Business Informatics and Mathematics (all)
Business Informatics (Bachelor)
Algorithms and Data Structures (Lecture)
DE
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
6
Attendance:
Online, recorded
Learning target:
Fachkompetenz:
Die Studierenden kennen effiziente Algorithmen und effektive Datenstrukturen für grundlegende Probleme der Informatik und können diese anwenden und in Computerprogramme umsetzen. Sie beherrschen weiterhin grundlegende Techniken des Entwurfs von Algorithmen und Datenstrukturen, sowie der Korrektheits- und Laufzeitanalyse von Algorithmen
Methodenkompetenz:
Die Studierenden können anwendungsrelevanten Berechnungsproblemen effiziente Algorithmen zuzuordnen bzw. diese entwickeln und
mittels dieser lösen.
Personale Kompetenz:
Die Studierenden können Berechnungsprobleme in Anwendungszusammenhängen identifizieren, sie formal spezifizieren und damit einer rechentechnischen Lösung zuführen. Sie können auf höherem Niveau abstrahieren und mit formalen Modellierungstechniken arbeiten.
Die Studierenden kennen effiziente Algorithmen und effektive Datenstrukturen für grundlegende Probleme der Informatik und können diese anwenden und in Computerprogramme umsetzen. Sie beherrschen weiterhin grundlegende Techniken des Entwurfs von Algorithmen und Datenstrukturen, sowie der Korrektheits- und Laufzeitanalyse von Algorithmen
Methodenkompetenz:
Die Studierenden können anwendungsrelevanten Berechnungsproblemen effiziente Algorithmen zuzuordnen bzw. diese entwickeln und
mittels dieser lösen.
Personale Kompetenz:
Die Studierenden können Berechnungsprobleme in Anwendungszusammenhängen identifizieren, sie formal spezifizieren und damit einer rechentechnischen Lösung zuführen. Sie können auf höherem Niveau abstrahieren und mit formalen Modellierungstechniken arbeiten.
Recommended requirement:
Examination achievement:
Schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Matthias Krause, Alexander Moch
Description:
- Grundtechniken des Algorithmenentwurfs sowie der Laufzeitanalyse (Divide and Conquer, Greedyheuristiken, Dynamic Programming,…)
- Grundtechniken des Beweisens der Korrektheit von Algorithmen
- Sortieralgorithmen
- Hashing und hashingbasierte Algorithmen
- Advanced Data Structures
- Algorithmen für Suchbäume
- Graphalgorithmen (Tiefensuche, Breitensuche, Minimum Spanning Trees, Kürzeste-Wege-Algorithmen)
- Ausgewählte weitere Algorithmen (z.B. Pattern Matching, Automatenminimierung…)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Algorithms and Data Structures (Lecture)
DE
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
6
Learning target:
Fachkompetenz:
Die Studierenden kennen effiziente Algorithmen und effektive Datenstrukturen für grundlegende Probleme der Informatik und können diese anwenden und in Computerprogramme umsetzen. Sie beherrschen weiterhin grundlegende Techniken des Entwurfs von Algorithmen und Datenstrukturen, sowie der Korrektheits- und Laufzeitanalyse von Algorithmen
Methodenkompetenz:
Die Studierenden können anwendungsrelevanten Berechnungsproblemen effiziente Algorithmen zuzuordnen bzw. diese entwickeln und
mittels dieser lösen.
Personale Kompetenz:
Die Studierenden können Berechnungsprobleme in Anwendungszusammenhängen identifizieren, sie formal spezifizieren und damit einer rechentechnischen Lösung zuführen. Sie können auf höherem Niveau abstrahieren und mit formalen Modellierungstechniken arbeiten.
Die Studierenden kennen effiziente Algorithmen und effektive Datenstrukturen für grundlegende Probleme der Informatik und können diese anwenden und in Computerprogramme umsetzen. Sie beherrschen weiterhin grundlegende Techniken des Entwurfs von Algorithmen und Datenstrukturen, sowie der Korrektheits- und Laufzeitanalyse von Algorithmen
Methodenkompetenz:
Die Studierenden können anwendungsrelevanten Berechnungsproblemen effiziente Algorithmen zuzuordnen bzw. diese entwickeln und
mittels dieser lösen.
Personale Kompetenz:
Die Studierenden können Berechnungsprobleme in Anwendungszusammenhängen identifizieren, sie formal spezifizieren und damit einer rechentechnischen Lösung zuführen. Sie können auf höherem Niveau abstrahieren und mit formalen Modellierungstechniken arbeiten.
Recommended requirement:
Examination achievement:
Schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Matthias Krause, Alexander Moch
Description:
- Grundtechniken des Algorithmenentwurfs sowie der Laufzeitanalyse (Divide and Conquer, Greedyheuristiken, Dynamic Programming,…)
- Grundtechniken des Beweisens der Korrektheit von Algorithmen
- Sortieralgorithmen
- Hashing und hashingbasierte Algorithmen
- Advanced Data Structures
- Algorithmen für Suchbäume
- Graphalgorithmen (Tiefensuche, Breitensuche, Minimum Spanning Trees, Kürzeste-Wege-Algorithmen)
- Ausgewählte weitere Algorithmen (z.B. Pattern Matching, Automatenminimierung…)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
CS 560 Large-Scale Data Management (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
4
Learning target:
Expertise:
Students will acquire knowledge about methods and systems for managing large datasets and data-intensive computing.
Students will acquire knowledge about methods and systems for managing large datasets and data-intensive computing.
Methodological competence:
• Be able to judge, select, and use traditional or non-traditional data management systems for a given data management task
• Be able to solve computational problems involving large datasets
Personal competence:
• Study independently
• Presentation and writing skills
Recommended requirement:
Examination achievement:
Written examination, exercises
90 minutes
90 minutes
Instructor(s):
Prof. Dr. Rainer Gemulla
Description:
This course introduces the fundamental concepts and computational paradigms of large-scale data management and Big Data. This includes methods for storing, updating, querying, and analyzing large dataset as well as for data-intensive computing. The course covers concept, algorithms, and system issues; accompanying exercises provide hands-on experience. Topics include:
• Parallel and distributed databases
• MapReduce and its ecosystem
• NoSQL
• Stream processing
• Graph databases
• Parallel and distributed databases
• MapReduce and its ecosystem
• NoSQL
• Stream processing
• Graph databases
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Data Mining (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Registration procedure:
Please note that there is no second date for the exam.
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of data mining. Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of data mining. Methodological competence:
- Successful participants will be able to identify opportunities for applying data mining in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project organisation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Offline Exam and Project Work
Instructor(s):
Prof. Dr. Heiko Paulheim
Description:
The course provides an introduction to advanced data analysis techniques as a basis for analyzing business data and providing input for decision support systems. The course will cover the following topics:
- Goals and Principles of Data Mining
- Data Representation and Preprocessing
- Clustering
- Classification
- Association Analysis
- Text Mining
- Systems and Applications (e. g. Retail, Finance, Web Analysis)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Database Systems I (Lecture)
DE
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
4
Attendance:
On-campus and online, live
Learning target:
Fachkompetenz:
Verständnis der Grundlagen der Datenmodellierung bzw. des Datenbankentwurfs und der Funktionsweise von relationalen Datenbankmanagementsystemen, insbesondere Anfragebearbeitung und Transaktionsverwaltung
Methodenkompetenz:
Abstraktion, Modellierung, Aufwandsabschätzung für Anfragen
Personale Kompetenz:
Verständnis der Rolle moderner Datenhaltung in einem Unternehmen
Verständnis der Grundlagen der Datenmodellierung bzw. des Datenbankentwurfs und der Funktionsweise von relationalen Datenbankmanagementsystemen, insbesondere Anfragebearbeitung und Transaktionsverwaltung
Methodenkompetenz:
Abstraktion, Modellierung, Aufwandsabschätzung für Anfragen
Personale Kompetenz:
Verständnis der Rolle moderner Datenhaltung in einem Unternehmen
Recommended requirement:
Examination achievement:
schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Guido Moerkotte
Description:
Datenbankentwurf, Normalisierung, Anfragebearbeitung, Transaktionsverwaltung
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Database Systems I (Lecture)
DE
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
4
Attendance:
On-campus and online, live
Learning target:
Fachkompetenz:
Verständnis der Grundlagen der Datenmodellierung bzw. des Datenbankentwurfs und der Funktionsweise von relationalen Datenbankmanagementsystemen, insbesondere Anfragebearbeitung und Transaktionsverwaltung
Methodenkompetenz:
Abstraktion, Modellierung, Aufwandsabschätzung für Anfragen
Personale Kompetenz:
Verständnis der Rolle moderner Datenhaltung in einem Unternehmen
Verständnis der Grundlagen der Datenmodellierung bzw. des Datenbankentwurfs und der Funktionsweise von relationalen Datenbankmanagementsystemen, insbesondere Anfragebearbeitung und Transaktionsverwaltung
Methodenkompetenz:
Abstraktion, Modellierung, Aufwandsabschätzung für Anfragen
Personale Kompetenz:
Verständnis der Rolle moderner Datenhaltung in einem Unternehmen
Recommended requirement:
Examination achievement:
schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Guido Moerkotte
Description:
Datenbankentwurf, Normalisierung, Anfragebearbeitung, Transaktionsverwaltung
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Decision Support (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live & recorded
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
- Successful participants will be able to identify opportunities for decision support in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project presentation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Written examination (90 minutes), homework assignments, case studies
Instructor(s):
Prof. Dr. Heiner Stuckenschmidt, Lea Cohausz
Description:
The course provides an introduction to decision support techniques as a basis for the design of decision support systems. The course will cover the following topics:
- Decision Theory
- Decision- and Business Rules
- Planning Methods and Algorithms
- Probabilistic Graphical Models
- Game Theory and Mechanism Design
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Decision Support (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
- Successful participants will be able to identify opportunities for decision support in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project presentation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Written examination (90 minutes), homework assignments, case studies
Instructor(s):
Lea Cohausz
Description:
The course provides an introduction to decision support techniques as a basis for the design of decision support systems. The course will cover the following topics:
- Decision Theory
- Decision- and Business Rules
- Planning Methods and Algorithms
- Probabilistic Graphical Models
- Game Theory and Mechanism Design
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Formal Foundations of Computer Science (Lecture)
DE
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
German
Credit hours 1:
4
Attendance:
Online, recorded
Learning target:
Fachkompetenz:
Die Studierenden beherrschen grundlegende für die Informatik rele-vanten Konzepte, Begriffsbildungen und wissenschaftlichen Arbeits-techniken aus Mathematik und Logik. Sie kennen weiterhin eine erste Auswahl an wichtigen Datenstrukturen und effizienten Algorithmen für grundlegende Probleme.
Methodenkompetenz:
Die Studierenden besitzen die Fähigkeit, informal gegebene Sachver-halte formal zu modellieren und die entstehenden formalen Struktu-ren bzgl. grundlegender Eigenschaften zu klassifizieren. Sie können weiterhin auf einem für Informatiker adäquaten Niveau gegebene Aussagen mathematisch beweisen.
Personale Kompetenz:
Die Studierenden besitzen ein Grundverständnis der för die Informa-tik wichtigen formalen Strukturen, Modelle und Arbeitstechniken. Sie können auf höherem Niveau abstrakt denken und formal modellieren.
Die Studierenden beherrschen grundlegende für die Informatik rele-vanten Konzepte, Begriffsbildungen und wissenschaftlichen Arbeits-techniken aus Mathematik und Logik. Sie kennen weiterhin eine erste Auswahl an wichtigen Datenstrukturen und effizienten Algorithmen für grundlegende Probleme.
Methodenkompetenz:
Die Studierenden besitzen die Fähigkeit, informal gegebene Sachver-halte formal zu modellieren und die entstehenden formalen Struktu-ren bzgl. grundlegender Eigenschaften zu klassifizieren. Sie können weiterhin auf einem für Informatiker adäquaten Niveau gegebene Aussagen mathematisch beweisen.
Personale Kompetenz:
Die Studierenden besitzen ein Grundverständnis der för die Informa-tik wichtigen formalen Strukturen, Modelle und Arbeitstechniken. Sie können auf höherem Niveau abstrakt denken und formal modellieren.
Recommended requirement:
Examination achievement:
Schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Matthias Krause, Alexander Moch
Description:
- Grundlagen Aussagenlogik (Folgern, Beweisen)
- Mengen, Relationen, Abbildungen
- Grundlagen der Kombinatorik (Abzählen von endlichen Mengen, Abzählbarkeit)
- Einführung Graphentheorie
- Algebraische Strukturen (Halbgruppen, Gruppen, Homorphismen, Faktorstrukturen)
-
Grundlegende Berechnungsmodelle/
Endliche Automaten
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Formal Foundations of Computer Science (Lecture)
DE
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
German
Credit hours 1:
4
Learning target:
Fachkompetenz:
Die Studierenden beherrschen grundlegende für die Informatik rele-vanten Konzepte, Begriffsbildungen und wissenschaftlichen Arbeits-techniken aus Mathematik und Logik. Sie kennen weiterhin eine erste Auswahl an wichtigen Datenstrukturen und effizienten Algorithmen für grundlegende Probleme.
