelorstudiengang aufbauende wissenschaftliche Weiterqualifikation. Ein breites Angebot von Wahlpflichtfächern und Angebote in Englisch unterstützen eine weitgehende individuelle Gestaltung des Studiengangs und eine internationale Ausrichtung. Der Studiengang umfasst den Erwerb von Fähigkeiten zur wissenschaftlichen Arbeit durch Erschließen, Weiterentwicklen und Anwenden wissenschaftlicher Konzepte, Methoden und Werkzeuge im interdisziplinären Kontext, den Erwerb von Fähigkeiten zur selbstständigen, systematischen und methodischen Einarbeitung in neue Themengebiete sowie der Erwerb von Fertigkeiten im Umgang mit fachgebietsbedigten Werkzeugen. Spätere Berufsfelder Anspruchsvolle Tätigkeiten und Leitungsfunktionen auf den Gebieten der Konzipierung und Realisierung komplexer Systeme in allen Bereichen in denen Informationstechnologie eingesetzt wird. Notwendige Kenntnisse / Erfahrungen / Interessen Gute bis sehr gute Kenntnisse in den Basisfächern der Informatik und Ingenieurwissenschaften Weitere Informationen Hier geht es zu weiteren Studiendokumenten. Orientierung am Regelstudienplan Die Grafik zeigt den Regelstudienplan mit Studienbeginn im Wintersemester. Verlinkt sind alle Module und Modulbereiche. Links im Winter-/Sommersemester führen unter Umständen zum Wechsel des Modulhandbuchs. Das dient einer besseren Orientierung und Studienplanung. Der Regelstudienplan nach SPO ist unter Studiendokumente zu finden. Beispiel mit Beginn im Wintersemester 1. Semester 2. Semester 3. Semester Informatik (18-30 CP) Masterarbeit (30 CP) Ingenieurinformatik (12-24 CP) Ingenieurswissenschaften (SPO 2027) (6-18 CP) Schlüssel- und Methodenkompetenzen (12-18 CP) Die Module sind zu thematischen Gruppen zusammengefasst: Informatik (mind. 18 bis max. 30 CP) Ingenieurinformatik (mind. 12 bis max. 24 CP) Ingenieurswissenschaften (mind. 6 bis max. 18 CP) Schlüsel- und Methodenkompetenz (SMK) (mind. 12 bis max. 18 CP) 📰 Neuigkeiten Modulnachrichten Neue Module in diesem Semester Module, die in diesem Semester nicht angeboten werden Moduländerungen Nutzung von generativer KI für Abschlussarbeiten und Prüfungs(vor)leistungen Der Fakultätsrat (Beschluss 019/25) hat folgende Regelung für die Nutzung von generativer KI für Abschlussarbeiten und Prüfungs(vor)leistungen beschlossen: Die Verwendung von Inhalten, die durch künstliche Intelligenz (KI) in einer Arbeit oder einer Antwort auf eine Frage generiert wurden (einschließlich, aber nicht beschränkt auf Text, Abbildungen, Bilder und Code), muss offengelegt werden. Das verwendete KI-System ist anzugeben, und bestimmte Abschnitte der Arbeit bzw. Antwort, in denen KI-generierte Inhalte verwendet werden, sind zu kennzeichnen und mit einer kurzen Erklärung zu versehen, auf welcher Ebene das KI-System zur Generierung der Inhalte verwendet wurde. Ebenso soll der Grund für die Verwendung der Tools angeben werden. Die Verwendung von KI-Systemen für die Bearbeitung und Verbesserung der Grammatik ist gängige Praxis. Auch in diesem Fall ist eine Offenlegung wie oben beschrieben erforderlich, sie kann aber summarisch für die gesamte Arbeit erfolgen. Auch bei Verwendung von generativer KI muss die wissenschaftliche Eigenleistung selbst erbracht werden. Fachschaftsrat der Fakultät für Informatik (Studierendenvertretung) Der Fachschaftsrat der Fakultät für Informatik (kurz: FaRaFIN) ist die gewählte Vertretung der Studierenden der Fakultät für Informatik.  Man wird ihn am ehesten durch die Organisation diverser Veranstaltungen, wie der Einführungswoche, der Vorkurse, Spieleabenden, Weihnachtsfeiern und Sommerfesten, kennen. Außerdem vertreten sie die Angelegenheiten der Studierenden zur Verbesserung des Studiums und der Lehre in verschiedenen Kommissionen, wie dem Fakultätsrat, Studienkommissionen oder dem Prüfungsausschuss. Awareness Portal der Universität Die Universität hat 2025 ein neues Awareness Portal eingeführt. Awareness meint hier Themen des Campuslebens, die auf soziale Ungleichheit, psychische Gesundheit, Geschlechterrollen, Diskriminierung und noch so einiges mehr hinweisen. Sie folgt damit ihrer Verantwortung eine sichere Umgebung für Studierende, Lehrende, Gäste und andere Mitglieder. Daher klärt das Portal auf und sieht sich als Vermittlerstelle für alle Themen rund um Awareness: Diskriminierung, Benachteiligung, (sexueller) Belästigung und Gewalt Wissenschaftliche Integrität Feedback zu Studium und Lehre und weitere Beratung und Beschwerden findet man daher auf dem neuen Awareness Portal. ⚠️ Regelungen des Prüfungsausschusses Diese Sammlung von Regelungen fasst relevante Beschlüsse des Prüfungsausschusses der Fakultät für Informatik zusammen. Im Zweifelsfall gilt der Wortlaut der Beschlüsse des Prüfungsausschusses. Sie sind hier zu finden. Module im Bereich: Informatik 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: AMS Lab Projects   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DKE: Projects (SPO 2027) - M.Sc. DE: Interdisziplinäres Team-Projekt - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Digital Engineering-Projekt - M.Sc. DE: Digital Engineering (SPO 2027) - M.Sc. DE: Engineering Specialization (SPO 2027) - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Computer Science (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) Intended learning outcomes: Students who complete the course ... can collaborate in teams to solve challenges in technical domains and deepen their technical expertise. can manage a project and define goals and milestones can acquire the knowledge in a technical domain to derive solutions can present and document their work and achievements Content: This module offers different team projects and individual projects on current, research-related areas like: robotics sensor data processing navigation and planning industrial machine learning optimization and control and more Workload: 180 h of individual and team work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Scientific Project (Wissenschaftliches Projekt) Project (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Literature will be announced in the lecture. Comments: Advanced Database Models Summer (in German: Advanced Database Models ) Module-ID: FIN-INF-103805 Abbreviation ADBM Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: false Responsibility: Gunter Saake Lecturer: Eike Schallehn Classes: Lecture Advanced Database Models Exercise Advanced Database Models   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: The students ... understand different non-relational database models, their basic concepts, and their historical development understand implications of non-relational data models for query processing and application development use non-relational DBMS and their specific capabilities develop databases and according applications using non-relational databases Content: Overview and history of database models NF2-, object-oriented, object-relational, and semi-structured database models Application of the database models and design methodologies (extended ERM, UML, ODMG, XML Schema, etc.) Foundations of query languages (OQL, SQL:2003, XPath/XQuery, etc.) and query processing for non-relational data models Workload: 56 h contact hours + 124 h self-study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): To be eligible to take the exam, you must have completed certain prerequisites. Further details will be announced in the first lecture. Written exam (120 min) Lecture 2 SWS Exercise 2 SWS Prerequisites according to examination regulations: Recommended prerequisites: none Database introduction course Media: Literature: Comments: Advanced Programming in Computational Intelligence in Games Summer (in German: Advanced Programming in Computational Intelligence in Games ) Module-ID: FIN-INF-120495 Abbreviation AP-CIG Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Sanaz Mostaghim Lecturer: Sanaz Mostaghim Classes: Lecture Advanced Programming in Computational Intelligence in Games Tutorials Advanced Programming in Computational Intelligence in Games   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. VC: Computer Science Intended learning outcomes: Students ... carry out a large programming project using the concepts from the theoretical part of the course. have a full understanding of the algorithms of computational Intelligence in Games. learn to develop new ideas and apply them to new problems in the context of AI and Games. learn to program the methodologies from the lectures in teams. Content: This course addresses the basic and advanced topics in the area of computational intelligence and games and contains three parts: Part 1 addresses the basics in Evolutionary Game Theory (EGT). In this part you will learn about simple games such as scissors/rock/paper and the focus on the strategies for playing games. Part 2 is about learning agents, and we focus on reinforcement learning mechanisms. There are three questions for games: How can we use the information from a search mechanism to learn? How can we use reinforcement learning to find for a better strategy? How can we use reinforcement learning as a search mechanism? The application is on board games. Part 3 contains the advanced topics in games and artificial intelligence How can we consider physical constraints of a spaceship while moving in an unknown terrain. Other topics are Monte Carlo Tree Search, Procedural Content Generation, Decision Making and Multi-Objective Learning. Workload: 56 contact hours + 94h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Hausarbeit (home work containing programming) Exercises and Tutorials Klausur (written Exam) 120 Minuten lectures (2 SWS) exercise classes (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Programming experience Media: Literature: ­Ian Millington and John Funge, Artificial Intelligence for Games, CRC Press, 2009 Richard S. Sutton and Andrew G. Barto, Reinforcement Learning: An Introduction, MIT Press, Cambridge, MA, 1998 Jorgen W. Weibull, Evolutionary Game Theory, MIT Press, 1997 Thomas Vincent, Evolutionary Game Theory, Natural Selection, and Darwinian Dynamics, Cambridge University Press, 2005 Josef Hofbauer, Karl Sigmund, Evolutionary Games and Population Dynamics, Cambridge University Press, 1998 Comments: Advanced Topics in Databases Summer (in German: Advanced Topics in Databases ) Module-ID: FIN-INF-120277 Abbreviation ATDB Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: David Broneske Classes: Lecture Advanced Topics in Databases Exercise Advanced Topics in Databases   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: The students ... understand selected advanced topics in databases know state-of-the-art solutions for current problems in database research assess advanced solutions for current database systems can apply advanced methods in database implementation techniques Content: Topics of the lecture will frequently change in accordance with current research directions in the database community and represent cutting-edge aspects. Current Topics: Main-memory database algorithms and techniques Heterogeneous processing in database systems Advanced indexing ans storage techniques Storage techniques for NoSQL database systems Workload: 56h contact hours + 124h self-study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Successful participation in the exercise Oral exam 2 SWS Lecture 2 SWS Exercise class Prerequisites according to examination regulations: Recommended prerequisites: none Knowledge about database foundations and about principles of internal database operations Basic programming skills Media: Literature: Comments: Advanced Topics in Deep Learning (Master) every (in German: Advanced Topics in Deep Learning (Master) ) Module-ID: FIN-INF-120496 Abbreviation ATDL Credit Points 6 Semester every Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Sebastian Stober Lecturer: Sebastian Stober Classes: Advanced Topics in Deep Learning   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DKE: Data Processing for Data Science - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Students ... can read and analyze current research papers apply deep learning to an application domain gain in-depth knowledge In the application domain learn to work efficiently in a team on scientific problems learn to work on a server infrastructure present scientific results in a written and oral form Content: Current topics from deep learning research Create domain-specific deep learning pipelines The application domain will be announced beforehand Workload: 30h in person 150h self-study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Hausarbeit Mündliche Prüfung Vorlesung/Seminar (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Introduction to Deep Learning Media: Literature: Comments: Advanced Topics in Networking Winter (in German: Advanced Topics in Networking ) Module-ID: FIN-INF-120518 Abbreviation ATN Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: false Responsibility: David Hausheer Lecturer: David Hausheer Classes: Lecture Advanced Topics in Networking Exercise Advanced Topics in Networking   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: Students... enhance their competence in the area of networking understand advanced networking concepts can explain these concepts to other participants are able to apply these concepts in theoretical use cases and practical exercises gain expertise in practical network applications Content: The course deals with advanced topics in the area of networking: Overlay networks for content delivery, e.g., P2P, BitTorrent, CDNs, caching, overlay video streaming Distributed Hash Tables (DHT), e.g., Kademlia Blockchains Crypto currencies and Bitcoin Ethereum and smart contracts Secure network architectures, e.g., SCION Congestion Control, e.g., QUIC and Multipath-QUIC Workload: 28h lectures 22h theoretical exercises 6h practical exercises 124h homework (further