Business Informatics and Mathematics in Business and Economics (all)
Information on your course choice
Please note that you have to take the majority of classes at the School of Business Informatics and Mathematics. In most cases you do not need to register for courses, please just attend the first lecture. In case you want to take courses outside from our school you can choose from the university wide electives list.
Good to know: undergraduate students are allowed to take graduate’s level courses at the School of Business Informatics and Mathematics. Partially, there are no requirements for participation in a Master’s course.
Business Informatics (Bachelor)
Algorithmen und Datenstrukturen (Lecture)
DE
Lecture type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor
Language of instruction:
German
Hours per week:
6
Attendance:
Live & on-campus
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):
Matthias Krause, Linda Scheu-Hachtel
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 10:15 – 11:45 | A 001 Großer Hörsaal; B 6, 23–25 Bauteil A |
| Wednesday (weekly) | 06.09.2023 – 06.12.2023 | 10:15 – 11:45 | B 144 Hörsaal; A 5, 6 Bauteil B |
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 17:15 – 18:45 | B 144 Hörsaal; A 5, 6 Bauteil B |
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…)
CS 560 Large-Scale Data Management (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
4
Attendance:
Live & on-campus
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):
Rainer Gemulla
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 10:15 – 11:45 | SN 169 Röchling Hörsaal; Schloss Schneckenhof Nord |
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
Data Mining (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
2
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:
Written examination (90 minutes), project report, oral project presentation
Instructor(s):
Heiko Paulheim
Date(s):
| Wednesday (weekly) | 06.09.2023 – 06.12.2023 | 10:15 – 11:45 | SN 169 Röchling Hörsaal; Schloss Schneckenhof Nord |
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)
Datenbanksysteme I (Lecture)
DE
Lecture type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor
Language of instruction:
German
Hours per week:
4
Attendance:
Live & on-campus
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):
Guido Moerkotte
Date(s):
| Wednesday (weekly) | 06.09.2023 – 06.12.2023 | 10:15 – 11:45 | A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A |
| Monday (weekly) | 11.09.2023 – 04.12.2023 | 12:00 – 13:30 | A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A |
Description:
Datenbankentwurf, Normalisierung, Anfragebearbeitung, Transaktionsverwaltung
Decision Support (Lecture w/
EN
Lecture type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
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):
Heiner Stuckenschmidt
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 12:00 – 13:30 | C 013 Hörsaal; A 5, 6 Bauteil C |
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
Decision Support (Lecture w/
EN
Lecture type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
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, Heiner Stuckenschmidt
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 13:45 – 15:15 | A 203 Unterrichtsraum; B 6, 23–25 Bauteil A |
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
Decision Support (Lecture w/
EN
Lecture type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
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, Heiner Stuckenschmidt
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 15:30 – 17:00 | A 203 Unterrichtsraum; B 6, 23–25 Bauteil A |
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
Formale Grundlagen der Informatik (Lecture)
DE
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
German
Hours per week:
4
Attendance:
Live & on-campus
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):
Matthias Krause, Linda Scheu-Hachtel
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 12:00 – 13:30 | A 001 Großer Hörsaal; B 6, 23–25 Bauteil A |
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 13:45 – 15:15 | A 001 Großer Hörsaal; B 6, 23–25 Bauteil A |
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
Künstliche Intelligenz (Lecture)
DE
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor
Language of instruction:
German
Hours per week:
4
Attendance:
Live & on-campus
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):
Christian Meilicke
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 13:45 – 15:15 | D 007 Seminarraum 2; B 6, 27–29 Bauteil D |
| Wednesday (weekly) | 06.09.2023 – 06.12.2023 | 12:00 – 13:30 | D 007 Seminarraum 2; B 6, 27–29 Bauteil D |
Description:
- Problemeigenschaften und Problemtypen
- Problemlösen als Suche, Anwendung im Bereich Computerspiele
- Constraintprobleme und deren Lösung
- Logische Constraints
Praktische Informatik I (Lecture)
DE
Lecture type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor, Master
Language of instruction:
German
Hours per week:
6
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):
Frederik Armknecht
Date(s):
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 15:30 – 17:00 | A 001 Großer Hörsaal; B 6, 23–25 Bauteil A |
| Friday (weekly) | 08.09.2023 – 08.12.2023 | 15:30 – 17:00 | A 001 Großer Hörsaal; B 6, 23–25 Bauteil A |
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
Programmierpraktikum I (Lecture)
DE
Lecture type:
Lecture
ECTS:
5.0
Course suitable for:
Bachelor
Language of instruction:
German
Hours per week:
4
Attendance:
Live & on-campus
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):
Ursula Rost
Date(s):
| Friday (weekly) | 08.09.2023 – 08.12.2023 | 13:45 – 15:15 | B 144 Hörsaal; A 5, 6 Bauteil B |
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.
