2.3 Module aus der Informatik · 2017-03-06 · Bücher aus dem O'Reilly Data Science Starter Kit,...

2.3 Module aus der Informatik

Nachfolgend sind die Module aus der Informatik in alphabetischer Reihenfolge beschrieben.

25

Advanced Topics in Text Mining

Code Name

IATM Advanced Topics in Text Mining

Leistungspunkte Dauer Turnus

4 LP ein Semester unregelmäÿig

LehrformVorlesung +Übung

Arbeitsaufwand120 h; davon30 h Präsenzstudium20 h Prüfungsvorbereitung70h Selbststudium undHausaufgabenbearbeitung

VerwendbarkeitB.Sc. Angewandte Informatik,M.Sc. Angewandte Informatik,M.Sc. Scienti�c Computing

Lernziele Die Studierenden sollen:- ?Methoden der Datenvorbereitung strategisch anwenden undbewerten können- ?Vor- und Nachteile verschiedener Datenrepräsentationenkennen?- Ausgewählte Methoden des Text Mining anwenden undbewerten können?- Die theoretischen Grundlagen der Methoden des MaschinellenLernens so weit verstehen, dass Parameter geeignet gewähltwerden können, um einen Algorithmus auf das konkrete Problemanpassen zu können?- Modelle und Muster bewerten und vergleichen können

Inhalt In der Vorlesung werden Grundlagen sowie ausgewählteSchwerpunktthemen aus dem Bereich Text Mining vorgestellt.- Grundlagen zur Datenmodellierung und Datenvorbereitunginsbesondere für Textdaten- Statistische und algorithmische Grundlagen derAnalyseverfahren- Grundlagen aus der Computerlinguistik zur Verarbeitung vonTexten (bspw. Morphologische Analyse, Part-of-Speech Tagging)- Ausgewählte und aktuelle Schwerpunktthemen wieKlassi�kation, Clusteranalyse, Sequenzanalyse,Assoziationsanalyse, Topic Modeling mit Fokus auf derAnwendung auf Textdaten

Voraussetzungen empfohlen werden: Algorithmen und Datenstrukturen (IAD),Knowledge Discovery in Databases (IKDD)

Pruefungs-modalitaeten

Erfolgreiche Teilnahme an den Übungen (mehr als 50% derPunkte müssen erreicht werden) und erfolgreiche Teilnahme aneiner schriftlichen Prüfung

26

NuetzlicheLiteratur

- Aggarwal, Charu C., and ChengXiang Zhai. Mining text data.Springer, 2012.- Christopher D. Manning, Prabhakar Raghavan and HinrichSchütze, Introduction to Information Retrieval, CambridgeUniversity Press. 2008.- Jerome H. Friedman, Robert Tibshirani und Trevor Hastie: TheElements of Statistical Learning, 2001- Bing Liu (2011). Web Data Mining. Springer. Second Edition.

27

Big Data

Code Name

IBD Big Data



LehrformVorlesung 2 SWS

Arbeitsaufwand90 h; davon30 h Präsenzstudium15 h Prüfungsvorbereitung45 h Selbststudium undHausaufgabenbearbeitung

VerwendbarkeitB.Sc. Angewandte Informatik,M.Sc. Angewandte Informatik

Lernziele Die Studierendenkennen den prinzipiellen Aufbau einer Big Data Anwendunghaben die erforderlichen Grundlagen gelernt (Technologien,Methoden und Konzepte)sind mit den Sicherheitsproblematiken von Big DataAnwendungen vertraut und können eine adäquate Architekturkonzipierenkönnen Big Data Konzepte in Anwendungen umsetzensind in der Lage, ö�entliche und private Daten in Anwendungenzu aggregierenkönnen die erworbenen Kenntnisse auf verschiedeneAnwendungsbereiche übertragen

Inhalt Die Vorlesung bietet eine praktische Einführung in das aktuelleGebiet Big Data, wobei auch Cloud Ressourcen im Internet füreigene Anwendungen transparent genutzt werden können.Schwerpunkte sind u.a.:Fundamentals: Volume, Variety, Velocity, Veracity, Visualization,ValueArchitecture: Hadoop as a Service, Data WarehouseData Management: Movement, Monitoring, Provenance,Preservation, SLAsData Publication: Preparation, Curation, Discovery, Open Data,Open AccessData Security, Privacy & Trust: Risk Management, UsageControl, Trusted Datastore

Voraussetzungen empfohlen sind: Kenntnisse und Fähigkeiten wie sie im ModulISW, IBN und ICC vermittelt werden. Modul IPDPA wird alsErgänzung bzw. Erweiterung empfohlen.


Teilnahme an der Vorlesung mit Hausaufgaben und Besteheneiner Klausur oder mündlichen Abschlussprüfung

28

NuetzlicheLiteratur

BITKOM Leitfaden Big-Data-Technologien, 2014 (online)Bücher aus dem O'Reilly Data Science Starter Kit, 2014 (online)L.Barroso, J.Clidaras, U.Hölzle, The Data Center as a Computer:An Introduction to the Design of Warehouse-Scale Machines,Morgan&Claypool, 2013 (online)A.Murthy, V.Vavilapalli, D.Eadline, J.Niemiec, Apache HadoopYARN: Moving beyond MapReduce and Batch Processing withApache Hadoop 2, Addison Wesley Data&Analytics, 2014C.Baun, M.Kunze, J.Nimis, S.Tai, Cloud Computing - Webbasierte dynamische IT-Services, Informatik im Fokus, SpringerVerlag 2011, 2. Au�ageC.Bengel, C.Baun, M.Kunze, U.Stucky, Masterkurs Verteilte undParallele Systeme, Springer Verlag 2008

29

Cloud Computing 1

Code Name

ICC1 Cloud Computing 1




Arbeitsaufwand90 h; davon30 h Präsenzstudium15 h Prüfungsvorbereitung45 h Selbststudium undHausaufgabenbearbeitung


Lernziele Die Studierendenkennen den prinzipiellen Aufbau einer Computing Cloudhaben die erforderlichen Grundlagen gelernt (Virtualisierung, WebServices)sind mit den Sicherheitsproblematiken von Cloud-Systemenvertraut und können eine adäquate Architektur konzipierenkönnen Konzepte wie IaaS, PaaS und SaaS in Anwendungenumsetzensind in der Lage, ö�entliche und private Cloud-Systeme zu nutzen

können die erworbenen Kenntnisse auf verschiedeneAnwendungsbereiche zu übertragen

Inhalt Die Vorlesung bietet eine praktische Einführung in das aktuelleGebiet Cloud Computing, bei dem Ressourcen im Internet füreigene Anwendungen transparent genutzt werden können.Schwerpunkte sind u.a.:GrundlagenVirtualisierung und Web ServicesCloud Angebote im Internet (Taxonomie)Cloud SecurityProgrammiermodelleWiss. Rechnen in der CloudHigh Performance Computing as a ServiceBig Data

Voraussetzungen empfohlen sind: Kenntnisse und Fähigkeiten wie sie in denModulen Einführung in Software Engineering (ISW) sowieBetriebssysteme und Netzwerke (IBN) vermittelt werden


Teilnahme an der Vorlesung mit Hausaufgaben und Besteheneiner mündlichen Abschlussprüfung

30

NuetzlicheLiteratur

C.Baun, M.Kunze, J.Nimis, S.Tai, Cloud Computing - Webbasierte dynamische IT-Services, Informatik im Fokus, SpringerVerlag 2011, 2. Au�ageC.Bengel, C.Baun, M.Kunze, U.Stucky, Masterkurs Verteilte undParallele Systeme, Springer Verlag 2008

31

Compilerbau

Code Name

ICOM Compilerbau



LehrformVorlesung 2 SWS,Übung 2 SWS

Arbeitsaufwand180 h; davon60 h Präsenzstudium20 h Prüfungsvorbereitung100 h Selbststudium undAufgabenbearbeitung (evtl. inGruppen)


Lernziele Die Studierendenkennen den prinzipiellen Aufbau eines Compilershaben die erforderlichen Grundlagen zu formalen Sprachen gelernt

sind mit den Problematiken von lexikalischer, syntaktischer undsemantischer Analyse vertrautkennen die Techniken zur Compilererstellungsind über Optimierungsmöglichkeiten informiertsind in der Lage, vorhandene Werkzeuge zum Compilerbau zubenutzenkönnen die erworbenen Kenntnisse auf andereAnwendungsbereiche, wie z.B. Aufbereitung strukturierter Daten,übertragen

Inhalt Überblick über grundlegende TechnikenGrundlagen der formale SprachenLexikalische AnalyseTop-Down-SyntaxanalyseBottom-Up-SyntaxanalyseSyntaxgesteuerte ÜbersetzungSemantische AnalyseDie C-Maschine3-Adress-CodeOptimierungDaten�uss-Analyse

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK), Algorithmen und Datenstrukturen (IAD)


Erfolgreiche Teilnahme an den Übungen (mehr als 50 % derPunkte müssen erreicht werden) und Bestehen einer schriftlichenAbschlussprüfung

32

NuetzlicheLiteratur

z.B. Aho, A.V., Lam, M.S., Sethi, R., Ullman, J.D.: Compilers:Principles, Techniques and Tools, Pearson - Addison-Wesley, 2006

33

Complex Network Analysis

Code Name

ICNA Complex Network Analysis


8 LP one semester every 2nd wintersemester

LehrformLecture 4 SWS,Exercise 2 SWS

Arbeitsaufwand240 h; thereof90 h lecture15 h preparation for exam135 h self-study and working onassignments/projects (optionallyin groups)


Lernziele The students:- can describe basic measures and characteristics of complexnetworks- can implement and apply basic network analysis algorithms- can describe di�erent network models and can describe,compute, and analyze characteristic parameters of these models- know how to compute di�erent complex network measures andhow to interpret these measures- know di�erent generative models for constructing complexnetworks, especially scale-free networks- know the fundamental methods for the detection of communitiesin networks and the analysis of their evolution over time- are familiar with basic concepts of network robustness- understand the spread of phenomena in complex networks

Inhalt - Graph theory and graph algorithms; basic network measures- Random networks and their characteristics (degree distribution,component sizes, clustering coe�cient, network evolution), smallworld phenomena- Scale-free property of networks, power-laws, hubs, universality- Barabasi-Albert model, growth and preferential attachment,degree dynamics, diameter and clustering coe�cient- Evolving networks, Bianconi-Barabasi model, �tness,Bose-Einstein condensation- Degree correlation, assortativity, degree correlations, structuralcuto�s- Network robustness, percolation theory, attack tolerance,cascading failures- Communities, modularity, community detection and evolution- Spreading phenomena, epidemic modeling, contact networks,immunization, epidemic prediction

34

Voraussetzungen recommended are: Algorithms and Data Structures (IAD),Knowledge Discovery in Databases (IKDD), Linear Algebra I(MA4)


Assignments; at least 50% of the credit points for the assignmentsneed to be obtained to be eligible to participate in the �nalwritten exam; students can also work on project (non-graded);�nal written exam

NuetzlicheLiteratur

Albert-Laszlo Barabasi: Network Science, Cambridge UniversityPress, 2016.M.E.J. Newmann: Networks: An Introduction, Oxford UniversityPress, 2010.Reza Zafarani, Mohammad Abbasi, Huan Liu: Social MediaMining-An Introduction, Cambridge University Press, 2014.David Easley, Jon Kleinberg: Networks, Crowds, and Markets:Reasoning About a Highly Connected World, CambridgeUniversity Press, 2010.Stanley Wasserman, Katherine Faust: Social NetworkAnalysis-Methods and Applications, Cambridge University Press,1994.

35

Computer Graphics

Code Name

ICG Computer Graphics


8 LP one semester at least every 4th semester

Lehrformlecture 4 SWS,exercise 2 SWS

Arbeitsaufwand240 h; thereof90 h on-campus program15 h exam preparation135 h independent study andexercises (possibly in groups)

Verwendbarkeitcannot be combined withComputergraphik 1 and 2(ICG1, ICG2)B.Sc. Angewandte Informatik,M.Sc. Angewandte Informatik,M.Sc. Scienti�c Computing

Lernziele The students understand fundamental and advanced concepts ofcomputer graphics. They understand the mathematicalfundamentals, data structures, and implementation aspects. Theyget to know raster graphics, geometric transforms, colorperception and color models, and basics of geometric modeling.The students are able to apply these concepts to real-worldproblems using existing software packages, and develop smallprograms using OpenGL 4.

