Infoveranstaltung zumLehrveranstaltungsangebot

imWS2017/18

Institut für Informatik

15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Vorlesungen

Softwaretechnik

Praktikum Web &MobileDevelopmentDozent Prof.Dr.C.Wille(Lehrauftrag)InhaltederVorlesungausdemSS17:- KonzepteundtechnischeGrundlagenvonWebservernundJavabasierterWebtechnologien- KonzeptionundEntwicklungvonServlets/JSP/JSF- RollevonScriptsprachen wieJavascript immodernesWebdesign- KonzepteundEntwicklungsschrittemobilerApplikationen- SoftwarePlattformAndroidundihreKomponenten- GUI-ProgrammierungfürmobileEndgeräte- DatenverwaltungundContentProvider- DatenzugriffüberAsynchroneTask/WebservicemitSOAPundREST- EntwicklungvonAnwendungenmitSensorenundOrtsbezogenheit- NetzwerkprogrammierungfürmobileGeräte- SicherheitwebbasierterundmobilerAnwendungen- PlattformübergreifendeProgrammierung.

Studiengang B.Sc.Termin 18.-29.Sept.2017

15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Softwaretechnik

Vorl. +Üb. Mensch-Maschine-InteraktionDozent Prof.Dr.VolkerLuckasInhalte ….

Studiengang B.Sc. /M.Ed.Termin Do. 10.00– 14.00Uhr(Vorlesung+Übung)

15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Vorlesungen

Datenbanken

Vorl. +Üb. Nicht-StandarddatenbankenDozent Dr.H.-J.SchröderInhalte NoSQL - Datenbanken

GeodatenbankenXMLSecurityEngineering….

Studiengang B.Sc. /M.Ed.Termin Do. 8.30– 10.00Uhr

15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Datenbanken

Praktikum DatenbankenDozent Dr.H.-J.SchröderInhalte RelationaleDatenbanken

….

Studiengang B.Sc.Termin 4.-14. Oktober(ganztägig)

15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Vorlesungen

Fachdidaktik

Vorl. +Üb. FachdidaktikIDozent/en E.MessnerInhalte

Studiengang B.Ed.Termin VLDo.16-18Uhr,Üb. Mo.10-12Uhr

15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Vorlesungen

Fachdidaktik

Vorl. +Üb.Seminar

FachdidaktikII

Dozent/en Dr.JensGallenbacherInhalte

Studiengang M.Ed.Termin n.V.

15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Vorlesungen

Fachdidaktik

Praktikum ProjektpraktikumDozent/en Prof.Dr.E.Schömer /Dr.H.-J.SchröderInhalte

Studiengang M.Ed.Termin n.V.

25. Januar 2017 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Mathematik M.Sc. Angew. Bioinformatik

Seminar Statistik für Bio-InformatikerDozent Dr. M. PersikeInhalteStudiengang M.Sc. Angewandte BioinformatikTermin Mi. 8-10 Uhr

15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Vorlesungen

Technische Informatik

Vorlesung u. Übung

Speichersysteme

Dozent/en Prof. Dr. André BrinkmannInhalte

Studiengang B.Sc. / M.Sc.Termin Mi., 16 – 18 Uhr (Vorlesung), Übungen n.V.

15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Vorlesungen

Angewandte- / Praktische Informatik

Vorlesung u. Übung

Compilerbau

Dozent/en N.N.Inhalte Wir hoffen noch auf eine Zusage von dem

Dozenten (Lehrauftrag).

Studiengang B.Sc.Termin n V

15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Vorlesungen

Angewandte- / Praktische Informatik

Vorlesung u. Übung

Verteilte Systeme

Dozent/en N.N.Inhalte Wir hoffen noch auf eine Zusage von dem

Dozenten (Lehrauftrag).

Studiengang B.Sc.Termin n.V.