Business Informatics (Master)
Advanced Methods in Text Analytics (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Attendance:
Live & on-campus
Instructor(s):
Simone Paolo Ponzetto
Date(s):
| Wednesday (weekly) | 06.09.2023 – 06.12.2023 | 12:00 – 13:30 | A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A |
Advanced Software Engineering (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
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):
Colin Atkinson
Date(s):
| Friday (weekly) | 08.09.2023 – 08.12.2023 | 10:15 – 11:45 | B 144 Hörsaal; A 5, 6 Bauteil B |
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/
CS 560 Large-Scale Data Management (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
4
Attendance:
Live & on-campus
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):
Rainer Gemulla
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 10:15 – 11:45 | SN 169 Röchling Hörsaal; Schloss Schneckenhof Nord |
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
Data Mining (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
2
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:
Written examination (90 minutes), project report, oral project presentation
Instructor(s):
Heiko Paulheim
Date(s):
| Wednesday (weekly) | 06.09.2023 – 06.12.2023 | 10:15 – 11:45 | SN 169 Röchling Hörsaal; Schloss Schneckenhof Nord |
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)
Decision Support (Lecture w/
EN
Lecture type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
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):
Heiner Stuckenschmidt
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 12:00 – 13:30 | C 013 Hörsaal; A 5, 6 Bauteil C |
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
Decision Support (Lecture w/
EN
Lecture type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
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, Heiner Stuckenschmidt
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 13:45 – 15:15 | A 203 Unterrichtsraum; B 6, 23–25 Bauteil A |
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
Decision Support (Lecture w/
EN
Lecture type:
Lecture w/
ECTS:
6.0
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
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, Heiner Stuckenschmidt
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 15:30 – 17:00 | A 203 Unterrichtsraum; B 6, 23–25 Bauteil A |
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
IE 675b Machine Learning (Lecture)
EN
Lecture type:
Lecture
ECTS:
9.0
Course suitable for:
Master
Language of instruction:
English
Attendance:
Live & on-campus
Instructor(s):
Rainer Gemulla
Date(s):
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 12:00 – 13:30 | B 144 Hörsaal; A 5, 6 Bauteil B |
IS 614 Corporate Knowledge Management (Lecture w/
EN
Lecture type:
Lecture w/
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Hours per week:
2
Instructor(s):
Armin Heinzl
Date(s):
| Wednesday (weekly) | 13.09.2023 – 06.12.2023 | 13:45 – 15:15 | O 151 Hans Luik Hörsaal; Schloss Ostflügel |
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)
IT-Security (Seminar)
EN
Lecture type:
Seminar
ECTS:
4.0
Course suitable for:
Master
Language of instruction:
English
Instructor(s):
Frederik Armknecht
Date(s):
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 10:15 – 11:45 | A 104 Seminarraum; B 6, 23–25 Bauteil A |
Knowledge Graphs (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Hours per week:
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):
Heiko Paulheim
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 15:30 – 17:00 | A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A |
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
Kryptographie II (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Hours per week:
2
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):
Frederik Armknecht
Date(s):
| Friday (weekly) | 08.09.2023 – 08.12.2023 | 10:15 – 11:45 |
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
Model Driven Development (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
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):
Colin Atkinson
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 13:45 – 15:15 | A 203 Unterrichtsraum; B 6, 23–25 Bauteil A |
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
Text Analytics (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
Instructor(s):
Jörg Schlötterer
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 10:15 – 11:45 | 004 Hörsaal; L 9, 1–2 |
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)
Web Data Integration (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
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):
Christian Bizer, Ralph Peeters, Keti Korini, Alexander Brinkmann
Date(s):
| Wednesday (weekly) | 06.09.2023 – 06.12.2023 | 15:30 – 17:00 | A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A |
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
Web Data Integration (Lecture)
EN
Lecture type:
Lecture
ECTS:
6.0
Course suitable for:
Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
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):
Christian Bizer, Alexander Brinkmann, Keti Korini, Ralph Peeters
Date(s):
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 10:15 – 11:45 | A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A |
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
Business Mathematics (Bachelor)
Funktionalanalysis (Lecture)
DE
Lecture type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Bachelor
Language of instruction:
German
Hours per week:
4
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):
Peter Parczewski
Date(s):
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 10:15 – 11:45 | C 014 Hörsaal; A 5, 6 Bauteil C |
| Friday (weekly) | 08.09.2023 – 08.12.2023 | 10:15 – 11:45 | C 014 Hörsaal; A 5, 6 Bauteil C |
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
MAB 401 Algebra (Lecture)
DE
Lecture type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Bachelor
Language of instruction:
German
Hours per week:
4
Attendance:
Live & on-campus
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):
Thomas Reichelt
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 12:00 – 13:30 | A 203 Unterrichtsraum; B 6, 23–25 Bauteil A |
| Friday (weekly) | 08.09.2023 – 08.12.2023 | 12:00 – 13:30 | A 203 Unterrichtsraum; B 6, 23–25 Bauteil A |
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.