Inhalt - Introduction- Perception and Color- Raytracing- Transformations- Rasterization- OpenGL- Textures- Curves- Spatial Data Structures

Voraussetzungen recommended are: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK), Algorithmen und Datenstrukturen (IAD)


cannot be combined with Computergraphik 1 and 2 (ICG1,ICG2), successful participation in the exercises (more than 50% ofthe achievable points) and passing of an oral or written exam

36

NuetzlicheLiteratur

P. Shirley, S. Marschner: Fundamentals of Computer Graphics,3rd Edition, AK PetersOpenGL Speci�cations(GL 4.5 + GLSL 4.50)http://www.opengl.org/registry/OptionalA. S. Glassner: An Introduction to Ray Tracing, Academic PressT. Akenine-Möller, E. Haines: Real-Time Rendering, AK Peters,2008

37

Computergraphik 1

Code Name

ICG1 Computergraphik 1


6 LP ein Semester jedes 2. Wintersemester


Arbeitsaufwand180 h; davon60 h Präsenzstudium,100 h Aufgabenbearbeitung,20 h Prüfungsvorbereitung

Verwendbarkeitkann nicht kombiniert werdenmit Computer Graphics (ICG)B.Sc. Angewandte Informatik,Lehramt Informatik,M.Sc. Angewandte Informatik,M.Sc. Scienti�c Computing

Lernziele Die Studierendensind in der Lage, einfache Graphikfenster mit Inhalt zu belegen,sind mit 2D-Rastergraphik vertrautund in der Lage, mit Objektenin Weltkoordinaten über Graphikbibliotheken (OpenGL) zuinteragieren, können mit homogenen Koordinaten umgehen undProjektions- sowie Transformationsmatrizen bestimmen. Siekennen die verschiedenen Bu�erkonzepte zur schnellenDarstellung realistischer E�ekte, sind mit Farbkonzepten undDarstellungsmodellen vertraut, können lokale Lichtmodelle ausoptischen Prinzipien herleiten und wissen, wie man Texturen fürunterschiedliche E�ekte einsetzt. Sie können die physikalischenGrundlagen für globale Lichtmodelle in Fremdsoftware abrufen.Das sichere Beherrschen der Programmierung kleinererGraphikprogramme und die Generierung von Einzelbildern, 3DGra�ken und Animationen für die unterschiedlichen Zwecke deswissenschaftlichen Rechnens wird auf Basis derProgrammbibliothek OpenGL (Open Graphics Library)vermittelt.

Inhalt Grundlagen der GraphikprogrammierungKoordinatensystemeProjektionen, TransformationenZeichenalgorithmenBu�erkonzepte (z-Bu�er, Double-Bu�er, Stereo-Bu�er)Shading und LichtmodelleGraphikbibliothek OpenGLDirect Rendering (lokale Verfahren)Texturen und AbbildungsverfahrenGlobale VerfahrenRaytracing (Povray)Volume Rendering

38

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK)


kann nicht kombiniert werden mit Computer Graphics (ICG),Erfolgreiche Teilnahme an den Übungen (mehr als 50% derPunkte müssen erreicht werden) und Bestehen einer schriftlichenAbschlussprüfung

NuetzlicheLiteratur

J. D. Foley, A. Van Dam, S. K. Feiner, J . F. Hughes und R. L.Phillips: Computer Graphics: Principles and Practice.Addison-Wesley, 1996D. Shreiner, M. Woo, J. Neider und T. Davis: OpenGLprogramming guide: the o�cial guide to learning OpenGL, version1.4. OpenGL Architecture Review Board, Addison-Wesley, 2004

39

Computergraphik 2

Code Name

ICG2 Computergraphik 2


6 LP ein Semester jedes 2. Sommersemester


Arbeitsaufwand180 h; davon60 h Präsenzstudium,100 h Aufgabenbearbeitung,20 h Prüfungsvorbereitung

Verwendbarkeitkann nicht kombiniert werdenmit Computer Graphics (ICG)B.Sc. Angewandte Informatik,Lehramt Informatik,M.Sc. Angewandte Informatik,M.Sc. Scienti�c Computing

Lernziele Die Studierendensind mit weiterführenden Lichtmodellen vertraut, können vertex-und fragmentbasierte Shader programmieren, kennen die Vor- undNachteile verschiedener globaler photorealistischer Verfahren,können nichtphotorealistische Verfahren sinnvoll einsetzen undmit Splines als Linien und Flächen umgehen.Das sichere Beherrschen der Programmierung von Gra�kkarten(Graphik-Hardware GPU) mit der Programmiersprache *C forgraphics* und anderen *Application Programming Interfaces*(API) für globales Rendering wird unter Verwendung vonnumerischen Algorithmen zur Lösung nichtlinearerGleichungssysteme vermittelt.

Inhalt Shading und Bidirectional Re�ectance Distribution Function(BRDF), C for graphics (Cg), Radiosity, Photon Mapping,Nichtphotorealismus (NPR), Splines

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK), Computergraphik 1 (ICG1)


kann nicht kombiniert werden mit Computer Graphics (ICG),Erfolgreiche Teilnahme an den Übungen (mehr als 50% derPunkte müssen erreicht werden) und Bestehen einer schriftlichenAbschlussprüfung

NuetzlicheLiteratur

J. D. Foley, A. Van Dam, S. K. Feiner, J . F. Hughes und R. L.Phillips: Computer Graphics: Principles and Practice.Addison-Wesley, 1996Randima Fernando, Mark J. Kilgard: The Cg Tutorial.Addison-Wesley, 2003

40

Computerspiele

Code Name

ICS Computerspiele


8 LP ein Semester jedes Sommersemester




Lernziele Die Studierendenlernen die Konzepte von der informatischen Sicht kennen, wasComputerspiele ausmacht und welche Herausforderungen damitverbunden sind. Sie lernen, wie man gute und e�zienteArchitekturkonzepte dafür entwickelt sowie wie man typischeProbleme aus Graphik, Kollisionserkennung, Animation/Physik,Pfadplanung/KI umsetzt. Zudem lernen sie in den Übungen, wieman konkrete Spiele entwickelt, so dass sie in der Lage sind,eigene Spieleengines zu realisieren.

Inhalt Überblick über die Einteilung von ComputerspielenArchitektur von Game EnginesVorstellung von OGRE als einer open-source Game EngineGraphik und Computerspiele: ein ÜberblickKollisionserkennungstechnikenAnimationstechniken und Physik bei Computerspielen mit Fokusauf der open source Bibliothek BulletPfadplanung und KI



Erfolgreiche Teilnahme an den Übungen (mehr als 50% derPunkte müssen erreicht werden) und Bestehen einer schriftlichenoder mündlichen Abschlussprüfung

NuetzlicheLiteratur

Gregory et al: Game Engine ArchitectureEricson: Real-Time Collision DetectionEberly: Game PhysicsMillington: Arti�cial Intelligence for Games

41

Cybersicherheit und Internet Governance

Code Name

ICIG Cybersicherheit und Internet Governance


4 LP 1 Semester unregelmäÿig


Arbeitsaufwand120 h; davon30 h Präsenzstudium60 h Vor- und Nachbereitung30 h Prüfungsvorbereitung


42

Lernziele Studierende* erwerben umfangreiches Wissen über die Funktionsweise undVerwundbarkeiten vernetzter Computersysteme, insbesondere derInternettechnologie und können somit Konzepte zur IT-Sicherheitbewerten und entwerfen* erlangen grundlegende Kenntnisse über die Verwaltung derkritischen Ressourcen des Internets (IP-Adressraum, DNS,Protokolle und Standards) undEntscheidungs�ndungsmechanismen internationaler InternetGovernance und können die Auswirkung von internationalfestgelegten Vorschriften auf die Umsetzung vonIT-Sicherheitskonzepten berücksichtigen* erwerben vertiefte Kenntnisse im Bereich Cybersicherheit;Studium und Nachvollzug typischer Cyberangri�sforme;umfassender Kompetenzerwerb zur Detektion von Cyberangri�en;grundlegender Kompetenzen im Feld der IT-/Cyber-Forensik undsind dadurch in der Lage aktive Maÿnahmen im Sinne vonIntrusion Detection Systemen für eine Einrichtung zu planen undrechtskonform umzusetzen* erhalten einen detaillierten Überblick über Feldergesellschaftspolitischer Regulierung (Netzneutralität, Datenschutz,Cybersicherheit), einschlieÿlich normativ-rechtlicherGestaltungsansprüche, konkreter politischer Regulierung(national, EU, international) sowie technischer Voraussetzungenund Umsetzungsmöglichkeiten (Sicherheits-Engineering) undkönnen die Praktikabilität der jeweiligen Konzepte sowohl ausSicht des gesellschaftlichen Diskursses als auch aus derPerspektive der Technik bewerten

Möglichkeit zur Teilnahme an Aufbaukursen sowohl imtechnischen/computerwissenschaftlichen (als auch impolitik-/sozialwissenschaftlichen Feld)

Langfristiges Ausbildungsziel: Einsatz-/Beschäftigungsfähigkeit inder Breite des Arbeitsfeldes IT-Cybersicherheit; durchganzheitlichen Ansatz der Ausbildung nicht allein in technischenBeschäftigungsfeldern, sondern auch in der Beratung vonUnternehmen, Behörden und anderen Einrichtungen

43

Inhalt Die Digitalisierung und vernetzte Computersysteme prägengesellschaftliche Austauschprozesse auf nationaler wieinternationaler Ebene. Sie haben gravierende E�ekte auf dasalltägliche Leben der Nutzer, die Wirtschafts- und Arbeitswelt,den internationalen Handel und die Weltpolitik. Gerade dievergangenen Jahre haben gezeigt, wie verwundbar vernetzteComputersysteme sind. Cybersicherheit ist von einer technischenzu einer gesellschaftspolitischen Herausforderung ersten Gradesgeworden. Um ihr gerecht zu werden, ist es von groÿer Bedeutung,vernetzte Computersysteme und insbesondere das Internet nichtauf die technischen Aspekte zu reduzieren, sondern dasIneinandergreifen von Technologie auf der einen Seite, normativenund politischen Regulierungsansprüchen sowie vielfältigenGovernance-Strukturen und -Prozessen auf der anderen Seite zubegreifen. Hierfür bietet die Vorlesung den teilnehmendenStudierenden einen interdisziplinären Ausgangspunkt, denn sieleistet einen Brückenschlag zwischen der Informatik und derPolitischen Wissenschaft.Themen sind u.a.:* Angri�sszenarien und Verwundbarkeiten vernetzterComputersysteme;* Internet(un)sicherheit;* Sicherheits-Engineering;* Verwaltung kritischer Internetressourcen;* Netzneutralität;* Content-Regulierung und Zensur;* Cybersicherheit als Gegenstand politischer und rechtlicherRegulierung;

Voraussetzungen


regelmäÿige Teilnahme (überprüft), Abschlussklausur (90 Min.)

44

NuetzlicheLiteratur

DeNardis, L. (2014). The global war for internet governance. NewHaven/London: Yale University Press.Dunn Cavelty, Myriam (2011): Cyber-threats, in: Dunn Cavelty,Myriam/Mauer, Victor (Hg.): The Routledge handbook ofsecurity studies. Milton Park [et al.]: Routledge (Routledgehandbooks), 180-189.Eckert, C. (2014). IT-Sicherheit: Konzepte, Verfahren, Protokolle(9. Au�). De Gruyter Studium. Oldenbourg: de Gruyter.Harich, T. (2015). IT-Sicherheit im Unternehmen, MITPTaschenbuchKnake, Robert K. (2010): Internet governance in an age of cyberinsecurity. New York, NY: Council on Foreign Relations (CouncilSpecial Report).Lange, H.-J., und Bötticher, A. Cyber-Sicherheit. Studien zurInneren Sicherheit: Band 18.Nissenbaum, Helen (2005): Where Computer Security MeetsNational Security, in: Ethics and Information Technology 7: 2,61-73.Weitere Literatur wird in der Vorlesung bekannt gegeben.

45

Data Warehouses

Code Name

IDW Data Warehouses


4 LP ein Semester mind. jedes 4. Semester

LehrformVorlesung 2 SWS,Übungen 1 SWS

Arbeitsaufwand120 h; davon30 h Präsenzstudium15 h Prüfungsvorbereitung75 h Selbststudium undAufgabenbearbeitung (eventuellin Gruppen)


Lernziele Die Studierendensind in der Lage, zu einer gegebenen Anwendung eine DataWarehouse Pipeline zu modellierenkennen die Komponenten der Architektur von Data WarehouseSystemenwissen, welche Arten von Indexe und Speicherstrukturen typischeData Warehouse Anfragen unterstützenkennen Verfahren der Anfragebearbeitung und (manueller)Optimierungstechnikenwissen, wie materialisierte Sichten einzusetzen sind und wie diesezu p�egen sindsind mit dem Aufsetzen eines realen Data Warehouses und denadministrativen Tasks vertrautkennen die wichtigsten Performance Benchmarks für DataWarehouse Anwendungen

Inhalt Einführung & Grundbegri�eData-Warehouse-ArchitekturenModellierung von Data WarehousesIndex- und SpeicherungsstrukturenAnfragen an Data WarehousesAnfrageverarbeitung und -optimierungMaterialisierte Sichten

Voraussetzungen empfohlen sind: Algorithmen und Datenstrukturen (IAD),Datenbanken 1 (DB1)



46

NuetzlicheLiteratur

z. B.: Wolfgang. Lehner. Datenbanktechnologie fürData-Warehouse-Systeme. dpunkt.verlag, Heidelberg, 2003.Andreas Bauer, Holger Günzel. Data Warehouse Systeme ?Architektur, Entwicklung, Anwendung. 3. Au�age, dpunkt.verlag,Heidelberg, 2008.Gunter Saake, Andreas Heuer, Kai-Uwe Sattler. Datenbanken:Implementierungstechniken. 2. Au�age, mitp-Verlag, Bonn, 2005.