Methodenkompetenz:
Die Studierenden besitzen die Fähigkeit, informal gegebene Sachver-halte formal zu modellieren und die entstehenden formalen Struktu-ren bzgl. grundlegender Eigenschaften zu klassifizieren. Sie können weiterhin auf einem für Informatiker adäquaten Niveau gegebene Aussagen mathematisch beweisen.
Personale Kompetenz:
Die Studierenden besitzen ein Grundverständnis der för die Informa-tik wichtigen formalen Strukturen, Modelle und Arbeitstechniken. Sie können auf höherem Niveau abstrakt denken und formal modellieren.
Die Studierenden beherrschen grundlegende für die Informatik rele-vanten Konzepte, Begriffsbildungen und wissenschaftlichen Arbeits-techniken aus Mathematik und Logik. Sie kennen weiterhin eine erste Auswahl an wichtigen Datenstrukturen und effizienten Algorithmen für grundlegende Probleme.
Methodenkompetenz:
Die Studierenden besitzen die Fähigkeit, informal gegebene Sachver-halte formal zu modellieren und die entstehenden formalen Struktu-ren bzgl. grundlegender Eigenschaften zu klassifizieren. Sie können weiterhin auf einem für Informatiker adäquaten Niveau gegebene Aussagen mathematisch beweisen.
Personale Kompetenz:
Die Studierenden besitzen ein Grundverständnis der för die Informa-tik wichtigen formalen Strukturen, Modelle und Arbeitstechniken. Sie können auf höherem Niveau abstrakt denken und formal modellieren.
Recommended requirement:
Examination achievement:
Schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Matthias Krause, Alexander Moch
Description:
- Grundlagen Aussagenlogik (Folgern, Beweisen)
- Mengen, Relationen, Abbildungen
- Grundlagen der Kombinatorik (Abzählen von endlichen Mengen, Abzählbarkeit)
- Einführung Graphentheorie
- Algebraische Strukturen (Halbgruppen, Gruppen, Homorphismen, Faktorstrukturen)
-
Grundlegende Berechnungsmodelle/
Endliche Automaten
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Artificial Intelligence (Lecture)
DE
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
4
Learning target:
Fachkompetenz:
Ziele und Grundlagen der Künstlichen Intelligenz. Suchverfahren als universelle Problemlösungsverfahren. Problemkomplexität und Heuristische Lösungen. Eigenschaften und Zusammenhang zwischen unterschiedlichen Suchverfahren.
Methodenkompetenz:
Beschreibung konkreter Aufgaben als Such-, Constraint- oder Planungsproblem. Implementierung unterschiedlicher Suchverfahren und Heuristiken.
Ziele und Grundlagen der Künstlichen Intelligenz. Suchverfahren als universelle Problemlösungsverfahren. Problemkomplexität und Heuristische Lösungen. Eigenschaften und Zusammenhang zwischen unterschiedlichen Suchverfahren.
Methodenkompetenz:
Beschreibung konkreter Aufgaben als Such-, Constraint- oder Planungsproblem. Implementierung unterschiedlicher Suchverfahren und Heuristiken.
Recommended requirement:
Examination achievement:
Erfolgreiche Teilnahme am Übungsbetrieb
schriftliche Klausur (90 Minuten)
schriftliche Klausur (90 Minuten)
Instructor(s):
Dr. Christian Meilicke
Description:
- Problemeigenschaften und Problemtypen
- Problemlösen als Suche, Anwendung im Bereich Computerspiele
- Constraintprobleme und deren Lösung
- Logische Constraints
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Practical Computer Science I (Lecture)
DE
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor, Master
Language of instruction:
German
Credit hours 1:
6
Attendance:
Online, live & recorded
Learning target:
Fachkompetenz:
Die Studierenden können selbständig Algorithmen zu vorgegebenen Problemen entwerfen und in Java, das im parallel laufenden Pro-grammierkurs I unterrichtet wird, objektorientiert programmieren. Methodenkompetenz:
Algorithmenentwurf, Bewertung von vorgegeben Algorithmen Personale Kompetenz:
Kreativität beim Entwurf von Algorithmen, Teamfähigkeit
Die Studierenden können selbständig Algorithmen zu vorgegebenen Problemen entwerfen und in Java, das im parallel laufenden Pro-grammierkurs I unterrichtet wird, objektorientiert programmieren. Methodenkompetenz:
Algorithmenentwurf, Bewertung von vorgegeben Algorithmen Personale Kompetenz:
Kreativität beim Entwurf von Algorithmen, Teamfähigkeit
Recommended requirement:
Examination achievement:
Studienbeginn ab HWS 2011:
Erfolgreiche Teilnahme am Übungsbetrieb
schriftliche Klausur (90 Minuten)
Erfolgreiche Teilnahme am Übungsbetrieb
schriftliche Klausur (90 Minuten)
Studienbeginn vor HWS 2011:
schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Frederik Armknecht, Christian Müller, Jochen Schäfer
Description:
Vom Problem zum Algorithmus, vom Algorithmus zum Programm
- Entwurf von Algorithmen: schrittweise Verfeinerung, Modularität, Objektorientierung (Klassenhierarchien, Vererbung), Rekursion
- Die objektorientierte Programmiersprache Java
- Einfache Datenstrukturen (verkettete Liste, Binärbaum, B-Baum)
- Modellierung mit UML: Klassendiagramme, Aktivitätsdiagramme, Zustandsdiagramme
- Einführung in die Theorie der Algorithmen: Berechenbarkeit, Komplexität (O-Kalkül), Testen und Verifikation von Algorithmen und Programmen
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Programming Lab I (Lecture)
DE
Course type:
Lecture
ECTS:
5.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
4
Learning target:
Fachkompetenz:
- Gründliche Kenntnis der Basiskonzepte der Programmiersprache Java
- Verständnis des Konzepts der Objektorientierung
- Kenntnisse der algorithmischen Prinzipien Iteration und Rekursion
- Basiswissen über das Arbeiten unter einem Linux-Betriebssystem
Methodenkompetenz:
- Fähigkeit, Algorithmen zu entwerfen
- Fähigkeit, komplexe Algorithmen in Java ohne Einsatz importierter Methoden zu programmieren
- Fähigkeit, rekursiv zu programmieren
Personale Kompetenz:
- Eigenverantwortliches Arbeiten
- Teamfähigkeit
Recommended requirement:
Examination achievement:
Programmiertestate, Programmierprojekte, Programming Competence Test (180 Minuten)
Instructor(s):
Dr. Ursula Rost
Description:
Im Programmierpraktikum I werden grundlegende Kenntnisse der objektorientierten Programmierung auf Basis der Sprache Java vermittelt.
Die Studierenden werden von dieser Sprache vor allem folgende Grundmerkmale und Konzepte kennenlernen:
Die Programmierausbildung erfolgt auf der Basis des Betriebssystems Linux. Hierzu werden ebenfalls Grundkenntnisse vermittelt, die es ermöglichen, einfache Java-Programme zu entwickeln. Im Laufe des Kurses wird darüber hinaus eine einfache Entwicklungsumgebung eingeführt.
Die Studierenden werden von dieser Sprache vor allem folgende Grundmerkmale und Konzepte kennenlernen:
- Basiskonzepte der Programmierung: einfache Datentypen, Variablen, Operatoren, Anweisungen, Kontrollstrukturen
- Zusammengesetzte Datentypen (Felder)
- Das Konzept der objektorientierten Programmierung
- Klassen (Attribute, Methoden, Konstruktoren)
- Vererbung
- Pakete, abstrakte Klassen und Interfaces
- Java API und wichtige Hilfsklassen
- Ausnahmebehandlung: Exceptions
- Programmierung Grafischer Oberflächen mit Swing
Die Programmierausbildung erfolgt auf der Basis des Betriebssystems Linux. Hierzu werden ebenfalls Grundkenntnisse vermittelt, die es ermöglichen, einfache Java-Programme zu entwickeln. Im Laufe des Kurses wird darüber hinaus eine einfache Entwicklungsumgebung eingeführt.
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Business Informatics (Master)
Advanced Software Engineering (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Learning target:
Expertise:
After taking the course, students will be familiar with the latest state-of-the-art techniques for specifying the externally visible properties of a software system/
Participants will know how to use the expertise acquired during the course to describe the requirements that a system/
With the acquired skills and know-how, students will be able to play a key role in projects involving the development of systems, components and software applications.
After taking the course, students will be familiar with the latest state-of-the-art techniques for specifying the externally visible properties of a software system/
Participants will know how to use the expertise acquired during the course to describe the requirements that a system/
With the acquired skills and know-how, students will be able to play a key role in projects involving the development of systems, components and software applications.
Recommended requirement:
Examination achievement:
Written examination, 90 minutes
Instructor(s):
Prof. Dr. Colin Atkinson
Description:
The course deals with the model-based specification of software systems and components as well as their verification, validation and quality assurance. The emphasis is on view-based specification methods that use multiple views, expressed in multiple languages, to describe orthogonal aspects of software systems/
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
CS 560 Large-Scale Data Management (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
4
Learning target:
Expertise:
Students will acquire knowledge about methods and systems for managing large datasets and data-intensive computing.
Students will acquire knowledge about methods and systems for managing large datasets and data-intensive computing.
Methodological competence:
• Be able to judge, select, and use traditional or non-traditional data management systems for a given data management task
• Be able to solve computational problems involving large datasets
Personal competence:
• Study independently
• Presentation and writing skills
Recommended requirement:
Examination achievement:
Written examination, exercises
90 minutes
90 minutes
Instructor(s):
Prof. Dr. Rainer Gemulla
Description:
This course introduces the fundamental concepts and computational paradigms of large-scale data management and Big Data. This includes methods for storing, updating, querying, and analyzing large dataset as well as for data-intensive computing. The course covers concept, algorithms, and system issues; accompanying exercises provide hands-on experience. Topics include:
• Parallel and distributed databases
• MapReduce and its ecosystem
• NoSQL
• Stream processing
• Graph databases
• Parallel and distributed databases
• MapReduce and its ecosystem
• NoSQL
• Stream processing
• Graph databases
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Data Mining (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Registration procedure:
Please note that there is no second date for the exam.
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of data mining. Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of data mining. Methodological competence:
- Successful participants will be able to identify opportunities for applying data mining in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project organisation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Offline Exam and Project Work
Instructor(s):
Prof. Dr. Heiko Paulheim
Description:
The course provides an introduction to advanced data analysis techniques as a basis for analyzing business data and providing input for decision support systems. The course will cover the following topics:
- Goals and Principles of Data Mining
- Data Representation and Preprocessing
- Clustering
- Classification
- Association Analysis
- Text Mining
- Systems and Applications (e. g. Retail, Finance, Web Analysis)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Decision Support (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live & recorded
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
- Successful participants will be able to identify opportunities for decision support in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project presentation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Written examination (90 minutes), homework assignments, case studies
Instructor(s):
Prof. Dr. Heiner Stuckenschmidt, Lea Cohausz
Description:
The course provides an introduction to decision support techniques as a basis for the design of decision support systems. The course will cover the following topics:
- Decision Theory
- Decision- and Business Rules
- Planning Methods and Algorithms
- Probabilistic Graphical Models
- Game Theory and Mechanism Design
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Decision Support (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
- Successful participants will be able to identify opportunities for decision support in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project presentation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Written examination (90 minutes), homework assignments, case studies
Instructor(s):
Lea Cohausz
Description:
The course provides an introduction to decision support techniques as a basis for the design of decision support systems. The course will cover the following topics:
- Decision Theory
- Decision- and Business Rules
- Planning Methods and Algorithms
- Probabilistic Graphical Models
- Game Theory and Mechanism Design
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
IS 613 Applied Project in Design Thinking and Lean Software Development (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0 (Modul/e)
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Registration procedure:
This course has limited capacity and a special registration procedure. Please follow the instructions on the website of the responsible chair in order to register. Registration will be possible between August 1st and September 2nd.
Description:
Please find a detailed course description via the following link:
Module Catalog MMM | Universität Mannheim (uni-mannheim.de)
Module Catalog MMM | Universität Mannheim (uni-mannheim.de)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
IS 614 Corporate Knowledge Management (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live & recorded
Registration procedure:
This course does not have limited places. Please register for this course on Portal 2 after your enrollment, you will be admitted at the end of the registration period.
Instructor(s):
Dr. Monica Fallon
Description:
Topic Date
Introduction 06.09.2021
Knowledge creation 07.09.2021
Knowledge transfer 08.09.2021
Knowledge storage and retrieval Part 1 09.09.2021
Knowledge storage and retrieval Part 2 10.09.2021
Buffer/
Designing knowledge management systems 14.09.2021
The Use of knowledge management systems 15.09.2021
The effects of artificial intelligence on knowledge management 16.09.2021
Buffer / Class Discussion / Summary of lecture 17.09.2021
*Deadline: sign-up for case study group work 20.09.2021
*Group assignment and case study 21.09.2021
*Case Study Group Work Deadline and Presentation Day 20.10.2021
Exam Prep 03.11.2021
Final Exam 11.11.2021
* Sessions are for students participating in the optional case study. If you choose to participate in the case study, the case study will be worth 20% of your grade and the exam will be worth 80%.