studies, practical work, preparation for the final exam) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Prerequisites for the exam required; details will be announced at the beginning of the semester. Written exam 120 minutes Lecture 2 SWS Exercise 2 SWS Prerequisites according to examination regulations: Recommended prerequisites: none Modul Computernetze Media: Literature: Textbooks as indicated. Slides and paper copies as necessary. Comments: Applied Discrete Modelling Winter (in German: Applied Discrete Modelling ) Module-ID: FIN-INF-120279 Abbreviation ADM Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: PD Dr. Claudia Krull Lecturer: PD Dr. Claudia Krull Classes: Lecture Applied Discrete Modelling Exercise class Applied Discrete Modelling   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Intended learning outcomes: Students understand the basics of Markov chains and know selected applications and solution methods Students understand non-Markovian stochastic processes and can model and simulate them in different ways Students understand hidden Markovian and non-Markovian processes Students know selected research topics of the research group Students can implement the models and methods they have learned and apply them to problems from the university's main research areas, in particular medicine and engineering Content: Discrete-time and continuous-time Markov chains Applications and implementation of solution methods for Markov chains Method of supplementary variables Proxel simulation and phase distributions Modeling with hidden models Programming solution methods for different model classes Modeling and solving problems from medicine and engineering Workload: 56 h lectures and exercise classes 124 h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Solutions to Assignments 1-6 need to be handed in before the exam registration. Oral Exam 30 Minutes Lecture 2 SWS Exercise class 2 SWS Prerequisites according to examination regulations: Recommended prerequisites: none Engineering mathematics Computer programming Media: Literature: recorded lectures and exercises are available Comments: Assistenzrobotik Sommer (engl. Assistance robotics ) Modulnummer: FIN-INF-120443 Kürzel AROB CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Norbert Elkmann (Fraunhofer IFF) Dozent:in: Norbert Elkmann (Fraunhofer IFF) Lehrveranstaltungen: Vorlesung Assistenzrobotik Übung Assistenzrobotik Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. DE: Digital Engineering (SPO 2027) - M.Sc. DE: Engineering Specialization (SPO 2027) Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls ... kennen mathematische Transformationen zur geometrischen und differentiellen Beschreibung von Roboterkinematiken kennen die Bewegungsgleichung von Roboter-Manipulatoren und können sie für Fragestellungen zur kollaborativen Sicherheit anwenden kennen die unterschiedlichen Interpolationsarten zum Beschreiben einer Roboterbahn und können eigenständig C²-Trajektorien generieren können die Kinematik von mobilen Robotern modellieren und ihre Position unter Berücksichtigung von Unsicherheiten im Raum bestimmen kennen verschiedene Methoden des maschinellen Lernens (unüberwachtes und überwachtes Lernen sowie Deep Learning) und können deren Einsatzmöglichkeiten für die Bildverarbeitung im Kontext der Robotik einordnen verstehen die Grundprinzipien des Reinforcement Learnings und wissen, wie damit optimale Handhabungsstrategien für Roboter generiert werden können kennen die Grundlagen der Maschinensicherheit (Risikobeurteilung und CE-Kennzeichnung) kennen die Sicherheitsbetriebsarten für kollaborative Robotersysteme und können sie anwenden Inhalt: Einführung in die Assistenzrobotik Grundlagen der Assistenzrobotik (Modellierung von Roboterkinematiken, Bahnplanung, Bewegungs- und Kraftregelung, Sensoren, mobile Systeme) Mensch-Roboter-Kollaboration und Sicherheit: Technologien, Maschinensicherheit, Normen, Rechtslage KI-Verfahren in der Robotik Arbeitsaufwand: 42h Präsenzzeit + 138h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Mündliche Prüfung 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Programmierkenntnisse Lineare Algebra Medienformen: Literatur: Hinweise: Ausgewählte Algorithmen der Computergraphik Winter (engl. Selected Algorithms in Computer Graphics ) Modulnummer: FIN-INF-120272 Kürzel AACG CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Christian Rössl Dozent:in: Christian Rössl Lehrveranstaltungen: Vorlesung Ausgewählte Algorithmen der Computergraphik Übung Ausgewählte Algorithmen der Computergraphik Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. VC: Visual Computing Angestrebte Lernergebnisse: Die Studierenden verstehen grundlegende Konzepte der Linearen Algebra und Numerik wenden diese an, um Algorithmen aus dem Bereich der Computergraphik zu implementieren erstellen eigene Implementierungen,Tests und Benchmarks können geeignete Werkzeuge (z.B. Programmiersprache, Bibliotheken) beurteilen, sinnvoll auswählen und anwenden können wissenschaftlichen Artikel im Bereich Computergraphik insbesondere im Hinblick auf mathematische Inhalte verstehen und implementieren Inhalt: Linear least-squares approximation Data interpolation and approximation Matrix factorization Sparse matrices Regularization Implementation issues General applications and case studies The specific contents may vary each semester. Die Veranstaltung kann je Bedarf in englischer oder deutscher Sprache abgehalten werden. Vorlesungsmaterialien stehen auf englisch zur Verfügung. Arbeitsaufwand: 56 h Präsenz 124 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Um an der Prüfung teilnehmen zu können, sind Prüfungsvorleistungen erforderlich. Details werden in der ersten Vorlesung bekannt gegeben. Mündliche Prüfung 20 Minuten Vorlesung 2 SWS Übung 2 SWS Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Vorlesungen im Bereich Computergraphik z.B. Grundlagen der Computergraphik CAGD Mesh Processing Spaß an mathematischen Aufgabenstellungen und Programmierung Programmierkenntnisse in C++ oder Julia oder Matlab und/oder die Bereitschaft sich schnell und selbständig in neues einzuarbeiten Grundlegende Kenntnisse der Versionsverwaltung mit Git Bereitschaft, der Veranstaltung auch in englischer Sprache zu folgen Medienformen: Literatur: Literatur wird in der Vorlesung bekannt gegeben. Hinweise: Wir verwenden i.d.R. Julia (https://julialang.org) als Programmiersprache (statt vormals Matlab und GNU Octave) und dazu C++ nach Bedarf. Wo genau der Fokus liegt, tarieren wir soweit möglich in der Veranstaltung je nach Vorkenntnissen und Wünschen aus. Clean Code Development Winter (in German: Clean Code Development ) Module-ID: FIN-INF-120432 Abbreviation CCD Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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. Computational Geometry Summer (in German: Computational Geometry ) Module-ID: FIN-INF-102201 Abbreviation CompGeom Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: false Responsibility: Prof. Dr. Stefan Schirra Lecturer: Prof. Dr. Stefan Schirra Classes: Lectures and exercises Computational Geometry   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Visual Computing - M.Sc. VC: Visual Computing (SPO 2027) Intended learning outcomes: Students know how to design and analyze algorithms for advanced geometric problems. They understand the basics of combinatorial and algebraic geometry. Content: basics in combinatorial geometry basics in algebraic geometry duality algorithm design paradigms Workload: 56 h classroom + 124 h independent work Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): active participation Oral exam Lecture and Exercise (4 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Basics in algorithmic geometry (for example, bachelor modul Grundzüge der Algorithmischen Geometrie) Media: Literature: de Berg, Cheong, van Kreveld, Overmars; Computational Geometry Devadoss, O'Rourke; Computational Geometry Comments: Computer-Assisted Surgery Winter (in German: Computer-Assisted Surgery ) Module-ID: FIN-INF-120519 Abbreviation CAS Credit Points 6 Semester Winter Term ab 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: true Responsibility: Christian Hansen Lecturer: Christian Hansen Classes: Lecture Computer-Assisted Surgery Seminar Computer-Assisted Surgery Team project Computer-Assisted Surgery   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. VC: Visual Computing Intended learning outcomes: Students who complete this module ... have an in-depth knowledge of modern surgical and interventional imaging technologies such as iMRI, iCT and IOUS, as well as medical image processing understand methods such as surgical tracking, calibration and registration, which are essential for the development and application of surgical assistance systems can design and develop surgical planning and navigation systems. can write a state of the art report in the field of computer assisted surgery can read, analyse and briefly summarise scientific papers in a scientific report. Within this module students can choose between a seminar or a team project. If students choose to undertake a seminar, they ... will be able to read, understand and present scientific publications in the field of computer-assisted surgery will understand how to critically analyse scientific publications and improve their ability to present the results of others' research. If students opt for a team project, they ... will develop, test and evaluate a software tool in an interdisciplinary team will learn how to deal with conflict in interdisciplinary teams. Content: This lecture provides an overview of computer-assisted surgery. After an introduction to the basics, the state of the art in computer-assisted surgery is presented using clinical examples. The following topics will be covered: Fundamentals of intra-operative imaging Fundamentals of surgical visualisation Computer-assisted surgical planning Surgical navigation systems Surgical Augmented Reality Surgeon-Computer Interaction Robotic Surgery Medical Software Development and Evaluation Workload: 56 h contact hours + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Successful completion of the exercise/seminar Oral exam Lecture (2SWS) Seminar (2SWS) or team project (2SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: Data Mining II - Advanced Topics in Data Mining Winter (in German: Data Mining II - Advanced Topics in Data Mining ) Module-ID: FIN-INF-120455 Abbreviation DM2 Credit Points 9 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: false Responsibility: Myra Spiliopoulou Lecturer: Myra Spiliopoulou Classes: Vorlesung DM 2 Übung DM 2 COURTESY TRANSLATION: Lecture class DM2 Exercise class DM2   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: When successfully completing this module, the students: comprehend why temporal data need different learning algorithms and evaluation procedures than used on static data comprehend the behaviour of supervised, unsupervised and semi-supervised learning algorithms on temporal data can design and apply simple learning algorithms and workflows on temporal data and interpret the induced models can evaluate models - once and in continuous evaluation, since both are needed in temporal learning and have thus acquired skills they need in order to design and evaluate temporal learning algorithms themselves Content: Block 1A: Data Streams Basics Stream classification: learning methods and concept drift detectors; evaluation approaches Semi-supervised stream learning: methods and evaluation approaches Block 1B: Time series Basics Time series classification Time series prediction Evaluation of models Block 2: discussion of papers (inverted classroom) and hands-on of algorithms (in the exercises) Workload: 28 hours - in presence : lecture class (2 hours per week) 28 hourse in presence: exercise class (2 hours per week) 214 Stunden: Individual working time on Preparation for lectures and exercise classes Reading and understanding the articles (scientific papers) provided for the discussion in the lecture class Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Votierung in der Vorlesung und in der Übung (A minimum number of points must be achieved in Block 1 and in Block 2) Schriftliche Prüfung - Klausur COURTESY TRANSLATION: Written exam of the form 'Klausur' Prerequisite for the written exam: a minimum number of points must be achieved; this procedure is called 'Votierung' Vorlesung (2 SWS) Übung (2 SWS) COURTESY TRANSLATION: Lecture (2 hours per week of the semester) Exercise (2 hours per week of the semester) Prerequisites according to examination regulations: Recommended prerequisites: keine Familiarity with learning algorithms for static tabular data Familiarity with methods for the evaluation of models induced on static data Media: Literature: Comments: Block 1: Literature on streams and time series; is provided in the elearning page of the module Block 2: New papers are discussed, every time the course is offered Data 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: Introduction to Data Warehousing Winter (in German: Data Warehouse Technologies ) Module-ID: FIN-INF-102808 Abbreviation DWT Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: David Broneske Classes: Lecture Introduction to Data Warehousing Exercise Introduction to Data Warehousing   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Fachliche Spezialisierung Intended learning outcomes: The students ... understand the data warehousing approach understand technologies in the field of data warehouses can use data warehouse specific DBMS functionalities can design and develop data warehouse applications Content: The data warehouse approach Architecture and differences to traditional Database Management The Extract-Transform-Load process OLAP and the Multidimensional data model Application of the model in database systems Query execution and optimization Index and Storage structures for data warehouses Buisiness Intelligence on data warehouses Workload: 56 contact hours + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam (120 min) 2 SWS Lecture 2 SWS Exercise class Prerequisites according to examination regulations: Recommended prerequisites: keine Modules Datenbanken 1/Database Concepts and Datenbanken 2 Media: Literature: Data Warehouse Technologien. Veit Köppen, Gunter Saake, Kai-Uwe Sattler. 