47

Deep Vision

Code Name

IDV Deep Vision




Arbeitsaufwand180 h; davon60 h Präsenzstudium105 h Selbststudium undBearbeitung von theoretischenAufgaben undProgrammierübungen15 h Prüfungsvorbereitung


Lernziele Die Studierendenhaben gelernt Algorithmen zu entwickeln, die e�zient aus groÿenBildmengen robuste Objektmodelle lernen,kennen die Vorzüge/Einschränkungen von Deep LearningAnsätzen im Bereich des maschinellen Sehens,können Inferenz über Objekte in 3D durchführen,können die erworbenen Kenntnisse auf Anwendungsbereiche, wiez.B. die Erkennung von Objekten in 3D Szenen oderbiomedizinischen Tomographien übertragen

Inhalt High-level Computer Vision3D Vision and beyondDeep LearningMulti-view ApproachesApplications

Voraussetzungen keine


Erfolgreiche Teilnahme an den Übungen und Bestehen einerAbschlussprüfung

NuetzlicheLiteratur

48

E�ziente Algorithmen 1

Code Name

IEA1 E�ziente Algorithmen 1


8 LP ein Semester jedes 4. Semester



VerwendbarkeitB.Sc. Angewandte Informatik,Lehramt Informatik,M.Sc. Angewandte Informatik

Lernziele Die Studierendenverstehen die grundlegenden Konzepte der Graphentheoriekönnen Fragestellungen als kombinatorischeOptimierungsprobleme modellierenkönnen die Komplexität von Optimierungsproblemen analysierenkennen die Methoden zum Beweis der Korrektheitkombinatorischer Algorithmen und der Analyse ihrer Laufzeitkennen die grundlegenden algorithmischen Ansätzesind mit den Fragen der e�zienten Implementierung vertrauthaben Einblick in die vielfältigen Anwendungsgebiete derkombinatorischen Optimierung

Inhalt Grundbegri�e der GraphentheorieGrundlegende GraphenalgorithmenOptimale Bäume und BranchingsKürzeste WegeDas ZuordnungsproblemMaximale FlüsseMinimale Schnitte in ungerichteten GraphenFlüsse mit minimalen KostenMatchingprobleme

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK), Algorithmen und Datenstrukturen(IAD), Lineare Algebra 1


Erfolgreiche Teilnahme an den Übungen (mehr als 50% derPunkte müssen erreicht werden) und Bestehen einer schriftlichenAbschlussprüfung

49

NuetzlicheLiteratur

Korte, B., Vygen, J.: Kombinatorische Optimierung, Springer,2007Cook, W.J., Cunningham, W.H., Pulleyblank, W.R., Schrijver,A.: Combinatorial Optimization, Wiley, 1997

50

E�ziente Algorithmen 2

Code Name

IEA2 E�ziente Algorithmen 2


8 LP ein Semester jedes 4. Semester




Lernziele Die Studierendenkönnen polynomiale und NP-schwere Optimierungsproblemeklassi�zerenkennen die gesamte Bandbreite von Lösungsansätzen fürschwierige Problemekönnen geeignete Modellierungen für Anwendungsprobleme selbsterstellensind in der Lage, geeignete Lösungsverfahren auszuwählenkönnen selbst Lösungsverfahren konzipieren und implementieren

Inhalt NP-schwere Optimirungsproblemeapproximative Algorithmen und Heuristiken (Bin-Packing,Scheduling, Knapsack, Traveling Salesman)Relaxierungen (lineare, kombinatorische, semide�nite,Lagrange-Relaxierungen)Verfahren zur Bestimmung optimaler Lösungen (dynamischeOptimierung, Branch-and-Bound, Branch-and-Cut)lineare 0/1- Optimierung (Modellierung, Schnittebenen)polyedrische Kombinatorik,Spaltengenerierung und DekompositionFallstudien (Traveling-Salesman_Problem, Max-Cut-Problem.)Es wird somit das gesamte Spektrum von Lösungsverfahren fürschwierige kombinatorische Probleme vermittelt.

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK), Algorithmen und Datenstrukturen(IAD), Lineare Algebra 1; Absolvierung des Moduls E�zienteAlgorithmen 1 (IEA1) ist nützlich, aber nicht Voraussetzung


Erfolgreiche Teilnahme an den Übungen (mehr als 50 Prozent derPunkte müssen erreicht werden) und Bestehen einer schriftlichenAbschlussprüfung

51

NuetzlicheLiteratur

Korte, B., Vygen, J.: Kombinatorische Optimierung, Springer,2007Nemhauser, G.L., Wolsey, L.A.: Integer CombinatorialOptimization, Wiley, 1988

52

Einführung in das maschinelle Sehen in 3D

Code Name

I3DCV Einführung in das maschinelle Sehen in 3D


2 LP ein Semester jedes Wintersemester


Arbeitsaufwand60 h; davon30 h Präsenzstudium,30 h Prüfungsvorbereitung


Lernziele Die Studierendensind in der Lage 3D Erfassungs- und Auswertemethoden inpraktischen, industriellen und geisteswissenschaftlichenAnwendungen einzusetzen. Sie kennen die Gesetze undEigenschaften von optischen Linsen, grundlegende Bild�lter,interne und externe Kameraparameter, Stereorekti�zierung bzw.Structure from Motion (SfM), Bündelausgleich, Berechnung vonTiefendaten, Datenformate für unstrukturierte Gitter, numerischeKrümmungsberechnung auf diskreten Mannigfaltigkeiten. Siekönnen den Einsatz von sowohl strukturierten Licht als auchTime-of-�ight Scannern planen.

Inhalt BildaufnahmeKamerakalibrierung und MerkmalsextraktionActive Range Scanner(s)Shape from Monocular ImagesShape from Multiple ImagesTime-of-�ight-scanner (TOF)3D Objektreprasentationen3D Anwendungen

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK)


Teilnahme an den Vorlesungen und Bestehen einer mündlichenoder schriftlichen Abschlussprüfung (je nach Teilnehmerzahl)

NuetzlicheLiteratur

J. Bernd, Digital Image Processing., Springer, 6 edition, 2005.E. R. Davies, Machine Vision ? Theory, Algorithms, Practicalities,Elsevier, 2005.

53

Formale Sprachen und Automatentheorie

Code Name

IFSA Formale Sprachen und Automatentheorie


8 LP ein Semester mindst. jedes 4. Semester

LehrformVorlesung 4 SWS,Übungen 2 SWSmit Hausaufgaben.

Arbeitsaufwand240 h; davon90 h Präsenzstudium60 h Prüfungsvorbereitung (undPrüfung)90 h Selbststudium undAufgabenbearbeitung (eventuellin Gruppen)


54

Lernziele Die Studierendenkennen die Stufen der Chomsky-Hierarchie und deren äquivalenteBeschreibung durch Grammatiken und Automatenmodelle,kennen die Charakterisierungen der Klasse der regulären Sprachendurch rechts- bzw. linkslineare Grammatiken, durchdeterministische und nichtdeterministische endliche Automaten,durch reguläre Ausdrücke und durch Rechtskongruenzen mitendlichem Index,sind in der Lage, das Pumping-Lemma für reguläre Sprachen zubeweisen und dieses anzuwenden, um zu zeigen, dass bestimmteSprachen nicht regulär sind,kennen den Nachweis der Eindeutigkeit des Minimalautomatenund können diesen in Form eines reduzierten Automaten odereines Äquivalenzklassenautomaten konstruieren,können das Pumping-Lemma für kontextfreie Sprachen beweisenund dieses anwenden, um zu zeigen, dass bestimmte Sprachennicht kontextfrei sind,können die Klasse der kontextfreien Sprachen durch kontextfreieGrammatiken und durch Kellerautomaten beschreiben und dieÄquivalenz dieser Darstellungen beweisen,kennen den Satz von Chomsky und Schützenberger und seineanschauliche Bedeutung für die Struktur der Ableitungen inkontextfreien Sprachen,sind mit Normalformen, Abschlusseigenschaften,Entscheidbarkeits- und Komplexitätsaspekten insbesondere derregulären und kontextfreien Sprachen vertraut,können die Klasse der kontextsensitiven Sprachen durchkontextsensitive Grammatiken und Grammatiken vomErweiterungstyp sowie durch linear beschränkte Automatenbeschreiben und die Äquivalenz dieser Darstellungen beweisen.

Inhalt Die Vorlesung gibt eine Einführung in die Theorie der formalenSprachen und die dort verwendetenBegri�e und Methoden zur syntaktischen Sprachbeschreibung und-analyse unter besonderer Berücksichtigung algorithmischerAspekte. Der Schwerpunkt der Vorlesung liegt auf denSprachklassen der Chomsky-Hierarchie und derenCharakterisierung hinsichtlich der Beschreibbarkeit durchGrammatiken und der Erkennbarkeit durch Automaten.

Voraussetzungen empfohlen ist: Einführung in die Theoretische Informatik (ITH)


Erfolgreiche Teilnahme an den Übungen (Erreichen einerMindestpunktzahl) und Bestehen einer mündlichenAbschlussprüfung.

55

NuetzlicheLiteratur

56

Funddokumentation mittels optischer 3D-Scanner

Code Name

I3DOK Funddokumentation mittels optischer 3D-Scanner



LehrformÜbung 2 SWS

Arbeitsaufwand60 h; davon30 h Präsenzstudium30 h Prüfungsvorbereitung


Lernziele Die Studierendensind mit unterschiedlichen 3D-Nahbereichsscantechniken vertraut,können 3D-Modelle aufbereiten und kennen die Herangehensweisemit 3D Bildverarbeitung zur Erkennung von Merkmalen (Schrift).

Inhalt 3D-Meÿtechnik basierend auf dem Prinzip des StrukturiertenLicht, Aufnahme und Verarbeitung von hochau�ösenden3D-Modellen *3D-image-processing pipeline*

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI)oder Computergraphik 1 (ICG1) oder Visualisierung im BereichCultural Heritage (IVCH) oder Vermessungskunde (UFG)


Teilnahme an den einleitenden Vorlesungen und den praktischenÜbungen. Bestehen einer praktischen Abschlussprüfung.

NuetzlicheLiteratur

Clive Orton: Mathematics in Archaeology. Cambridge, MA,Cambridge University Press, 1982Katsushi Ikeuchi, Daisuke Miyazaki (editors): Digitally ArchivingCultural Objects. Springer, 2007Christian Hörr. Algorithmen zur automatisierten Dokumentationund Klassi�kation archäologischer Gefäÿe. Dissertation, TUChemnitz, 2011,Hubert Mara, Multi-Scale Integral Invariants for RobustCharacter Extraction from Irregular Polygon Mesh Data,Dissertation, Uni Heidelberg 2012

57

Gaussian Processes for Machine Learning

Code Name

IGPML Gaussian Processes for Machine Learning


5 LP one semester irregular

LehrformLecture 2 SWS

Arbeitsaufwand150 h; thereof30 h lecture100 h project20 h report


Lernziele To build a solid background on both the theory of Gaussianprocesses(GPs) and how they are used in practice to build e�ectivemachinelearning models.* Firm theoretical knowledge on how to use GPs for machinelearning.* Knowledge on how big data can be modeled with GPs.* Practice on how to design, develop, and evaluate a powerfulmachinelearning model.

Inhalt This module covers the following topics:* Introduction to and motivation for GPs.* Predicting real-valued and categorical output with GPs.* Approximate inference of GPs.* Modeling big data with GPs.* Exploratory data analysis and knowledge discovery with GPs.* Time series modeling with GPs.* Deep learning with GPs.* GPs for alternative learning setups.

Voraussetzungen recommended are: basic background on probability and statistics,basic knowledge on machine learning and linear algebra


Successfully handing in the source code of a working GP-basedmachine learning model implementation and the related report(approximately four pages, single column). The students are freeto choose the learningsetup to study with GPs and the data set to evaluate the learningmodel on.