Introduction 06.09.2021
Knowledge creation 07.09.2021
Knowledge transfer 08.09.2021
Knowledge storage and retrieval Part 1 09.09.2021
Knowledge storage and retrieval Part 2 10.09.2021
Buffer/
Designing knowledge management systems 14.09.2021
The Use of knowledge management systems 15.09.2021
The effects of artificial intelligence on knowledge management 16.09.2021
Buffer / Class Discussion / Summary of lecture 17.09.2021
*Deadline: sign-up for case study group work 20.09.2021
*Group assignment and case study 21.09.2021
*Case Study Group Work Deadline and Presentation Day 20.10.2021
Exam Prep 03.11.2021
Final Exam 11.11.2021
* Sessions are for students participating in the optional case study. If you choose to participate in the case study, the case study will be worth 20% of your grade and the exam will be worth 80%.
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
IS 615 Design Thinking and Lean Development in Enterprise Software Development (Lecture)
EN
Course type:
Lecture
ECTS:
6.0 (Modul/e)
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Registration procedure:
This course has limited capacity and a special registration procedure. Please follow the instructions on the website of the responsible chair in order to register. Registration will be possible between August 1st and September 2nd.
Description:
Please find a detailed course description via the following link:
Module Catalog MMM | Universität Mannheim (uni-mannheim.de)
Module Catalog MMM | Universität Mannheim (uni-mannheim.de)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
IT-Security (Seminar)
EN
Course type:
Seminar
ECTS:
4.0
Course suitable for:
Master
Language of instruction:
English
Attendance:
Online, live & recorded
Instructor(s):
Prof. Dr. Frederik Armknecht, Christian Müller, Jochen Schäfer
Cryptographie II (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live & recorded
Learning target:
Fachkompetenz:
Die Studierenden können Mithilfe aktueller Techniken und Theorien der modernen Kryptographie die Sicherheit von kryptographischen Verfahren einschätzen bzw. Sicherheitsaussagen entsprechend zu beurteilen. Weiterhin sind sie in der Lage, Sicherheitsziele zu erkennen und entsprechende Techniken einzusetzen, die in Kryptographie I nicht behandelt werden konnten.
Methodenkompetenz:
Den Studierenden sind in der Lage, geeignete Methoden zu Sicherheitsanalyse von kryptographischen Verfahren auszuwählen und einzusetzen. Dazu gehören bspw. die Wahl der passenden Sicherheitsmodelle, das Beweisen der Sicherheit aufgrund klar präzisierter Annahmen und die Analyse gegebener Verfahren. Insbesondere besitzen die Studierenden die Fähigkeit, die Sicherheitsargumente für existierende Verfahren zu verstehen und einzuschätzen und auf neue zu übertragen. Weiterhin können sie Techniken und Protokolle einsetzen, um Sicherheitsziele zu erreichen, die mit den in Kryptographie I besprochenen Verfahren noch nicht möglich waren.
Personale Kompetenz:
Das analytische, konzentrierte und präzise Denken der Studierenden wird geschult. Durch die eigenständige Behandlung von Anwendungen, z.B. im Rahmen der Übungsaufgaben, wird ihr Abstraktionsvermögen weiterentwickelt und der Transfer des erlernten Stoffes auf verwandte Fragestellungen gefördert.
Die Studierenden können Mithilfe aktueller Techniken und Theorien der modernen Kryptographie die Sicherheit von kryptographischen Verfahren einschätzen bzw. Sicherheitsaussagen entsprechend zu beurteilen. Weiterhin sind sie in der Lage, Sicherheitsziele zu erkennen und entsprechende Techniken einzusetzen, die in Kryptographie I nicht behandelt werden konnten.
Methodenkompetenz:
Den Studierenden sind in der Lage, geeignete Methoden zu Sicherheitsanalyse von kryptographischen Verfahren auszuwählen und einzusetzen. Dazu gehören bspw. die Wahl der passenden Sicherheitsmodelle, das Beweisen der Sicherheit aufgrund klar präzisierter Annahmen und die Analyse gegebener Verfahren. Insbesondere besitzen die Studierenden die Fähigkeit, die Sicherheitsargumente für existierende Verfahren zu verstehen und einzuschätzen und auf neue zu übertragen. Weiterhin können sie Techniken und Protokolle einsetzen, um Sicherheitsziele zu erreichen, die mit den in Kryptographie I besprochenen Verfahren noch nicht möglich waren.
Personale Kompetenz:
Das analytische, konzentrierte und präzise Denken der Studierenden wird geschult. Durch die eigenständige Behandlung von Anwendungen, z.B. im Rahmen der Übungsaufgaben, wird ihr Abstraktionsvermögen weiterentwickelt und der Transfer des erlernten Stoffes auf verwandte Fragestellungen gefördert.
Recommended requirement:
Examination achievement:
Schriftliche Klausur (90 Minuten) oder mündliche Prüfung (30 Minuten)
Instructor(s):
Prof. Dr. Frederik Armknecht
Description:
In der Vorlesung erfolgt eine kurze Zusammenstellung der wichtigsten kryptographischen Grundalgorithmen und der für die Vorlesung relevanten mathematischen, algorithmischen und informations- und komplexitätstheoretischen Grundlagen. Diese werden einerseits vertieft und andererseits erweitert. Behandelte Themen sind beispielsweise
- moderne Techniken der Kryptanalyse und daraus ableitbare Designkriterien für kryptographische Verfahren
- kryptographische Protokolle
- Sicherheitsbeweise
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Machine Learning Vorlesung (Lecture)
EN
Course type:
Lecture
ECTS:
9.0
Course suitable for:
Master
Language of instruction:
English
Instructor(s):
Prof. Dr. Rainer Gemulla
Model Driven Development (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Learning target:
Expertise:
Students will be familiar with the accepted best practices and technologies used in mainstream model-driven development as well as state-of-the-art modeling technologies emerging from research institutions.
Methodological competence:
Students will know how to apply modeling technologies in real-world projects.
Personal competence:
Students will have the capability to analyse, understand and model complex systems.
Students will be familiar with the accepted best practices and technologies used in mainstream model-driven development as well as state-of-the-art modeling technologies emerging from research institutions.
Methodological competence:
Students will know how to apply modeling technologies in real-world projects.
Personal competence:
Students will have the capability to analyse, understand and model complex systems.
Recommended requirement:
Examination achievement:
Written examination (90 minutes)
Instructor(s):
Prof. Dr. Colin Atkinson
Description:
The course focuses on the principles, practices and tools involved in advanced model-driven development. This includes established modelling standard languages (e. g. UML, ATL, OCL . . . ) and modelling infrastructures (e. g. MOF, EMF, etc. ) as well as leading edge, state-of-the-art modelling technologies (e. g. LML, PLM . . . ). Key topics addressed include –
- Multi-level modeling
- Meta-modeling
- Ontology engineering versus model engineering
- Model transformations
- Domain specific language definition and use
- Model creation and evolution best practices
- Model-driven software development
- Model checking and ontology validation
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Network Analysis (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
4
Attendance:
Online, live
Instructor(s):
Prof. Dr. Heiner Stuckenschmidt
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Semantic Web Technologies (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Live & on-campus
Learning target:
Expertise:
The participants of this course learn about principles and applications of Semantic Web standards. They become familiar with their technical foundations such as representation and query languages, or logical inference. After taking this course, the students will be aware of the problems and benefits of semantic technologies in the context of tasks such as knowledge management, information search and data integration, and they will be capable of judging the applicability of these technologies for addressing practical challenges.
Methodological competence:
The participants learn how to design and implement Semantic Web applications. They are able to use standardized modeling languages for building knowledge representations, and to query these models by means of languages such as SPARQL.
Personal competence:
By jointly building a semantic web application, the students learn how to effectively work in teams. They improve upon their presentation skills by showing the outcomes of their projects to the other participants of the course.
The participants of this course learn about principles and applications of Semantic Web standards. They become familiar with their technical foundations such as representation and query languages, or logical inference. After taking this course, the students will be aware of the problems and benefits of semantic technologies in the context of tasks such as knowledge management, information search and data integration, and they will be capable of judging the applicability of these technologies for addressing practical challenges.
Methodological competence:
The participants learn how to design and implement Semantic Web applications. They are able to use standardized modeling languages for building knowledge representations, and to query these models by means of languages such as SPARQL.
Personal competence:
By jointly building a semantic web application, the students learn how to effectively work in teams. They improve upon their presentation skills by showing the outcomes of their projects to the other participants of the course.
Recommended requirement:
Examination achievement:
Regular exercises, team project, written examination (90 minutes)
Instructor(s):
Prof. Dr. Heiko Paulheim
Description:
- Vision and Principles of the Semantic Web
- Representation Languages (XML, RDF, RDF Schema, OWL)
- Knowledge Modeling: Ontologies and Linked Data
- Logical Reasoning in RDF and OWL
- Commercial and Open Source Tools and Systems
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Text Analytics (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Learning target:
Expertise:
Students will acquire knowledge of state-of-the-art principles and methods of Natural Language Processing, with a specific focus on the application of statistical methods to human language technologies.
Methodological competence:
Successful participants will be able to understand state-of-the-art methods for Natural Language Processing, as well as being able to select, apply and evaluate the most appropriate techniques for a variety of different practical and application-oriented scenarios.
Personal competence:
Students will acquire knowledge of state-of-the-art principles and methods of Natural Language Processing, with a specific focus on the application of statistical methods to human language technologies.
Methodological competence:
Successful participants will be able to understand state-of-the-art methods for Natural Language Processing, as well as being able to select, apply and evaluate the most appropriate techniques for a variety of different practical and application-oriented scenarios.
Personal competence:
- presentation skills;
- team work skills.
Recommended requirement:
Examination achievement:
Written examination (90 minutes), homework assignments
Instructor(s):
Prof. Dr. Simone Paolo Ponzetto
Description:
In the digital age, techniques to automatically process textual content have become ubiquitous. Given the breakneck speed at which people produce and consume textual content online – e.g., on micro-blogging and other collaborative Web platforms like wikis, forums, etc. – there is an ever-increasing need for systems that automatically understand human language, answer natural language questions, translate text, and so on. This class will provide a complete introduction to state-of-the-art principles and methods of Natural Language Processing (NLP). The main focus will be on statistical techniques, and their application to a wide variety of problems. This is because statistics and NLP are nowadays highly intertwined, since many NLP problems can be formulated as problems of statistical inference, and statistical methods, in turn, represent de-facto the standard way to solve many, if not the majority, of NLP problems. Covered topics will include:
-
Words
- Language Modeling
- Part-Of-Speech Tagging
-
Syntax
- Statistical Parsing
-
Semantics and pragmatics
- Computational Lexical Semantics
- Computational Discourse
-
Applications
- Topic Modeling
- Information Extraction
- Question Answering and Summarization
- Statistical Alignment and Machine Translation
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Web Data Integration (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Learning target:
Expertise:
Students will be able to identify opportunities for employing Web data in business applications and will learn to select and apply appropriate techniques for integrating and cleansing Web data.
Methodological competence:
Students will be able to identify opportunities for employing Web data in business applications and will learn to select and apply appropriate techniques for integrating and cleansing Web data.
Methodological competence:
- Participants will acquire knowledge of the data integration process as well as the techniques that are used in each phase of the process.
- project organization skills
Personal competence:
- presentation skills
- team work skills.
Recommended requirement:
Examination achievement:
Written examination (90 minutes), project report, oral project presentation
Instructor(s):
Prof. Dr. Christian Bizer
Description:
The Web is developing from a medium for publishing textual documents into a medium for sharing structured data. In the course, students will learn how to integrate and cleanse data from this global data space for the later usage of the data within business applications. The course will cover the following topics:
- Heterogeneity and Distributedness
- The Data Integration Process
- Web Data Formats
- Schema Matching and Data Translation
- Identity Resolution
- Data Quality Assessment
- Data Fusion
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Business Informatics (Bachelor)
Algorithms and Data Structures (Lecture)
DE
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
6
Attendance:
Online, recorded
Learning target:
Fachkompetenz:
Die Studierenden kennen effiziente Algorithmen und effektive Datenstrukturen für grundlegende Probleme der Informatik und können diese anwenden und in Computerprogramme umsetzen. Sie beherrschen weiterhin grundlegende Techniken des Entwurfs von Algorithmen und Datenstrukturen, sowie der Korrektheits- und Laufzeitanalyse von Algorithmen
Methodenkompetenz:
Die Studierenden können anwendungsrelevanten Berechnungsproblemen effiziente Algorithmen zuzuordnen bzw. diese entwickeln und
mittels dieser lösen.
Personale Kompetenz:
Die Studierenden können Berechnungsprobleme in Anwendungszusammenhängen identifizieren, sie formal spezifizieren und damit einer rechentechnischen Lösung zuführen. Sie können auf höherem Niveau abstrahieren und mit formalen Modellierungstechniken arbeiten.
Die Studierenden kennen effiziente Algorithmen und effektive Datenstrukturen für grundlegende Probleme der Informatik und können diese anwenden und in Computerprogramme umsetzen. Sie beherrschen weiterhin grundlegende Techniken des Entwurfs von Algorithmen und Datenstrukturen, sowie der Korrektheits- und Laufzeitanalyse von Algorithmen
Methodenkompetenz:
Die Studierenden können anwendungsrelevanten Berechnungsproblemen effiziente Algorithmen zuzuordnen bzw. diese entwickeln und
mittels dieser lösen.