Modellierung mitDifferentialgleichungen

Peter Spichtinger

Institut für Physik der Atmosphäre, JGU Mainz

5. Juli 2017

Motivation

3 Säulen der NaturwissenschaftenÉ Theorie/ModellÉ ExperimentÉ (Numerische) Simulation

Differentialgleichungen zur ModellbildungViele physikalische Prozesse können mit Differentialgleichungenbeschrieben werden.

Einfache Beispiele:É Schwingendes Pendel

d2 xdt2+ κ

dxdt+ωx = 0 (1)

É Wärmeleitung in einem Stab∂ T∂ t= K

∂ 2T∂ x2

(2)

,2/5

Motivation

3 Säulen der NaturwissenschaftenÉ Theorie/ModellÉ ExperimentÉ (Numerische) Simulation

Differentialgleichungen zur ModellbildungViele physikalische Prozesse können mit Differentialgleichungenbeschrieben werden.

Einfache Beispiele:É Schwingendes Pendel

d2 xdt2+ κ

dxdt+ωx = 0 (1)

É Wärmeleitung in einem Stab∂ T∂ t= K

∂ 2T∂ x2

(2)

,2/5

Vorlesung Modellierung

ThemenÉ Nutzen und Grenzen von ModellenÉ Modellbildung durch DifferentialgleichungenÉ Analyse von ModellenÉ Numerische Simulation

,3/5

Inhalte Vorlesung Modellierung

Teil 1 - ModellbildungÉ Allgemeines zur ModellbildungÉ Stochastische ModelleÉ Deterministische ModelleÉ Beispiele aus der Atmosphärenphysik (Strömungen/Wolken)É Asymptotische Analyse

Teil 2 - AnwendungÉ Qualitative Analyse von DifferentialgleichungenÉ Numerische Verfahren für ODEs und PDEsÉ Simulationen von Modellen, z.B.

É TransportÉ WolkenmodelleÉ Struktur-Gleichungen

,4/5

Inhalte Vorlesung Modellierung

Teil 1 - ModellbildungÉ Allgemeines zur ModellbildungÉ Stochastische ModelleÉ Deterministische ModelleÉ Beispiele aus der Atmosphärenphysik (Strömungen/Wolken)É Asymptotische Analyse

Teil 2 - AnwendungÉ Qualitative Analyse von DifferentialgleichungenÉ Numerische Verfahren für ODEs und PDEsÉ Simulationen von Modellen, z.B.

É TransportÉ WolkenmodelleÉ Struktur-Gleichungen

,4/5

Beispiele von Strukturen

,5/5

DataMining

§ ProjektartigeVeranstaltungmitKombinationvonVorlesungundÜbung• Donnerstag,14-18Uhr,Raum03.222• MaterialaufEnglisch

§ Hands-on• Programmierkenntnisseerforderlich• Interesse

§ Prüfung:• mündlich

Ablauf

ArbeitsgruppeDataMining

DataMining

§ PatternMining

Content / Inhalt der Vorlesung

ArbeitsgruppeDataMining

language ofpatterns L

databaseD

DataMining

§ PatternMining

§ Clustering

Content / Inhalt der Vorlesung

ArbeitsgruppeDataMining

DataMining

§ PatternMining

§ Clustering§ Graph

Mining

Content / Inhalt der Vorlesung

ArbeitsgruppeDataMining

DataMining

§ PatternMining

§ Clustering§ Graph

Mining§ Stream

Mining

Content / Inhalt der Vorlesung

ArbeitsgruppeDataMining

Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz

§ Vorlesung:• Mittwoch,14-16Uhr,Raum03.428• VorlesungsmaterialaufEnglisch• BasierendaufRussel&Norvig

§ Übungen:• Mittwoch,16-18Uhr,Raum03.428• GrößtenteilspraktischeÜbungen

§ Voraussetzungen:• Programmierkenntnisseerforderlich(!!)• Interesse

§ Prüfung:• schriftlich(<10:mündlich)

Ablauf

ArbeitsgruppeDataMining(Prof.Kramer)

Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz

§ TheTuringTestContent / Inhalt der Vorlesung

ArbeitsgruppeDataMining(Prof.Kramer)

Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz

§ TheTuringTest§ RationalAgents

Content / Inhalt der Vorlesung

ArbeitsgruppeDataMining(Prof.Kramer)

Environment

AgentSensors

Percepts

ActuatorsActions

?

Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz

§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching

Content / Inhalt der Vorlesung

ArbeitsgruppeDataMining(Prof.Kramer)

Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz

§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching§ Constrained-SatisfactionProblems(CSPs)

Content / Inhalt der Vorlesung

ArbeitsgruppeDataMining(Prof.Kramer)

Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz

§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching§ Constrained-SatisfactionProblems(CSPs)§ PlayingGames

Content / Inhalt der Vorlesung

ArbeitsgruppeDataMining(Prof.Kramer)

Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz

§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching§ Constrained-SatisfactionProblems(CSPs)§ PlayingGames§ Satisfiability andModelConstruction§ PredicateLogic &ModelingwithLogic

Content / Inhalt der Vorlesung

ArbeitsgruppeDataMining(Prof.Kramer)

Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz

§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching§ Constrained-SatisfactionProblems(CSPs)§ PlayingGames§ Satisfiability andModelConstruction§ PredicateLogic &ModelingwithLogic§ Planning

Content / Inhalt der Vorlesung

ArbeitsgruppeDataMining(Prof.Kramer)

CB A

startstate

BA

C

goalstate

Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz

§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching§ Constrained-SatisfactionProblems(CSPs)§ PlayingGames§ Satisfiability andModelConstruction§ PredicateLogic &ModelingwithLogic§ Planning§ MachineLearning(BriefOverview)§ ReinforcementLearning

Content / Inhalt der Vorlesung

ArbeitsgruppeDataMining(Prof.Kramer)

Seminar: Design Patterns

Inhalt:• Übrige GoF Patterns, die nicht in der Vorlesung behandelt wurden• Patterns für Nebenläufigkeit• Objektrelationale Patterns• (Antipatterns)

Vorbesprechung:• 15.08.2017• 13-14 Uhr• Raum: 03-424

Dr. Stefan Endler

Übungsleiterschulung

• Pflichtveranstaltung für alle neuen Übungsleiter bzw. Übungsleiter,die die Schulung noch nicht besucht haben

• Offen für jeden (1CP Softskills)• Termin:

• 09. + 10. 10. 2017• Ganztägig (9-17 Uhr)• Raum: 03-424

Dr. Stefan Endler

08.079.212 Betriebssysteme - WiSe 2017/18

Dr. Michael O. Distler <distler@uni-mainz.de>

5. Juli 2017

Dr. Michael O. Distler <distler@uni-mainz.de> 08.079.212 Betriebssysteme - WiSe 2017/18 1 / 5

Gliederung der Vorlesung - Worum geht es?

Programme, die der internen Verwaltung des Betriebseines Rechensystems dienenOrganisation und Koordination von (nebenläufigen)AbläufenOptimale oder effiziente Verwaltung von BetriebsmittelnBekannte Beispiele: UNIX, Windows NT

Lehrbuch zur VorlesungA. S. Tanenbaum: Moderne Betriebssysteme,3. aktualisierte Auflage, Pearson Studium, 20094. Auflage in englisch

Dr. Michael O. Distler <distler@uni-mainz.de> 08.079.212 Betriebssysteme - WiSe 2017/18 2 / 5

Organisation der Veranstaltung (1)

Vorlesung (2-stündig)Vorstellung von Betriebssystem-Konzepten

ProzessverwaltungInterprozesskommunikationSpeicherverwaltungDateiverwaltungInput / OutputDeadlocks (Systemverklemmungen)

Praktikum (2-stündig)Praktikum am Rechner

Kennenlernen der Programmierschnittstelle (API) desBetriebssystems UNIXProgrammieraufgaben unter Nutzung von SystemdienstenErwartete Vorkenntnisse: C, gcc, Linux

Eingestreute Papierübungen

Dr. Michael O. Distler <distler@uni-mainz.de> 08.079.212 Betriebssysteme - WiSe 2017/18 3 / 5

Dr. Michael O. Distler (Vita)

ab 1985 Studium der Physik in MainzVorlesungen bei Prof. Perl:Algorithmen, Software-Engineering, KI, . . .