58

NuetzlicheLiteratur

Carl E. Rasmussen, Christopher I. Williams, Gaussian Processesfor Machine Learning, MIT Press, 2006 (online)Christopher M. Bishop, Pattern Recognition and MachineLearning, Springer, 2007

59

Gemischt-ganzzahlige Programmierung und kombinatorischeOptimierung

Code Name

IMIP Gemischt-ganzzahlige Programmierung und kombinatorischeOptimierung



LehrformVorlesung 2 SWS,praktischer Teil(Übungen) 2 SWS



Lernziele Die Studierendenkennen die Modellierungsmöglichkeiten der gemischt-ganzzahligenOptimierungsind mit einer kommerziellen MIP-Software vertrauthaben einen guten Überblick über die Anwendungsmöglichkeitensind mit den polydertheoretischen Grundlagen der Optimierungvertrautkennen die wichtigsten Optimierungstechnikenhaben die erforderlichen Kenntnisse zur Beurteilung vonMöglichkeiten und Grenzen der praktischen Verwendbarkeit dererlernten Technikenhaben Expertise in der Modellierung diskreter und ganzzahligerOptimierungsprobleme und dem Einsatz kommerziellerOptimierungssoftware

60

Inhalt Lineare Programmierung (Polyedertheorie, Dualität,Simplex-Algorithmus, postoptimale Analyse)gemischt-ganzzahlige ModellierungenKombinatorische OptimierungsproblemeBestimmung von OptimallösungenPolyhedrische KombinatorikKombinatorische PolytopeRelaxierungen (kombinatorische, LP-, semide�nite ,Lagrange-Relaxierungen)Branch-and-Cut AlgorithmenZulässige Ungleichungen, SchnittebenenPresolveTechniken fur groÿe Probleme (Spaltengenerierung, Benders- undDantzig-Wolfe-Dekomposition)Anwendungen

Voraussetzungen empfohlen sind: Grundkenntnisse Mathematik, Programmierkurs(IPK)



NuetzlicheLiteratur

z.B. Kallrath, J. and Wilson, J.M.: Business Optimisation usingMathematical Programming, Macmillan Press, 1997Williams, H.P.: Model Building, Wiley, 1999

61

Geometric Modeling and Animation

Code Name

IGMA Geometric Modeling and Animation






Lernziele The studentsknow the mathematical foundations of geometric modelingknow the mathematical and physical foundations of computeranimationknow the algorithms and implementation aspectsare familiar with the basics of animated moviesare able to apply existing tools for geometric modeling andanimation

Inhalt Introduction to curvesInterpolating curvesBézier curvesB-SplinesRational curvesIntroduction to surfacesTensor product surfacesTrans�nite surfaces and extrusionSubdivisionSubdivision surfacesAnimation and simulationRigid body kinematicsParticle systemsMass-spring modelsCloth modelingNumerical methods for di�erential equationsCollision detection and handlingFluid simulation and natural phenomena

Voraussetzungen recommended are: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK), Algorithmen und Datenstrukturen (IAD)


Successful participation in the exercises (more than 50 % have tobe scored) und passing a written or oral exam

62

NuetzlicheLiteratur

- Curves and Surfaces for CAGD ? A Practical Guide, G. Farin,Morgan Kaufmann, 2002- Computer Animation ? Algorithms and Techniques, R. Parent,Morgan Kaufmann, 2002- 3D Game Engine Design: A Practical Approach to Real-TimeComputer Graphics, D. Eberly, Morgan Kaufmann, 2000- Graphische Datenverarbeitung I, J. Encarnacao, W. Straÿer, R.Klein, 4. Au�age, Oldenbourg 1996- Advanced Animation and Rendering Techniques, A. Watt, M.Watt, Addison-Wesley, 1992- Grundlagen der geometrischen Datenverarbeitung, J. Hoschek,D. Lasser, Teubner 1992- Numerical Recipes ? The Art of Scienti�c Computing, W.H.Press, P. Flannery, S.A. Teukolsky, W.T. Vetterling, CambridgeUniversity Press, 1986

63

Inverse Problems

Code Name

IIP Inverse Problems



LehrformVorlesung 2 SWS,Übung 2 SWS undHausarbeiten

Arbeitsaufwand240 h; davon60 h Präsenzstudium15 h Prüfungsvorbereitung165 h Selbststudium undAufgabenbearbeitung,Hausarbeiten


Lernziele Die Studierenden verstehen, was inverse Probleme sind undwarum sie schwer zu lösen sind. Sie lernen die Prinzipien kennen,wie man sowohl deterministische Probleme, als auch stochastischeProbleme löst und dabei auch die Regularisierungsparametergeeignet wählt. Schlieÿlich erfahren sie die neuestenEntwicklungen im Bereich compressed sensing. Alle Prinzipienwerden an zwei ausgewählten Gebieten, der Tomographie und desDeblurrings dargestellt. Sie erhalten damit die Kompetenzkomplexe Probleme zu lösen, die mit klassischen Techniken nichtstabil lösbar sind und sind damit in der Lage auch komplexeexperimentelle Messungen adäquat auswerten zu können.

Inhalt Deterministische inverse ProblemeStochastische inverse ProblemeWahl der RegularisierungsparameterCompressed sensingTomographieDeblurring

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK), Algorithmen und Datenstrukturen(IAD), Numerische Mathematik


Erfolgreiche Teilnahme an den Übungen (mehr als 60% derPunkte müssen erreicht werden) und Bestehen einer mündlichenAbschlussprüfung

NuetzlicheLiteratur

M. Bertero, P. Boccacci: Introduction to Inverse Problems inImaging, IoP, 2002web-Page and book: http://www.slaney.org/pct/pct-toc.html

64

IT-Projektmanagement

Code Name

IPM IT-Projektmanagement


3 LP alsSpezialvorlesungAngewandteInformatik 6 LPals EPG

ein Semester jedes 2. Wintersemester

LehrformVorlesung+Übung2 SWS für eineAnrechnung alsEPG mitzusätzlichemForschungsprojekt

ArbeitsaufwandVorlesung + Übung90 h insgesamt, davon30 h Präsenzstudium15 h Prüfungsvorbereitung45 h Selbststudium undAufgabenbearbeitung (evtl. inGruppen)

für eine Anrechnung als EPGzusätzlich:90 h Forschungsprojekt, davon15 h Einarbeitung undLiteraturrecherche15 h Vorbereitung einer Studie,z.B. Interview-Training20 h Durchführung einer Studie20 h Auswertung20 h Abschlusspräsentation +Berichterstellung


Lernziele Die Teilnehmer/innen können ein Projekt planen und überwachen,verstehen, wie Projekte in Organisationen eingebettet sind undhaben Grundkenntnisse in vertraglichen Themen.Die Teilnehmer/innen des EPG können ein Forschungsprojektselbständig durchführen und kennen Forschungsergebnisse aus derGender-Forschung.

65

Inhalt Projektplanung, ProjektorganisationKostenschätzungAngebot/ Vertrag, VerhandelnVorgehensmodelleRisikomanagementControllingIT-VertragsrechtÄnderungsmanagementZeitmanagementProjektabschlussVerteilte Softwareentwicklung



Erfolgreiche Teilnahme an den Hausaufgaben (mehr als 50% derPunkte müssen erreicht werden) und Bestehen einerAbschlussprüfung.Für EPG: Zusätzlich erfolgreiche Teilnahme amForschungsprojekt. Die Note für das Forschungsprojekt geht zurHälfte in die Endnote ein.

NuetzlicheLiteratur

PMI (Project Management Institute): A Guide to the ProjectManagement Body of Knowledge (PM BOK R© Guide), 4.Ausgabe 2008

66

IT-Sicherheit

Code Name

IITS IT-Sicherheit




Arbeitsaufwand120 h, davon30 h Präsenzzeit60 h Vor- und Nachbereitung30 h Klausurvorbereitung


Lernziele Studierende* erwerben umfangreiches Wissen über die Funktionsweise undVerwundbarkeiten vernetzter Computersysteme, insbesondere derInternettechnologie und können somit Konzepte zur IT-Sicherheitbewerten und entwerfen* erlangen grundlegende Kenntnisse über die Verwaltung derkritischen Ressourcen des Internets (IP-Adressraum, DNS,Protokolle und Standards) und können deren Auswirkungen aufdie Umsetzung von IT-Sicherheitskonzepten berücksichtigen* erwerben Kenntnisse im Bereich Cybersicherheit; Studium undNachvollzug typischer Cyberangri�sforme; umfassenderKompetenzerwerb zur Detektion von Cyberangri�en;grundlegender Kompetenzen im Feld der IT-/Cyber-Forensik

Langfristiges Ausbildungsziel: Einsatz-/Beschäftigungsfähigkeit inder Breite des Arbeitsfeldes IT-Cybersicherheit;

Inhalt Das Internet ist zur zentralen Plattform für globaleKommunikation und Transaktion geworden. Der IT-Sicherheitkommt bei dieser Entwicklung eine Schlüsselrolle zu. DieseVorlesung vermittelt methodische Ansätze wieBedrohungsanalyse, Modellierung und Bewertung, auf Basiswelcher wirksame Maÿnahmen umgesetzt werden können.Insbesondere werden folgende Schwerpunkte adressiert:- Sicherheitsmodelle- Security Engineering- Kryptographische Verfahren- Computer Forensik

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Einführung in die Technische Informatik (ITE), Algorithmen undDatenstrukturen (IAD)

67


Regelmäÿige Teilnahme, Abschlussklausur (90 Min.). Art undZeitpunkt einer Wiederholungsprüfung wird vom Dozentenfestgelegt und zu Beginn der Vorlesung bekannt gegeben.

NuetzlicheLiteratur

C. Eckert. IT-Sicherheit: Konzepte, Verfahren, Protokolle DeGruyter Studium. Oldenbourg: de Gruyter, 2014.A. Geschonnek. Computer-Forensik: Computerstraftatenerkennen, ermitteln, aufklären. Heidelberg, Dpunkt Verlag, 2014.

68

Knowledge Discovery in Databases

Code Name

IKDD Knowledge Discovery in Databases






Lernziele Die Studierendensind in der Lage, die Daten zu einem Data Mining Verfahren mitHilfe geeigneter (statistischer) Methoden vorzuverarbeitenkennen die grundlegenden Verfahren der statistischenDatenanalysesind in der Lage, grundlegende Techniken des Data Mining aufDaten aus verschiedenen Anwendungsbereichen anzuwendensind in der Lage, Data Mining Techniken im Kontext vonDatenbanken und des KDD Prozesses zu realisieren undanzuwendenkennen die Techniken und Prinzipien, die den Algorithmen zurKlassi�kation und dem Clustering von Daten zugrunde liegenwissen, wie welche Clustering Algorithmen im Kontext welcherDaten und Anwendungen zu verwenden sindkennen die Verfahren zum Finden häu�ger Muster in Daten.kennen die wichtigsten Techniken zur Erkennung von Ausreiÿernsind vertraut mit den grundlegenden Algorithmen und Technikenzur Analyse von zeit- und raumbezogenen Daten

Inhalt Grundbegri�e: Statistik und DatenDatenaufbereitungClusteringFrequent Pattern MiningKlassi�kationsverfahrenMining von GraphenMining von räumlich und zeitlich veränderlichen Daten (z.B.Objekt-Trajektorien und Zeitreihen)

Voraussetzungen empfohlen sind: Algorithmen und Datenstrukturen (IAD),Datenbanken 1 (DB1)

69



NuetzlicheLiteratur

z. B.: Jiawei Han und Micheline Kamber: Data Mining. Conceptsand Techniques, Morgan Kaufmann Series in Data ManagementSystems, 2006.Martin Ester und Jörg Sander: Knowledge Discovery inDatabases: Techniken und Anwendungen, Springer, 2000.Pang-Ning Tan, Michael Steinbach, Vipin Kumar: Introduction toData Mining. Addison Wesley, 2005.