Personale Kompetenz:
Die Studierenden können Berechnungsprobleme in Anwendungszusammenhängen identifizieren, sie formal spezifizieren und damit einer rechentechnischen Lösung zuführen. Sie können auf höherem Niveau abstrahieren und mit formalen Modellierungstechniken arbeiten.
Recommended requirement:
Examination achievement:
Schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Matthias Krause, Alexander Moch
Description:
- Grundtechniken des Algorithmenentwurfs sowie der Laufzeitanalyse (Divide and Conquer, Greedyheuristiken, Dynamic Programming,…)
- Grundtechniken des Beweisens der Korrektheit von Algorithmen
- Sortieralgorithmen
- Hashing und hashingbasierte Algorithmen
- Advanced Data Structures
- Algorithmen für Suchbäume
- Graphalgorithmen (Tiefensuche, Breitensuche, Minimum Spanning Trees, Kürzeste-Wege-Algorithmen)
- Ausgewählte weitere Algorithmen (z.B. Pattern Matching, Automatenminimierung…)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Algorithms and Data Structures (Lecture)
DE
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
6
Learning target:
Fachkompetenz:
Die Studierenden kennen effiziente Algorithmen und effektive Datenstrukturen für grundlegende Probleme der Informatik und können diese anwenden und in Computerprogramme umsetzen. Sie beherrschen weiterhin grundlegende Techniken des Entwurfs von Algorithmen und Datenstrukturen, sowie der Korrektheits- und Laufzeitanalyse von Algorithmen
Methodenkompetenz:
Die Studierenden können anwendungsrelevanten Berechnungsproblemen effiziente Algorithmen zuzuordnen bzw. diese entwickeln und
mittels dieser lösen.
Personale Kompetenz:
Die Studierenden können Berechnungsprobleme in Anwendungszusammenhängen identifizieren, sie formal spezifizieren und damit einer rechentechnischen Lösung zuführen. Sie können auf höherem Niveau abstrahieren und mit formalen Modellierungstechniken arbeiten.
Die Studierenden kennen effiziente Algorithmen und effektive Datenstrukturen für grundlegende Probleme der Informatik und können diese anwenden und in Computerprogramme umsetzen. Sie beherrschen weiterhin grundlegende Techniken des Entwurfs von Algorithmen und Datenstrukturen, sowie der Korrektheits- und Laufzeitanalyse von Algorithmen
Methodenkompetenz:
Die Studierenden können anwendungsrelevanten Berechnungsproblemen effiziente Algorithmen zuzuordnen bzw. diese entwickeln und
mittels dieser lösen.
Personale Kompetenz:
Die Studierenden können Berechnungsprobleme in Anwendungszusammenhängen identifizieren, sie formal spezifizieren und damit einer rechentechnischen Lösung zuführen. Sie können auf höherem Niveau abstrahieren und mit formalen Modellierungstechniken arbeiten.
Recommended requirement:
Examination achievement:
Schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Matthias Krause, Alexander Moch
Description:
- Grundtechniken des Algorithmenentwurfs sowie der Laufzeitanalyse (Divide and Conquer, Greedyheuristiken, Dynamic Programming,…)
- Grundtechniken des Beweisens der Korrektheit von Algorithmen
- Sortieralgorithmen
- Hashing und hashingbasierte Algorithmen
- Advanced Data Structures
- Algorithmen für Suchbäume
- Graphalgorithmen (Tiefensuche, Breitensuche, Minimum Spanning Trees, Kürzeste-Wege-Algorithmen)
- Ausgewählte weitere Algorithmen (z.B. Pattern Matching, Automatenminimierung…)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
CS 560 Large-Scale Data Management (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
4
Learning target:
Expertise:
Students will acquire knowledge about methods and systems for managing large datasets and data-intensive computing.
Students will acquire knowledge about methods and systems for managing large datasets and data-intensive computing.
Methodological competence:
• Be able to judge, select, and use traditional or non-traditional data management systems for a given data management task
• Be able to solve computational problems involving large datasets
Personal competence:
• Study independently
• Presentation and writing skills
Recommended requirement:
Examination achievement:
Written examination, exercises
90 minutes
90 minutes
Instructor(s):
Prof. Dr. Rainer Gemulla
Description:
This course introduces the fundamental concepts and computational paradigms of large-scale data management and Big Data. This includes methods for storing, updating, querying, and analyzing large dataset as well as for data-intensive computing. The course covers concept, algorithms, and system issues; accompanying exercises provide hands-on experience. Topics include:
• Parallel and distributed databases
• MapReduce and its ecosystem
• NoSQL
• Stream processing
• Graph databases
• Parallel and distributed databases
• MapReduce and its ecosystem
• NoSQL
• Stream processing
• Graph databases
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Data Mining (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Registration procedure:
Please note that there is no second date for the exam.
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of data mining. Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of data mining. Methodological competence:
- Successful participants will be able to identify opportunities for applying data mining in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project organisation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Offline Exam and Project Work
Instructor(s):
Prof. Dr. Heiko Paulheim
Description:
The course provides an introduction to advanced data analysis techniques as a basis for analyzing business data and providing input for decision support systems. The course will cover the following topics:
- Goals and Principles of Data Mining
- Data Representation and Preprocessing
- Clustering
- Classification
- Association Analysis
- Text Mining
- Systems and Applications (e. g. Retail, Finance, Web Analysis)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Database Systems I (Lecture)
DE
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
4
Attendance:
On-campus and online, live
Learning target:
Fachkompetenz:
Verständnis der Grundlagen der Datenmodellierung bzw. des Datenbankentwurfs und der Funktionsweise von relationalen Datenbankmanagementsystemen, insbesondere Anfragebearbeitung und Transaktionsverwaltung
Methodenkompetenz:
Abstraktion, Modellierung, Aufwandsabschätzung für Anfragen
Personale Kompetenz:
Verständnis der Rolle moderner Datenhaltung in einem Unternehmen
Verständnis der Grundlagen der Datenmodellierung bzw. des Datenbankentwurfs und der Funktionsweise von relationalen Datenbankmanagementsystemen, insbesondere Anfragebearbeitung und Transaktionsverwaltung
Methodenkompetenz:
Abstraktion, Modellierung, Aufwandsabschätzung für Anfragen
Personale Kompetenz:
Verständnis der Rolle moderner Datenhaltung in einem Unternehmen
Recommended requirement:
Examination achievement:
schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Guido Moerkotte
Description:
Datenbankentwurf, Normalisierung, Anfragebearbeitung, Transaktionsverwaltung
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Database Systems I (Lecture)
DE
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
4
Attendance:
On-campus and online, live
Learning target:
Fachkompetenz:
Verständnis der Grundlagen der Datenmodellierung bzw. des Datenbankentwurfs und der Funktionsweise von relationalen Datenbankmanagementsystemen, insbesondere Anfragebearbeitung und Transaktionsverwaltung
Methodenkompetenz:
Abstraktion, Modellierung, Aufwandsabschätzung für Anfragen
Personale Kompetenz:
Verständnis der Rolle moderner Datenhaltung in einem Unternehmen
Verständnis der Grundlagen der Datenmodellierung bzw. des Datenbankentwurfs und der Funktionsweise von relationalen Datenbankmanagementsystemen, insbesondere Anfragebearbeitung und Transaktionsverwaltung
Methodenkompetenz:
Abstraktion, Modellierung, Aufwandsabschätzung für Anfragen
Personale Kompetenz:
Verständnis der Rolle moderner Datenhaltung in einem Unternehmen
Recommended requirement:
Examination achievement:
schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Guido Moerkotte
Description:
Datenbankentwurf, Normalisierung, Anfragebearbeitung, Transaktionsverwaltung
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Decision Support (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live & recorded
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
- Successful participants will be able to identify opportunities for decision support in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project presentation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Written examination (90 minutes), homework assignments, case studies
Instructor(s):
Prof. Dr. Heiner Stuckenschmidt, Lea Cohausz
Description:
The course provides an introduction to decision support techniques as a basis for the design of decision support systems. The course will cover the following topics:
- Decision Theory
- Decision- and Business Rules
- Planning Methods and Algorithms
- Probabilistic Graphical Models
- Game Theory and Mechanism Design
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Decision Support (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
- Successful participants will be able to identify opportunities for decision support in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project presentation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Written examination (90 minutes), homework assignments, case studies
Instructor(s):
Lea Cohausz
Description:
The course provides an introduction to decision support techniques as a basis for the design of decision support systems. The course will cover the following topics:
- Decision Theory
- Decision- and Business Rules
- Planning Methods and Algorithms
- Probabilistic Graphical Models
- Game Theory and Mechanism Design
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAC 403 Mathematical Finance (Lecture)
EN
Course type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Bachelor
Language of instruction:
English
Credit hours 1:
4
Attendance:
Live & on-campus
Learning target:
Fachkompetenz:
• Grundbegriffe der Modellierung in der Finanzmathematik (BK2, BK4)
• Grundlagen der Martingaltheorie und des Itô-Kalküls (BK1, BK4)
• Bewertung und Absicherung riskanter Positionen in allgemeinen zeitdiskreten Marktmodellen, im Binomialmodell sowie in einfachen vollständigen Marktmodellen in stetiger Zeit wie etwa dem Bachelier oder dem Black-Scholes-Modell (BK1, BK2, BK3)
Methodenkompetenz:
• Grundprinzipien des dynamischen Risikomanagement (BF2, BF3, BO1, BO3)
• Beherrschung der Terminologie der Finanzmathematik wie z.B. den “Greeks” (BF4, BF5, BO1)
• Erkennen, in welchen Situationen welche Bewertungsmethoden für Risiken sinnvoll sein können (BF2, BF3, BF4, BF5)
Personale Kompetenz:
• Teamarbeit (BF4)
• Grundbegriffe der Modellierung in der Finanzmathematik (BK2, BK4)
• Grundlagen der Martingaltheorie und des Itô-Kalküls (BK1, BK4)
• Bewertung und Absicherung riskanter Positionen in allgemeinen zeitdiskreten Marktmodellen, im Binomialmodell sowie in einfachen vollständigen Marktmodellen in stetiger Zeit wie etwa dem Bachelier oder dem Black-Scholes-Modell (BK1, BK2, BK3)
Methodenkompetenz:
• Grundprinzipien des dynamischen Risikomanagement (BF2, BF3, BO1, BO3)
• Beherrschung der Terminologie der Finanzmathematik wie z.B. den “Greeks” (BF4, BF5, BO1)
• Erkennen, in welchen Situationen welche Bewertungsmethoden für Risiken sinnvoll sein können (BF2, BF3, BF4, BF5)
Personale Kompetenz:
• Teamarbeit (BF4)
Recommended requirement:
Examination achievement:
Je nach Teilnehmerzahl schriftliche Klausur oder mündliche Prüfung (wird zu Beginn der Vorlesung bekannt gegeben)
Prüfungsvorleistung: erfolgreiche Teilnahme an den Übungen
Prüfungsvorleistung: erfolgreiche Teilnahme an den Übungen
Instructor(s):
Prof. Dr. Martin Slowik
Description:
• Mathematische Grundlagen der zeitlich diskreten Finanzmathematik wie bedingte Erwartungen, Martingale und elementare Funktionalanalysis
• Modellierung von Finanzmärkten in diskreter Zeit
• Arbitragetheorie in diskreter Zeit; insb. Fundamentalsatz der arbitragefreien Bewertung (FTAP), sowie Bewertung und Absicherung von europäischen und Optionen in vollständigen und unvollständigen Marktmodellen
• Binomialmodell von Cox, Ross und Rubinstein
• Amerikanische Optionen und optimales Stoppen in diskreter Zeit
• Mathematische Grundlagen der Finanzmathematik in stetiger Zeit wie Stieltjes-Integration, pfadweiser Itô-Kalkül, elementare partielle Differentialgleichungen
• Modellierung von Finanzmärkten in stetiger Zeit
• Absicherung von Optionen im Bachelier-Modell
• Black-Scholes-Formel
• Variance-swaps, VIX, CPPI
• Modellierung von Finanzmärkten in diskreter Zeit
• Arbitragetheorie in diskreter Zeit; insb. Fundamentalsatz der arbitragefreien Bewertung (FTAP), sowie Bewertung und Absicherung von europäischen und Optionen in vollständigen und unvollständigen Marktmodellen
• Binomialmodell von Cox, Ross und Rubinstein
• Amerikanische Optionen und optimales Stoppen in diskreter Zeit
• Mathematische Grundlagen der Finanzmathematik in stetiger Zeit wie Stieltjes-Integration, pfadweiser Itô-Kalkül, elementare partielle Differentialgleichungen
• Modellierung von Finanzmärkten in stetiger Zeit
• Absicherung von Optionen im Bachelier-Modell
• Black-Scholes-Formel
• Variance-swaps, VIX, CPPI
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Formal Foundations of Computer Science (Lecture)
DE
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
German
Credit hours 1:
4
Attendance:
Online, recorded
Learning target:
Fachkompetenz:
Die Studierenden beherrschen grundlegende für die Informatik rele-vanten Konzepte, Begriffsbildungen und wissenschaftlichen Arbeits-techniken aus Mathematik und Logik. Sie kennen weiterhin eine erste Auswahl an wichtigen Datenstrukturen und effizienten Algorithmen für grundlegende Probleme.