7/1990 Diplomarbeit:“Aufbau und Test einer vertikalen Driftkammer”

ab 10/1990 Promotionsstudium dabei: Entwicklung einesAnalyse-Programms für Streuexperimente

1/1997 Promotion: “Elektroproduktion von neutralen Pionenam Wasserstoff an der Schwelle”

1997/1998 PostDoc am M.I.T. in Cambridge/MAseit 1999 wiss. Mitarbeiter am Institut für Kernphysik

Entwicklung eines Datenaufnahmesystemsfür die A1 Kollaboration @ MAMI

seit 2016 Leitung der IT-Gruppe in der KPHAusbildung von Fachinformatikern(Systemintegration)

Dr. Michael O. Distler <distler@uni-mainz.de> 08.079.212 Betriebssysteme - WiSe 2017/18 4 / 5

Die 3-Spektrometer-Anlage @ MAMI

Dr. Michael O. Distler <distler@uni-mainz.de> 08.079.212 Betriebssysteme - WiSe 2017/18 5 / 5

Parallele und Verteilte Architekturen –Lehrangebot: WiSe 2016/17

• Vorlesungen – Technische Informatik

(Grundvorlesung)

– High Performance Computing (HPC)

• Praktikum– Paralleles Programmieren mit CUDA

• Seminar– Paralleles Rechnen

Prof. Bertil Schmidt

Vorlesung: High Performance Computing (HPC)

• Background– Parallel Hardware– Parallel Software

• Shared Memory Programming – OpenMP– Pthreads

• Distributed Memory Programming– MPI– Unified Parallel C (UPC)

• Parallel Program Development• Parallel Architectures• Practical Parallel Programming

Exercises (using SAUCE)• Interactive/Blended Learning

Approach

Multi-core CPUs

Manycores

Super-computers

CUDA Block-Praktikum

• Paralleles Programmieren mit CUDA

– 9.-20.10.2017

– Aktuelle Hardware (Titan, K40, GTX 1080 etc.)

– Voraussetzung: Erfolgreiche Teilnahme an PAA

Seminarvorbesprechung:Paralleles Rechnen

Prof. Bertil Schmidt

Scheinkriterien und Organisation

• Voraussetzung:– Erfolgreiche Teilnahme an PAA oder HPC (d.h. mindestens

Klausurzulassung)

• Vortrag von ca. 45min (inkl. Q&A)– Termin: wird noch bekanntgegeben (zwei Vorträge pro Termin)

• Abgabe der Vortragsfolien – zwei Wochen vor dem Vortrag einzureichen per Email – Danach persönliche Vorbesprechung mit Professor Schmidt

• Abgabe einer ausführlichen Ausarbeitung (Deutsch oder Englisch) als Basis für die Bewertung des schriftlichen Teils – Ausarbeitung im IEEE CS Format (Umfang mindestens 5-7 Seiten) – Abgabe bis spätestens vier Wochen nach dem Vortrag!