MAB 504 Mathematics and Information (Lecture)
EN
Lecture type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
4
Learning target:
Fachkompetenz:
Quantisierung von Information und inhaltliche Interpretation der entsprechenden Maße (MK1, MO2)
Verständnis für Möglichkeiten und Grenzen log-optimaler Anlagestrategien (MK2, MF1, MF2)
Verständnis für die Rolle der Linearen Algebra in der Informationssuche und der Klassifikation von Information (MK1, MK2, MF1, MF2)
Methodenkompetenz:
Umgang mit gängigen Informationsmaßen (MF2)
Datenkompression mit Huffman-Bäumen und mit Transformationen (MO2)
Berechnung log-optimaler und universeller Portfolios (MK2, MF1, MF2)
Berechnung von PageRank und verwandten Rängen (MK1, MK2, MF1, MF2)
Latente semantische Analyse via Singulärwertzerlegung (MK2, MF2)
Personale Kompetenz:
Fähigkeit, intuitiv gegebene Begriffe wie Information, optimale sichere Anlagestrategie, Wichtigkeit oder Ähnlichkeit von Dokumenten und Webseiten durch verschiedene Ansätze mathematisch zu modellieren und die Vor- und Nachteile der verschiedenen Möglichkeiten abzuschätzen (MK2, MF2, MO2, MO4)
Quantisierung von Information und inhaltliche Interpretation der entsprechenden Maße (MK1, MO2)
Verständnis für Möglichkeiten und Grenzen log-optimaler Anlagestrategien (MK2, MF1, MF2)
Verständnis für die Rolle der Linearen Algebra in der Informationssuche und der Klassifikation von Information (MK1, MK2, MF1, MF2)
Methodenkompetenz:
Umgang mit gängigen Informationsmaßen (MF2)
Datenkompression mit Huffman-Bäumen und mit Transformationen (MO2)
Berechnung log-optimaler und universeller Portfolios (MK2, MF1, MF2)
Berechnung von PageRank und verwandten Rängen (MK1, MK2, MF1, MF2)
Latente semantische Analyse via Singulärwertzerlegung (MK2, MF2)
Personale Kompetenz:
Fähigkeit, intuitiv gegebene Begriffe wie Information, optimale sichere Anlagestrategie, Wichtigkeit oder Ähnlichkeit von Dokumenten und Webseiten durch verschiedene Ansätze mathematisch zu modellieren und die Vor- und Nachteile der verschiedenen Möglichkeiten abzuschätzen (MK2, MF2, MO2, MO4)
Recommended requirement:
Examination achievement:
Mündliche Prüfung oder schriftliche Klausur
Instructor(s):
Wolfgang Seiler
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 13:45 – 15:15 | A 305 Seminarraum; B 6, 23–25 Bauteil A |
| Wednesday (weekly) | 06.09.2023 – 06.12.2023 | 13:45 – 15:15 | A 305 Seminarraum; B 6, 23–25 Bauteil A |
Description:
Shannons Entropie und abgeleitete Informationsmaße
Entropie und Datenkompression
Die Wettstrategie von Kelly
Log-optimale Portfolios
Universelle Portfolios
Vektorraummethoden in der Informationssuche
Matrixzerlegungen und latente semantische Analyse
PageRank und verwandte Verfahren
Entropie und Datenkompression
Die Wettstrategie von Kelly
Log-optimale Portfolios
Universelle Portfolios
Vektorraummethoden in der Informationssuche
Matrixzerlegungen und latente semantische Analyse
PageRank und verwandte Verfahren
MAC 410 Finanzmathematik (Lecture)
EN
Lecture type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Bachelor
Language of instruction:
English
Hours per week:
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):
Simon Weißmann
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 12:00 – 13:30 | A 203 Unterrichtsraum; B 6, 23–25 Bauteil A |
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 12:00 – 13:30 | A 203 Unterrichtsraum; B 6, 23–25 Bauteil A |