70

Künstliche Intelligenz

Code Name

IKI Künstliche Intelligenz




Arbeitsaufwand180 h; davon60h Präsenzstudium15h Prüfungsvorbereitung105h Selbststudium undBearbeitung von theoretischenAufgaben undProgrammierübungen


Lernziele Die Studierendenhaben gelernt Algorithmen zu entwickeln die Probleme durchSuchen lösenkönnen logische Inferenz zur Lösungssuche einsetzensind in der Lage Inferenz im Fall von unsicherem Wissen über dieWelt durchzuführenkönnen lernende Agenten entwickelnkönnen die erworbenen Kenntnisse auf Anwendungsbereiche, wiez.B. Computersehen oder Textmining, übertragen

Inhalt Problemlösen durch SucheKI und Spielelogische InferenzKnowledge basesAktionsplanungSchlussfolgerung unter UnsicherheitMaschinelles LernenNeuronale Netze und Deep LearningAnwendungen



Erfolgreiche Teilnahme an den Übungen und Bestehen einerAbschlussprüfung

NuetzlicheLiteratur

Russell & Norvig: Arti�cial Intelligence ? A Modern Approach

71

Machine Learning

Code Name

IML Machine Learning


8 LP one semester in (irregular) alternation with*Fundamentals of MachineLearning* + *Advanced MachineLearning*

Lehrform4 SWS lecture (inEnglish), 2 SWStutorial, homeworkassignments

Arbeitsaufwand240h; thereof90h lectures and tutorials120h lecture wrap-up andhomework30h preparation for examination

Verwendbarkeitcannot be combined with*Fundamentals of MachineLearning* or *AdvancedMachine Learning*B.Sc. Angewandte Informatik,M.Sc. Angewandte Informatik,M.Sc. Scienti�c Computing,M.Sc. Physik (specializationComputational Physics)

Lernziele Students understand a broad range of machine learning concepts,get to know established and advanced learning methods andalgorithms, are able to apply them to real-world problems, andcan objectively assess the quality of the results.In addition, students learn how to use Python-based machinelearning software such as scikit-learn.

Inhalt This lecture is a compact version of the two-semester course*Fundamentals of Machine Learning* + *Advanced MachineLearning*:Classi�cation (linear and quadratic discriminant analysis, neuralnetworks, linear and kernelized support vector machines, decisiontrees and random forests), least squares and regularizedregression, Gaussian processes, unsupervised learning (densityestimation, cluster analysis, Gaussian mixture models andexpectation maximization, principal component analysis, bilineardecompositions), directed probabilistic graphical models,optimization for machine learning, structured learning

Voraussetzungen recommended are: solid knowledge of basic calculus, statistics,and linear algebra


cannot be combined with *Fundamentals of Machine Learning* or*Advanced Machine Learning*, successful homework solutions (atleast 50% of total achievable points) and oral examination

72

NuetzlicheLiteratur

Trevor Hastie, Robert Tibshirani, Jerome Friedman: TheElements of Statistical Learning (2nd edition), Springer, 2009;David Barber: Bayesian Reasoning and Machine Learning,Cambridge University Press, 2012

73

Fundamentals of Machine Learning

Code Name

IFML Fundamentals of Machine Learning


8 LP one semester in (irregular) alternation with*Machine Learning*


Arbeitsaufwand240h; thereof90h lectures and tutorials90h lecture wrap-up andhomework60h graded �nal report

Verwendbarkeitcannot be combined with*Machine Learning*B.Sc. Angewandte Informatik,M.Sc. Angewandte Informatik,M.Sc. Scienti�c Computing,M.Sc. Physik (specializationComputational Physics)

Lernziele Students understand fundamental concepts of machine learning(features vs. response, unsupervised vs. supervised training,regression vs. classi�cation etc.), get to know established learningmethods and algorithms, are able to apply them to real-worldproblems, and can objectively assess the quality of the results.In addition, students learn how to use Python-based machinelearning software such as scikit-learn.

Inhalt The lecture, along with its sibling *Advanced Machine Learning*,o�ers an extended version of the one-semester course *MachineLearning*, with more room for regression methods, unsupervisedlearning and algorithmic details:Classi�cation (nearest neighbor rules, linear and quadraticdiscriminant analysis, logistic regression, classical and randomizeddecision trees, support vector machines, ensemble methods);regression (linear and non-linear least squares, regularized andsparse regression, robust regression); unsupervised learning(hierarchical clustering, k-means algorithm, Gaussian mixturemodels and expectation maximization, principal componentanalysis, non-linear dimension reduction); evaluation (riskminimization, model selection, cross-validation)

Voraussetzungen recommended are: solid knowledge of basic calculus, statistics,and linear algebra


cannot be combined with *Machine Learning*, successfulhomework solutions (at least 50% of total achievable points) andwritten examination (report on a 60h mini-research project)

NuetzlicheLiteratur

Trevor Hastie, Robert Tibshirani, Jerome Friedman: TheElements of Statistical Learning (2nd edition), Springer, 2009

74

Advanced Machine Learning

Code Name

IAML Advanced Machine Learning


8 LP one semester follows *Fundamentals ofMachine Learning*


Arbeitsaufwand240h; thereof90h lectures and tutorials90h lecture wrap-up andhomework60h graded �nal report

Verwendbarkeitcannot be combined with*Machine Learning*B.Sc. Angewandte Informatik,M.Sc. Angewandte Informatik,M.Sc. Scienti�c Computing,M.Sc. Physik (specializationComputational Physics)

Lernziele Students get to know advanced machine learning methods thatde�ne the state-of-the-art and major research directions in the�eld. Students understand when these methods are called for,what limitations of standard solutions they address, and how theyare applied to real-world problems.In addition, students learn how to use Python-based machinelearning software such as scikit-learn, theano and OpenGM.

Inhalt The lecture, along with its sibling *Fundamentals of MachineLearning*, o�ers an extended version of the one-semester course*Machine Learning*:Multi-layered architectures (neural networks, deep learning);directed and undirected probabilistic graphical models (Gaussianprocesses, latent variable models, Markov random �elds,structured learning); feature optimization (feature selection andlearning, dictionary learning, kernel approximation,randomization); weak supervision (one-class learning, multipleinstance learning, active learning, reinforcement learning)

Voraussetzungen recommended are: lecture *Fundamentals of Machine Learning*or similar


cannot be combined with *Machine Learning*, successfulhomework solutions (at least 50% of total achievable points) andwritten examination (report on a 60h mini-research project)

NuetzlicheLiteratur

David Barber: Bayesian Reasoning and Machine Learning,Cambridge University Press, 2012Christopher M. Bishop: Pattern Recognition and MachineLearning, Springer, 2006

75

Management und Analyse von Datenströmen

Code Name

IMADS Management und Analyse von Datenströmen


4 LP ein Semester mind. alle 2 Jahre




Lernziele Dieses Modul vertieft die Grundkenntnisse und -fähigkeiten derDatenanalyse insbesondere im Umgang mit Datenströmen.Die Studierendenkennen die Herausforderungen der Datenstromverarbeitung undsind in der Lage, gängige Methoden anzuwenden, umDatenströme zu verwalten und auszuwerten.wissen, welche Mining Techniken für Datenströme im Kontext vonverschiedenen Domänen anwendbar sindkennen die unter Inhalt angegebenen Methoden und Technologien

Inhalt Methoden des Managements und der Analyse von Datenströmen.DatenstrommodelleDatenstrommanagementsystemeAnfragesprachen und AnfrageverarbeitungSynopsenbildung und ApproximationData Mining Techniken wie beispielsweise Clustering, FrequentPattern Mining und Erkennung von AusreiÿernMining und Analyse von Graph-Strömen

Voraussetzungen empfohlen sind: Algorithmen und Datenstrukturen (IAD),Datenbanken 1 (IDB1)


Erfolgreicher Abschluss eines Projekts und Bestehen einerAbschlussprüfung

NuetzlicheLiteratur

Wissenschaftliche Verö�entlichungen. Details werden in derVorlesung und auf der Moodle-Webseite bekannt gegeben.

76

Modellierung und Simulation in den Neurowissenschaften

Code Name

IMSN Modellierung und Simulation in den Neurowissenschaften






Lernziele Die Studierendenkennen den makro-/mikroskopischen Aufbau eines Gehirns undverstehen die Prinzipien neuronaler Signalverarbeitungsprozesse.sind in der Lage die Eigenschaften individueller Neuronenmodellemit Methoden aus dem Bereich der dynamischen Systeme zuanalysieren.können mathematische Modelle von Einzelneuronen selbstentwerfen und numerische Verfahren zur Lösung bestimmen.haben die Fähigkeit die erforderlichen numerischen Methoden ineiner Programmiersprache (C/C++ ) eigenständig umzusetzen.haben die Kenntnis die Simulationsergebnissemathematisch-informatisch zu analysieren und zu interpretieren.

77

Inhalt Grundkenntnisse in Neuroanatomie und -physiologieBioelektrizität: Biophysikalische Grundlagen von Ionenströmen,Elektrophysiologie, NernstpotentialBiomembranmodelleModellierung von Signalverarbeitungsprozessen im extrazellulärenRaumIntegrate-and-Fire Modelle / Neuronenmodelle mit einemKompartmentNumerische Lösungsmethoden für EinkompartmentmodelleDynamische Systeme: Begri�sbildungen, Phasenraumanalyse,Stabilität und Hysterese, Bifurkationen, Spiking, BurstingNumerische Lösungsverfahren für steife SystemeModellierung und Simulation der passiven KabelgleichungDiskretisierung der KabelgleichungDas Hodgkin-Huxley Modell (HH) der aktiven Signalverarbeitung

Methoden zur nichtlineare Kopplung von HH und Kabelgleichung

Simulation stochastischer Prozesse

Voraussetzungen empfohlen sind: Grundlagen in Numerik wie z:B. aus MA7


Erfolgreiche Teilnahme an den Übungen und Bestehen einerschriftlichen oder mündlichen Abschlussprüfung

NuetzlicheLiteratur

C. Koch: Biophysics of Computation: Information Processing inSingle Neurons. Oxford Univ. Press, 1999, ISBN 0-19-518199-9

78

Modellierung, Optimierung und Regelung mechanischer Systeme

Code Name

IMORMS Modellierung, Optimierung und Regelung mechanischer Systeme




Arbeitsaufwand240 h; davon90 h Präsenzstudium50 h Prüfungsvorbereitung100 h Selbststudium


Lernziele Die Studierenden können die grundlegenden Prinzipien derModellierung, Optimierung und Regelung dynamischer Prozesse -im speziellen von mechanischen Systemen - darstellen underklären. Sie kennen die Grundlagen der nichtlinearenOptimierung und können verschiedene mathematischeLösungsstrategien vergleichen und beurteilen. Die Studierendenkönnen komplexe mechanische Systeme wie menschliche Geh- undRennbewegung mit den erarbeiteten Methoden analysieren,klassi�zieren und auf spezi�sche Eigenschaften wie Stabilität hinuntersuchen .Die Studierenden können Softwarepakete auf der Basis von Luaund C++ einsetzen und zur Modellierung, Simulation,Optimierung und Visualisierung mechanischer Systeme nutzen.Sie sind in der Lage, die auftretenden Optimalsteuerungsproblemenumerisch zu lösen und die Güte der erreichten Lösung zuevaluieren.

79

Inhalt Ziel dieser Lehrveranstaltung ist es, Studierenden der Mathematik,Informatik und Physik einen anwendungsorientierten Einstieg indie Modellierung, Optimierung und Regelung von mechanischenSystemen zu bieten. Der Fokus der Vorlesung liegt auf komplexenMehrkörpersystemen aus Robotik und Biomechanik.Während in der Vorlesung die notwendigen theoretischenGrundlagen vermittelt werden, dienen die Computerübungendazu, den Umgang mit Softwarewerkzeugen für die Modellierung,Visualisierung, Simulation und Optimale Steuerung anhandeinfacher Beispiele auszuprobieren.

Inhalt der Vorlesung:Dynamische ProzessmodellierungMechanische Grundbegri�e, Kinematik, DynamikModellierung von MehrkörpersystemenBewegungssimulationNichtlineare OptimierungDirekte Methoden der Optimalen SteuerungGrundlagen der RegelungstechnikGrundlagen der SystemdynamikSteuerung und Regelung von BewegungenModellierung menschlicher Geh- und RennbewegungenModellierung von Laufbewegungen humanoider und zweibeinigerRoboterStabilität von Bewegungen

Inhalt der Computerübungen:Simulation und Visualisierung mechanischer SystemeModellierung der Dynamik von Mehrkörpersystemen mit derRBDL (Rigid Body Dynamics Library)Implementierung und Lösen von Optimalsteuerungsproblemen mitMUSCOD-II für verschiedene mechanische Beispielsysteme.