• Teilnahme am Seminar (Anwesenheitspflicht)

Seminar: Paralleles Rechnen – Themen

1. Bézier Surfaces on Heterogeneous Platforms2. GPU-based parallel Ant Colony System3. Parallel Graph Coloring for Manycore Architectures4. Parallel Algorithm for Computing Connected Components5. Concurrent Hash Tables: Fast and General6. Robust Massively Parallel Sorting7. Suffix Array Construction on the GPU8. Massively-Parallel Lossless Data Decompression9. String Matching on the GPU10. Clustering Throughput Optimization on the GPU11. Sparse Tensor Factorization on Many-Core Processors12. Selber vorgeschlagenes Thema

– muss aber von mir genehmigt werden

Themenvergabe

• E-mail mit 2 bevorzugten Themen (mit Präferenz) an Prof. Schmidt bis 16.7.2017

• Ich werde dann versuchen die Themen an Studenten zuzuordnen

• Neue Themen können auch vorgeschlagen werden (müssen dann aber von mir genehmigt werden)

Arbeitsgruppe

Scientific Computing and Bioinformatics

Prof. Dr. Andreas HildebrandtWintersemester 2017/2018

Vorlesung

Big DataI Termin: dienstags, 14–16 Uhr (Raum 03-428)

I Sprache: DeutschI Inhalt:

I Techniken zur Verarbeitung großer Datenmengen (VerteilteDateisysteme, Map/Reduce, Hadoop, Spark)

I Komplexitat von Map/Reduce-ProgrammenI Anwendungen aus Wissenschaft und Industrie (PageRank,

Clustering, Recommender Systems, ...)

I Werkzeuge: Java, Python oder Scala, Hadoop, Spark

Seminar

Vertiefungsseminar BioinformatikI Termin: dienstags, 16–18 Uhr (ab 17.Oktober; Raum 03-424)

I Sprache: Englisch

I Vorbesprechung: 22.September, 16 Uhr (Raum 03-424)I Themenbereiche (Auswahl):

I ProteinstrukturaufklarungI Maschinelle Lernverfahren in der BioinformatikI MolekulbewegungenI DockingI Wirkstoffdesign

Praktikum

Vertiefungspraktikum BioinformatikI Dauer: 2 Wochen, ganztagig

I Termin: Vorlesungsfreie Zeit (Marz 2018)

I Sprache: Deutsch oder EnglischI Aufbau:

I 1. Woche: Crashkurs C++I 2. Woche: Use cases: Computational Genomics (Python)

I Sollte idealerweise vor der Vorlesung”Strukturbasierte

Bioinformatik“ belegt werden!

Lehrveranstaltungen der theoretischen Informatik

Komplexitatstheorie

Graphenalgorithmen

Seminar: Algorithmen fur das Leben

Praktikum “Fortgeschrittene Algorithmen” & APC

Vorlesung: Komplexitatstheorie

Inhalt:

Was heißt effizient berechenbar?

Berechnen einer Losung vs. Uberprufen einer Losung: P und NP

NP-Vollstandigkeit (“schwerste” Problem mit eineruberprufbaren Losung)

Algorithmen fur schwere Probleme

Randomisierung

Die gute Seite schwerer Probleme: Kryptographie

Formales:

Vorlesung: Mo 10-12

Ubung: mehrere Termine

Organisation der Ubung: Domenico Mosca

Graphenalgorithmen

Inhalt:

Matchings

Lowest Common Ancestors

Randomisierte Graphenalgorithmen

Parametrisierte Algorithmen

Planare Graphen

Formales:

Vorlesung: Mi 14-16

Ubung: TBA

Organisation der Ubung: Domenico Mosca

Seminar: Algorithmen fur das Leben

Frage: Sollte ich heute in mein Lieblingsrestaurant gehen oder einneues ausprobieren?

Geht man immer in sein Lieblingsrestaurant, lernt man ein evtl.“besseres” nie kennen

Geht man immer in ein unbekanntes Restaurant, kommen dieeigenen Vorlieben nie zur Geltung

Die optimale Strategie muss zwischen explorativem- undBindungsverhalten wechseln

Formaler: In einer Spielbank gibt es verschiedene Spielautomatenmit mir unbekannter Gewinnwahrscheinlichkeit. WelchenAutomaten sollte ich spielen?