2. Auflage, mitp-Verlag, 2014 Comments: Datenbanken 2 Sommer Datenbankimplementierungstechniken (engl. Database Implementation Techniques ) Modulnummer: FIN-INF-120531 Kürzel DB II CP 6 Semester Sommer Fachsem. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Gunter Saake Dozent:in: Gunter Saake Lehrveranstaltungen: Vorlesung Datenbanken 2 Übung Datenbanken 2 Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Angestrebte Lernergebnisse: Kenntnisse über die Funktionsweise von Datenbankmanagementsystemen Befähigung zum physischen Entwurf von Datenbanksyste-men Befähigung zur Administration und zum Tuning von Datenbanksystemen Befähigung zur Entwicklung von Komponenten von Datenbankmanagementlösungen Die Fähigkeit, erworbenes Wissen auf reale Datensätze zu übertragen, Implementierungsentscheidungen eigenständig zu treffen sowie die Eignung eingesetzter Algorithmen für praktische Anwendungsszenarien kritisch zu bewerten. Inhalt: Aufgaben und Prinzipien von Datenbanksystemen Architektur von Datenbanksystemen Verwaltung des Hintergrundspeichers Dateiorganisation und Zugriffsstrukturen Zugriffsstrukturen für spezielle Anwendungen Basisalgorithmen für Datenbankoperationen Optimierung von Anfragen Arbeitsaufwand: 56h Präsenz + 124h selbstständige ArbeitErfolgreiche Bearbeitung von Semesteraufgaben (Ausgabe zum Beginn des Semesters) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Erfolgreiche Bearbeitung von Semesteraufgaben (Ausgabe zum Beginn des Semesters) Klausur (120 min.) 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Datenbanken 1 Medienformen: Literatur: Datenbanken: Implementierungstechniken. Gunter Saake, Kai-Uwe Sattler, Andreas Heuer, 4. Auflage mitp-Verlag, Bonn, 2019, ISBN: 978-3-95845-779-9 Hinweise: Decision Support Project jedes Development of a Group Decision-Making App (engl. Decision Support Project ) Modulnummer: FIN-INF-120501 Kürzel DSP CP 6 Semester jedes Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: true Verantwortung: Graham Horton Dozent:in: Graham Horton, Jana Görs Lehrveranstaltungen: Wöchentliche Projektmeetings Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls ... kennen Merkmale von multikriteriellen Gruppenentscheidungen kennen die CMAA-Methode und können unterscheiden, in welchen Situationen sie anwendbar ist entwickeln, testen und bewerten ein Software-Tool im Team planen und moderieren mindestens einmal eine Gruppenentscheidung führen ein Team-Projekt durch und bewerten die Qualität ihrer Teamarbeit nehmen an kollaborativen Entscheidungen teil und kennen deren Schwierigkeiten und Erfolgsfaktoren präsentieren ihre Projektergebnisse in einem Vortrag und begründen ihre Schlussfolgerungen setzen sich im Nachhinein mit der Ausübung ihrer Rolle im Team und ihrem individuellen Beitrag zum gemeinsamen Ergebnis auseinander lesen wissenschaftliche Veröffentlichungen und ziehen daraus Erkenntnisse für ihre Aufgabe reflektieren über die Rollen im Team, bewerten ihre Effektivität und machen Vorschläge zur Verbesserung Inhalt: Die Teilnehmer*innen entwickeln in Drei-Personen-Teams ein Software-Tool, um Gruppenentscheidungen zu unterstützen Erfolgskriterien für die Teamarbeit Grundzüge von multikriteriellen Entscheidungen Besonderheiten von kooperativen Gruppenentscheidungen Combinatorial Multicriteria Acceptability Analysis (CMAA) Regelmäßige Team- und Coaching-Meetings Abschlusspräsentation und -bericht Arbeitsaufwand: 28 h Präsenz 152 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit 2 SWS Projektmeeting Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Interesse an der Konzeption eines Softwareprototyps durch Interviews mit einem Auftraggeber Fähigkeit und Bereitschaft zur Teamarbeit Programmiererfahrung, vorzugweise in C, C++, Javascript o.ä. Interesse an der Verwirklichung von Forschungsergebnissen in Form eines praktischen Software-Tools Medienformen: Literatur: Jana Görs: Combinatorial Multicriteria Acceptability Analysis for IT-Supported Group Decisions: Detailed Analysis, Enhanced Metric and Efficient Consensus Building Goers J, Horton G: Combinatorial multi-criteria acceptability analysis: a decision analysis and consensus-building approach for cooperative groups. Eur J Oper Res 308(1):243–254 Hinweise: Der Erfolg bei diesem Modul hängt stark von der Qualität der Projekt- und Teamarbeit ab! Das Modul kann in den Studiengängen M-INF, M-WIF und M-INGINF auch als Wissenschaftliches Teamprojekt angerechnet werden. Die Anzahl Teilnehmer ist auf 18 beschränkt. Die Anmeldezeit bestimmt über die Aufnahme. Gruppenanmeldungen (drei Personen) werden bevorzugt. Die Teilnahme an der Auftaktveranstaltung ist Pflicht. Design-Projekt Sommer (engl. Design Project ) Modulnummer: FIN-INF-120520 Kürzel DSP CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Hans-Knud Arndt Dozent:in: Hans-Knud Arndt Lehrveranstaltungen: Seminar Design Projekt Übung Design Projekt Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Human Factors - M.Sc. VC: Schlüssel- und Methodenkompetenzen Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls... entwickeln ein Verständnis für Industrie-Design setzen sich mit den „Zehn Thesen des Guten Designs“ von Dieter Rams auseinander und sind in der Lage diese auf Projekte anzuwenden entwickeln ein Verständnis für das Design aktueller IT-Produkte sind in der Lage, das Design von aktuellen IT-Produkte zu entwickeln und zu bewerten Inhalt: Die Teilnehmer*innen sollen im Rahmen dieser Lehrveranstaltung ihre neu gewonnenen Erkenntnisse in Bezug auf Design praktisch auf IT-Produkte anwenden. Hierbei werden die von Dieter Rams entwickelten „Zehn Thesen des Guten Designs“ eingesetzt. Darüber hinaus werden weitere Ansätze, wie zum Beispiel von John Maeda: "Simplicity: Die zehn Gesetze der Einfachheit" angewendet. Arbeitsaufwand: Präsenzzeiten: 2 SWS Seminar = 28h 2 SWS Übung = 28h Selbstständiges Arbeiten: Vor- und Nachbereitung Vorlesung Entwicklung von Lösungen für die Übung 124h 180h = 4 SWS = 56h Präsenzzeit + 124h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit Seminar (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Distributed Data Management Winter (in German: Distributed Data Management ) Module-ID: FIN-INF-102404 Abbreviation DDM Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: false Responsibility: Gunter Saake Lecturer: Eike Schallehn Classes: Lecture Distributed Data Management Exercise Distributed Data Management   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: The students ... know basic principles and advantages of distributed data management can implement distributed databases understand query and transaction processing in distributed and parallel database systems optimize the run-time performance and satisfy requirements regarding reliability and availability of distributed systems Content: Overview and classification of distributed data management (distributed DBMS, parallel DBMS, fedrated DBMS, P2P) Distributed DBMS: architecture, distribution design, distributed query processing and optimization, distributed transactions, and transactional replication Parallel DBMS: fundamentals of parallel processing, types of parallelization in DBMS, parallel query processing Workload: 56 h contact hours + 124 h self-study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): To be eligible to take the exam, you must have completed certain prerequisites. Further details will be announced in the first lecture. Written exam (120 min) Vorlesung 2 SWS Übung 2 SWS Prerequisites according to examination regulations: Recommended prerequisites: none Database introduction course Media: Literature: Comments: Estimation for Autonomous Mobile Robots Winter (in German: Estimation for Autonomous Mobile Robots ) Module-ID: FIN-INF-120485 Abbreviation AMR Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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: Evolutionary Multi-Objective Optimization Summer (in German: Evolutionary Multi-Objective Optimization ) Module-ID: FIN-INF-120469 Abbreviation EMO Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Sanaz Mostaghim Lecturer: Sanaz Mostaghim Classes: Lecture Evolutionary Multi-Objective Optimization Exercises Evolutionary Multi-Objective Optimization   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: The students... have a full understanding of optimization and decision-making algorithms using evolutionary algorithms. are able to develop EMO algorithms can design optimization algorithms, model optimization problems and perform experiments. Content: In our daily life, we are inevitably involved in optimization. How to get to the university in the least time is a simple optimization problem that we encounter every morning. Just looking around ourselves, we can see many examples of optimization problems, even with conflicting objectives and higher complexities. It is natural to want everything to be as good as possible, in other words optimal. The difficulty arises when there are conflicts between different goals and objectives. Indeed, there are many real-world optimization problems with multiple conflicting objectives in science and industry, which are of great complexity. We call them Multi-objective Optimization Problems. Over the past decade, many new ideas have been investigated and studied to solve such optimization problems as any new development in optimization which can lead to a better solution of a particular problem is of considerable value to science and industry. Among these methods, evolutionary algorithms are shown to be quite successful and have been applied to many applications. This course addresses the basic and advanced topics in the area of evolutionary multi-objective optimization and contains the following content: Introduction to single-objective optimization (SO) and multi-objective optimization (MO), classical methods for solving MO, definitions of Pareto-optimality and other theoretical foundations for MO Basics of evolutionary algorithms (algorithms, operators, selection mechanisms, coding and representations) Evolutionary multi-objective algorithms (NSGA-II, EMO scalarization methods such as MOEA/D) Constraint handling in SO and MO, robust optimization in EMO, surrogate methods for expensive function evaluations Evaluation mechanisms (Design of experiments, test problems, metrics, visualization) Workload: 56 h contact time + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam (120 Min) Exercises 2 SWS lecture 2 SWS exercise class Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Deb, Kalyanmoy. Multi-Objective Optimization Using Evolutionary Algorithms, Wiley, 2001. Coello, Carlos A. Coello, Gary B. Lamont, and David A. Van Veldhuizen. Evolutionary algorithms for solving multi-objective problems. Vol. 5. New York: Springer, 2007. Miettinen, Kaisa. Nonlinear multiobjective optimization. Vol.12. Springer Science & Business Media, 2012. Ehrgott, Matthias. Multicriteria optimization. Vol. 491. Springer Science & Business Media, 2005. Kruse, Rudolf, et al. Computational intelligence: a methodological introduction. Springer, 2016. Comments: Filmseminar Informatik und Ethik Winter (engl. Film Seminar - Computer Science and Ethics ) Modulnummer: FIN-INF-120294 Kürzel CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: true Verantwortung: Gunter Saake Dozent:in: Eike Schallehn Lehrveranstaltungen: Seminar Filmseminar Informatik und Ethik Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Computer Science Angestrebte Lernergebnisse: Die Studierenden ... können sich selbstständig in ein anspruchsvolles Thema einarbeiten könne ein anspruchsvolles Thema präsentieren verstehen Fragen der Ethik des Einsatzes von Informationstechnologien Inhalt: Diskussion von Fragen der Ethik informationstechnischer Anwendungen, wie z.B. Einschränkung von Persönlichkeitsrechten Gesellschaftliche Effekte Ethische Fragen spezifischer Anwendungen (z.B. Militär, Gentechnikt, etc.) Sicherheit und Vertrauenswürdigkeit von Systemen am Beispiel vorgegebener und selbst gewählter Spielfilme Arbeitsaufwand: 56h Präsenzzeit + 94h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Referat Seminar (4 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Umfangreiche Kenntnisse von Grundlagen und Anwendungen von Informationssystemen Medienformen: Literatur: Hinweise: Flow Visualization Summer (in German: Flow Visualization ) Module-ID: FIN-INF-120261 Abbreviation FlowVis Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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: Grundlagen der Theoretischen Informatik III Winter (M.Sc.) (engl. Introduction to the Theory of Computation III ) Modulnummer: FIN-INF-110464 Kürzel GThI 3 CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: false Verantwortung: Prof. Dr. Stefan Schirra Dozent:in: Prof. Dr. Stefan Schirra Lehrveranstaltungen: Vorlesung Grundlagen der Theoretischen Informatik III Übung Grundlagen der Theoretischen Informatik III Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Computer Science Angestrebte Lernergebnisse: Studierende lernen, formale Sprachen in die Chomsky-Hierarchie einzuordnen und beurteilen zu können. Sie verstehen algebraische Zugänge zu Formalen Sprachen. Ferner lernen sie Optionen kennen, mit schweren Problemem umzugehen, und diese anzuwenden. Inhalt: Weiteres zu regulären und kontextfreien Sprachen, Kleene Algebren, Exakte Exponentialzeitalgorithmen, Algorithmen für spezielle