Voraussetzungen Dringend empfohlen sind: Programmierkenntnisse in C/C++,Einführung in die NumerikVorteilhaft sind: Algorithmische Optimierung 1, Numerik 1,Kenntnisse in Matlab/Octave

80


Bestehen einer 2-stündigen benoteten Klausur am Ende desSemesters. Zulassungsvoraussetzung für die Klausur ist eineerfolgreiche Teilnahme an den Computerübungen, d.h.regelmäÿige Anwesenheit (Feststellung liegt im Ermessen desÜbungsleiters) und Lösung von Programmieraufgaben mitanschlieÿender Vorführung und Erklärung im CIP-Pool

NuetzlicheLiteratur

D. Greenwood: Principles of Dynamics, Prentice Hall, 1987I .Newton: Principia, 1687J. T. Betts: Practical Methods for Optimal Control UsingNonlinear Programming. SIAM, Philadelphia, 2001J. Craig: Introduction to Robotics - Mechanics and Control.Prentice Hall, 2003J. Nocedal, S. Wright: Numerical Optimization, Springer, 2000B. Siciliano, et al: Robotics - Modeling, Planning and Control,Springer 2008Spong, Hutchinson, Vidyasagar: Robot modeling and control,Wiley, 2005Perry, Burn�eld: Gait Analysis - Normal and pathologicalfunction, Slack Inc., 2010M. Raibert: Legged Robots that Balance, MIT Press, 2000

81

Object-Oriented Programming for Scienti�c Computing

Code Name

IOPSC Object-Oriented Programming for Scienti�c Computing


6 LP one semester every summer semester

LehrformLecture 2 SWS,Exercise oncomputer 2 SWS

Arbeitsaufwand180 h; thereof60 h lecture105 h self-study and working onassignments15 h preparation for exam


Lernziele The studentsare pro�cient in the programming language C++,can assess the performance of di�erent programming techniques,know template programming techniques, and can use theStandard Template Library (STL).They can apply their new skills to solve selected problems ofScienti�c Computing.

Inhalt This module deepens the skills in object-oriented programmingobtained in the basic lecture Einführung in die PraktischeInformatik (IPI) with special emphasis on Scienti�c Computing:Class conceptDynamic memory allocationException handlingResource allocation and initializationConstnessStatic versus dynamic polymorphismTraits and PoliciesStandard Template LibraryTemplate MetaprogrammingParallel programming techniques

Voraussetzungen recommended are: Einführung in die Praktische Informatik (IPI),alternatively basic knowledge of an object-oriented programminglanguage


Successful participation in the exercises (getting at least 50% ofthe points), written exam at the end of the semester

NuetzlicheLiteratur

82

Objekterkennung und automatisches Bildverstehen

Code Name

IOAB Objekterkennung und automatisches Bildverstehen


8 LP ein Semester jährlich




Lernziele Die Studierendensind auf dem neuesten Stand der Forschung im Bereich von Mid-und High-Level Computer Visionkennen die relevantesten Ansätze zur Merkmalsextraktionsind vertraut mit den wesentlichen Methoden zur robustenObjektrepräsentationhaben essentielle Algorithmen aus dem Bereich derMustererkennung und des maschinellen Lernens verstanden undkönnen diese auf neue Probleme übertragen und anwendensind in der Lage aktuelle Forschungsarbeiten aus demThemenbereich der Vorlesung zu verstehen und in den Kontextder klassischen Arbeiten einzuordnenkönnen Objekterkennungsprobleme in neuen Anwendungenanalysieren und die jeweils geeignete Algorithmik dazu abrufenum darauf aufbauend neue Lösungsansätze zu entwickelnsind fähig Objekterkennungsverfahren di�erenziert zu bewertenund die Validität einer experimentellen Evaluation zu überprüfen

83

Inhalt Methoden und Modelle aus dem Bereich von Mid- und High-LevelComputer Vision.Insbesondere:Objektdetektion und -klassi�kationlokale und globale MerkmalsextraktionModell-basierte AnsätzeAnsichten-basierte Methodengenerative/diskriminative VerfahrenRegistrierungFormanalyseVoting MethodenHashing VerfahrenHierarchische ObjektrepräsentationenErkennung von menschlichen AktionenLernverfahren für ObjektrepräsentationenDeep Learning



Erfolgreiche Teilnahme an den Übungen und Bestehen einerAbschlussprüfung.

NuetzlicheLiteratur

84

Parallel Data Processing and Analysis

Code Name

IPDPA Parallel Data Processing and Analysis






Lernziele Die Studierenden* kennen ausgewählte Ansätze und Programmierparadigmen derparallelen Datenverarbeitung* können Tools zur parallelen Datenverarbeitung (u.a. ApacheHadoop und Spark) anwenden* wissen die Anwendungsbereiche der Analyse groÿerDatenmengen* kennen Methoden der parallelen Vorverarbeitung von Daten* kennen Analyseverfahren wie Klassi�kation, Regression,Clustering sowie von deren parallelen Implementierungen* wissen die theoretischen und praktische Aspekte derSkalierbarkeit der parallelen Datenverarbeitung

Inhalt Zu den Inhalten zählen:* Programmierparadigmen für parallel-verteilteDatenverarbeitung, insbes. Map-Reduce undSpark-Programmiermodell* Praktische Kenntnisse von Apache Hadoop, Pig, und Hive,sowie Spark und ggf. anderer Frameworks für parallel-verteilteDatenverarbeitung* Anwendungsbereiche der parallelen Datenanalyse u.a.Clustering, Recommendation, Suche nach ähnlichen Objekten,Mining von Datenströmen* Verfahren zur parallelen Vorverarbeitung der Daten* Grundlagen der Analysetechniken wie Klassi�kation, Regression,Clustering und Evaluation der Ergebnisse* Parallele Algorithmen für die Datenanalyse und ihre Umsetzung

* Theorie und Praxis der Skalierbarkeit, Tuning der Algorithmenund Frameworks

85

Voraussetzungen empfohlen sind: Programmierkenntnisse (z.B. in Java) undelementare Wahrscheinlichkeitsrechnung; Modul KnowledgeDiscovery in Databases (IKDD) ist empfohlen aber nichtnotwendig. Modul Big Data (IBD) wird als Ergänzung bzw.Erweiterung empfohlen



NuetzlicheLiteratur

* Jure Leskovec, Anand Rajaraman, Je�rey D. Ullman: Mining ofMassive Datasets, Cambridge University Press, Version 2.1 von2014 (http://www.mmds.org/)* Trevor Hastie, Robert Tibshirani, Jerome Friedman: TheElements of Statistical Learning: Data Mining, Inference, andPrediction, Springer, 2009(http://statweb.stanford.edu/~tibs/ElemStatLearn/)* Ron Bekkerman, Misha Bilenko, John Langford: Scaling UpMachine Learning, Cambridge University Press, 2012* Jiawei Han, Micheline Kamber, Jian Pei: Data Mining: Conceptsand Techniques, Morgan Kaufmann, (third edition), 2012* Bücher aus dem O'Reilly Data Science Starter Kit, 2014(http://shop.oreilly.com/category/get/data-science-kit.do)

86

Parallele Lösung groÿer Gleichungssysteme

Code Name

IPLGG Parallele Lösung groÿer Gleichungssysteme



LehrformVorlesung 4 SWS,Übung 2 SWS amRechner mitDiskussion derÜbungsaufgaben.



Lernziele Die Studierendenbeherschen die Diskretisierung elliptischer Di�erentialgleichungenmittels Finiter Elementeverstehen das abstrakte Konzept der Teilraumkorrekturverfahrenkönnen dies im Rahmen von überlappenden undnichtüberlappenden Gebietszerlegungsverfahren sowieMehrgitterverfahren umsetzenbeherrschen die Konvergenztheorie zu diesen Verfahrenkönnen ausgewählte Verfahren praktisch auf Parallelrechnernumsetzen und der Leistungsfähigkeit bewerten

Inhalt Grundlagen der Diskretisierung elliptischer partiellerDi�erentialgleichungen,Teilraumkorrekturverfahrenüberlappende und nichtüberlappende Gebietszerlegungsverfahrenmit Konvergenztheoriegeometrische Mehrgitterverfahren mit Konvergenztheoriealgebraische Mehrgitterverfahren

Voraussetzungen empfohlen sind: Kenntnisse einer objektorientiertenProgrammiersprache, MA7, Kenntnisse wie sie das Modul IPHRoder ICC1 vermittelt, Vorkenntnisse in Numerik, insbesondereDi�erentialgleichungen (MH7).


Erfolgreiche Teilnahme an den Übungen (Erreichen von 50% derPunkte) und Bestehen einer Abschlussprüfung.

NuetzlicheLiteratur

87

Paralleles Höchstleistungsrechnen

Code Name

IPHR Paralleles Höchstleistungsrechnen



LehrformVorlesung 4 SWS,Übung 2 SWS amRechner mitDiskussion derÜbungsaufgaben.



Lernziele Die Studierendenkennen die grundlegenden Architekturen parallelerHöchstleistungsrechnerkennen die grundlegenden Synchronisations-mechanismen inparallelen Systemen inklusive Performanzaspektenbeherrschen die wichtigsten Programmierparadigmen für paralleleSystemesind in der Lage grundlegende Synchronisationsaufgaben zu lösenbeherrschen Algorithmen der parallelen linearen Algebrakönnen die Qualität paralleler Algorithmen und deren praktischeImplementierung bewerten

Inhalt Rechner mit globalem AdressraumCache-KohärenzRechner mit lokalem Adressraum und Nachrichtenaustauschkritischer Abschnitt, Bedingungssychronisation SemaphorePosix ThreadsProgrammierung von Gra�kkartenNachrichtenaustauschMPIClient-Server Architekturen, entfernter ProzeduraufrufBewertung paralleler AlgorithmenLastverteilungAlgorithmen für vollbesetzte MatrizenLösung dünnbesetzter GleichungssystemePartikelmethodenParalleles Sortieren

Voraussetzungen empfohlen sind: Kenntnisse einer Programmiersprache(Programmieren und Softwaretechnik) und grundlegenderAlgorithmen (Algorithmen und Datenstrukturen (IAD).

88


Erfolgreiche Teilnahme an den Übungen (Erreichen von 50%) undBestehen einer Abschlussprüfung.

NuetzlicheLiteratur

89

Praktische Geometrie

Code Name

IPG Praktische Geometrie




Arbeitsaufwand120 h; davon45 h Präsenzstudium60 h Aufgabenbearbeitung15 h Prüfungsvorbereitung


Lernziele Verständnis grundlegender geometrischer Konzepte zurDatenanalyse sowie e�ektive Punktsuche und Weiterverarbeitungvon MessdatenSouveräner Umgang mit Projektionen und Beschreibungenjenseits der dreidimensionalen ErfahrungsweltBerechnung geometrischer Invarianten, Distanzen, Krümmungenaus Messdaten, rekonstruierten und generierten Flächen

Inhalt Grundlegende Gebiete der Geometrie mit Relevanz inComputergraphik, Bildverarbeitung, Mustererkennung, ComputerVision und Geometrischem Modellieren(i) Analytische Geometrie: Operationen auf Vektorräumen mitgeeigneten Koordinaten und Abbildungen (A�nitäten,Kollinearitäten), geometrische Ausgleichsprobleme ausfehlerbehafteten Messdaten(ii) Projektive Geometrie: Zentralprojektion und inverseRekonstruktion von 3D-Objekten aus ebenen Bildern (ComputerVision, Geodäsie), Unterschiede zwischen B-Spline-Kurven und-Flächen und der Klasse der NURBS, Freiformgeometrien inCAD-Systemen(iii) Di�erentialgeometrie: Parameterdarstellungen in dergeometrischen Datenverarbeitung, implizite Darstellungen (levelsets), Abschätzung von Invarianten aus diskreten Daten(Triangulierungen, Punktwolken)

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Mathematik für Informatiker (IMI1 und 2) oder Lineare Algebra(MA4)


Erfolgreiche Teilnahme an den Übungen (mehr als 50 % derPunkte müssen erreicht werden) und Bestehen einer schriftlichenoder mündlichen Abschlussprüfung

90

NuetzlicheLiteratur

Geometrie für Informatiker, Skript TU Wien 2004, HelmutPottmannAktuelle Fachverö�entlichungen

91

Projektseminar Biomedizinische Bildanalyse

Code Name

IPBB Projektseminar Biomedizinische Bildanalyse



Lehrform2 Teile Seminarund Projekt, 4SWS

Arbeitsaufwand180 h (je zur Hälfte Seminar undProjekt)60 h Präsenzstudium120 h Selbststudium undAufgabenbearbeitung (evtl. inGruppen)


Lernziele Die Studierendenerlangen vertiefte Kenntnisse und Fähigkeiten im GebietBiomedizinische Bildanalyselernen fortgeschrittene Methoden und Algorithmen zurautomatischen Analyse biomedizinischer Bilderlernen wie man Algorithmen und Software für automatischeBildanalyse entwickelterweitern ihre Fähigkeiten Projektergebnisse mündlich zupräsentieren und schriftlich zu dokumentierenerweitern ihre Fähigkeiten zur Teamarbeit und zur Strukturierungvon Projekten

Inhalt Die Studierenden arbeiten in Teams an ausgewähltenfortgeschrittenen Themen der Biomedizinischen Bildanalyse. DerSchwerpunkt liegt auf der automatischen Analyse vonZellmikroskopiebildern und medizinischen tomographischenBildern. Beispiele für Themen sind die Segmentierung undVerfolgung (Tracking) von Zellen in Mikroskopiebildern, dieSegmentierung von Blutgefäÿen in tomographischen Bildern sowiedie Registrierung von Magnetresonanz (MR) Bildern desmenschlichen Gehirns. Die Veranstaltung besteht aus einemSeminarteil (Einarbeitung in die relevante Literatur, Erarbeitungder theoretischen Grundlagen, Vortragspräsentation) und einemProjektteil (Spezi�kation eines Softwaresystems, Entwurf vonAlgorithmen und Implementierung von Bildanalyseverfahren, Testund Evaluierung der Verfahren, Präsentation der Ergebnisse).