Die erste Strategie, von der man etwas beweisen konnte, war:Bleibe so lange an einem Automat, bis man verliert.Wechsele dann zu einem zufalligen anderen

Mittlerweile kennt man bessere Strategien

Seminar: Algorithmen fur das Leben

Themen:

Optimal Stopping: When to Stop Looking

Explore/Exploit: The Latest vs. the Greatest

Sorting: Making Order

Caching: Forget About It

Scheduling: First Things First

Bayes’s Rule: Predicting the Future

Overfitting: When to Think Less

Relaxation: Let It Slide

Randomness: When to Leave It to Chance

Networking: How We Connect

Game Theory: The Minds of Others

Vorbesprechung: Mi. 23.08.2016 - 14:00 Uhr, Raum: 03-331

Literatur: Algorithms to live by + eigene Literatursuche

Praktikum: Fortgeschrittene Algorithmen & APC

Fortgeschrittene Algorithmen:

ILP-Solver benutzen (z.B. um Sudokus zu losen)

Algorithmen, die in DSEA nicht vorkommen

experimenteller Vergleich von Approximationsalgorithmen undexakten Algorithmen

Approaching Programming Contests:

Losen von Problemen, wie sie in Programmierwettbewerbenauftreten

Eingesetzte Algorithmen: Dynamische Programmierung, Flusseund Matchings, Minimale Spannbaume, ...

Formales

Organisation: Markus Blumenstock

2-wochiges Blockpraktikum nach der Vorlesungszeit (TBA)

Beschreibung: Typische Einsatzgebiete der Computergrafik sind die grafische Aufbereitung von Mess- und Simulationsdaten und die Schaffung und Animation von virtuellen Welten für Spiele, Filme oder für die Entwicklung technischer Produkte.Vorkenntnisse: C++ (erwünscht)Themen der Vorlesung: - Aufbau und Rendern einer Szene mit OpenGL- lokale Beleuchtungsmodelle- Virtual Reality- Stereoscopic Rendering- Grafik-Pipeline und Shader

• Vorlesung: Computergrafik und VR • Vorlesung: DSEA • Seminar: TBA • Praktikum: nach dem Semester

Veranstaltungen WS 17/18 der Arbeitsgruppe

Computational Geometry Prof. E. Schömer

A. von Dziegielewski

• Vorlesung: Computergrafik und VR • Vorlesung: DSEA • Seminar: TBA • Praktikum: nach dem Semester

Veranstaltungen WS 17/18 der Arbeitsgruppe

Computational Geometry Prof. E. Schömer

A. von Dziegielewski

Echtzeit Bildverarbeitung – WS 2008/2009RheinMain University of Applied SciencesComputer Vision and Mixed Reality Group

Uli Schwanecke 2D Vision and Deep Learning 1

Prof. Dr. Ulrich Schwanecke

RheinMain University of Applied Sciences Wiesbaden Rüsselsheim

2017/07/05

2D Vision and Deep Learning

Falscher Titel in jogustine: 08.079.204 3D Computer Vision Mo 14:00-16:00 03 428

Echtzeit Bildverarbeitung – WS 2008/2009RheinMain University of Applied SciencesComputer Vision and Mixed Reality Group

Uli Schwanecke 2D Vision and Deep Learning

Content

➡ History of Computer Vision ➡ Photometric Image Formation

➡ The digital camera, point operators, linear filtering, Fourier transform ➡ Feature Detection and Matching

➡ Points, edges, lines, SIFT ➡ Recognition

➡ Object detection, face recognition ➡ Machine Learning Basics

➡ k-NN classifier, Perceptron, Multilayer Perceptron ➡ Convolutional Neural Networks

➡ Convolutional layers, Activation layers, Pooling layers, Dropout ➡ Transfer learning

2

Echtzeit Bildverarbeitung – WS 2008/2009RheinMain University of Applied SciencesComputer Vision and Mixed Reality Group