Graphklassen, Festparameterhandhabbarkeit, Approximationsalgorithmen und Nichatapproximierbarkeit Elementare Komplexitätstheorie. Arbeitsaufwand: 56h Präsenzzeit + 124h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Aktive Teilnahme an der Veranstaltung. Im Unterschied zur B.Sc. Variante muss mindestens einmal eine eigene Lösung zu einer Übungsaufgabe vorgestellt werden. Klausur 120 Minuten Vorlesung (3 SWS) Übung (1 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Grundlagen der Theoretischen Informatik I + II (Bachelor) Medienformen: Literatur: Sipser; Theory of Computation Kozen; Automata and Computability Shallit; A Second Course on Automata and Computability Theory Hinweise: Human-Centred Manufacturing and Usability Sommer HCAMU (in German: Human-Centred Manufacturing and Usability ) Module-ID: FIN-INF-120512 Abbreviation HCMU Credit Points 6 Semester Sommer Term Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Ernesto William De Luca Lecturer: Marianna Ciccarelli Classes: Lecture/Exercise: Human-Centred Manufacturing and Usability   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: The students ... have theoretical and practical skills for the evaluation and design of safe, efficient, and human-centered work environments can apply principles of Human-Centered Design and Human-Centered Manufacturing understand risk assessment methodologies Content: The course aims to provide both theoretical and practical skills for the evaluation and design of safe, efficient, and human-centered work environments. It will cover key concepts related to health and safety in industrial settings, with a particular focus on risk prevention and the integration of human resources into Industry 4.0 processes. Special attention will be given to the principles of Human-Centered Design and Human-Centered Manufacturing, with an introduction to occupational ergonomics and methods for analyzing physical and cognitive ergonomics. The course will also explore risk assessment methodologies, including applications in human-robot collaboration, as well as user-machine interaction paradigms and usability concepts. Learning activities are supported by hands-on exercises in ergonomic analysis and usability testing. Workload: block course 40 contact hours + 140 hours self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written report (Hausarbeit) 4 SWS Lecture/Exercise Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: IT-Security of Cyber-Physical Systems Winter (engl. IT-Security of Cyber-Physical Systems ) Modulnummer: FIN-INF-120457 Kürzel ITS-CPS CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: 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 In-Memory and Cloud-Technologies Winter (in German: In-Memory und Cloud-Technologien ) Module-ID: FIN-INF-120506 Abbreviation IMCloud Credit Points 6 Semester Winter Term starting at 1. Duration 2 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Hon. Prof. Dr. Alexander Zeier Lecturer: Hon. Prof. Dr. Alexander Zeier Classes: Vorlesung In-Memory und Cloud-Technologien 1 Vorlesung In-Memory und Cloud-Technologien 2   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Data Processing for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Die Studierenden ... können Methoden ihres Fachs einschätzen und kreativ weiterentwickeln. können sich neues Wissen eigenständig aneignen und für sich nutzbar machen. können bei unbekannten Aufgaben eigene Ideen einbringen und Entscheidungen treffen. können für neue Aufgaben geeignete Lösungen wählen, anwenden und anschließend beurteilen. können selbstständig wissenschaftlich arbeiten. haben ein Verständnis für ausgewählte Vertiefungsgebiete der Wirtschaftswissenschaften, der Wirtschaftsinformatik und der Informatik und für ihre Zusammenhänge. können existierende Methoden von Data Science für neuartige Probleme anpassen. haben vertiefte, spezialisierte Kenntnisse in der Informatik und können diese in ingenieurwissenschaftlichen Domänen anwenden. können in interdisziplinären Projekten Digitalisierungslösungen für komplexe ingenieurwissenschaftliche Systeme beitragen. Content: In-Memory Technologie und Anwendungen mit Focus auf SAP HANA: Erläuterung der In-Memory-Technologie mit Focus auf SAP HANA Zeilen- versus Spaltenhauptspeicherdatenbanken Komprimierungs-, Partitionierungs- und Indexierungsansätze Google Cloud Technologie und Services Einsatz z.B. von Anthos, Bigquery, und AutoML Entwicklung von Hochverfügbarkeitslösungen und Backupstrategien Erweiterung des Datenlayouts ohne Downtime Migrationsansätze für Projekte in denen In-Memory Datenbanken eingesetzt werden Workload: Präsenzzeiten = 56 h: 56 h Vorlesung Selbstständiges Arbeiten = 64 h: 60 h Vorbereitung auf die Vorlesung und Lesen der empfohlenen Literatur Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Eine mündliche Prüfung am Ende des Kurses Vorlesung (4SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Datenbanken I Datenbanken II Media: Literature: Plattner, H., Zeier, A.: In-Memory Data Management: Technology and Applications, Springer Verlag, 2. Auflage, Mai 2012, ISBN 978-3642295744 Whitepaper HANA on Intel: Three Steps to Reinvent Your Enterprise as a Digital Disrupter†von Prof. Dr. Alexander Zeier & Intel CTO Enterprise Ed Goldman, 2016. Cloud Computing, Blog (July 2020) zu Digital Decoupling. Title: Trapped by legacy systems, CIOs look for a way out https://www.accenture.com/us-en/blogs/cloud-computing/zeier-digitaldecoupling-sap-google-cloud Comments: Start jeweils zum Wintersemester. Introduction to Deep Learning Summer (in German: Introduction to Deep Learning ) Module-ID: FIN-INF-120521 Abbreviation IDL Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: true Responsibility: Sebastian Stober Lecturer: Sebastian Stober Classes: Lecture Introduction to Deep Learning Exercise class Introduction to Deep Learning   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Students ... confidently apply DL techniques to develop a solution for a given problem follow recent DL publications and critically assess their contributions formulate hypotheses and design & conduct DL experiments to validate them document progress & design decisions for reproducibility and transparency have advanced competencies in scientific research in topics of the module Content: Artificial neural network fundamentals (gradient descent & backpropagation, activation functions) Network architectures (Convolutional Neural Networks, Recurrent/Recursive Neural Networks, Auto-Encoders, Transformers) Regularization techniques Introspection & analysis techniques Optimization techniques Advanced training strategies (e.g. teacher-student) Workload: 56h contact hours (2 SWS lecture + 2 SWS exercise groups) 124h self study (reading assignments (flipped classroom), programming exercises) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Exam requirements: participation and active involvement in the course and the exercises (defined in the 1st lecture and published on the course website) Final exam: written (120 minutes) Schein: pass final exam (at least 4.0) Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Machine Learning (required) Media: Literature: Ian Goodfellow, Yoshua Bengio & Aaron Courville: "Deep Learning", MIT Press, 2016. Comments: Introduction to Distributed Sensor Data Fusion Summer (in German: Introduction to Distributed Sensor Data Fusion ) Module-ID: FIN-INF-120497 Abbreviation SDF Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr.-Ing. Benjamin Noack Lecturer: Prof. Dr.-Ing. Benjamin Noack Classes: Lecture Introduction to Distributed Sensor Data Fusion Exercise Introduction to Distributed Sensor Data Fusion   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Intended learning outcomes: Students who complete the course ... have an overview of basic problems and methods in designing distributed sensor systems and their applications. understand how to process data in a network of sensors, what requirements the infrastructure must meet, and how to model and describe errors like measurement noise. are familiar with the mathematical tools and can apply them. can analyze, compare, and evaluate different approaches to information processing of sensor data. Content: This lecture introduces basic principles, requirements, and methods of sensor data processing. Since data are more often gathered by networked sensor systems, this lecture places particular emphasis on distributed sensor data fusion methods. We will start by discussing the technical specifications of a sensor system and the basics of digital sensor data processing. Our study includes sampling theorems, compressive sensing, and signal matching. We will consider the required infrastructure to processing sensor data in networked systems, i.e., sensor networks. Based on this infrastructure, we can apply methods for multisensor data fusion to spatially distributed sensors and can monitor spatio-temporal processes. Workload: 56 h contact time 124 h independent study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Oral exam (30 min) Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Literature will be announced in the lecture. Comments: Introduction to Machine Learning Safety Sommer (in German: Introduction to Machine Learning Safety ) Module-ID: FIN-INF-120532 Abbreviation MLS Credit Points 6 Semester Sommer Term ab 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr. Frank Ortmeier Lecturer: Prof. Dr. Frank Ortmeier, Konstantin Kirchheim Classes: Vorlesung Introduction to Machine Learning Safety Übung Introduction to Machine Learning Safety   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Verständnis grundlegender Unterschiede zwischen klassischer Softwareentwicklung und datengetriebener Entwicklung von ML-Systemen sowie der daraus resultierenden Sicherheitsimplikationen. Fähigkeit, typische Fehlermodi von ML-Systemen systematisch zu analysieren und deren Ursachen (z. B. Datenverteilung, Modellunsicherheit, Verteilungsverschiebung) zu identifizieren. Kompetenz, geeignete Test- und Evaluationsverfahren für ML-Modelle in sicherheitskritischen Kontexten auszuwählen und anzuwenden. Einordnung und Bewertung von Unsicherheitsabschätzungen, Anomalieerkennung und Robustheitsmechanismen im Hinblick auf ihre sicherheitstechnische Relevanz. Verständnis adversarieller Bedrohungsmodelle sowie grundlegender Verteidigungsstrategien. Reflexion regulatorischer, ethischer und gesellschaftlicher Rahmenbedingungen beim Einsatz lernbasierter Systeme. Content: Grundlagen und Sicherheitskontext Datenqualität und Modelltestverfahren Robustheit und Angriffsmodelle Unsicherheit und Anomalieerkennung Alignment und gesellschaftliche Aspekte Workload: 20h Übungsteilnahme, 20h Vorlesung, 40h Vorlesungsvorbereitung, 40h Übung, 60h Prüfungsvorbereitung Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Teilnahme an der Übung Hausarbeit Übung (2 SWS) Vorlesung (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Introduction to Deep Learning Media: Literature: Comments: Learning Generative Models Winter (in German: Learning Generative Models ) Module-ID: FIN-INF-120522 Abbreviation LGM Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Sebastian Stober Lecturer: Sebastian Stober Classes: Lecture Learning Generative Models Exercise class Learning Generative Models   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Students can .. confidently apply generative models to develop a solution for a given problem follow recent publications on generative models and critically assess their contributions formulate hypotheses and design & conduct experiments with generative models to validate them document progress & design decisions for reproducibility and transparency Content: Training methods & architectures for generative models, in particular energy-based models (e.g. Restricted Boltzmann Machines, RBMs) autoregressive models variational learning and Generative Adversarial Nets (GANs) flow-based models diffusion models Workload: 56 contact hours + 124h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Oral exam (necessary preliminary work for admission to the examination is announced in the first week of the course) Schein (necessary preliminary work for admission to the examination is announced in the first week of the course) 2 SWS lecture 2 SWS exercise class Prerequisites according to examination regulations: Recommended prerequisites: keine Introduction to Deep Learning or Deep Learning für Ingenieure (required) Media: Literature: Ian Goodfellow, Yoshua Bengio & Aaron Courville: “Deep Learning”, MIT Press, 2016. Comments: Logik 2 Winter (engl. Logic 2 ) Modulnummer: FIN-INF-0 Kürzel Logik2 CP 10 Semester Winter Fachsem. ab 4. Dauer 1 Semester Sprache deutsch Niveau Bachelor,Master Link zum LSF: LSF Zugang beschränkt: true Verantwortung: Fabian Neuhaus Dozent:in: Fabian Neuhaus Lehrveranstaltungen: Vorlesung Logik 2 Übung Logik 2 Verwendbarkeit: - B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Informatik Wahlpflicht (SPO 2027) - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027) - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027) - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - B.Sc. INF (bilingual): Informatik - Wahlpflicht - B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Fundamentals of Data Science - M.Sc. DE: Grundlagen Informatik - M.Sc. DE: Informatik Grundlagen (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Angestrebte Lernergebnisse: Anwendungen von ausgewählten Erweiterungen der klassischen Logik zur Wissensrepräsentation Anwendungen von ausgewählten nicht-klassischen Logiken zur Wissensrepräsentation Anwendung von Beweiskalkülen für Logiken Verstehen von fortgeschrittenen semantischen Methoden für Logiken Verstehen von metalogischen Beweisen und die Fähigkeit einfache metalogische Beweise selbst zu führen Inhalt: Die Veranstaltung baut auf der Pflichtveranstaltung Logik auf, in der