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
Markovketten (Lecture)
DE
Lecture type:
Lecture
ECTS:
5.0
Course suitable for:
Bachelor
Language of instruction:
German
Attendance:
Online, recorded
Instructor(s):
Leif Döring, Martin Slowik
MAT 301 Analysis I (Lecture)
DE
Lecture type:
Lecture
ECTS:
10.0 (Modul/e)
Course suitable for:
Bachelor, Master
Language of instruction:
German
Hours per week:
4
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):
Martin Schmidt
Date(s):
| Wednesday (weekly) | 06.09.2023 – 06.12.2023 | 12:00 – 13:30 | A 001 Großer Hörsaal; B 6, 23–25 Bauteil A |
| Friday (weekly) | 08.09.2023 – 08.12.2023 | 10:15 – 11:45 | A 001 Großer Hörsaal; B 6, 23–25 Bauteil A |
Description:
• Mengen und Abbildungen
• reelle Zahlen
• Zahlenfolgen und Reihen
• Funktionen in einer reellen Variablen
• reelle Zahlen
• Zahlenfolgen und Reihen
• Funktionen in einer reellen Variablen
MAT 303 Lineare Algebra I (Lecture)
DE
Lecture type:
Lecture
ECTS:
9.0 (Modul/e)
Course suitable for:
Bachelor, Master
Language of instruction:
German
Hours per week:
4
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):
Claus Hertling
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 10:15 – 11:45 | A 001 Großer Hörsaal; B 6, 23–25 Bauteil A |
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 08:30 – 10:00 | A 001 Großer Hörsaal; B 6, 23–25 Bauteil A |
Description:
• Gruppen, Ringe, Körper, Vektorräume, Lineare Abbildungen, Matrizen, Lineare Gleichungssysteme, Determinanten, Eigenwerte und Diagonalisierung, Euklidische Vektorräume.
MAT 306 Numerik (Lecture)
DE
Lecture type:
Lecture
ECTS:
9.0
Course suitable for:
Bachelor, Master
Language of instruction:
German
Hours per week:
4
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):
Simone Göttlich
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 12:00 – 13:30 | B 144 Hörsaal; A 5, 6 Bauteil B |
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 12:00 – 13:30 | B 144 Hörsaal; A 5, 6 Bauteil B |
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
Mathematische Methoden der Big Data Analytics 1 (Lecture)
DE
Lecture type:
Lecture
ECTS:
8.0
Course suitable for:
Bachelor
Language of instruction:
German
Instructor(s):
Martin Schlather
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 10:15 – 11:45 | D 007 Seminarraum 2; B 6, 27–29 Bauteil D |
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 10:15 – 11:45 | D 007 Seminarraum 2; B 6, 27–29 Bauteil D |
Stochastik 1 (Lecture)
DE
Lecture type:
Lecture
ECTS:
9.0
Course suitable for:
Bachelor
Language of instruction:
German
Examination achievement:
schriftliche Präsenzprüfung
Instructor(s):
Leif Döring
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 13:45 – 15:15 | A 001 Großer Hörsaal; B 6, 23–25 Bauteil A |
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 12:00 – 13:30 | A 001 Großer Hörsaal; B 6, 23–25 Bauteil A |
Business Mathematics (Master)
Algebraische Zahlentheorie (Lecture)
DE
Lecture type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Master
Language of instruction:
German
Hours per week:
4
Attendance:
Online, recorded
Learning target:
Fachkompetenz:
Solides Verständnis für grundlegende Fragen der algebraischen Zahlentheorie
Methodenkompetenz:
Fähigkeit, abstrakte algebraische Techniken in einem konkreten komplexen mathematischen Kontext anzuwenden.