Voraussetzungen empfohlen sind: Grundkenntnisse in Bildverarbeitung (ComputerVision, Image Analysis), Programmierkenntnisse, Kenntnisse inSoftware Engineering

92


Vortragspräsentationen von Zwischen- und Endergebnissen (jederStudierende 4 Vorträge je ca. 10 Min. und anschlieÿenderDiskussion)Schriftliche Ausarbeitung der theoretischen Grundlagen, derverwendeten Methoden und der Ergebnisse (jeder Studierende ca.10 Seiten)

NuetzlicheLiteratur

Bekanntgabe in der Lehrveranstaltung

93

Qualitätsmanagement

Code Name

ISWQM Qualitätsmanagement



LehrformVorlesung 3 SWS,Übung 3SWS

Arbeitsaufwand240 h; davon90 h Präsenzstudium15 h Prüfungsvorbereitung135 h Selbststudium undAufgabenbearbeitung im Team


Lernziele Dieses Modul vertieft die Grundkenntnisse und ?fähigkeiten desSoftware Engineering insbesondere im Bereich desQualitätsmanagement.Kenntnis der unter Inhalt angegebenen Methoden, Prozess undWerkzeugeFähigkeit, Qualitätssicherung, Qualitätsmanagement undProzessverbesserung und -management einemSoftwareentwicklungsprojekt durchzuführen bzw unter Anleitungangewandte Forschung dazu durchzuführen.Fähigkeit Teilaufgaben im Team durchzuführen (eventuell mit*echten* Kunden)

Inhalt Methoden, Prozesse und Werkzeuge fürQualitätssicherungQualitätsmanagementVerbesserung von SoftwareentwicklungsprozessenManagement von Softwareentwicklungsprozessen

Voraussetzungen empfohlen sind: Kenntnisse und Fähigkeiten wie sie in ModulEinführung in Software Engineering (ISW) vermittelt werden


Erfolgreiche Teilnahme an den Übungen (durch Erwerb einerentsprechenden Punktzahl) und erfolgreiche Teilnahme an dermündlichen oder schriftlichen Abschlussprüfung.

NuetzlicheLiteratur

Wird jährlich aktualisiert

94

Randomisierte Algorithmen

Code Name

IRA Randomisierte Algorithmen


6 LP ein Semester mindst. jedes 4. Semester




Lernziele Auf der Grundlage der behandelten Anwendungsbeispiele ausverschiedenen Teilgebieten der Informatik können dieStudierenden die probabilistische Betrachtungs- undVorgehensweise anwendenbei der Konstruktion und Analyse von probabilistischen unddeterministischen Algorithmen,auf kombinatorische Fragestellungen,um spieltheoretische Situationen zu analysieren,auf kryptographische Fragestellungen.

Inhalt Elementare WahrscheinlichkeitsrechnungDas Tenure-SpielDerandomisierungstechnikenDie probabilistische MethodeByzantinische ÜbereinkunftStabile Heiraten und der Gale-Shapley-AlgorithmusDas Minimax-Prinzip von YaoKomplexitätsanalyse des randomisierten SortierensRandomisierte Fehlersuche und -korrekturDas Local-Lemma von LovaszPAC-Lernen und VC-DimensionWahrscheinlichkeitsverstärkung und FehlerschrankenLokale Suche für k-SATKryptographische Protokolle

Voraussetzungen empfohlen sind: elementare Grundkenntnisse in Algorithmen wiesie z.B. im Modul Algorithmen und Datenstrukturen (IAD)vermittelt werden.


Erfolgreiche Teilnahme an den Übungen und Bestehen einermündlichen oder schriftlichen Abschlussprüfung

95

NuetzlicheLiteratur

R. Motwani und P. Raghavan, Randomized Algorithms,Cambridge University Press 1995.M. Mitzenmacher und E. Upfal, Probability and Computing,Cambridge University Press, 1995.N. Alon und J. H. Spencer, The Probabilistic Method,John Wiley and Sons, 2008.

96

Räumliche Datenbanken

Code Name

IRDB Räumliche Datenbanken






Lernziele Die Studierendenkennen die Prinzipien von und Anforderungen an räumliche Datenund die Verwaltung solcher Daten in verschiedenenAnwendungsbereichen (z.B. in der Geographie, Kosmologie undBiologie)kennen die Konzepte und Anwendungen GeographischerInformationssysteme (GIS)sind in der Lage, Konzepte und Modelle für räumliche Daten undder Datenmodellierung anzuwendensind vertraut mit der Unterstützung zur Verwaltung von undAnfrage an räumliche Datenbanken (z.B. PostGIS)kennen grundlegende Methoden der algorithmischen Geometrieund sind in der Lage, entsprechende Algorithmen und Technikenanzuwendenkennen die wichtigsten Vertreter von Indexstrukturen zuräumlichen Daten (Grid�le, kd-Tree, Quadtree, R-Tree)wissen, wie in existierenden räumlichen Datenbanksystemen (z.B.PostGIS) Datenbankschemata und Anwendungen erstellt werden

97

Inhalt Prinzipien und Anforderungen an die Verwaltung räumlicherDatenAnwendungsbereiche zur Verwaltung und Analyse räumlicherDatenUnterstützung zur Verwaltung räumlicher Daten in kommerziellenund Open-Source DBMSKonzepte und Modelle zur Repräsentation räumlicher Daten (2D,3D); Tesselierung und Vektormodell; Gruppen von räumlichenObjektenAbstrakte Datentypen für räumliche DatenGrundlegende Techniken der algorithmischen Geometrie (z.B.Konvexe Hülle, Sweep-Line Methoden, Polygon-Partitionierung,Schnitte von Polygonen)Zugri�sstrukturen für räumliche Daten, insbesondere Grid-Files,kd-Tree, Quadtrees, R-TreeAlgorithmen und Kostenmodelle für Zugri�sstrukturen zuräumlichen DatenKonzepte der Anfrageverarbeitung und -optimierung fürräumliche Datenbanken, insb. Spatial JoinTemporale Datenbanken und IndexstrukturenMoving Objects: Anwendungen, Anfragen, Indexstrukturen(B^x-Tree und TPR-Tree)Einführung in das Mining räumlicher Daten (Clustering,Entdecken von Ausreiÿern)Überblick über Unterstützung zur Verwaltung räumlicher Datenin kommerziellen und Open-Source DBMS (PosgreSQL, MySQL,Oracle Spatial, GRASS)

Voraussetzungen empfohlen sind: Algorithmen und Datenstrukturen (IAD),Datenbanken 1 (IDB1)



NuetzlicheLiteratur

Spatial Databases ? With Applications to GIS. Philippe Rigaux,Michel Scholl, Agnes Voisard. Morgan Kaufmann, 2001.Computational Geometry: Algorithms and Applications Mark deBerg, Otfried Cheong, Marc van Kreveld, und Mark Overmars,Springer, Berlin, 2008.Forschungsartikel aus Tagungsbänden und Journals

98

Requirements Engineering

Code Name

ISWRE Requirements Engineering



LehrformVorlesung 3 SWS,Übung 3SWS

Arbeitsaufwand240 h; davon90 h Präsenzstudium15 h Prüfungsvorbereitung135 h Selbststudium undAufgabenbearbeitung im Team


Lernziele Dieses Modul vertieft die Grundkenntnisse und ?fähigkeiten desSoftware Engineering insbesondere im Bereich des RequirementsEngineering.Kenntnis der unter Inhalt angegebenen Methoden, Prozess undWerkzeugeFähigkeit, Unternehmensmodellierung, Anforderungserhebungund ?verhandlung und Requirements Management in einemSoftwareentwicklungsprojekt durchzuführen bzw unter Anleitungangewandte Forschung dazu durchzuführen.Fähigkeit Teilaufgaben im Team durchzuführen (eventuell mit*echten* Kunden)

Inhalt Methoden, Prozesse und Werkzeuge fürUnternehmensmodellierungProzessverbesserung in UnternehmenAnforderungserhebung und -verhandlungRequirements Management (Verbreitung, Prüfung undAktualisierung von Anforderungen)



Erfolgreiche Teilnahme an den Übungen (durch Erwerb einerentsprechenden Punktzahl) und erfolgreiche Teilnahme an dermündlichen oder schriftlichen Abschlussprüfung.

NuetzlicheLiteratur

Wird jährlich aktualisiert

99

Scienti�c Visualization

Code Name

ISV Scienti�c Visualization






Lernziele The students understand fundamental and advanced concepts ofscienti�c visualization. They understand the mathematicalfundamentals, data structures, and implementation aspects. Theyget to know schemes for interpolation and integration, mappingfor scalar, vector, and tensor �elds, and derived approaches. Thestudents understand approaches for direct and indirect volumerendering, feature extraction, and topology-based analysis. Thestudents are able to apply these concepts to real-world problemsusing existing software packages, and develop small programsusing visualization libraries.

Inhalt - Introduction- Visualization Process- Data Sources and Representation- Interpolation and Filtering- Approaches for Visual Mapping- Scalar Field Visualization: Advanced Techniques for ContourExtraction, Classi�cation, Texture-Based Volume Rendering,Volumetric Illumination, Advanced Techniques for VolumeVisualization, Pre-Integration, Cell Projection, Feature Extraction

- Vector Field Visualization: Vector Calculus, Particle Tracing onGrids, Vector Field Topology, Vortex Visualization, FeatureExtraction, Feature Tracking- Tensor Field Visualization: Glyphs, Hue-Balls and Lit-Tensors,Line-Based Visualization, Tensor Field Topology, FeatureExtraction

Voraussetzungen strongly recommended is: Computer Graphics (ICG)recommended are: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK), Algorithmen und Datenstrukturen (IAD)


successful participation in the exercises (more than 50% of theachievable points) and passing of an oral or written exam

100

NuetzlicheLiteratur

C.D. Hansen, C.R. Johnson, The Visualization Handbook, 2005.

101

Software Evolution

Code Name

ISWEvol Software Evolution




Arbeitsaufwand90h; davon30 h Vorlesung35 Aufgabenbearbeitung undAufarbeitung/Selbststudium25 h Prüfungsvorbereitung (evtl.in Gruppen)


Lernziele Die Studierenden können nach der Vorlesung:ein Software-Reengineering-Projekt fachlich planen undbeurteilen,bei der Ersterstellung von Software die Evolutionsfähigkeitkonzeptuell sicherstellen,ein Wartungskonzept für eine erstellte Software aufbauen.

Sie kennendie Unterschiede und Herausforderungen derSoftware-Weiterentwicklung versus der Softwareneuentwicklung ?und worauf die/der InformatikerIn hierbei achten muss, sowohlaus Sicht eines Softwareherstellers als auch aus der Sicht derNutzerInnen von Software, die klassischen Techniken derSoftwaresanierung,die Typologie der Softwarewartung und das Management derFehlerbehebung,die Relevanz der Thematik in der Praxis der industriellenSoftwareerstellung.

102

Inhalt Dieses Modul vermittelt aus konzeptioneller Sicht die Grundlagenfür ein erfolgreiches Lebenszyklusmanagement von Software nachihrer Ersterstellung. Die Vorlesungsinhalte wurden aufgrund der15-jährigen Erfahrung des Dozenten in der Praxiszusammengestellt, auf Basis aktueller Forschung und Lehre.EinleitungBegri�sklärung, GrundlagenSoftwareevolutionSoftwarewartung, SoftwareerhaltungSoftware-ReengineeringEvolution und WeiterentwicklungManagement der SoftwareevolutionZusammenfassung



Bestehen einer mündlichen oder schriftlichen Abschlussprüfung (jenach Anzahl der Teilnehmer)

NuetzlicheLiteratur

Arnold, R. (Hrsg.): Software Reengineering. IEEE ComputerSocienty Press, Los Alamitos 1993Fowler, M.: Refactoring ? Improving the Design of Existing Code.Addison-Wesley, Reading, Massachusetts, 1999von Hahn, E.: Werterhaltung von Software. DUV, Wiesbaden2005Müller, B.: Reengineering. Eine Einführung. Teubner, Stuttgart1997Sneed, H.M.; Hasitschka, M.; Teichmann, M.-T.:Software-Produktmanagement. Wartung und Weiterentwicklungbestehender Anwendungs-systeme. dpunkt, Heidelberg 2005Smith, D.D.: Designing Maintainable Software. Springer,Heidelberg 1999

103

Software Ökonomie

Code Name

ISWÖk Software Ökonomie




Arbeitsaufwand90h; davon30 h Vorlesung35 Aufgabenbearbeitung undAufarbeitung/Selbststudium25 h Prüfungsvorbereitung (evtl.in Gruppen)


Lernziele Die Studierenden können nach der Vorlesunggrob den Preis und die Lizensierung einer erstellten Softwareermitteln,die Vermarktung von Software planen und anstoÿen,grob die Bilanz sowie die Gewinn- und Verlustrechnung einesSoftwareherstellers verstehen,den Wert einer Software mit seinen verschiedenen Komponentenbeurteilen, aus Sicht des Herstellers sowie aus Sicht der Nutzer,Preisverhandlungen zu Softwareprojekten planen.Sie kennendie Grundzüge der Kosten- und Leistungsrechnung (soweit sie fürdie Softwareerstellung relevant ist),die unterschiedlichen Vertragsarten, die im Umfeld derSoftwareerstellung zum Einsatz kommen,die wichtigsten Verhandlungsstrategien bei der Verhandlung vonSoftwareverträgen,rechtliche Aspekte im Bereich der IT-Kriminalität,die Relevanz der Vorlesungsthemen in der Praxis der industriellenSoftwareerstellung.