die klassische Aussagen- und Prädikatenlogik eingeführt wird. In Logik 2 werden einerseits weiterführende Themen der klassischen Logik behandelt (u.a. Korrektheits-, Vollständigkeits- und Kompaktheitsbeweise). Darüber hinaus werden Erweiterungen der klassischen Logik sowie nichtklassische Logiken behandelt, z.B. Modallogik, Temporallogik, epistemische Logik, Konditionallogik, mehrwertige Logiken und Logik höherer Stufe. Arbeitsaufwand: Präsenzzeiten: 14 X 4h = 56h selbständige Arbeit = 244h (Vorbereiten der Vorlesung, Lösen Übungsaufgaben, Vorbereitung Präsentation) Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: 2 Drittel der Übungsaufgaben votiert BA: mindestens 1 Präsentation MA: mindestens 2 Präsentationen Mündliche Prüfung Übung 2 SWS Vorlesung 2 SWS Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Erfolgreicher Abschluss des Modul Logik bzw. fundiertes Wissen im Bereich der Themen des Moduls"Logik. Medienformen: Literatur: Hinweise: Anmeldung via E-Learning-Plattform MLOps for Small Language Model Applications Winter (in German: MLOps for Small Language Model Applications ) Module-ID: FIN-INF-120515 Abbreviation LLMOps Credit Points 9 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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: Machine Learning Winter (in German: Machine Learning ) Module-ID: FIN-INF-120517 Abbreviation ML Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Andreas Nürnberger Lecturer: Andreas Nürnberger Classes: Lecture Machine Learning Exercise class Machine Learning   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Fundamentals of Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: Students ... can create machine learning pipelines and individual algorithms program decision trees, multi-layer perceptrons, and KNN classifiers in Java, Python, C++ can evaluate the predictive performance of various classifiers for practical scenarios Content: Introduction to concept spaces and concept learning Algorithms for instance-based learning and cluster analysis Algorithms for generating decision trees Bayesian learning Neural networks Association learning Reinforcement learning Hypothesis evaluation Workload: 56 contact hours + 124h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written exam (also for pass/fail grade). Requirements for exam participation will be announced in the first week of the course in class and online. Lecture (2 SWS) Exercise class (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Algorithmen und Datenstrukturen Media: Literature: Comments: Can only be credited if the module "Grundlagen des Maschinellen Lernens" has not been credited already. Management of Global Large IT-Systems in International Companies Summer (in German: Management of Global Large IT-Systems in International Companies ) Module-ID: FIN-INF-120315 Abbreviation MGLIIC Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Gunter Saake Lecturer: Karl-Albert Bebber, Wolfgang Stockhausen Classes: Block lecture Management of Global Large IT-Systems in International Companies Block Exercise class Management of Global Large IT-Systems in International Companies   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Human Factors - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: Students are able to … understand the fundamentals of IT strategy and analyze its significance for businesses. describe methods for developing and implementing IT strategies. apply project management methodologies such as PRINCE2 and agile approaches in IT projects. understand multi-project management, program management and portfolio management in corporate environments. apply change management models such as ADKAR to manage organizational transformations. understand the importance of IT governance and compliance for corporate structures and regulatory requirements. describe stakeholder management and intercultural communication in global IT projects. identify risks and quality requirements in IT projects and develop appropriate control measures. explain data governance concepts and assess their significance for data protection, IT security, and regulatory compliance. describe the role of data quality, metadata management and master data management (MDM) in corporate IT. model, analyze, and optimize IT-supported business processes, particularly through the use of BPMN. understand Identity & Access Management (IAM) and evaluate its implementation in enterprises. explain security aspects such as authentication, authorization, Single Sign-On (SSO), and two-factor authentication (2FA), as well as best practices in enterprise security management. assess IT security strategies and cybersecurity measures, including risk mitigation techniques. understand the importance of reference data management and data integration for corporate processes. evaluate agile methodologies such as Scrum in IT transformation projects and compare them with traditional waterfall approaches. understand risk and quality management processes in IT environments, including testing methodologies, compliance frameworks, and risk mitigation strategies. analyze and apply IT service delivery models in Shared Service Centers. Content: Business Process Management and Modeling Process Analysis and Optimization/Standardization Identity and Access Management (IAM) Quality and Risk Management in IT Operations Testing and Software Quality Assurance, including Documentation Agile vs. Waterfall Project Management in IT IT Service Delivery and Shared Service Center Management Project and Program Management (PRINCE2 i. a.) Stakeholder Management in IT Projects Change Management (ADKAR, Organizational and Employee Transformation) Data Governance (Strategy, Policies, Processes and Data Quality) IT Strategy – Business as a Driver for IT (Balanced Scorecard) IT Investments and Business Decision-Making Insights from Ongoing IT Projects by Public Accountants and IT Project Leads from Major International Companies Workload: 56 contact hours + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Requirements for exam admission will be announced in the first lecture Written Exam (120 min) 2 SWS Blockvorlesung 2 SWS Blockübung Prerequisites according to examination regulations: Recommended prerequisites: keine Knowledge about IT-Systems and Business administration Media: Literature: Comments: Medical Visualization Summer (in German: Medical Visualization ) Module-ID: FIN-INF-102622 Abbreviation MedVis Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: true Responsibility: Bernhard Preim Lecturer: Gabriel Mistelbauer Classes: Lecture Medical Visualization Exercise class Medical Visualization   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. VC: Visual Computing Intended learning outcomes: Students ... are familiar with methods for visualizing three-dimensional medical image data can compare and evaluate methods for medical volume visualization know selected advanced methods for medical visualization can apply interactive methods to medical image data Content: Medical volume visualization Visualization of 3D surfaces Virtual endoscopy Vessel visualization Workload: 56 contact hours + 124 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Oral exam 2 SWS lecture 2 SWS exercise class Prerequisites according to examination regulations: Recommended prerequisites: none Lecture Visualization Media: Literature: B. Preim und D. Bartz: Visualization in Medicine, Morgan Kaufman, San Francisco, 2006Preim, Botha: Visual Computing for Medicine, 2nd Edition, , Morgan Kaufman, San Francisco, 2013 Comments: Multimedia and Security Sommer (engl. Multimedia and Security ) Modulnummer: FIN-INF-120458 Kürzel MMSEC CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: false Verantwortung: Prof. Dr. Jana Dittmann Dozent:in: Prof. Dr. Jana Dittmann Lehrveranstaltungen: Vorlesung Mediensicherheit Übung Mediensicherheit Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... kennen und verstehen Aspekte der Mediensicherheit können ausgewählte Forschungsfragen der Mediensicherheit selbständig bewältigen können bestehende Ansätze bewerten und kreativ für eine Forschungsfrage erweitern können sich in den semesterspezifischen Anwendungsfall einarbeiten und im Team reflektieren können für die Fragestellung neue Ansätze zur Mediensicherheit aufzeigen können für den semesterspezifischen Anwendungsfall Sicherheitsbedarfe feststellen und Verbesserungsalternativen vorschlagen können eine ausgewählte Lösung umsetzen, evaluieren und bewerten sowie Restrisiken aufzeigen können selbständig wissenschaftliche Methoden der IT-Sicherheit anwenden können die Ergebnisse wissenschaftlich in einem Referat präsentieren und sich einer Diskussion stellen Inhalt: Motivation, Einführung und Grundlagen zu ausgewählten Themen der Mediensicherheit mit aktuellen Forschungsfragen und Semester-spezifischen Anwendungsfällen Zusammenfassung von Sicherheitsaspekten in Multimedia­anwendungen und Multimedia-spezifische Umsetzungen von Sicherheitsprotokollen und -mechanismen für Bild, Video und Audio sowie Kombinationen mit Fokus auf die Semester-spezifischen Anwendungsfälle Erarbeitung, Umsetzung, Evaluierung und Bewertung von Lösungsmöglichkeiten für die Semester-spezifischen Anwendungsfälle Wiederholung: Grundlagen der Teamarbeit, Vorlesung ist Projekt-orientiert Arbeitsaufwand: 56 h Präsenzzeit + 124 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: keine Referat Das Referat umfasst eine eigenständige und vertiefte schriftliche Auseinandersetzung mit einer Fragestellung aus dem Arbeitszusammenhang der Lehrveranstaltung unter Einbeziehung und gezielter kritischer Auswertung einschlägiger Literatur, sowie die Darstellung der eigenen Arbeit auch im Vergleich im Team und die Vermittlung sowie Bewertung der eigenen Ergebnisse im mündlichen Vortrag sowie in der anschließenden Diskussion im Team. Die Ausarbeitungen müssen schriftlich vorliegen. Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Musik Information Retrieval Winter (engl. Music Information Retrieval ) Modulnummer: FIN-INF-120516 Kürzel MIR CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Sebastian Stober Dozent:in: Sebastian Stober Lehrveranstaltungen: Vorlesung Musik Information Retrieval Übung Musik Information Retrieval Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Angestrebte Lernergebnisse: Die Studierenden ... kennen die Grundlagen der digitalen Musikverarbeitung kennen unterschiedliche Musikformate (Repräsentationen) und relevanter Merkmale können Probleme der Musikanalyse mit Hilfe von Theorien und Methoden der Informatik analysieren und modellieren können computergestützte Lösungen für die Analyse von Musikdaten umzusetzen und erproben (u.a. Musiksynchronisation, Strukturanalyse, Content-Based Retrieval, Quellentrennung) Inhalt: Music Representations Fourier Analysis of Signals Music Synchronization Music Structure Analysis Chord Recognition Tempo and Beat Tracking Content-Based Audio Retrieval Musically Informed Audio Decomposition Arbeitsaufwand: Präsenzzeit = 56 Stunden Selbstständige Arbeit = 124 Stunden: Vor- und Nachbearbeitung von Vorlesung und Übung, Bearbeiten von Übungs- und Programmieraufgaben, Kursprojekt Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Prüfung in mündlicher Form: Ankündigung der notwendigen Vorleistungen in der ersten Veranstaltungswoche und auf der Vorlesungswebseite; Schein (mündlich): Ankündigung der notwendigen Vorleistungen in der ersten Veranstaltungswoche und auf der Vorlesungswebseite Vorlesung (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Meinard Müller: Fundamentals of Music Processing Using Python and Jupyter Notebooks 2nd edition, Springer 2021 ISBN: 978-3-030-69807-2 Hinweise: Narrative Visualization Summer (in German: Narrative Visualization ) Module-ID: FIN-INF-120523 Abbreviation NarVis Credit Points 3 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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: Neuro-Symbolic Integration Winter (in German: Neuro-Symbolic Integration ) Module-ID: FIN-INF-0 Abbreviation NeSy Credit Points 6 Semester Winter Term Duration 1 Semester Language english Level Master Link: LSF Limited accessability: true Responsibility: Martin Glauer Lecturer: Martin Glauer Classes: Lectures Exercise Classes   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Informatik Wahlpflicht (SPO 2027) - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Intended learning outcomes: Die Absolvent:innen vertiefen die Inhalte der Lehrveranstaltungen Logik und Intelligente Systeme, indem sie lernen, wie diese zu Neuro-Symbolischen Methoden kombiniert werden können. Hierfür werden neuste Forschungsinhalte aus diesem Gebiet vorgestellt und hinsichtlich der Eignung bestimmter Problemstellungen untersucht. Somit lernen Absolvent:innen komplexe Aufgaben aus der Schnittstelle von Anwendung und Forschung selbstständig zu bewältigen. In den Übungen werden auch offene Aufgaben gestellt, bei denen die eigenen Ergebnisse erklärt und kritisch bewertet und ggf alternative Ansätze vorgeschlagen werden sollen. Die Teilnehmenden können so eigene Ideen einbringen und erlangen detailliertes und kritisches Verständnis der Methoden der neuro-symbolischen Integration. Content: (Fuzzy) Logic Neuro-Symbolic Integration nach von Hamelen Propositional Program Extraction (Arthur, KBANN) Cognitive architectures (CLARION) Logic Tensor Networks Logical Neural Networks Graph Neural Networks Ontology-based Training Workload: Total: 180 h Weekly lecture (2 SWS = 28 h) Follow-up work (20 h) Weekly exercise session (2 SWS = 28 h) Completing assignments (84 h) Follow-up work (20 h) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Active participations during the exercise sessions Voting for exercise tasks Schriftliche Prüfung/Klausur bzw. elektronische Prüfung (written exam) Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Logik/Logic Intelligente Systeme/Intelligent Systems Deep Learning Programming experience (e.g. in Python) Media: Literature: Books P. Hitzler and M. K. Sarker (eds.): Neuro-Symbolic Artificial Intelligence, IOS Press, 2022 Artur S. d'Avila Garcez, Krysia Broda, Dov M. Gabbay: Neural-symbolic learning systems - foundations and applications. Perspectives in neural computing, Springer 2002  PDF Garcez A, Lamb LC, Gabbay DM. Neural-symbolic cognitive reasoning. Springer; 2009. Cognitive Technologies. Hammer B, Hitzler P, editors. Perspectives of neural-symbolic integration. Springer; 2007. Survey papers Michael van Bekkum, Maaike de Boer, Frank van Harmelen, André Meyer-Vitali, Annette ten Teije: Modular design patterns for hybrid learning and reasoning systems. Appl. Intell. 