Foto: Staatliche Schlösser und Gärten Baden-Württemberg

Wirtschafts­mathematik und Wirtschafts­informatik (alle)

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.

Wirtschafts­informatik (Bachelor)

Analysis für Wirtschafts­informatiker (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
8.0
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
4
Lernziel:
Fach­kompetenz:
  • Vertrautheit im Umgang mit den grundlegenden Begriffen und Methoden der Analysis sowie der wesentlichen mathematischen Beweismethoden.

Methoden­kompetenz:

  • Fähigkeit Sachverhalte zu formalisieren, abstraktes Denken.

Personale Kompetenz:

  • Teamarbeit.
Empfohlene Voraussetzungen:
Literatur:
Keine
Prüfungs­leistung:
Keine
Lektor(en):
Simone Göttlich
Beschreibung:
  • Mengen und Abbildungen
  • Die reellen Zahlen
  • Folgen, Reihen und Potenzreihen
  • Stetigkeit und Differenzierbarkeit von Funktionen in einer reellen Variablen
  • Riemann-Integral
  • Differenzierbarkeit von Funktionen in mehreren reellen Variablen
  • Optional: Mehrdimensionale Integralrechnung, algorithmische Fragestellungen
Data Mining (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lernziel:
Expertise:
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
Empfohlene Voraussetzungen:
Literatur:
Foundations of Statistics, Practical Informatics I
Prüfungs­leistung:
Foundations of Statistics, Practical Informatics I
Lektor(en):
Christian Bizer , Anna Primpeli
Beschreibung:
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)
Data Security and Privacy (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
englisch
Lektor(en):
Frederik Armknecht
Praktikum Software Engineering (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
5.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
4
Lernziel:
Fach­kompetenz:
Kenntnisse der Schlüssel­technologien der modernen Softwaretechnik, sowie der gängigen Software Entwicklungs­prozesse. Dies umfasst insbesondere die Gebiete der System- und Anforderungs­analyse, An-wendungs­design und Systemarchitektur, Implementierung, Validie-rung und Verifikation, Testen, Softwarequalität, Wartung und Wei-ter­entwicklung von Softwaresystemen.
Methoden­kompetenz:
Die Fähigkeit große Softwaresysteme beschreiben, entwerfen und entwickeln zu können unter Berücksichtigung diverser Risiken, die in industriellen Großprojekten auftreten (bspw. Qualität, Kosten, unter-schiedliche Stakeholder, Termindruck, …).
Personale Kompetenz:
Fähigkeiten große Softwaresysteme im Team zu entwerfen, zu entwickeln / implementieren, zu testen und auszuliefern.
Fähigkeiten ein komplexes Themengebiet in schriftlicher und mündlicher Form klar und unmissverständlich wiederzugeben.
Empfohlene Voraussetzungen:
Literatur:
Programmier­praktikum I, Praktische Informatik I, Programmierprakti-kum II, Algorithmen und Datenstrukturen
Prüfungs­leistung:
Programmier­praktikum I, Praktische Informatik I, Programmierprakti-kum II, Algorithmen und Datenstrukturen
Lektor(en):
Arne Lange
Beschreibung:
Die Veranstaltung befasst sich mit dem der Methoden und Techniken die für eine team-orientierte, ingenieurmäßige Entwicklung von nicht-trivialen Softwaresystemen erforderlich sind. Insbesondere sind dies:
  • Software-Entwicklungs­prozesse
  • System- und Anforderungs­analyse
  • Anwendungs­design und Systemarchitektur
  • Softwarequalität
  • Validierung, Verifikation und Testen
  • Wartung und Weiter­entwicklung
Praktische Informatik II (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
4
Lernziel:
Fach­kompetenz:
Aufbau und Arbeits­weise moderner Digitalrechner, Aufgaben und Funktions­weise moderner Betriebs­systeme, insbesondere Prozess- und Speicherverwaltung. Aufbau und Arbeits­weise von Compilern.
Methoden­kompetenz:
Entwurf einfacher logischer Schaltungen, Lösung von Programmier-aufgaben in Programmieren, Entwurf einfacher Grammatiken, Um-gang mit Compiler-Generatoren.
Personale Kompetenz:
Selbständiges Arbeiten in Kleingruppen.
Empfohlene Voraussetzungen:
Literatur:
Praktische Informatik I
Prüfungs­leistung:
Praktische Informatik I
Lektor(en):
Rainer Gemulla
Beschreibung:
Die Vorlesung beschäftigt sich mit den technischen und methodischen Grundlagen der Ausführung von Anwendungs­programmen auf modernen Digitalrechnern. Dies umfasst vor allem die folgenden Gebiete:

1. Rechnerarchitektur
2. Betriebs­systeme
3. Compilerbau
4. Java Virtual Machine
Programmier­praktikum II (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
5.0
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
2
Lernziel:
Fach­kompetenz:
  • Gründliche Kenntnis der Programmiersprache Java
  • Fortgeschrittene Programmier­kenntnisse in Themen­bereichen wie bspw. Assertions, Client-Server Kommunikation, Multi-Threading, sowie häufig verwendete Java-Bibliotheken und Frameworks.
  • Vertraut mit JUnit und den wichtigsten Konzepten des Software-Testens mit Java.

Methoden­kompetenz:

  • Fähigkeit die erlernten Fach­kompetenzen einzusetzen und somit qualitative anspruchsvolle Java-Anwendungen zu entwickeln und zu warten.