Methodenkompetenz:
Die Studierenden besitzen die Fähigkeit, informal gegebene Sachver-halte formal zu modellieren und die entstehenden formalen Struktu-ren bzgl. grundlegender Eigenschaften zu klassifizieren. Sie können weiterhin auf einem für Informatiker adäquaten Niveau gegebene Aussagen mathematisch beweisen.
Personale Kompetenz:
Die Studierenden besitzen ein Grundverständnis der för die Informa-tik wichtigen formalen Strukturen, Modelle und Arbeitstechniken. Sie können auf höherem Niveau abstrakt denken und formal modellieren.
Die Studierenden beherrschen grundlegende für die Informatik rele-vanten Konzepte, Begriffsbildungen und wissenschaftlichen Arbeits-techniken aus Mathematik und Logik. Sie kennen weiterhin eine erste Auswahl an wichtigen Datenstrukturen und effizienten Algorithmen für grundlegende Probleme.
Methodenkompetenz:
Die Studierenden besitzen die Fähigkeit, informal gegebene Sachver-halte formal zu modellieren und die entstehenden formalen Struktu-ren bzgl. grundlegender Eigenschaften zu klassifizieren. Sie können weiterhin auf einem für Informatiker adäquaten Niveau gegebene Aussagen mathematisch beweisen.
Personale Kompetenz:
Die Studierenden besitzen ein Grundverständnis der för die Informa-tik wichtigen formalen Strukturen, Modelle und Arbeitstechniken. Sie können auf höherem Niveau abstrakt denken und formal modellieren.
Recommended requirement:
Examination achievement:
Schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Matthias Krause, Alexander Moch
Description:
- Grundlagen Aussagenlogik (Folgern, Beweisen)
- Mengen, Relationen, Abbildungen
- Grundlagen der Kombinatorik (Abzählen von endlichen Mengen, Abzählbarkeit)
- Einführung Graphentheorie
- Algebraische Strukturen (Halbgruppen, Gruppen, Homorphismen, Faktorstrukturen)
-
Grundlegende Berechnungsmodelle/
Endliche Automaten
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Formal Foundations of Computer Science (Lecture)
DE
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
German
Credit hours 1:
4
Learning target:
Fachkompetenz:
Die Studierenden beherrschen grundlegende für die Informatik rele-vanten Konzepte, Begriffsbildungen und wissenschaftlichen Arbeits-techniken aus Mathematik und Logik. Sie kennen weiterhin eine erste Auswahl an wichtigen Datenstrukturen und effizienten Algorithmen für grundlegende Probleme.
Methodenkompetenz:
Die Studierenden besitzen die Fähigkeit, informal gegebene Sachver-halte formal zu modellieren und die entstehenden formalen Struktu-ren bzgl. grundlegender Eigenschaften zu klassifizieren. Sie können weiterhin auf einem für Informatiker adäquaten Niveau gegebene Aussagen mathematisch beweisen.
Personale Kompetenz:
Die Studierenden besitzen ein Grundverständnis der för die Informa-tik wichtigen formalen Strukturen, Modelle und Arbeitstechniken. Sie können auf höherem Niveau abstrakt denken und formal modellieren.
Die Studierenden beherrschen grundlegende für die Informatik rele-vanten Konzepte, Begriffsbildungen und wissenschaftlichen Arbeits-techniken aus Mathematik und Logik. Sie kennen weiterhin eine erste Auswahl an wichtigen Datenstrukturen und effizienten Algorithmen für grundlegende Probleme.
Methodenkompetenz:
Die Studierenden besitzen die Fähigkeit, informal gegebene Sachver-halte formal zu modellieren und die entstehenden formalen Struktu-ren bzgl. grundlegender Eigenschaften zu klassifizieren. Sie können weiterhin auf einem für Informatiker adäquaten Niveau gegebene Aussagen mathematisch beweisen.
Personale Kompetenz:
Die Studierenden besitzen ein Grundverständnis der för die Informa-tik wichtigen formalen Strukturen, Modelle und Arbeitstechniken. Sie können auf höherem Niveau abstrakt denken und formal modellieren.
Recommended requirement:
Examination achievement:
Schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Matthias Krause, Alexander Moch
Description:
- Grundlagen Aussagenlogik (Folgern, Beweisen)
- Mengen, Relationen, Abbildungen
- Grundlagen der Kombinatorik (Abzählen von endlichen Mengen, Abzählbarkeit)
- Einführung Graphentheorie
- Algebraische Strukturen (Halbgruppen, Gruppen, Homorphismen, Faktorstrukturen)
-
Grundlegende Berechnungsmodelle/
Endliche Automaten
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAA 404 Functional Analysis (Lecture)
DE
Course type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
4
Attendance:
Online, recorded
Learning target:
Fachkompetenz:
• Wegintegrale im Komplexen (BK1)
• Potenzreihenkalkül (BK1)
• Fundamentalsatz der Algebra (BK1)
• Cauchyscher Integralsatz und Integralformel (BF1, BK1)
• Residuensatz (BK1, BO3)
Methodenkompetenz:
• Zusammenhang zwischen reeller und komplexer Differenzierbarkeit (BF1, BO2)
• Berechnen von Residuen (BO3)
• Berechnen von reellen Integralen mit dem Residuensatz (BF1, BO3)
• Verständnis von lokalen und globalen Eigenschaften holomorpher Funktionen (BF1, BO2)
Personale Kompetenz:
• Teamarbeit (BF4)
• Wegintegrale im Komplexen (BK1)
• Potenzreihenkalkül (BK1)
• Fundamentalsatz der Algebra (BK1)
• Cauchyscher Integralsatz und Integralformel (BF1, BK1)
• Residuensatz (BK1, BO3)
Methodenkompetenz:
• Zusammenhang zwischen reeller und komplexer Differenzierbarkeit (BF1, BO2)
• Berechnen von Residuen (BO3)
• Berechnen von reellen Integralen mit dem Residuensatz (BF1, BO3)
• Verständnis von lokalen und globalen Eigenschaften holomorpher Funktionen (BF1, BO2)
Personale Kompetenz:
• Teamarbeit (BF4)
Recommended requirement:
Examination achievement:
Mündliche Prüfung oder schriftliche Klausur
Instructor(s):
Dr. Peter Parczewski
Description:
• Komplexe Differenzierbarkeit
• holomorphe und meromorphe Funktionen
• Analytische Fortseztung
• Singularitäten holomorpher Funktionen
• Residuenkalkül
• spezielle Funktionen
• holomorphe und meromorphe Funktionen
• Analytische Fortseztung
• Singularitäten holomorpher Funktionen
• Residuenkalkül
• spezielle Funktionen
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Artificial Intelligence (Lecture)
DE
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
4
Learning target:
Fachkompetenz:
Ziele und Grundlagen der Künstlichen Intelligenz. Suchverfahren als universelle Problemlösungsverfahren. Problemkomplexität und Heuristische Lösungen. Eigenschaften und Zusammenhang zwischen unterschiedlichen Suchverfahren.
Methodenkompetenz:
Beschreibung konkreter Aufgaben als Such-, Constraint- oder Planungsproblem. Implementierung unterschiedlicher Suchverfahren und Heuristiken.
Ziele und Grundlagen der Künstlichen Intelligenz. Suchverfahren als universelle Problemlösungsverfahren. Problemkomplexität und Heuristische Lösungen. Eigenschaften und Zusammenhang zwischen unterschiedlichen Suchverfahren.
Methodenkompetenz:
Beschreibung konkreter Aufgaben als Such-, Constraint- oder Planungsproblem. Implementierung unterschiedlicher Suchverfahren und Heuristiken.
Recommended requirement:
Examination achievement:
Erfolgreiche Teilnahme am Übungsbetrieb
schriftliche Klausur (90 Minuten)
schriftliche Klausur (90 Minuten)
Instructor(s):
Dr. Christian Meilicke
Description:
- Problemeigenschaften und Problemtypen
- Problemlösen als Suche, Anwendung im Bereich Computerspiele
- Constraintprobleme und deren Lösung
- Logische Constraints
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAA 510 Introduction of partial differential equations (Lecture)
EN
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Attendance:
On-campus and online, live & recorded
Learning target:
expertise
linear pde’s (MK1, MO2)
fundamental solutions (MK1)
Green’s functions(MK1)
heat kernel (MK1)
existence and uniqueness of Cauchy problem (MK1, MO3)
spherical means of solutions of wave equation (MK1)
methodical competence
distinguish between ellitptic, parabolic and hyperbolic pde’s (MO2)
derive formulas of solutions (MO3)
energy methods (MO2)
maximum principles (MO3)
Personal competence
learn in teams (MO4)
linear pde’s (MK1, MO2)
fundamental solutions (MK1)
Green’s functions(MK1)
heat kernel (MK1)
existence and uniqueness of Cauchy problem (MK1, MO3)
spherical means of solutions of wave equation (MK1)
methodical competence
distinguish between ellitptic, parabolic and hyperbolic pde’s (MO2)
derive formulas of solutions (MO3)
energy methods (MO2)
maximum principles (MO3)
Personal competence
learn in teams (MO4)
Literature:
Script (online)
L.C. Evans: Partial Differential Equations
F. John: Partial Differential Equations
L.C. Evans: Partial Differential Equations
F. John: Partial Differential Equations
Examination achievement:
Oral examination, 30 minutes
Instructor(s):
Prof. Dr. Martin Schmidt
Description:
Basic notions of partial differential equations
method of characteristics
Laplace equations
heat equations
wave equation
method of characteristics
Laplace equations
heat equations
wave equation
MAB 401 Algebra (Lecture)
DE
Course type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
4
Attendance:
Online, recorded
Learning target:
Fachkompetenz:
• Sicherer Umgang mit den algebraischen Grundstrukturen, Gruppen, Ringen, Körpern (BK1).
• Würdigung des Aufbaus dieser Grundstrukturen und wichtiger Beweise (BK1).
Methodenkompetenz:
• Gruppen als ordnendes Mittel für Symmetrien verstehen (BK1, BF2).
• Körpertheorie als modernes Werkzeug zur Lösung von mathematischen Fragen der Antike würdigen (BK1, BF2).
Personale Kompetenz:
• Strukturen und Symmetrien erkennen und präzisieren (BF1, BO2).
• Sicherer Umgang mit den algebraischen Grundstrukturen, Gruppen, Ringen, Körpern (BK1).
• Würdigung des Aufbaus dieser Grundstrukturen und wichtiger Beweise (BK1).
Methodenkompetenz:
• Gruppen als ordnendes Mittel für Symmetrien verstehen (BK1, BF2).
• Körpertheorie als modernes Werkzeug zur Lösung von mathematischen Fragen der Antike würdigen (BK1, BF2).
Personale Kompetenz:
• Strukturen und Symmetrien erkennen und präzisieren (BF1, BO2).
Recommended requirement:
Examination achievement:
Mündliche Prüfung oder schriftliche Klausur
Instructor(s):
Dr. Thomas Reichelt
Description:
• Gruppenbegriff, Eigenschaften und Anwendungen zyklischer und abelscher Gruppen, Beispiele, auflösbare Gruppen.
• Ringe, Ideale, Euklidische Ringe, Hauptidealringe, ZPW-Ringe, Quotientenringe.
• Körper, Körpererweiterungen, Galois-Theorie.
• Ringe, Ideale, Euklidische Ringe, Hauptidealringe, ZPW-Ringe, Quotientenringe.
• Körper, Körpererweiterungen, Galois-Theorie.