104

Inhalt Dieses Modul vermittelt aus konzeptioneller Sicht die Grundlagender Wirtschaftsinformatik, wie sie für die Softwareerstellungrelevant sind. Die Vorlesungsinhalte wurden aufgrund der15-jährigen Erfahrung des Dozenten in der Praxiszusammengestellt, auf Basis aktueller Forschung und Lehre.EinleitungBegri�sklärung, GrundlagenSoftwareökonomieManagement von SoftwareprojektenWertermittlung von SoftwareBepreisung von SoftwareSoftware-MarketingVerhandlungen und VerträgeBilanzierung und RechnungslegungIT-KriminalitätSchadensabwendungZusammenfassung



Bestehen einer mündlichen oder schriftlichen Abschlussprüfung (jenach Anzahl der TeilnehmerInnen)

NuetzlicheLiteratur

Buxmann, P.; Diefenbach, H.; Hess, T.: Die Softwareindustrie.Ökonomische Prinzipien, Strategien, Perspektiven. Heidelberg,2008Herzwurm, G.; Pietsch, W.: Management von IT-Produkten.Heidelberg, 2009Mertens, P. (Hrsg.): Lexikon der Wirtschaftsinformatik, 3.Au�age, Heidelberg 2001Versteegen, G.: Marketing in der IT-Branche. Heidelberg 2003Wöhe, G.: Einführung in die Allgemeine Betriebswirtschaftslehre.München 2010

105

Software-Praktikum für Fortgeschrittene

Code Name

IFM Software-Praktikum für Fortgeschrittene


8 LP jedes Semester

LehrformPraktikum 6 SWS

Arbeitsaufwand240 h; davonmind. 25 h Präsenzzeit10 h Vorbereitung Vortrag

VerwendbarkeitB.Sc. Angewandte Informatik,M.Sc. Angewandte InformatikFachübergreifende Kompetenzen:B.Sc. Mathematik,M.Sc. Mathematik

Lernziele Die Studierendenerlangen vertiefende Problemlösungskompetenz für komplexeEntwurfs- und Implementierungsaufgabenkönnen Problemanalyse- und Beschreibungstechniken klardarstellen, di�erenzieren und anwendenvertiefen Programmierkenntnisse in der jeweiligen für das Projekterforderlichen Programmiersprachesind in der Lage, das Projekt mit Hilfe einerSoftwareentwicklungsumgebung durchzuführenZusätzlich werden die projekttypischen Kompetenzen vertieft,insbesondere das Arbeiten im Team (von bis zu dreiStudierenden):Durchführung und Evaluation von Projekten und ihrerPhasenstrukturPlanung und Durchführung von Projekt- und Teamarbeit.Zu den zu trainierenden Softskills zählen somit insbesondereTeamfähigkeit, Verfeinerung von Präsentationstechniken, etwaigeErschlieÿung wissenschaftlicher Literatur sowieeigenverantwortliches Arbeiten.

Inhalt Domänenkenntnisse abhängig von den DozentInnen;allgemeine Lerninhalte sind:Vertiefung in die ProjektarbeitEigenständige Entwicklung von komplexer Software und derenDokumentation



Bewertung der dokumentierten Software, des Projektberichts unddes Vortrags

NuetzlicheLiteratur

106

Verteilte Systeme I

Code Name

IVS1 Verteilte Systeme I






Lernziele Verständnis der unterschiedlichen parallelen Architekturen undder Besonderheiten von verteilten SystemenKenntnis der grundlegenden theoretischen Probleme undAlgorithmen in verteilten Systemen (z.B. Skalierbarkeit)Fähigkeit zur Erstellung von parallelen und verteiltenProgrammen, insbes. im Spark-ProgrammiermodellKenntnis der praktischen Anwendung diverserProgrammierparadigmen und Frameworks (Pthreads, MPI,Hadoop, Spark) für parallele oder verteilte ProgrammierungVertrautheit mit skalierbarer Verarbeitung von DatenKenntnisse über Probleme und Lösungen in BereichenFehlertoleranz und Verlässlichkeit der verteilten Systeme

Inhalt Das Modul behandelt die grundlegenden Prinzipien der parallelenund verteilten Systeme im Kontext ihrer Programmierung,insbesondere zum Zwecke der skalierbaren Verarbeitung vonDaten. Es werden Konzepte aus den Bereichen Architekturen,Protokolle, Algorithmen, Implementierung undSoftwareframeworks vorgestellt. Ein wesentlicher Teil derVorlesung widmet sich der praktischen parallelen und verteiltenProgrammierung. Dazu gehörten u.a. Ansätze wie MPI,Map-Reduce, Spark-Programmiermodell und Actors. ErgänzendeThemen umfassen Fehlertoleranz, e�ziente Protokolle undSkalierbarkeit. Die Umsetzung in die Praxis erfolgt an Beispielender Verarbeitung groÿer Datenmengen. Das Modul soll dieStudierenden befähigen, Spezi�ka und Probleme der verteiltenSysteme zu verstehen, und e�ziente verteilte Anwendungen mitSoftwareframeworks wie Apache Spark zu erstellen.

Voraussetzungen empfohlen sind: Kenntnisse in Java (z.B. durch Einführung inSoftware Engineering (ISW)) oder Python

107


Erfolgreiche Teilnahme an den Übungen (Erreichen einerMindestpunktzahl) und Bestehen einer Abschlussprüfung.

NuetzlicheLiteratur

George Coulouris, Jean Dollimore, Tim Kindberg: DistributedSystems: Concepts and Design (4th ed.), Addison-Wesley, 2005.Holden Karau, Andy Konwinski, Patrick Wendell, Matei Zaharia:Learning Spark: Lightning-Fast Big Data Analysis, O'ReillyMedia, 2015.Jure Leskovec, Anand Rajaraman, Je� Ullman: Mining of MassiveDatasets, 2nd edition (v2.1), Online: http://www.mmds.org/Grama, A., Gupta, A., Karypis, G., Kumar V.: Introduction toParallel Computing, Addison-Wesley, 2. Au�age, 2003.Andrew S. Tanenbaum, Maarten Van Steen: Distributed Systems:Principles and Paradigms, Prentice Hall, 2006.

108

Visualisierung im Bereich Cultural Heritage

Code Name

IVCH Visualisierung im Bereich Cultural Heritage




Arbeitsaufwand60 h; davon30 h Präsenzstudium,30 h Prüfungsvorbereitung


Lernziele Die Studierenden sind mit unterschiedlichen Scantechnikenvertraut und können Georadardaten interpretieren. Siebeherrschen den Umgang mit 3D Scan-, Georadar- undMagnetfelddaten, geophysikalischer Prospektion und weiterenUntersuchungen von Messdaten und kennen die Herangehensweisemit 2D und 3D Bildverarbeitung zur Erkennung von Merkmalen(Schrift). Sie wissen um die ethischen Grundsätze bei derRekonstruktion, Befund und Hypothese (London Charter).

Inhalt Weiÿlicht- und Time-of-�ight-Scanner, Rekonstruktionen vonGefäÿen und Gebäuden, 3D-Puzzle, Skelettierung, ethischeGrundsätze

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK), Computergraphik 1 (ICG1)


Teilnahme an den Vorlesungen und Bestehen einer mündlichenoder schriftlichen Abschlussprüfung (je nach Teilnehmerzahl)

NuetzlicheLiteratur

Clive Orton: Mathematics in Archaeology. Cambridge, MA,Cambridge University Press, 1982Katsushi Ikeuchi, Daisuke Miyazaki (editors): Digitally ArchivingCultural Objects. Springer, 2007Christian Hörr. Algorithmen zur automatisierten Dokumen-tation und Klassi�kation archäologischer Gefäÿe. Dissertation, TUChemnitz, 2011

109

Volumenvisualisierung

Code Name

IVV Volumenvisualisierung






Lernziele Die Studierendenverstehen, wie experimentelle Daten zustande kommen und welcheprinzipiellen Informationselemente diese enthalten, die für einewissenschaftliche Visualisierung notwendig sind. Sie lernen diePrinzipien kennen, wie man zwischen kontinuierlichen (wirklicheVerteilung) und diskreten Signalen (Darstellung im Computer)wechseln kann. Zudem werden sie eingeführt in Methoden derKonversion von Ober�ächendaten in Volumendaten undumgekehrt. Schlieÿlich werden ausgehend von theoretischenphysikalischen Prinzipien sie in der Lage sein, verschiedeneVisualisierungstechniken abzuleiten und die Näherungen, diehierfür gemacht werden, zu verstehen.Sie sind damit in der Lage, komplexe volumenorientierte Datenadäquat mathematisch zu repräsentieren, zu transformieren unddie wesentlichen Strukturen mit adäquat darauf angepasstenVerfahren der Visualisierung darzustellen.

Inhalt Einführung in die Visualisierung wissenschaftlicher Daten aus denNatur- und Lebenswissenschaften.Diskrete und kontinuierliche Repräsentation von Daten sowienumerische und computergraphische Methoden der Interpolation.Methoden der Konversion von Ober�ächenrepräsentationen inVolumenrepräsentationen und umgekehrt, Optimierungstechnikenfür e�ziente AlgorithmenAbleitung und Varianten von VolumenvisualisierungstechnikenBeschleunigungsverfahren und Parallelisierungsmethoden fürVolumenvisualisierungProgrammiertechnik: GPU-Programmierung


110


Erfolgreiche Teilnahme an den Übungen (mehr als 50% derPunkte müssen erreicht werden) und Bestehen einer schriftlichenoder mündlichen Abschlussprüfung

NuetzlicheLiteratur

Engel et al: Real-Time Volume Graphicswww.real-time-volume-graphics.org,Schroeder et al: VTK Textbookhttp://www.kitware.com/products/books/vtkbook.html

111

Wissensmanagement und Entscheidungen im Software Engineering

Code Name

ISWKM Wissensmanagement und Entscheidungen im Software Engineering



LehrformVorlesung+Übung2 SWS



Lernziele Die Teilnehmer/innen kennen vertiefende Software EngineeringMethoden, die Entscheidungen unterstützen beiAnforderungspriorisierung, Entwurf, Managemententscheidungenund Risikomanagement. Sie wissen, wie man im ArbeitsalltagWissen verwaltet und haben eine Einführung in dieEntscheidungstheorie erhalten.

Inhalt WissensmanagementOntologienRationaleRe-engineeringlearning organizationEntscheidungenManagement-Entscheidungen, Business CaseRisikomanagementAnforderungspriorisierungEntscheidungen im Entwurf: ATAM, SAAM, CBAMEntscheidungstheorieEntscheiden unter UngewissheitMathematical EconomicsEntscheidung mit mehreren Parteien: Harvard-Konzept,VerhandlungenSpieltheorieFehlentscheidungen/ Decision Traps/ Biases

Voraussetzungen empfohlen sind: Vorlesung und Übung Einführung in SoftwareEngineering (ISW) oder vergleichbare Vorkenntnisse


Erfolgreiche Teilnahme an den Hausaufgaben (mehr als 50% derPunkte müssen erreicht werden) und Bestehen einerAbschlussprüfung.

112

NuetzlicheLiteratur

Rai�a, Howard; Richardson, John; Metcalfe, David: Negotiationanalysis - the science and art of collaborative decision making,Belknap, Cambridge, 2002

113

2.3 Module aus der Informatik · 2017-03-06 · Bücher aus dem O'Reilly Data Science Starter Kit,...

Documents

Transcript of 2.3 Module aus der Informatik · 2017-03-06 · Bücher aus dem O'Reilly Data Science Starter Kit,...