Personale Kompetenz:
Fähigkeit, in abstrakten Strukturen zu denken; Ahnung von heutiger Forschung (Stichwort: „Langlandsprogramm“)
Solides Verständnis für grundlegende Fragen der algebraischen Zahlentheorie
Methodenkompetenz:
Fähigkeit, abstrakte algebraische Techniken in einem konkreten komplexen mathematischen Kontext anzuwenden.
Personale Kompetenz:
Fähigkeit, in abstrakten Strukturen zu denken; Ahnung von heutiger Forschung (Stichwort: „Langlandsprogramm“)
Recommended requirement:
Examination achievement:
Mündliche Prüfung oder schriftliche Klausur
Instructor(s):
Thomas Reichelt
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 13:45 – 15:15 | A 303 Seminarraum; B 6, 23–25 Bauteil A |
Description:
Begriff der Ganzheit, Dedekindringe, Ringerweiterungen, Klassenzahl, Dirichletscher Einheitensatz, Verzweigungstheorie,
Bewertungen, Lokalisierungen, Adelisierungen, Kreisteilungskörper als Spezialfall, Ausblick auf Zetafunktionen
Bewertungen, Lokalisierungen, Adelisierungen, Kreisteilungskörper als Spezialfall, Ausblick auf Zetafunktionen
MAA 519 Stochastic Calculus (Lecture)
EN
Lecture type:
Lecture
ECTS:
5.0 (Modul/e)
Course suitable for:
Master
Language of instruction:
English
Attendance:
Online, recorded
Instructor(s):
David Johannes Prömel
Description:
Brownian motion and martingales in continuous time, Stochastic integration and Ito formula, solution theory for stochastic differential equations (strong solutions, linear SDEs), change of measure (Girsanov theorem), martingale representation theorem
MAB 504 Mathematics and Information (Lecture)
EN
Lecture type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Bachelor, Master
Language of instruction:
English
Hours per week:
4
Learning target:
Fachkompetenz:
Quantisierung von Information und inhaltliche Interpretation der entsprechenden Maße (MK1, MO2)
Verständnis für Möglichkeiten und Grenzen log-optimaler Anlagestrategien (MK2, MF1, MF2)
Verständnis für die Rolle der Linearen Algebra in der Informationssuche und der Klassifikation von Information (MK1, MK2, MF1, MF2)
Methodenkompetenz:
Umgang mit gängigen Informationsmaßen (MF2)
Datenkompression mit Huffman-Bäumen und mit Transformationen (MO2)
Berechnung log-optimaler und universeller Portfolios (MK2, MF1, MF2)
Berechnung von PageRank und verwandten Rängen (MK1, MK2, MF1, MF2)
Latente semantische Analyse via Singulärwertzerlegung (MK2, MF2)
Personale Kompetenz:
Fähigkeit, intuitiv gegebene Begriffe wie Information, optimale sichere Anlagestrategie, Wichtigkeit oder Ähnlichkeit von Dokumenten und Webseiten durch verschiedene Ansätze mathematisch zu modellieren und die Vor- und Nachteile der verschiedenen Möglichkeiten abzuschätzen (MK2, MF2, MO2, MO4)
Quantisierung von Information und inhaltliche Interpretation der entsprechenden Maße (MK1, MO2)
Verständnis für Möglichkeiten und Grenzen log-optimaler Anlagestrategien (MK2, MF1, MF2)
Verständnis für die Rolle der Linearen Algebra in der Informationssuche und der Klassifikation von Information (MK1, MK2, MF1, MF2)
Methodenkompetenz:
Umgang mit gängigen Informationsmaßen (MF2)
Datenkompression mit Huffman-Bäumen und mit Transformationen (MO2)
Berechnung log-optimaler und universeller Portfolios (MK2, MF1, MF2)
Berechnung von PageRank und verwandten Rängen (MK1, MK2, MF1, MF2)
Latente semantische Analyse via Singulärwertzerlegung (MK2, MF2)
Personale Kompetenz:
Fähigkeit, intuitiv gegebene Begriffe wie Information, optimale sichere Anlagestrategie, Wichtigkeit oder Ähnlichkeit von Dokumenten und Webseiten durch verschiedene Ansätze mathematisch zu modellieren und die Vor- und Nachteile der verschiedenen Möglichkeiten abzuschätzen (MK2, MF2, MO2, MO4)