51(9): 6528-6546 (2021) Md. Kamruzzaman Sarker, Lu Zhou, Aaron Eberhart, Pascal Hitzler: Neuro-Symbolic Artificial Intelligence: Current Trends. CoRR abs/2105.05330 (2021) Artur d'Avila Garcez, Luís C. Lamb: Neurosymbolic AI: The 3rd Wave. CoRR abs/2012.05876 (2020) Tarek R. Besold, et al.: Neural-Symbolic Learning and Reasoning: A Survey and Interpretation. CoRR abs/1711.03902 (2017) Marra G, Dumancic S, Manhaeve R, et al. From statistical relational to neural symbolic artificial in- telligence: a survey. CoRR abs/2108.11451 (2021) Grady Booch et al.: Thinking Fast and Slow in AI. AAAI 2021: 15042-15046 (2021) Specific approaches Samy Badreddine, Artur d'Avila Garcez, Luciano Serafini, Michael Spranger: Logic Tensor Networks. Artif. Intell. 303: 103649 (2022) Ryan Riegel et al.: Logical Neural Networks. CoRR abs/2006.13155 (2020) Honghua Dong et al.: Neural Logic Machines. ICLR (Poster) 2019. Also: CoRR abs/1904.11694 Matthieu Zimmer et al.: Differentiable Logic Machines. CoRR abs/2102.11529 (2021) F. Scarselli, M. Gori, A. C. Tsoi, M. Hagenbuchner, and G. Monfardini. “The graph neural network model.” In: IEEE transactions on neural networks 20.1 (2008), pp. 61–80. J. Chen, P. Hu, E. Jiménez-Ruiz, O. M. Holter, D. Antonyrajah, and I. Horrocks. “OWL2Vec*: embedding of OWL ontologies.” In: Mach. Learn. 110.7 (2021), pp. 1813–1845. Aws Albarghouthi: Introduction to Neural Network Verification. Comments: 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 Recent Topics in Business Informatics every (in German: Recent Topics in Business Informatics ) Module-ID: FIN-INF-120318 Abbreviation RTBI Credit Points 6 Semester every Term Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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: Recommenders Summer Learning Methods and Evaluation Methods for Recommenders (in German: Recommenders - Master level ) Module-ID: FIN-INF-120525 Abbreviation RECSYS-M Credit Points 9 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: false Responsibility: Myra Spiliopoulou Lecturer: Myra Spiliopoulou Classes: Lecture Recommenders Exercise class Recommenders   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. VC: Computer Science Intended learning outcomes: When successfully completing this module, the students have acquired soft skills and technical expertise, as follows: SOFT SKILLS: They have learned how to critically discuss and valuate a scientific paper TECHNICAL EXPERTISE: They comprehend the business context of recommenders comprehend the different types of recommenders, their advantages and disadvantages from the business perspective and from the mining perspective and are familiar with advanced recommendation methods have acquired advanced insights on how to critically evaluate a recommender from the mining perspective and the business perspective understand why adaption is necessary in recommenders and comprehend the behaviour of temporal methods for recommenders and have thus acquired skills they need in order to critically appreciate off-the-shelf or state-of-the-art methods and to design workflows that encompass recommender learning, tuning and evaluation Content: The course consists of two blocks: Block 1 is on Fundamentals of Recommenders and has mutiple parts: (1.1) recommender goals and workflows, (1.2) simple recommendation methods, (1.3) evaluation mechanisms, (1.4) recommender adaption on a stream Block 2 covers advanced topics of recommenders: students read and critically discuss papers in class Workload: 28 Std/hours: Vorlesung/Lecture - in presence (lecture class: 2 hours per week, 28 hours) 28 Std/hours: Übung/Exercises - in presence (exercise class: 2 hours per week, 28 hours) 214 Stunden: Individual working time on Preparation for lectures and exercise classes Reading and understanding the articles provided Discussion of the articles in class Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): A minimum number of points must be achieved during the classes Schriftliche Prüfung (Klausur) Vorlesung (2 SWS) - Lecture class (2 hours-per-week) Übung (2 SWS) - Exercise class (2 hours-per-week) Prerequisites according to examination regulations: Recommended prerequisites: keine Data Mining I Machine Learning Data Mining II Introduction to Deep Learning Advanced English skills Reading of scientific papers, as acquired eg in a bachelor seminar Media: Literature: Literature for Block 1: selected chapters from the 'Recommender Systems Handbook' in the editions: Recommender Systems Handbook by Francesco Ricci, Lior Rokach and Bracha Shapira (editors), SPRINGER (2015), 2nd edition, https://doi.org/10.1007/978-1-4899-7637-6 Recommender Systems Handbook by Francesco Ricci, Lior Rokach and Bracha Shapira (editors), SPRINGER (2022), 3rd edition, https://doi.org/10.1007/978-1-0716-2197-4 Further cited literature, including scientific articles and use cases are cited at the beginning of each unit. Literature for Block 2: the papers for the discussions in class will be announced during the course Comments: Scrum-in-Practice Winter (engl. Scrum-in-Practice ) Modulnummer: FIN-INF-120438 Kürzel SIP CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: 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 6 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 Selected Chapters of IT Security: Prevention, Detection, Attribution and Reaction Winter (in German: Selected Chapters of IT Security: Prevention, Detection, Attribution and Reaction ) Module-ID: FIN-INF-120504 Abbreviation ITSEC-PDAR Credit Points 6 Semester Winter Term ab 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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) Intended learning outcomes: Die Studierenden ... kennen und verstehen von Aspekten der Prävention, Detektion, Attribution und Reaktion können ausgewählte Forschungsfragen der Prävention, Detektion, Attribution und Reaktion selbständig bewältigen können bestehende Ansätze bewerten und kreativ für eine Forschungsfrage erweitern können sich in den Semester-spezifischen Anwendungsfall einarbeiten und im Team reflektieren können für die Fragestellung neue Ansätze zur Prävention, Detektion, Attribution und Reaktion aufzeigen können für den Semester-spezifischen Anwendungsfall Sicherheitsbedarfe feststellen und Verbesserungsalternativen vorschlagen können eine ausgewählte Lösung umsetzen, evaluieren und bewerten sowie Restrisiken aufzeigen können selbständig wissenschaftliche Methoden der IT-Sicherheit anwenden können die Ergebnisse wissenschaftlich in einem Referat präsentieren und sich einer Diskussion stellen können Herausforderungen in der Teamarbeit erkennen und reflektieren sowie angehen Content: Inhalte zu aktuellen Herausforderungen und Lösungen der IT Sicherheit mit ausgewählten Themen der Prävention, Detektion, Attribution und Reaktion wie zum Beispiel aus: System-, - Netzwerk- und Anwendungssicherheit Kryptologie Mediensicherheit Biometrische Systeme Spezifikation und formale Verifikation sicherer Systeme Workload: 28 h Präsenzzeit 152 h selbstständige Arbeit Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): keine Hausarbeit Forschungsprojekt (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Sichere Systeme, Algorithmen und Datenstrukturen, Grundlagen der Technischen Informatik Media: Literature: Comments: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Seminar 'Advanced Topics of KMD' every (in German: Seminar 'Advanced Topics of KMD' ) Module-ID: FIN-INF-120330 Abbreviation AdvKMD_Seminar Credit Points 6 Semester every Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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 6 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 SN Credit Points 6 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 CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Prof. Dr. Frank Ortmeier Dozent:in: Prof. Dr. Andreas Schmietendorf (HWR Berlin) Lehrveranstaltungen: Vorlesung Service Engineering Übung Service Engineering Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science Angestrebte Lernergebnisse: Die Studierenden ... kennen die Auswirkungen serviceorientierter Architekturansätze auf den gesamten Lebenszyklus derart implementierter Lösungen, kennen Herausforderungen (Technologie, Prozesse, Organisation, …) serviceorientierter Integrationslösungen und einhergehende Lösungsalternativen, können benötigte Services modellgetrieben herleiten und erstellen bzw. Kriterien basiert bewerten (make or buy), kennen aktuelle Technologieansätze zur Implementierung benötigter Services und können ausgewählte Vertreter prototypisch anwenden, können Servicekompositionen aus Sicht der Modellierung und Implementierung (Low- und High –Code) erstellen bzw. das benötigte Management anwenden. Inhalt: Überblick Die Vorlesung vermittelt zunächst die geschäfts-, organisations- und prozessbezogenen Ursachen API-basierter Integrationslösungen. In diesem Zusammenhang wird auf domänenspezifische (Referenz-) Modellansätze aus dem industriellen Umfeld (Telekommunikation, Banken, Versicherungen, …) eingegangen. Darauf aufbauend lernen die Studierenden die Funktionen von Integrationsplattformen (u.a. API-Management) kennen, welche API-Kompositionen über deren gesamten Lebenszyklus unterstützen bzw. verwalten. Mit Hilfe der ersten Komplexübung erfolgt dann eine quantitative Bewertung im Internet angebotenen Public- bzw. Open APIs. Eine weitere alternativ gestaltbare Komplexübung beschäftigt sich mit der Spezifikation, Modellierung, Entwicklung und Einbindung webbasierter APIs in (ggf. mobile) Applikationsszenarien. Im Mittelpunkt der abschließenden Komplexübung steht die Komposition von APIs, wobei abermals ein eigener Schwerpunkt (Modellsicht, Implementierung, Management) gewählt werden kann. Themen: Integrationslösungen als Treiber der Digitalisierung Integrieren statt Implementieren Basistechnologien für Web-APIs (Public- und Open APIs) Spezifikation, Entwicklung und Management von Web-APIs Prozess-Modellierung und -Implementierung (API-Komposition) Arbeitsaufwand: 56 h Präsenz + 124 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Mündliche Prüfung 2 SWS Vorlesung 2 SWS Übung Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Software Engineering Medienformen: Literatur: Hartenstein, S.; Nadobny, K.; Schmidt, S.; Schmietendorf, A.: Sicherheits- und Compliance-Management im Lebenszyklus von Web APIs, Logos-Verlag, Berlin, März 2020, Nitze, A.; Schmietendorf, A.: Bewertungsaspekte bei der agilen SW-Entwicklung …, Logos Verlag, Berlin 2014 Schmietendorf, A.; Knuth, M.: Aspekte des Software Engineerings im Diskurs einer Low-Code orientierten Softwareentwicklung, Logos Verlag, Berlin 2024 Sneed, H.; Sneed, S.: Web-basierte Systemintegration, Vieweg-Verlag, Braunschweig/Wiesbaden 2003 Spichale, K.: API-Design, Praxishandbuch für Java-und Webservice-Entwickler, dpunkt.verlag, 2017 Tilkov, S. et al.: REST und HTTP, dpunkt.verlag, Heidelberg 2015 Hinweise: Software Defined Networking Summer (in German: Software Defined Networking ) Module-ID: FIN-INF-120460 Abbreviation SDN Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: false Responsibility: David Hausheer Lecturer: David Hausheer Classes: Lecture Software Defined Networking Exercise Software Defined Networking   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: Students... gain competence in the area of software defined networking understand software defined networking concepts can explain these concepts to other participants are able to apply these concepts in theoretical use cases and practical exercises gain expertise in practical network applications Content: The course deals with topics in the area of software defined networking: SDN Architecture (Application, Control, Infrastructure Layer) SDN Interfaces (North/South-bound vs. East/West-bound interface) SDN Applications and Use Cases (e.g. Multicasting) Network Virtualization and Slicing (e.g. FlowVisor) Network Function Virtualization (NFV) and Network Service Chaining SDN Security Network Operating Systems and Languages OpenFlow Controller (e.g. NOX, Beacon, etc.) Hardware Switches (e.g. NEC IP8800, Pronto) vs. Software Switches (e.g. NetFPGA, OpenVSwitch) SDN in Wireless Networks (e.g. OpenWRT) Workload: 28h lectures 22h theoretical exercises 6h practical exercises 124h homework (further studies, practical work, preparation for the final exam) Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Prerequisites for the exam required; details will be announced at the beginning of the semester. Written exam 120 minutes 2 SWS lecture 2 SWS exercise Prerequisites according to examination regulations: Recommended prerequisites: none Modul Computernetze Media: Literature: Textbooks as indicated. Slides and paper copies as necessary. Comments: Software-Development for Industrial Robotics Winter (engl. Software-Development for Industrial Robotics ) Modulnummer: FIN-INF-120432 Kürzel SDIR CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: 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 Startup Engineering II Winter Developing a Minimum Viable Product (engl. Startup Engineering II ) Modulnummer: FIN-INF-120442 Kürzel SE 2 CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Jana Görs Dozent:in: Graham Horton; Jana Görs Lehrveranstaltungen: Projekt Startup Engineering 2 Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... können in Teamarbeit ein Softwareentwicklungsprojekt durchführen, können ein innovatives Software-Produkt konzipieren, nutzen einen agilen Ansatz, um ein Produkt zu entwickeln, das seine Nutzer begeistert, bewerten die Qualität der Teamarbeit und den eigenen Beitrag zum Ergebnis. Inhalt: Minimum Viable Product Product-Market Fit-Hypothese Spezifikation, Erstellung und Test eines MVP zur Überprüfung einer Hypothese Teamarbeit Kundennahe Produktentwicklung Arbeitsaufwand: 28 h Präsenz + 152 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Keine Hausarbeit 2 SWS Projekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Startup Engineering I Medienformen: Literatur: Internet-Recherchen. Anhaltspunkte werden gegeben. Hinweise: Der Erfolg bei diesem Modul hängt stark von der Qualität der Projekt- und Teamarbeit ab! Das Modul kann in den Studiengängen M-INF, M-WIF, M-INGINF und M-VC auch als Wissenschaftliches Teamprojekt angerechnet werden. Die Anzahl Teilnehmenden ist auf 15 beschränkt. Die Teilnahme an der ersten Veranstaltung ist Pflicht. Swarm Intelligence Winter (in German: Swarm Intelligence ) Module-ID: FIN-INF-102419 Abbreviation SI Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: true Responsibility: Sanaz Mostaghim Lecturer: Sanaz Mostaghim Classes: Vorlesung Swarm Intelligence Übung Swarm Intelligence   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INGINF: Informatik - M.Sc. WIF: Informatik - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science Intended learning outcomes: The students will get an understanding about Swarm Intelligence and its definitions. They will get the ability to develop swarm intelligence algorithms such as swarm aggregation, swarm movements, tracking, tracing and optimization. In addition, they learn the foundations in collective decision-making and their applications. The students can implement, analyse and evaluate swarm algorithms on several applications. Content: This course provides in-depth knowledge about swarm intelligence in technical systems. In swarm intelligence, we deal with a group of simple and usually homogenous individuals with simple rules. Usually, swarms can achieve a complex and intelligent behaviour using local interactions between its members. This collective property can be used in technical systems. One advanced application of swarm intelligence is in swarm robotics, in which simple small robots can collectively learn to achieve some predefined complex tasks. During this course, the algorithms of swarm intelligence are presented, analysed and compared. The following topics will be covered: Part 1: Fundamentals of swarm intelligence Swarm stability and stability analysis Swarm aggregation Swarm in known environments Swarm in unknown environments: Particle Swarm Optimization Dynamic Optimization Multi-Objective Particle Swarm Optimization Part 2: Swarm and multiagent systems Division of labour and task allocation Swarm clustering and sorting Ant systems and optimization Part 3: Applications Swarm localization and display Swarm robotics Workload: Präsenzzeit: 2 SWS Vorlesung 2 SWS Übungen Selbstständige Arbeit: Bearbeiten von Übungs- und Programmieraufgaben 180 h = 56 h Präsenzzeit + 124 h selbstständige Arbeit Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): All students that participate can take the exam. Written Exam (120 min) Vorlesung (2 SWS) Übung (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Informatik (Algorithmen und Datenstrukturen, Maschinelles Lernen) Media: Literature: Eric Bonabeau, Marco Dorigo and Guy Theraulaz, Swarm In-telligence: From Natural to Artificial Systems, Oxford University Press, 1999Andries Engelbrecht, Fundamentals of Computational Swarm Intelligence, Wiley 2006 James Kennedy and Russel Eberhart, Swarm Intelligence, Morgan Kaufmann, 2001 Zbigniew Michalewicz and David Fogel, How to solve it: Modern Heuristics, Springer, 2001 Veysel Gazi, Stability Analysis of Swarms, The Ohio State University, 2002 Marco Dorigo and Thomas Stützle, Ant Colony Optimization, The MIT Press, 2004 C. Solnon: Ant Colony Optimization and Constraint Program-ming. Wiley 2010 Gerhard Weiss, Multiagent Systems: A modern approach to distributed artificial systems, The MIT Press, 2000 Christian Müller-Schloer, Hartmut Schmeck and Theo Ungerer, Organic Computing – A Paradigm Shift for Complex Systems, Springer, 2011 Comments: Enrollment is limited to a maximum number of participants. If necessary, students will be selected based on a statement of purpose submitted at the beginning of the semester. Three-Dimensional & Advanced Interaction Winter (in German: Three-Dimensional & Advanced Interaction ) Module-ID: FIN-INF-120286 Abbreviation TAI Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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 CP 9 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 9 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 6 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 3 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". Wissenschaftliches Individualprojekt jedes (engl. Individual Scientific Project ) Modulnummer: FIN-INF-120301 Kürzel WIP CP 6 Semester jedes Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Alle Dozenten der FIN Lehrveranstaltungen: keine Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DKE: Data Processing for Data Science - M.Sc. DKE: Applied Data Science - M.Sc. DKE: Projects (SPO 2027) - M.Sc. DE: Human Factors - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) - M.Sc. VC: Visual Computing - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Projekte (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... arbeiten selbstständig an einer wissenschaftlichen Fragestellung arbeiten sich selbstständig in ein wissenschaftliches Spezialgebiet ein erarbeiten vertiefte Kenntnisse auf einem wissenschaftlichen Spezialgebiet präsentieren und interpretieren ihre Ergebnisse in mündlicher und/oder schriftlicher Form können ihren Erfolg und die Bedeutung ihrer Ergebnisse einschätzen beschreiben die Auswirkungen ihrer Entscheidungen auf den Verlauf und die Ergebnisse des Projektes Inhalt: Die Studierenden bearbeiten in selbstständiger Arbeit eine individuell vereinbarte, wissenschaftliche Fragestellung unter Anleitung eines Hochschullehrers. Im Projekt entwickeln die Studierenden eine eigenständige Informatik-Lösung. Dadurch erwerben sie ein detailliertes und kritisches Verständnis in einem Spezialbereich der Informatik. Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch. Arbeitsaufwand: 180h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Wissenschaftliches Projekt Angeleitetes wissenschaftliches Individualprojekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Projekte außerhalb der FIN müssen von Studiengangsleiter abgesegnet werden. Wissenschaftliches 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): 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'. Module im Bereich: Ingenieurinformatik 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: 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: Estimation for Autonomous Mobile Robots Winter (in German: Estimation for Autonomous Mobile Robots ) Module-ID: FIN-INF-120485 Abbreviation AMR Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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: Introduction to Distributed Sensor Data Fusion Summer (in German: Introduction to Distributed Sensor Data Fusion ) Module-ID: FIN-INF-120497 Abbreviation SDF Credit Points 6 Semester Summer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Prof. Dr.-Ing. Benjamin Noack Lecturer: Prof. Dr.-Ing. Benjamin Noack Classes: Lecture Introduction to Distributed Sensor Data Fusion Exercise Introduction to Distributed Sensor Data Fusion   Applicability in curriculum: - M.Sc. INF: Informatik - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. DKE: Applied Data Science - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. VC: Computer Science - M.Sc. VC: Computer Science (SPO 2027) Intended learning outcomes: Students who complete the course ... have an overview of basic problems and methods in designing distributed sensor systems and their applications. understand how to process data in a network of sensors, what requirements the infrastructure must meet, and how to model and describe errors like measurement noise. are familiar with the mathematical tools and can apply them. can analyze, compare, and evaluate different approaches to information processing of sensor data. Content: This lecture introduces basic principles, requirements, and methods of sensor data processing. Since data are more often gathered by networked sensor systems, this lecture places particular emphasis on distributed sensor data fusion methods. We will start by discussing the technical specifications of a sensor system and the basics of digital sensor data processing. Our study includes sampling theorems, compressive sensing, and signal matching. We will consider the required infrastructure to processing sensor data in networked systems, i.e., sensor networks. Based on this infrastructure, we can apply methods for multisensor data fusion to spatially distributed sensors and can monitor spatio-temporal processes. Workload: 56 h contact time 124 h independent study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Oral exam (30 min) Lecture (2 SWS) Exercise (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: none Media: Literature: Literature will be announced in the lecture. Comments: Software-Development for Industrial Robotics Winter (engl. Software-Development for Industrial Robotics ) Modulnummer: FIN-INF-120432 Kürzel SDIR CP 6 Semester Winter Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: 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 Wissenschaftliches Individualprojekt jedes (engl. Individual Scientific Project ) Modulnummer: FIN-INF-120301 Kürzel WIP CP 6 Semester jedes Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Studiendekan:in der FIN Dozent:in: Alle Dozenten der FIN Lehrveranstaltungen: keine Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Ingenieurinformatik - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) - M.Sc. DKE: Learning Methods and Models for Data Science - M.Sc. DKE: Data Processing for Data Science - M.Sc. DKE: Applied Data Science - M.Sc. DKE: Projects (SPO 2027) - M.Sc. DE: Human Factors - M.Sc. DE: Methoden des Digital Engineering - M.Sc. DE: Methoden der Informatik - M.Sc. DE: Fachliche Spezialisierung - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Projekte (SPO 2027) - M.Sc. VC: Visual Computing - M.Sc. VC: Computer Science - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Projekte (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... arbeiten selbstständig an einer wissenschaftlichen Fragestellung arbeiten sich selbstständig in ein wissenschaftliches Spezialgebiet ein erarbeiten vertiefte Kenntnisse auf einem wissenschaftlichen Spezialgebiet präsentieren und interpretieren ihre Ergebnisse in mündlicher und/oder schriftlicher Form können ihren Erfolg und die Bedeutung ihrer Ergebnisse einschätzen beschreiben die Auswirkungen ihrer Entscheidungen auf den Verlauf und die Ergebnisse des Projektes Inhalt: Die Studierenden bearbeiten in selbstständiger Arbeit eine individuell vereinbarte, wissenschaftliche Fragestellung unter Anleitung eines Hochschullehrers. Im Projekt entwickeln die Studierenden eine eigenständige Informatik-Lösung. Dadurch erwerben sie ein detailliertes und kritisches Verständnis in einem Spezialbereich der Informatik. Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch. Arbeitsaufwand: 180h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Wissenschaftliches Projekt Angeleitetes wissenschaftliches Individualprojekt Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Projekte außerhalb der FIN müssen von Studiengangsleiter abgesegnet werden. Wissenschaftliches 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: Module im Bereich: Ingenieurswissenschaften ⚠️ Hinweise zu Modulen im Bereich: Ingenieurswissenschaften Im Bereich Ingenieurwissenschaften belegen Studierende beliebige Module aus den Fakultäten FEIT, FMB und FVST. Die Auswahl sollte sich an den individuellen Interessen der Studierenden orientieren. Es ist auch möglich, Module aus unterschiedlichen Fakultäten zu kombinieren. Dies kann sinnvoll sein, da moderne Herausforderungen in der Ingenieurinformatik oft disziplinübergreifend sind. Ausgeschlossen sind dabei Module, die eindeutig Informatik-Themen (z.B. Grundlagen der Informatik für Ingenieure, Python in Production System Engineering) behandeln bzw. von FIN-Lehrenden in die Ingenieurfakultäten exportiert werden. Abweichende Module müssen vom Studiengangsverantwortlichen genehmigt werden. Elektrotechnik Regenerative Elektroenergiequellen-Systembetrachtung (Winter) Unkonventionelle elektrische Maschinen (Winter) Elektromagnetische Verträglichkeit (Sommer) Regelung von Drehstrommaschinen (Sommer) Systemintegration von Leistungselektronik (Sommer) Heterogeneous Computing (Sommer) System-on-Chip (Winter) Module aus anderen Fakultäten sind in diesem Modulhandbuch nicht enthalten; sie können in den Modulhandbüchern der entsprechenden Fakultäten gefunden werden. Module im Bereich: Schlüssel- und Methodenkompetenzen 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: 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: Clean Code Development Winter (in German: Clean Code Development ) Module-ID: FIN-INF-120432 Abbreviation CCD Credit Points 6 Semester Winter Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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 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: Data and Knowledge Engineering Sommer (in German: Data and Knowledge Engineering ) Module-ID: FIN-INF-120500 Abbreviation Credit Points 6 Semester Sommer Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Andreas Nürnberger Lecturer: Andreas Nürnberger Classes: Seminar Data and Knowledge Engineering   Applicability in curriculum: - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. DKE: Fundamentals of Data Science - M.Sc. VC: Schlüssel- und Methodenkompetenzen Intended learning outcomes: Students who complete the course ... understand how to work in practice with DKE approaches can perform a literature review on the state-of-the-art on a given topic can describe a given DKE task in form of a scientific paper can present and defend a practical project by a presentation and discussion Content: The seminar focuses on applying machine learning techniques to a hands-on problem, resulting in a paper and short presentation in one of the following research areas: Information Retrieval: Document organization Information management Ranking & Explainability Natural Language Processing Named Entity Recognition Tokenization & Filtering Latent Representations of Words / Sentences / Documents Human Computer Interaction Usability User Experience (UX) Design Human-AI interaction Workload: 180 h self study Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Written report and oral presentation (Referat). Requirements for exam participation will be announced in the first week of the course in class and online. Seminar Prerequisites according to examination regulations: Recommended prerequisites: keine Media: Literature: Comments: Decision Support Project jedes Development of a Group Decision-Making App (engl. Decision Support Project ) Modulnummer: FIN-INF-120501 Kürzel DSP CP 6 Semester jedes Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: true Verantwortung: Graham Horton Dozent:in: Graham Horton, Jana Görs Lehrveranstaltungen: Wöchentliche Projektmeetings Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Informatik Wahlpflicht (SPO 2027) - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INF: Projekte (SPO 2027) - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Informatik Wahlpflicht (SPO 2027) - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. WIF: Projekte (SPO 2027) Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls ... kennen Merkmale von multikriteriellen Gruppenentscheidungen kennen die CMAA-Methode und können unterscheiden, in welchen Situationen sie anwendbar ist entwickeln, testen und bewerten ein Software-Tool im Team planen und moderieren mindestens einmal eine Gruppenentscheidung führen ein Team-Projekt durch und bewerten die Qualität ihrer Teamarbeit nehmen an kollaborativen Entscheidungen teil und kennen deren Schwierigkeiten und Erfolgsfaktoren präsentieren ihre Projektergebnisse in einem Vortrag und begründen ihre Schlussfolgerungen setzen sich im Nachhinein mit der Ausübung ihrer Rolle im Team und ihrem individuellen Beitrag zum gemeinsamen Ergebnis auseinander lesen wissenschaftliche Veröffentlichungen und ziehen daraus Erkenntnisse für ihre Aufgabe reflektieren über die Rollen im Team, bewerten ihre Effektivität und machen Vorschläge zur Verbesserung Inhalt: Die Teilnehmer*innen entwickeln in Drei-Personen-Teams ein Software-Tool, um Gruppenentscheidungen zu unterstützen Erfolgskriterien für die Teamarbeit Grundzüge von multikriteriellen Entscheidungen Besonderheiten von kooperativen Gruppenentscheidungen Combinatorial Multicriteria Acceptability Analysis (CMAA) Regelmäßige Team- und Coaching-Meetings Abschlusspräsentation und -bericht Arbeitsaufwand: 28 h Präsenz 152 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit 2 SWS Projektmeeting Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Interesse an der Konzeption eines Softwareprototyps durch Interviews mit einem Auftraggeber Fähigkeit und Bereitschaft zur Teamarbeit Programmiererfahrung, vorzugweise in C, C++, Javascript o.ä. Interesse an der Verwirklichung von Forschungsergebnissen in Form eines praktischen Software-Tools Medienformen: Literatur: Jana Görs: Combinatorial Multicriteria Acceptability Analysis for IT-Supported Group Decisions: Detailed Analysis, Enhanced Metric and Efficient Consensus Building Goers J, Horton G: Combinatorial multi-criteria acceptability analysis: a decision analysis and consensus-building approach for cooperative groups. Eur J Oper Res 308(1):243–254 Hinweise: Der Erfolg bei diesem Modul hängt stark von der Qualität der Projekt- und Teamarbeit ab! Das Modul kann in den Studiengängen M-INF, M-WIF und M-INGINF auch als Wissenschaftliches Teamprojekt angerechnet werden. Die Anzahl Teilnehmer ist auf 18 beschränkt. Die Anmeldezeit bestimmt über die Aufnahme. Gruppenanmeldungen (drei Personen) werden bevorzugt. Die Teilnahme an der Auftaktveranstaltung ist Pflicht. Design-Projekt Sommer (engl. Design Project ) Modulnummer: FIN-INF-120520 Kürzel DSP CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Hans-Knud Arndt Dozent:in: Hans-Knud Arndt Lehrveranstaltungen: Seminar Design Projekt Übung Design Projekt Verwendbarkeit: - M.Sc. INF: Informatik - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INGINF: Informatik - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Wirtschaftsinformatik - M.Sc. WIF: Informatik - M.Sc. DKE: Applied Data Science - M.Sc. DE: Human Factors - M.Sc. VC: Schlüssel- und Methodenkompetenzen Angestrebte Lernergebnisse: Absolvent*innen dieses Moduls... entwickeln ein Verständnis für Industrie-Design setzen sich mit den „Zehn Thesen des Guten Designs“ von Dieter Rams auseinander und sind in der Lage diese auf Projekte anzuwenden entwickeln ein Verständnis für das Design aktueller IT-Produkte sind in der Lage, das Design von aktuellen IT-Produkte zu entwickeln und zu bewerten Inhalt: Die Teilnehmer*innen sollen im Rahmen dieser Lehrveranstaltung ihre neu gewonnenen Erkenntnisse in Bezug auf Design praktisch auf IT-Produkte anwenden. Hierbei werden die von Dieter Rams entwickelten „Zehn Thesen des Guten Designs“ eingesetzt. Darüber hinaus werden weitere Ansätze, wie zum Beispiel von John Maeda: "Simplicity: Die zehn Gesetze der Einfachheit" angewendet. Arbeitsaufwand: Präsenzzeiten: 2 SWS Seminar = 28h 2 SWS Übung = 28h Selbstständiges Arbeiten: Vor- und Nachbereitung Vorlesung Entwicklung von Lösungen für die Übung 124h 180h = 4 SWS = 56h Präsenzzeit + 124h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Hausarbeit Seminar (2 SWS) Übung (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: 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) 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 6 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 CP 6 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 6 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 Selected Chapters of IT Security: Prevention, Detection, Attribution and Reaction Winter (in German: Selected Chapters of IT Security: Prevention, Detection, Attribution and Reaction ) Module-ID: FIN-INF-120504 Abbreviation ITSEC-PDAR Credit Points 6 Semester Winter Term ab 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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) Intended learning outcomes: Die Studierenden ... kennen und verstehen von Aspekten der Prävention, Detektion, Attribution und Reaktion können ausgewählte Forschungsfragen der Prävention, Detektion, Attribution und Reaktion selbständig bewältigen können bestehende Ansätze bewerten und kreativ für eine Forschungsfrage erweitern können sich in den Semester-spezifischen Anwendungsfall einarbeiten und im Team reflektieren können für die Fragestellung neue Ansätze zur Prävention, Detektion, Attribution und Reaktion aufzeigen können für den Semester-spezifischen Anwendungsfall Sicherheitsbedarfe feststellen und Verbesserungsalternativen vorschlagen können eine ausgewählte Lösung umsetzen, evaluieren und bewerten sowie Restrisiken aufzeigen können selbständig wissenschaftliche Methoden der IT-Sicherheit anwenden können die Ergebnisse wissenschaftlich in einem Referat präsentieren und sich einer Diskussion stellen können Herausforderungen in der Teamarbeit erkennen und reflektieren sowie angehen Content: Inhalte zu aktuellen Herausforderungen und Lösungen der IT Sicherheit mit ausgewählten Themen der Prävention, Detektion, Attribution und Reaktion wie zum Beispiel aus: System-, - Netzwerk- und Anwendungssicherheit Kryptologie Mediensicherheit Biometrische Systeme Spezifikation und formale Verifikation sicherer Systeme Workload: 28 h Präsenzzeit 152 h selbstständige Arbeit Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): keine Hausarbeit Forschungsprojekt (2 SWS) Prerequisites according to examination regulations: Recommended prerequisites: keine Sichere Systeme, Algorithmen und Datenstrukturen, Grundlagen der Technischen Informatik Media: Literature: Comments: https://omen.cs.uni-magdeburg.de/itiamsl/deutsch/lehre/index.html Seminar 'Advanced Topics of KMD' every (in German: Seminar 'Advanced Topics of KMD' ) Module-ID: FIN-INF-120330 Abbreviation AdvKMD_Seminar Credit Points 6 Semester every Term starting at 1. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: 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 6 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 SN Credit Points 6 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: Soft Skills für Masterstudierende Sommer (engl. Soft Skills for Masters students ) Modulnummer: FIN-INF-120250 Kürzel SK-M CP 6 Semester Sommer Fachsem. ab 1. Dauer 1 Semester Sprache deutsch Niveau Master Link zum LSF: LSF Zugang beschränkt: Verantwortung: Graham Horton Dozent:in: Graham Horton Lehrveranstaltungen: Vorlesung Soft Skills für Masterstudierende Tutorien Soft Skills für Masterstudierende Verwendbarkeit: - M.Sc. INF: Schlüssel- und Methodenkompetenzen - M.Sc. INF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. INGINF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Schlüssel- und Methodenkompetenzen - M.Sc. WIF: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. VC: Schlüssel- und Methodenkompetenzen - M.Sc. VC: Schlüssel- und Methodenkompetenz (SPO 2027) - M.Sc. DE: Human Factors - M.Sc. DE: Schlüssel- und Methodenkompetenz (SPO 2027) Angestrebte Lernergebnisse: Die Studierenden ... kennen die Grundlagen für eine wertbasierte Lebensführung können kreative Methoden der Ideengewinnung und Problemlösung durchführen können eine inhaltliche Planung für ihre Masterarbeit erstellen können Techniken des Selbstmanagements anwenden kennen Perspektiven für die Wahl ihres Berufs Inhalt: Wissenschaftliches Arbeiten III + IV Persönliche Produktivität Life Leadership Problemlösungstechniken Wertschöpfung und Kundennutzen Innovation Querdenken Berufswahl Meetings leiten Arbeitsaufwand: 56 h Präsenzzeit + 124 h selbstständige Arbeit Prüfungsvorleistungen: Studien-/Prüfungsleistungen: Lehrform / SWS: Gruppenarbeit Thesis proposal erarbeiten Klausur 120 min Vorlesung (2 SWS) Tutorien (2 SWS) Voraussetzungen nach Prüfungsordnung: Empfohlene Voraussetzungen: keine Medienformen: Literatur: Hinweise: Der frühere Name dieses Moduls war Schlüsselkompetenzen 3 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): 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'. Masterarbeit Masters Thesis jedes (in German: Masterarbeit ) Module-ID: FIN-INF-999997 Abbreviation Credit Points 30 Semester jedes Term ab 3. Duration 1 Semester Language english Level Master Link: LSF Limited accessability: Responsibility: Studiendekan:in der FIN Lecturer: Alle Dozenten der FIN Classes: keine   Applicability in curriculum: - M.Sc. INF: Masterarbeit - M.Sc. INGINF: Masterarbeit - M.Sc. WIF: Masterarbeit - M.Sc. DKE: Masterarbeit - M.Sc. DE: Masterarbeit - M.Sc. VC: Masterarbeit Intended learning outcomes: Nach Abschluss des Moduls können die Studierenden … eine komplexe Aufgabe aus Anwendung oder Forschung mit wissenschaftlichen Methoden selbstständig bewältigen, sich in die Thematik selbstständig einarbeiten, die Aufgabenstellung analysieren und Lösungsmöglichkeiten dafür vergleichen einen eigenen Lösungsweg entwickeln und anschließend bewerten ihre Arbeitsergebnisse sowie deren potenzielle Konsequenzen einschätzen und bewerten. ihre Ergebnisse und das neue erworbene Wissen erklären und ihre Entscheidungen und Interpretationen verteidigen. Content: Durch die Bearbeitung der Masterarbeit entwickeln die Studierenden eine eigenständige Lösung und erwerben dadurch detailliertes und kritisches Verständnis in einem Spezialbereich der Informatik. Das Thema der Masterarbeit kann aus aktuellen Forschungsvorhaben der Institute oder aus betrieblichen Problemstellungen mit wissenschaftlichem Charakter abgeleitet werden. Dieses Modul wird von unterschiedlichen Hochschullehrern implementiert. Die fachlichen Inhalte sind daher angebotsspezifisch. Workload: 22 Wochen eigenständige Erstellung einer wissenschaftlichen Arbeit 1h Verteidigung Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS): Masterarbeit und Verteidigung selbstständige Arbeit, Verteidigung Prerequisites according to examination regulations: Recommended prerequisites: Nachweis von 60 CP bzw. 90 CP aus den Schwerpunktbereichen (siehe SPO des Studienganges) Media: Literature: Comments: Wie finde ich ein Thema und wie schreibe ich meine Masterarbeit? Übersicht für Masterarbeitsthemen im Thesis Portal 💬 Feedback Die Modulhandbücher der FIN wurden auf ein neues System umgestellt. Wir freuen uns über Feedback dazu. Ja, ich habe Vorschläge. 👑 Credits Die maßgeblichen Beteiligten waren: Daniel Lespin (🦸‍♂️ Style-Held) Lukas Eichel (🦸‍♂️ Code-Held) Christos Lachanas (🦸‍♂️ Code-Held) Michael Preuß (🦸‍♂️ Technik-Held 1, um aus einer Testinstanz eine Lösung zu machen) Heiko Dorwarth (🦸‍♂️ Technik-Held 2 für ein flüssiges Gitlab und Bookstack) Graham Horton (🦸‍♂️ Aktualisierungs-Held) Ich danke euch für dieses Engagement! 🙌 Jana (26. Juni 2026)