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAC 404 Optimization (Lecture)
DE
Course type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
4
Learning target:
Fachkompetenz:
• Verständnis der wesentlichen Konzepte und Lösungsverfahren der Linearen Optimierung (BF1, BK1)
• Computerunterstütze Umsetzung anwendungsbezogener Fragestellungen (BK2, BK3, BO1)
• Querverbindungen zu anderen mathematischen Gebieten identifizierten Klassifikation und Interpretation numerischer Probleme (BK1, BO2)
Methodenkompetenz:
• Mathematische Modellierung eines Problems (BF3, BO3)
• Konkrete Problemlösungsstrategien und deren Interpretation (BF1, BF2)
Personale Kompetenz:
• Teamarbeit (BO1, BF4, BF5)
• Verständnis der wesentlichen Konzepte und Lösungsverfahren der Linearen Optimierung (BF1, BK1)
• Computerunterstütze Umsetzung anwendungsbezogener Fragestellungen (BK2, BK3, BO1)
• Querverbindungen zu anderen mathematischen Gebieten identifizierten Klassifikation und Interpretation numerischer Probleme (BK1, BO2)
Methodenkompetenz:
• Mathematische Modellierung eines Problems (BF3, BO3)
• Konkrete Problemlösungsstrategien und deren Interpretation (BF1, BF2)
Personale Kompetenz:
• Teamarbeit (BO1, BF4, BF5)
Recommended requirement:
Examination achievement:
Mündliche Prüfung oder schriftliche Klausur
Description:
• Lineare Programmierung: Simplex Verfahren, Dualität, innere Punkte Verfahren
• Graphentheorie: minimal spannende Bäume, kürzeste Wege, maximale Flüsse
• Ganzzahlige Programmierung: Branch and Bound Verfahren, Schnittebenenverfahren, Heuristiken
• Graphentheorie: minimal spannende Bäume, kürzeste Wege, maximale Flüsse
• Ganzzahlige Programmierung: Branch and Bound Verfahren, Schnittebenenverfahren, Heuristiken
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAT 301 Analysis I (Lecture)
DE
Course type:
Lecture
ECTS:
10.0 (Modul/e)
Course suitable for:
Bachelor, Master
Language of instruction:
German
Credit hours 1:
4
Attendance:
Online, recorded
Learning target:
Fachkompetenz:
• Grundbegriffe der reellen Analysis (BF1, BK1)
• Konvergenz von Folgen und Reihen (BK1)
• Stetigkeit von Funktionen in einer Variablen (BK1)
• Differenzierbarkeit von Funktionen in einer Variablen (BK1)
• Riemanintegral von Funktionen in einer Variablen (BK1)
Methodenkompetenz:
• mathematische Beweisführung (BF1, BO2)
• Hantieren mit Gleichungen und Ungleichungen (BF1, BO2)
• Berechnen von Grenzwerten (BF1,BO3)
• Kurvendiskussion (BF2, BO3)
• Berechnen von unbestimmten und bestimmten Integralen (BO2,BO3)
Personale Kompetenz:
• Teamarbeit (BF4)
• Grundbegriffe der reellen Analysis (BF1, BK1)
• Konvergenz von Folgen und Reihen (BK1)
• Stetigkeit von Funktionen in einer Variablen (BK1)
• Differenzierbarkeit von Funktionen in einer Variablen (BK1)
• Riemanintegral von Funktionen in einer Variablen (BK1)
Methodenkompetenz:
• mathematische Beweisführung (BF1, BO2)
• Hantieren mit Gleichungen und Ungleichungen (BF1, BO2)
• Berechnen von Grenzwerten (BF1,BO3)
• Kurvendiskussion (BF2, BO3)
• Berechnen von unbestimmten und bestimmten Integralen (BO2,BO3)
Personale Kompetenz:
• Teamarbeit (BF4)
Recommended requirement:
Examination achievement:
schriftliche Klausur
Instructor(s):
Prof. Li Chen
Description:
• Mengen und Abbildungen
• reelle Zahlen
• Zahlenfolgen und Reihen
• Funktionen in einer reellen Variablen
• reelle Zahlen
• Zahlenfolgen und Reihen
• Funktionen in einer reellen Variablen
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAT 303 Linear Algebra I (Lecture)
DE
Course type:
Lecture
ECTS:
9.0 (Modul/e)
Course suitable for:
Bachelor, Master
Language of instruction:
German
Credit hours 1:
4
Attendance:
Online, recorded
Learning target:
Fachkompetenz:
• Kenntnis der wesentlichen Ideen und Methoden der Linearen Algebra, Kenntnis der wesentlichen mathematischen Beweismethoden (BK1).
Methodenkompetenz:
• Grundstrukturen der Linearen Algebra als Grundstrukturen der Mathematik würdigen und sicher mit ihnen umgehen (BK1).
• Lineare Gleichungssysteme in Anwendungen erkennen und professionell lösen (BF2).
Personale Kompetenz:
• Strukturiertes Denken (BO2).
• Teamarbeit (BF4).
• Kommunikationsfähigkeit (BO1).
• Kenntnis der wesentlichen Ideen und Methoden der Linearen Algebra, Kenntnis der wesentlichen mathematischen Beweismethoden (BK1).
Methodenkompetenz:
• Grundstrukturen der Linearen Algebra als Grundstrukturen der Mathematik würdigen und sicher mit ihnen umgehen (BK1).
• Lineare Gleichungssysteme in Anwendungen erkennen und professionell lösen (BF2).
Personale Kompetenz:
• Strukturiertes Denken (BO2).
• Teamarbeit (BF4).
• Kommunikationsfähigkeit (BO1).
Recommended requirement:
Examination achievement:
schriftliche Klausur
Instructor(s):
Prof. Dr. Claus Hertling
Description:
• Gruppen, Ringe, Körper, Vektorräume, Lineare Abbildungen, Matrizen, Lineare Gleichungssysteme, Determinanten, Eigenwerte und Diagonalisierung, Euklidische Vektorräume.
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAT 306 Numerical Mathematics (Lecture)
DE
Course type:
Lecture
ECTS:
9.0
Course suitable for:
Bachelor, Master
Language of instruction:
German
Credit hours 1:
4
Attendance:
Learning target:
Fachkompetenz:
• Verständnis der Grundbegriffe und grundlegenden Methoden der Numerischen Mathematik (BF1, BK1)
• Algorithmisches Denken und Implementierung grundlegender Verfahren zur Bestimmung von Näherungslösungen (BK3)
• Klassifikation und Interpretation numerischer Probleme (BK1, BO3)
Methodenkompetenz:
• Mathematische Modellierung eines (Anwendungs-)Problems (BF3, BO3)
• Konkrete Problemlösungsstrategien und deren Interpretation (BF1, BF2)
Personale Kompetenz:
• Teamarbeit (BO1,BF4)
• Verständnis der Grundbegriffe und grundlegenden Methoden der Numerischen Mathematik (BF1, BK1)
• Algorithmisches Denken und Implementierung grundlegender Verfahren zur Bestimmung von Näherungslösungen (BK3)
• Klassifikation und Interpretation numerischer Probleme (BK1, BO3)
Methodenkompetenz:
• Mathematische Modellierung eines (Anwendungs-)Problems (BF3, BO3)
• Konkrete Problemlösungsstrategien und deren Interpretation (BF1, BF2)
Personale Kompetenz:
• Teamarbeit (BO1,BF4)
Recommended requirement:
Examination achievement:
schriftliche Klausur
Instructor(s):
Prof. Dr. Andreas Neuenkirch
Description:
• Numerik linearer Gleichungssysteme
• Störungstheorie und Fehleranalyse
• Lineare Ausgleichsrechnung
• Eigenwertprobleme
• Nichtlineare Gleichungssysteme: Fixpunktiterationen, insbesondere Newton-Verfahren
• Interpolation und Splines
• Numerische Integration
• Störungstheorie und Fehleranalyse
• Lineare Ausgleichsrechnung
• Eigenwertprobleme
• Nichtlineare Gleichungssysteme: Fixpunktiterationen, insbesondere Newton-Verfahren
• Interpolation und Splines
• Numerische Integration
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Practical Computer Science I (Lecture)
DE
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor, Master
Language of instruction:
German
Credit hours 1:
6
Attendance:
Online, live & recorded
Learning target:
Fachkompetenz:
Die Studierenden können selbständig Algorithmen zu vorgegebenen Problemen entwerfen und in Java, das im parallel laufenden Pro-grammierkurs I unterrichtet wird, objektorientiert programmieren. Methodenkompetenz:
Algorithmenentwurf, Bewertung von vorgegeben Algorithmen Personale Kompetenz:
Kreativität beim Entwurf von Algorithmen, Teamfähigkeit
Die Studierenden können selbständig Algorithmen zu vorgegebenen Problemen entwerfen und in Java, das im parallel laufenden Pro-grammierkurs I unterrichtet wird, objektorientiert programmieren. Methodenkompetenz:
Algorithmenentwurf, Bewertung von vorgegeben Algorithmen Personale Kompetenz:
Kreativität beim Entwurf von Algorithmen, Teamfähigkeit
Recommended requirement:
Examination achievement:
Studienbeginn ab HWS 2011:
Erfolgreiche Teilnahme am Übungsbetrieb
schriftliche Klausur (90 Minuten)
Erfolgreiche Teilnahme am Übungsbetrieb
schriftliche Klausur (90 Minuten)
Studienbeginn vor HWS 2011:
schriftliche Klausur (90 Minuten)
Instructor(s):
Prof. Dr. Frederik Armknecht, Christian Müller, Jochen Schäfer
Description:
Vom Problem zum Algorithmus, vom Algorithmus zum Programm
- Entwurf von Algorithmen: schrittweise Verfeinerung, Modularität, Objektorientierung (Klassenhierarchien, Vererbung), Rekursion
- Die objektorientierte Programmiersprache Java
- Einfache Datenstrukturen (verkettete Liste, Binärbaum, B-Baum)
- Modellierung mit UML: Klassendiagramme, Aktivitätsdiagramme, Zustandsdiagramme
- Einführung in die Theorie der Algorithmen: Berechenbarkeit, Komplexität (O-Kalkül), Testen und Verifikation von Algorithmen und Programmen
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Programming Lab I (Lecture)
DE
Course type:
Lecture
ECTS:
5.0
Course suitable for:
Bachelor
Language of instruction:
German
Credit hours 1:
4
Learning target:
Fachkompetenz:
- Gründliche Kenntnis der Basiskonzepte der Programmiersprache Java
- Verständnis des Konzepts der Objektorientierung
- Kenntnisse der algorithmischen Prinzipien Iteration und Rekursion
- Basiswissen über das Arbeiten unter einem Linux-Betriebssystem
Methodenkompetenz:
- Fähigkeit, Algorithmen zu entwerfen
- Fähigkeit, komplexe Algorithmen in Java ohne Einsatz importierter Methoden zu programmieren
- Fähigkeit, rekursiv zu programmieren
Personale Kompetenz:
- Eigenverantwortliches Arbeiten
- Teamfähigkeit
Recommended requirement:
Examination achievement:
Programmiertestate, Programmierprojekte, Programming Competence Test (180 Minuten)
Instructor(s):
Dr. Ursula Rost
Description:
Im Programmierpraktikum I werden grundlegende Kenntnisse der objektorientierten Programmierung auf Basis der Sprache Java vermittelt.
Die Studierenden werden von dieser Sprache vor allem folgende Grundmerkmale und Konzepte kennenlernen:
Die Programmierausbildung erfolgt auf der Basis des Betriebssystems Linux. Hierzu werden ebenfalls Grundkenntnisse vermittelt, die es ermöglichen, einfache Java-Programme zu entwickeln. Im Laufe des Kurses wird darüber hinaus eine einfache Entwicklungsumgebung eingeführt.
Die Studierenden werden von dieser Sprache vor allem folgende Grundmerkmale und Konzepte kennenlernen:
- Basiskonzepte der Programmierung: einfache Datentypen, Variablen, Operatoren, Anweisungen, Kontrollstrukturen
- Zusammengesetzte Datentypen (Felder)
- Das Konzept der objektorientierten Programmierung
- Klassen (Attribute, Methoden, Konstruktoren)
- Vererbung
- Pakete, abstrakte Klassen und Interfaces
- Java API und wichtige Hilfsklassen
- Ausnahmebehandlung: Exceptions
- Programmierung Grafischer Oberflächen mit Swing
Die Programmierausbildung erfolgt auf der Basis des Betriebssystems Linux. Hierzu werden ebenfalls Grundkenntnisse vermittelt, die es ermöglichen, einfache Java-Programme zu entwickeln. Im Laufe des Kurses wird darüber hinaus eine einfache Entwicklungsumgebung eingeführt.
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Stochastik 1 (Lecture)
DE
Course type:
Lecture
ECTS:
9.0
Course suitable for:
Bachelor
Language of instruction:
German
Attendance:
Live & on-campus
Instructor(s):
Prof. Dr. Leif Döring
Business Informatics (Master)
Advanced Software Engineering (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Learning target:
Expertise:
After taking the course, students will be familiar with the latest state-of-the-art techniques for specifying the externally visible properties of a software system/
Participants will know how to use the expertise acquired during the course to describe the requirements that a system/
With the acquired skills and know-how, students will be able to play a key role in projects involving the development of systems, components and software applications.
After taking the course, students will be familiar with the latest state-of-the-art techniques for specifying the externally visible properties of a software system/
Participants will know how to use the expertise acquired during the course to describe the requirements that a system/
With the acquired skills and know-how, students will be able to play a key role in projects involving the development of systems, components and software applications.
Recommended requirement:
Examination achievement:
Written examination, 90 minutes
Instructor(s):
Prof. Dr. Colin Atkinson
Description:
The course deals with the model-based specification of software systems and components as well as their verification, validation and quality assurance. The emphasis is on view-based specification methods that use multiple views, expressed in multiple languages, to describe orthogonal aspects of software systems/
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Applied Topology (Lecture)
EN
Course type:
Lecture
ECTS:
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
4
Attendance:
Online, live
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Compiler Construction (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
4
Attendance:
Online, live
Learning target:
Expertise:
- Know basic concepts of compiler design & implementation.
(MK1, MK2, MF1, MF3)
Methodological competence:
- Students will be able to design and implement a compiler from scratch.
(MF1, MF2, MF3)
Personal competence:
- Learn how to read software documentation and a language specification.
- Learn how to cope with a huge software stack.
Teamwork skills.
(MK01, MK02)
Recommended requirement:
Literature:
- Aho, Alfred Vaino; Lam, Monica Sin-Ling; Sethi, Ravi; Ullman, Jeffrey David (2006). Compilers: Principles, Techniques, and Tools. ISBN 0-321-48681-1.
- Helmut Seidl, Reinhard Wilhelm, Sebastian Hack: Compiler Design – Analysis and Transformation. Springer 2012, ISBN 978-3-642-17547-3.