Recommended requirement:
Examination achievement:
Mündliche Prüfung oder schriftliche Klausur
Instructor(s):
Wolfgang Seiler
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 13:45 – 15:15 | A 305 Seminarraum; B 6, 23–25 Bauteil A |
| Wednesday (weekly) | 06.09.2023 – 06.12.2023 | 13:45 – 15:15 | A 305 Seminarraum; B 6, 23–25 Bauteil A |
Description:
Shannons Entropie und abgeleitete Informationsmaße
Entropie und Datenkompression
Die Wettstrategie von Kelly
Log-optimale Portfolios
Universelle Portfolios
Vektorraummethoden in der Informationssuche
Matrixzerlegungen und latente semantische Analyse
PageRank und verwandte Verfahren
Entropie und Datenkompression
Die Wettstrategie von Kelly
Log-optimale Portfolios
Universelle Portfolios
Vektorraummethoden in der Informationssuche
Matrixzerlegungen und latente semantische Analyse
PageRank und verwandte Verfahren
MAC 503 Einführung in die Extremwertstatistik (Lecture)
DE
Lecture type:
Lecture
ECTS:
8.0 (Modul/e)
Course suitable for:
Master
Language of instruction:
German
Hours per week:
4
Learning target:
Fachkompetenz:
Grundkenntnisse Extremwerttheorie und der Anwendung (MK1)
Grundkenntnisse über regulär variierende Funktionen
Methodenkompetenz:
Schätzen von Modellparametern für und Vorhersage von extremen Ereignissen im Sinne der Extremwerttheorie (MK2)
Grundlegende Rechenverfahren in der Extremwerttheorie (MK1, MF3)
Personale Kompetenz:
Problembewusstsein für und qualifizierter Umgang mit Extremereignissen (MO3, MO4)
Kompetenz im Umgang mit nicht additiven Strukturen in der Stochastik (MF3, MO3)
Grundkenntnisse Extremwerttheorie und der Anwendung (MK1)
Grundkenntnisse über regulär variierende Funktionen
Methodenkompetenz:
Schätzen von Modellparametern für und Vorhersage von extremen Ereignissen im Sinne der Extremwerttheorie (MK2)
Grundlegende Rechenverfahren in der Extremwerttheorie (MK1, MF3)
Personale Kompetenz:
Problembewusstsein für und qualifizierter Umgang mit Extremereignissen (MO3, MO4)
Kompetenz im Umgang mit nicht additiven Strukturen in der Stochastik (MF3, MO3)
Recommended requirement:
Examination achievement:
mündliche Prüfung
Instructor(s):
Martin Schlather
Date(s):
| Tuesday (weekly) | 05.09.2023 – 05.12.2023 | 08:30 – 10:00 | D 007 Seminarraum 2; B 6, 27–29 Bauteil D |
| Thursday (weekly) | 07.09.2023 – 07.12.2023 | 08:30 – 10:00 | D 007 Seminarraum 2; B 6, 27–29 Bauteil D |
Description:
univariate und multivariate Extremwerttheorie
Maxima von unabhängig und identisch verteilten Zufallsvariablen
max-stabile Verteilungen und ihre Anziehungsbereiche
max-unendlich oft teilbare Verteilungen; Spektral-Maß; Punktprozess-Darstellung; Charakteristiken
Schätzer für den extreme value index
Maxima von unabhängig und identisch verteilten Zufallsvariablen
max-stabile Verteilungen und ihre Anziehungsbereiche
max-unendlich oft teilbare Verteilungen; Spektral-Maß; Punktprozess-Darstellung; Charakteristiken
Schätzer für den extreme value index
Markov Processes (Lecture)
EN
Lecture type:
Lecture
ECTS:
5
Course suitable for:
Master
Language of instruction:
English
Attendance:
Online, recorded
Recommended requirement:
Examination achievement:
Oral exam
Instructor(s):
Leif Döring, 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
Numerics of Ordinary Differential Equations (Lecture)
EN
Lecture type:
Lecture
ECTS:
Course suitable for:
Master
Language of instruction:
English
Hours per week:
2
Attendance:
Live & on-campus
Instructor(s):
Andreas Neuenkirch
Date(s):
| Monday (weekly) | 04.09.2023 – 04.12.2023 | 13:45 – 15:15 | C 013 Hörsaal; A 5, 6 Bauteil C |