Uli Schwanecke 2D Vision and Deep Learning

Prerequisites and Literature

➡ Prerequisites ➡ Basic knowledge of linear algebra and analysis ➡ Programming exercises will be done in Python

➡ Literature ➡ Richard Szeliski, Computer Vision: Algorithms and Applications,

Springer 2011 ➡ Aurélien Néron, Hands-On Machine Learning with Scikit-Learn and

TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems, O’Reilly UK Ltd. 2017

3

Le hra nge botVis ua l Com puting

Wintersemester 2017/18

Einführung in die Programmierung

Einführung in die Programmierung Bas ic programming You know the drill…

This time it’s the friendlyreptile language..!

Lecture: Modeling IIModeling 2 (Modellierung 2) Non-linear models Geometric modeling Statistical/variational models

Topics Geometric representations Differential geometry

Non-linear models Intrinsic geometry

Measured Geometry (point clouds) (Statistical) shape learning / inference

*#$ ?!!?!!

Lecture: Modeling IIModeling 2 (Modellierung 2) Continuation of “Modeling 1” Prerequis ite: Modeling 1

Not mandatory:math background required

Talk to us to double check!

Required Background Linear algebra / linear models Leas t-squares / quadratic optimization Bas ics : ODEs / PDEs / bas ic finite elements Matrix factorization (SVD) and eigenvalues

Lecture: Modeling IIOrganization Format: V2+Ü2 Time: Thu 16-18h Start: 19.10.2017 Room: 03-428 Audience: Bachelor & Master

Prerequisites Linear mathematical modeling (as in Modeling I) Software development (EiP, EiS), C++ is very useful Computer graphics / machine learning helpful

Grundstudium / BachelorPraktikum Angewandte Mathematik Teil II Angewandte Mathematik am Rechner 2

Grundlagen der mathematischen Modellierung Anschaulich & angewandt

Teil 2 des Praktikums Beide Teile müssen zusammen belegt werden Ers ter Teil fand im Sommersemes ter 2017 s tatt

Ergänzung: Begleitend zu Mathematik für Informatiker 2 / Lineare Algebra 1 /

Mathematik für Phys iker Blended Learning Ansatz (digitale Lernmaterialien)

Wahlpflichtfach für Bachelor Informatik

Praktikum AMAR II

Online Portalhttp:/ / iaimz101.informatik.uni-mainz.de/

Seminar

Digitale Mus tererkennung und ihre Anwendungs möglichkeiten in den Altertums wis s ens chaften Blockseminar in den Semes terferien

Computer Vis ion & maschinelles Lernen für Altertumswissenschaften

SeminarThema Computer Vis ion / maschinelles Lernen

für His toriker / Archäologen

Interdis ziplinäres Seminar Gemeinsame Verans taltung mit Fachrichtung

„Altorientalis che Philologie“, FB07 (Prof. Doris Prechel) Studierende aus beiden Fachgebieten! Informatiker

Methoden & Konzepte für Altorientalis tien erklären Altorientalis tien

Methoden & Konzepte für Informatiker erklären Didaktik & Präsentation zentral (Bewertet: vermitteltes Wissen)

SeminarOrganis ation Blocks eminar: Vorlesungs freie Zeit

nach dem Wintersemes ter Vorbes prechung: Mittwoch, 18. Oktober 2017 Teilnehmer: Mittwoch, 18. Oktober 2017 Teilnehmerzahl: max. 10 Personen (Informatik)

+ max. 10 Personen (Altorientalis tik) Zielgruppe: Bachelors tudenten

Mas ters tudenten bei Bedarf möglich(extra Aufgabe für s chriftliche Ausarbeitung)

Vorwis s en: Deep Learning for Visual Dataoder Machine Learning oder Data Miningoder Modellierung 1/2 oder Stat. Geo. Proc.oder Computer Vis ion / Graphik