- Helmut Seidl, Reinhard Wilhelm, Sebastian Hack: Compiler Design – Syntactic and Semantic Analysis. Springer 2013, ISBN 978-3-642-17539-8.
- Andrew W. Appel, Jens Palsberg: Modern Compiler Implementation in Java, 2nd edition. Cambridge University Press 2002, ISBN 0-521-82060-X.
Examination achievement:
- Written exam (50%)
- Software, code & documentation + oral presentation of the programming project (50%)
Instructor(s):
Prof. Dr.-Ing. Roland Leißa
Description:
- Lexing
- Parsing
- Semantic Analysis, Type Checking
- Program Analysis & Optimizations
- SSA
- LLVM
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
CS 560 Large-Scale Data Management (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
4
Learning target:
Expertise:
Students will acquire knowledge about methods and systems for managing large datasets and data-intensive computing.
Students will acquire knowledge about methods and systems for managing large datasets and data-intensive computing.
Methodological competence:
• Be able to judge, select, and use traditional or non-traditional data management systems for a given data management task
• Be able to solve computational problems involving large datasets
Personal competence:
• Study independently
• Presentation and writing skills
Recommended requirement:
Examination achievement:
Written examination, exercises
90 minutes
90 minutes
Instructor(s):
Prof. Dr. Rainer Gemulla
Description:
This course introduces the fundamental concepts and computational paradigms of large-scale data management and Big Data. This includes methods for storing, updating, querying, and analyzing large dataset as well as for data-intensive computing. The course covers concept, algorithms, and system issues; accompanying exercises provide hands-on experience. Topics include:
• Parallel and distributed databases
• MapReduce and its ecosystem
• NoSQL
• Stream processing
• Graph databases
• Parallel and distributed databases
• MapReduce and its ecosystem
• NoSQL
• Stream processing
• Graph databases
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Data Mining (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Registration procedure:
Please note that there is no second date for the exam.
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of data mining. Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of data mining. Methodological competence:
- Successful participants will be able to identify opportunities for applying data mining in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project organisation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Offline Exam and Project Work
Instructor(s):
Prof. Dr. Heiko Paulheim
Description:
The course provides an introduction to advanced data analysis techniques as a basis for analyzing business data and providing input for decision support systems. The course will cover the following topics:
- Goals and Principles of Data Mining
- Data Representation and Preprocessing
- Clustering
- Classification
- Association Analysis
- Text Mining
- Systems and Applications (e. g. Retail, Finance, Web Analysis)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Decision Support (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live & recorded
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
- Successful participants will be able to identify opportunities for decision support in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project presentation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Written examination (90 minutes), homework assignments, case studies
Instructor(s):
Prof. Dr. Heiner Stuckenschmidt, Lea Cohausz
Description:
The course provides an introduction to decision support techniques as a basis for the design of decision support systems. The course will cover the following topics:
- Decision Theory
- Decision- and Business Rules
- Planning Methods and Algorithms
- Probabilistic Graphical Models
- Game Theory and Mechanism Design
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Decision Support (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Learning target:
Expertise:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
Students will acquire basic knowledge of the techniques, opportunities and applications of decision theory.
Methodological competence:
- Successful participants will be able to identify opportunities for decision support in an enterprise environment, select and apply appropriate techniques, and interpret the results.
- project presentation skills
Personal competence:
- team work skills
- presentation skills
Recommended requirement:
Examination achievement:
Written examination (90 minutes), homework assignments, case studies
Instructor(s):
Lea Cohausz
Description:
The course provides an introduction to decision support techniques as a basis for the design of decision support systems. The course will cover the following topics:
- Decision Theory
- Decision- and Business Rules
- Planning Methods and Algorithms
- Probabilistic Graphical Models
- Game Theory and Mechanism Design
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAC 518 R Programming Course (Lecture)
DE
Course type:
Lecture
ECTS:
4.0
Course suitable for:
Master
Language of instruction:
German
Credit hours 1:
3
Attendance:
On-campus and online, live
Instructor(s):
Prof. Dr. Martin Schlather
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
IS 613 Applied Project in Design Thinking and Lean Software Development (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0 (Modul/e)
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Registration procedure:
This course has limited capacity and a special registration procedure. Please follow the instructions on the website of the responsible chair in order to register. Registration will be possible between August 1st and September 2nd.
Description:
Please find a detailed course description via the following link:
Module Catalog MMM | Universität Mannheim (uni-mannheim.de)
Module Catalog MMM | Universität Mannheim (uni-mannheim.de)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
IS 614 Corporate Knowledge Management (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live & recorded
Registration procedure:
This course does not have limited places. Please register for this course on Portal 2 after your enrollment, you will be admitted at the end of the registration period.
Instructor(s):
Dr. Monica Fallon
Description:
Topic Date
Introduction 06.09.2021
Knowledge creation 07.09.2021
Knowledge transfer 08.09.2021
Knowledge storage and retrieval Part 1 09.09.2021
Knowledge storage and retrieval Part 2 10.09.2021
Buffer/
Designing knowledge management systems 14.09.2021
The Use of knowledge management systems 15.09.2021
The effects of artificial intelligence on knowledge management 16.09.2021
Buffer / Class Discussion / Summary of lecture 17.09.2021
*Deadline: sign-up for case study group work 20.09.2021
*Group assignment and case study 21.09.2021
*Case Study Group Work Deadline and Presentation Day 20.10.2021
Exam Prep 03.11.2021
Final Exam 11.11.2021
* Sessions are for students participating in the optional case study. If you choose to participate in the case study, the case study will be worth 20% of your grade and the exam will be worth 80%.
Introduction 06.09.2021
Knowledge creation 07.09.2021
Knowledge transfer 08.09.2021
Knowledge storage and retrieval Part 1 09.09.2021
Knowledge storage and retrieval Part 2 10.09.2021
Buffer/
Designing knowledge management systems 14.09.2021
The Use of knowledge management systems 15.09.2021
The effects of artificial intelligence on knowledge management 16.09.2021
Buffer / Class Discussion / Summary of lecture 17.09.2021
*Deadline: sign-up for case study group work 20.09.2021
*Group assignment and case study 21.09.2021
*Case Study Group Work Deadline and Presentation Day 20.10.2021
Exam Prep 03.11.2021
Final Exam 11.11.2021
* Sessions are for students participating in the optional case study. If you choose to participate in the case study, the case study will be worth 20% of your grade and the exam will be worth 80%.
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
IS 615 Design Thinking and Lean Development in Enterprise Software Development (Lecture)
EN
Course type:
Lecture
ECTS:
6.0 (Modul/e)
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Registration procedure:
This course has limited capacity and a special registration procedure. Please follow the instructions on the website of the responsible chair in order to register. Registration will be possible between August 1st and September 2nd.
Description:
Please find a detailed course description via the following link:
Module Catalog MMM | Universität Mannheim (uni-mannheim.de)
Module Catalog MMM | Universität Mannheim (uni-mannheim.de)
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
IT-Security (Seminar)
EN
Course type:
Seminar
ECTS:
4.0
Course suitable for:
Master
Language of instruction:
English
Attendance:
Online, live & recorded
Instructor(s):
Prof. Dr. Frederik Armknecht, Christian Müller, Jochen Schäfer
Cryptographie II (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live & recorded
Learning target:
Fachkompetenz:
Die Studierenden können Mithilfe aktueller Techniken und Theorien der modernen Kryptographie die Sicherheit von kryptographischen Verfahren einschätzen bzw. Sicherheitsaussagen entsprechend zu beurteilen. Weiterhin sind sie in der Lage, Sicherheitsziele zu erkennen und entsprechende Techniken einzusetzen, die in Kryptographie I nicht behandelt werden konnten.
Methodenkompetenz:
Den Studierenden sind in der Lage, geeignete Methoden zu Sicherheitsanalyse von kryptographischen Verfahren auszuwählen und einzusetzen. Dazu gehören bspw. die Wahl der passenden Sicherheitsmodelle, das Beweisen der Sicherheit aufgrund klar präzisierter Annahmen und die Analyse gegebener Verfahren. Insbesondere besitzen die Studierenden die Fähigkeit, die Sicherheitsargumente für existierende Verfahren zu verstehen und einzuschätzen und auf neue zu übertragen. Weiterhin können sie Techniken und Protokolle einsetzen, um Sicherheitsziele zu erreichen, die mit den in Kryptographie I besprochenen Verfahren noch nicht möglich waren.
Personale Kompetenz:
Das analytische, konzentrierte und präzise Denken der Studierenden wird geschult. Durch die eigenständige Behandlung von Anwendungen, z.B. im Rahmen der Übungsaufgaben, wird ihr Abstraktionsvermögen weiterentwickelt und der Transfer des erlernten Stoffes auf verwandte Fragestellungen gefördert.
Die Studierenden können Mithilfe aktueller Techniken und Theorien der modernen Kryptographie die Sicherheit von kryptographischen Verfahren einschätzen bzw. Sicherheitsaussagen entsprechend zu beurteilen. Weiterhin sind sie in der Lage, Sicherheitsziele zu erkennen und entsprechende Techniken einzusetzen, die in Kryptographie I nicht behandelt werden konnten.
Methodenkompetenz:
Den Studierenden sind in der Lage, geeignete Methoden zu Sicherheitsanalyse von kryptographischen Verfahren auszuwählen und einzusetzen. Dazu gehören bspw. die Wahl der passenden Sicherheitsmodelle, das Beweisen der Sicherheit aufgrund klar präzisierter Annahmen und die Analyse gegebener Verfahren. Insbesondere besitzen die Studierenden die Fähigkeit, die Sicherheitsargumente für existierende Verfahren zu verstehen und einzuschätzen und auf neue zu übertragen. Weiterhin können sie Techniken und Protokolle einsetzen, um Sicherheitsziele zu erreichen, die mit den in Kryptographie I besprochenen Verfahren noch nicht möglich waren.
Personale Kompetenz:
Das analytische, konzentrierte und präzise Denken der Studierenden wird geschult. Durch die eigenständige Behandlung von Anwendungen, z.B. im Rahmen der Übungsaufgaben, wird ihr Abstraktionsvermögen weiterentwickelt und der Transfer des erlernten Stoffes auf verwandte Fragestellungen gefördert.
Recommended requirement:
Examination achievement:
Schriftliche Klausur (90 Minuten) oder mündliche Prüfung (30 Minuten)
Instructor(s):
Prof. Dr. Frederik Armknecht
Description:
In der Vorlesung erfolgt eine kurze Zusammenstellung der wichtigsten kryptographischen Grundalgorithmen und der für die Vorlesung relevanten mathematischen, algorithmischen und informations- und komplexitätstheoretischen Grundlagen. Diese werden einerseits vertieft und andererseits erweitert. Behandelte Themen sind beispielsweise
- moderne Techniken der Kryptanalyse und daraus ableitbare Designkriterien für kryptographische Verfahren
- kryptographische Protokolle
- Sicherheitsbeweise
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAA 506 Topology and Equilibria (Lecture)
EN
Course type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
4
Learning target:
Fachkompetenz:
Verständnis der Grundlagen der mengentheoretischen Topologie (MK1)
Beschreibung topologischer und geometrischer Eigenschaften durch algebraische und numerische Invarianten (MK1, MO2)
Umgang mit (simplizialen) Homologiegruppen (MK1, MO2)
Verständnis der Eigenschaften und der Bedingungen für die Existenz von Nash-Gleichgewichten und Walras'schen Gleichgewichten (MK2, MO3)
Methodenkompetenz:
Umgang mit einfachen topologischen Räumen und Entscheidung über Homöomorphie zweier gegebener Räume (MK1)
Triangulierung einfacher kompakter Räume und Berechnung ihrer Homologie (MK1, MO2)
Interpretation der Homologiegruppen (MK1, MO2)
Berechnung von Nash-Gleichgewichten (MK2, MF2)
Personale Kompetenz:
Verständnis der Rolle topologischer Modelle für die Lösung fundamentaler mikroökonomischer Fragestellungen (MK2, MO2, MO3, MO4)
Verständnis der Grundlagen der mengentheoretischen Topologie (MK1)
Beschreibung topologischer und geometrischer Eigenschaften durch algebraische und numerische Invarianten (MK1, MO2)
Umgang mit (simplizialen) Homologiegruppen (MK1, MO2)
Verständnis der Eigenschaften und der Bedingungen für die Existenz von Nash-Gleichgewichten und Walras'schen Gleichgewichten (MK2, MO3)
Methodenkompetenz:
Umgang mit einfachen topologischen Räumen und Entscheidung über Homöomorphie zweier gegebener Räume (MK1)
Triangulierung einfacher kompakter Räume und Berechnung ihrer Homologie (MK1, MO2)
Interpretation der Homologiegruppen (MK1, MO2)
Berechnung von Nash-Gleichgewichten (MK2, MF2)
Personale Kompetenz:
Verständnis der Rolle topologischer Modelle für die Lösung fundamentaler mikroökonomischer Fragestellungen (MK2, MO2, MO3, MO4)
Recommended requirement:
Examination achievement:
Mündliche Prüfung oder schriftliche Klausur
Instructor(s):
apl. Prof. Dr. Wolfgang Seiler
Description:
Topologische Räume und stetige Abbildungen
Zusammenhang, Kompaktheit, 1-Abzählbarkeit
Endliche simpliziale Komplexe und ihre Homologie
Anwendung auf Fixpunktsätze, Fundamentalsatz der Algebra u.ä.
Korrespondenzen und der Fixpunktsatz von Kakutani
Spiele und ihre Nash-Gleichgewichte
Volkswirtschaftliche Systeme und Walras'sche Gleichgewichte
Zusammenhang, Kompaktheit, 1-Abzählbarkeit
Endliche simpliziale Komplexe und ihre Homologie
Anwendung auf Fixpunktsätze, Fundamentalsatz der Algebra u.ä.
Korrespondenzen und der Fixpunktsatz von Kakutani
Spiele und ihre Nash-Gleichgewichte
Volkswirtschaftliche Systeme und Walras'sche Gleichgewichte
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAA 510 Introduction of partial differential equations (Lecture)
EN
Course type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Attendance:
On-campus and online, live & recorded
Learning target:
expertise
linear pde’s (MK1, MO2)
fundamental solutions (MK1)
Green’s functions(MK1)
heat kernel (MK1)
existence and uniqueness of Cauchy problem (MK1, MO3)
spherical means of solutions of wave equation (MK1)
methodical competence
distinguish between ellitptic, parabolic and hyperbolic pde’s (MO2)
derive formulas of solutions (MO3)
energy methods (MO2)
maximum principles (MO3)
Personal competence
learn in teams (MO4)
linear pde’s (MK1, MO2)
fundamental solutions (MK1)
Green’s functions(MK1)
heat kernel (MK1)
existence and uniqueness of Cauchy problem (MK1, MO3)
spherical means of solutions of wave equation (MK1)
methodical competence
distinguish between ellitptic, parabolic and hyperbolic pde’s (MO2)
derive formulas of solutions (MO3)
energy methods (MO2)
maximum principles (MO3)
Personal competence
learn in teams (MO4)
Literature:
Script (online)
L.C. Evans: Partial Differential Equations
F. John: Partial Differential Equations
L.C. Evans: Partial Differential Equations
F. John: Partial Differential Equations
Examination achievement:
Oral examination, 30 minutes
Instructor(s):
Prof. Dr. Martin Schmidt
Description:
Basic notions of partial differential equations
method of characteristics
Laplace equations
heat equations
wave equation
method of characteristics
Laplace equations
heat equations
wave equation
MAA 519 Stochastic Calculus (Lecture)
EN
Course type:
Lecture
ECTS:
5.0 (Modul/e)
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Instructor(s):
Prof. Dr. David Johannes Prömel
Description:
• Stochastic Integration and Ito formula
• solution theory for stochastic differential equations (strong solutions, linear SDEs)
• change of measure (Girsanov theorem)
• martingale representation theorem
• solution theory for stochastic differential equations (strong solutions, linear SDEs)
• change of measure (Girsanov theorem)
• martingale representation theorem
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Machine Learning Vorlesung (Lecture)
EN
Course type:
Lecture
ECTS:
9.0
Course suitable for:
Master
Language of instruction:
English
Instructor(s):
Prof. Dr. Rainer Gemulla
Markov Processes (Lecture)
EN
Course type:
Lecture
ECTS:
5
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, recorded
Recommended requirement:
Examination achievement:
Oral exam
Instructor(s):
Prof. Dr. Martin Slowik
Description:
The topic of this lecture are Markov processes in continuous time which are an important class of stochastic processes. We also introduce operator semigroups, generators and stochastic equations which provide approaches to the characterisation of Markov processes. The theory will be illustrated with many examples. The course will cover a part of the following topics:
– Construction of stochastic processes (Theorem of Daniel-Kolmogorov)
– Stopping and optional times and stopped processes
– Markov processes and its properties (Markov property, strong Markov property, forward and backward equation)
– Construction of Markov processes via the transition function
– Semigroups of linear operators, resolvents and generators (Theorem of Hille-Yoshida) and its relation to Markov processes
– Relation between Markov processes and martingales (Dynkin martingale)
– functionals of Markov processes and partial differential equations
– Construction of stochastic processes (Theorem of Daniel-Kolmogorov)
– Stopping and optional times and stopped processes
– Markov processes and its properties (Markov property, strong Markov property, forward and backward equation)
– Construction of Markov processes via the transition function
– Semigroups of linear operators, resolvents and generators (Theorem of Hille-Yoshida) and its relation to Markov processes
– Relation between Markov processes and martingales (Dynkin martingale)
– functionals of Markov processes and partial differential equations
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Mathematical Optimization Research Seminar (Seminar)
EN
Course type:
Seminar
ECTS:
4.0
Course suitable for:
Master
Language of instruction:
English
Mathematical Optimization Research Seminar (Seminar)
EN
Course type:
Seminar
ECTS:
4.0
Course suitable for:
Master
Language of instruction:
English
Model Driven Development (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
Learning target:
Expertise:
Students will be familiar with the accepted best practices and technologies used in mainstream model-driven development as well as state-of-the-art modeling technologies emerging from research institutions.
Methodological competence:
Students will know how to apply modeling technologies in real-world projects.
Personal competence:
Students will have the capability to analyse, understand and model complex systems.
Students will be familiar with the accepted best practices and technologies used in mainstream model-driven development as well as state-of-the-art modeling technologies emerging from research institutions.
Methodological competence:
Students will know how to apply modeling technologies in real-world projects.
Personal competence:
Students will have the capability to analyse, understand and model complex systems.
Recommended requirement:
Examination achievement:
Written examination (90 minutes)
Instructor(s):
Prof. Dr. Colin Atkinson
Description:
The course focuses on the principles, practices and tools involved in advanced model-driven development. This includes established modelling standard languages (e. g. UML, ATL, OCL . . . ) and modelling infrastructures (e. g. MOF, EMF, etc. ) as well as leading edge, state-of-the-art modelling technologies (e. g. LML, PLM . . . ). Key topics addressed include –
- Multi-level modeling
- Meta-modeling
- Ontology engineering versus model engineering
- Model transformations
- Domain specific language definition and use
- Model creation and evolution best practices
- Model-driven software development
- Model checking and ontology validation
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Network Analysis (Lecture w/
EN
Course type:
Lecture w/
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
4
Attendance:
Online, live
Instructor(s):
Prof. Dr. Heiner Stuckenschmidt
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAC 509 Numerical Methods for Ordinary Differential Equations (Lecture)
EN
Course type:
Lecture
ECTS:
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Online, live
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
MAC 508 Computational SDEs (Lecture)
DE
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
German
Credit hours 1:
2
Attendance:
Online, recorded
Learning target:
Fachkompetenz: Die Studierenden haben die grundlegenden Fragestellungen und wichtigsten Methoden der Numerik stochastischer Differentialgleichungen erlernt, insbesondere die Unterschiede zwischen den verschiedenen Approximationsbegriffen, das Euler- und Milsteinverfahren sowie Multi-level Monte-Carlo-Verfahren (MK1,M02).
Methodenkompetenz: Die Studierenden können nach Besuch des Moduls gegebene numerische Probleme für stochastische Differentialgleichungen klassifizieren und zur Bearbeitung geeignete Verfahren auswählen bzw. konstruieren (MF1,MF2,MO3).
Personale Kompetenz: Teamarbeit
Methodenkompetenz: Die Studierenden können nach Besuch des Moduls gegebene numerische Probleme für stochastische Differentialgleichungen klassifizieren und zur Bearbeitung geeignete Verfahren auswählen bzw. konstruieren (MF1,MF2,MO3).
Personale Kompetenz: Teamarbeit
Recommended requirement:
Examination achievement:
mündliche Prüfung
Instructor(s):
Dr. Peter Parczewski
Description:
Theoretische Grundlagen: stochastische Prozesse; stochastische Integration und stochastische Differentialgleichungen.
Numerik: Simulation von Gaußprozessen; Fehlerbegriffe; Klassische Approximationsverfahren; Cameron-Clark Theorem; Quadratur von SDGLn; Anwendungen in Technik und Finanzmathematik
Numerik: Simulation von Gaußprozessen; Fehlerbegriffe; Klassische Approximationsverfahren; Cameron-Clark Theorem; Quadratur von SDGLn; Anwendungen in Technik und Finanzmathematik
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Semantic Web Technologies (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Attendance:
Live & on-campus
Learning target:
Expertise:
The participants of this course learn about principles and applications of Semantic Web standards. They become familiar with their technical foundations such as representation and query languages, or logical inference. After taking this course, the students will be aware of the problems and benefits of semantic technologies in the context of tasks such as knowledge management, information search and data integration, and they will be capable of judging the applicability of these technologies for addressing practical challenges.
Methodological competence:
The participants learn how to design and implement Semantic Web applications. They are able to use standardized modeling languages for building knowledge representations, and to query these models by means of languages such as SPARQL.
Personal competence:
By jointly building a semantic web application, the students learn how to effectively work in teams. They improve upon their presentation skills by showing the outcomes of their projects to the other participants of the course.
The participants of this course learn about principles and applications of Semantic Web standards. They become familiar with their technical foundations such as representation and query languages, or logical inference. After taking this course, the students will be aware of the problems and benefits of semantic technologies in the context of tasks such as knowledge management, information search and data integration, and they will be capable of judging the applicability of these technologies for addressing practical challenges.
Methodological competence:
The participants learn how to design and implement Semantic Web applications. They are able to use standardized modeling languages for building knowledge representations, and to query these models by means of languages such as SPARQL.
Personal competence:
By jointly building a semantic web application, the students learn how to effectively work in teams. They improve upon their presentation skills by showing the outcomes of their projects to the other participants of the course.
Recommended requirement:
Examination achievement:
Regular exercises, team project, written examination (90 minutes)
Instructor(s):
Prof. Dr. Heiko Paulheim
Description:
- Vision and Principles of the Semantic Web
- Representation Languages (XML, RDF, RDF Schema, OWL)
- Knowledge Modeling: Ontologies and Linked Data
- Logical Reasoning in RDF and OWL
- Commercial and Open Source Tools and Systems
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Text Analytics (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Learning target:
Expertise:
Students will acquire knowledge of state-of-the-art principles and methods of Natural Language Processing, with a specific focus on the application of statistical methods to human language technologies.
Methodological competence:
Successful participants will be able to understand state-of-the-art methods for Natural Language Processing, as well as being able to select, apply and evaluate the most appropriate techniques for a variety of different practical and application-oriented scenarios.
Personal competence:
Students will acquire knowledge of state-of-the-art principles and methods of Natural Language Processing, with a specific focus on the application of statistical methods to human language technologies.
Methodological competence:
Successful participants will be able to understand state-of-the-art methods for Natural Language Processing, as well as being able to select, apply and evaluate the most appropriate techniques for a variety of different practical and application-oriented scenarios.
Personal competence:
- presentation skills;
- team work skills.
Recommended requirement:
Examination achievement:
Written examination (90 minutes), homework assignments
Instructor(s):
Prof. Dr. Simone Paolo Ponzetto
Description:
In the digital age, techniques to automatically process textual content have become ubiquitous. Given the breakneck speed at which people produce and consume textual content online – e.g., on micro-blogging and other collaborative Web platforms like wikis, forums, etc. – there is an ever-increasing need for systems that automatically understand human language, answer natural language questions, translate text, and so on. This class will provide a complete introduction to state-of-the-art principles and methods of Natural Language Processing (NLP). The main focus will be on statistical techniques, and their application to a wide variety of problems. This is because statistics and NLP are nowadays highly intertwined, since many NLP problems can be formulated as problems of statistical inference, and statistical methods, in turn, represent de-facto the standard way to solve many, if not the majority, of NLP problems. Covered topics will include:
-
Words
- Language Modeling
- Part-Of-Speech Tagging
-
Syntax
- Statistical Parsing
-
Semantics and pragmatics
- Computational Lexical Semantics
- Computational Discourse
-
Applications
- Topic Modeling
- Information Extraction
- Question Answering and Summarization
- Statistical Alignment and Machine Translation
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.
Web Data Integration (Lecture)
EN
Course type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Credit hours 1:
2
Learning target:
Expertise:
Students will be able to identify opportunities for employing Web data in business applications and will learn to select and apply appropriate techniques for integrating and cleansing Web data.
Methodological competence:
Students will be able to identify opportunities for employing Web data in business applications and will learn to select and apply appropriate techniques for integrating and cleansing Web data.
Methodological competence:
- Participants will acquire knowledge of the data integration process as well as the techniques that are used in each phase of the process.
- project organization skills
Personal competence:
- presentation skills
- team work skills.
Recommended requirement:
Examination achievement:
Written examination (90 minutes), project report, oral project presentation
Instructor(s):
Prof. Dr. Christian Bizer
Description:
The Web is developing from a medium for publishing textual documents into a medium for sharing structured data. In the course, students will learn how to integrate and cleanse data from this global data space for the later usage of the data within business applications. The course will cover the following topics:
- Heterogeneity and Distributedness
- The Data Integration Process
- Web Data Formats
- Schema Matching and Data Translation
- Identity Resolution
- Data Quality Assessment
- Data Fusion
More information
1 Credit hours indicate the duration of a course which is offered weekly during one semester. One credit hour equals 45 minutes.