Personale Kompetenz:

  • Eigen­verantwortliches Arbeiten
  • Team­fähigkeit
Empfohlene Voraussetzungen:
Literatur:
keine
Prüfungs­leistung:
keine
Lektor(en):
Ursula Rost
Beschreibung:
Im Programmier­praktikum II werden die erworbenen Kenntnisse aus der Veranstaltung Programmier­praktikum I erweitert und vertieft. Basierend auf der Programmiersprache Java, werde hier die folgenden Themengebiete vermittelt:
 
  • Generische Datentypen,
  • Stream-Klassen (Java IO)
  • Client-Server Kommunikation
  • Multi-Threading
  • JDBC (Datenbanken)
  • Verarbeitung von XML-Dokumenten
  • Assertions (Design by Contract)
  • Testen
  • Weitere ausgewählte Themen
 
Darüber hinaus werden Werkzeuge für die Team-orientierte  Entwicklung größerer Programmpakete vorgestellt. Dazu gehört insbesondere die Entwicklungs­umgebung Eclipse.
Selected Topics in IT-Security (Vorlesung mit Übung, englisch)
Vorlesungs­typ:
Vorlesung mit Übung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
4
Lernziel:
This course aims to increase the security awareness of students and offers them a basic understanding with respect to a variety of interesting topics. After this course, students will be able to (1) learn about symmetric and asymmetric encryption schemes, (2) classify and describe vulnerabilities and protection mechanisms of popular network protocols, web protocols, and software systems (2) analyze / reason about basic protection mechanisms for modern OSs, software and hardware systems.
Empfohlene Voraussetzungen:
Literatur:
No formal prerequisites. However, knowledge with respect to the content of the following lectures are suggested:
Praktische Informatik I und II, Lineare Algebra, Kenntnisse in Programmierung
Prüfungs­leistung:
No formal prerequisites. However, knowledge with respect to the content of the following lectures are suggested:
Praktische Informatik I und II, Lineare Algebra, Kenntnisse in Programmierung
Lektor(en):
Frederik Armknecht
Beschreibung:
Background and Learning Objectives
 
The large-scale deployment of Internet-based services and the open nature of the Internet come alongside with the increase of security threats against existing services. As the size of the global network grows, the incentives of attackers to abuse the operation of online applications also increase and their advantage in mounting successful attacks becomes considerable.
 
These cyber-attacks often target the resources, availability, and operation of online services. In the recent years, a considerable number of online services such as Amazon, CNN, eBay, and Yahoo were hit by online attacks; the losses in revenues of Amazon and Yahoo were almost 1.1 million US dollars. With an increasing number of services relying on online resources, security becomes an essential component of every system.
 
Content Description
 
This lecture covers the security of computer, software systems, and tamper resistant hardware. The course starts with a basic introduction on encryption functions, spanning both symmetric and asymmetric encryption techniques, discusses the security of the current encryption standard AES and explains the concept of Zero-Knowledge proofs. The course then continues with a careful examination of wired and wireless network security issues, and web security threats and mechanisms. This part also extends to analysis of buffer overflows. Finally, the course also covers a set of selected security topics such as trusted computing and electronic voting.
 
Topics:
 
  • Encryption Schemes (Private Key vs. Public Key, Block cipher security) and Cryptographic Protocols
  • Cryptanalysis,e.g., side channel attacks
  • Network Security
  • Wireless Security
  • Web Security (SQL, X-Site Scripting)
  • Buffer Overflows
  • Malware & Botnets
  • Trusted computing
  • Electronic Voting
  • OS Security
Softwaretechnik I (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lernziel:
Fach­kompetenz:
Kenntnisse der Schlüssel­technologien der modernen Softwaretechnik, sowie der gängigen Software Entwicklungs­prozesse. Dies umfasst insbesondere die Gebiete der System- und Anforderungs­analyse, Anwendungs­design und Systemarchitektur, Implementierung, Validierung und Verifikation, Testen, Softwarequalität, Wartung und Weiter­entwicklung von Softwaresystemen. Methoden­kompetenz:
Die Fähigkeit große Softwaresysteme beschreiben, entwerfen und entwickeln zu können unter Berücksichtigung diverser Risiken, die in industriellen Großprojekten auftreten (bspw. Qualität, Kosten, unterschiedliche Stakeholder, Termindruck, …). Personale Kompetenz:
Fähigkeiten große Softwaresysteme im Team zu entwerfen, zu entwi-ckeln / implementieren, zu testen und auszuliefern.
Fähigkeiten ein komplexes Themengebiet in schriftlicher und mündli-cher Form klar und unmissverständlich wiederzugeben.
Empfohlene Voraussetzungen:
Literatur:
Praktische Informatik I, Algorithmen und Datenstrukturen, Programmier­praktikum I
Empfohlen: Programmier­praktikum II
Prüfungs­leistung:
Praktische Informatik I, Algorithmen und Datenstrukturen, Programmier­praktikum I
Empfohlen: Programmier­praktikum II
Lektor(en):
Colin Atkinson
Beschreibung:
Die Veranstaltung befasst sich mit dem Kennenlernen, Verstehen und Anwenden der Methoden, Techniken und Werkzeuge, die für eine team-orientierte, ingenieurmäßige Entwicklung von nicht-trivialen Softwaresystemen erforderlich sind. Insbesondere sind dies:
  • Software-Entwicklungs­prozesse
  • System- und Anforderungs­analyse
  • Anwendungs­design und Systemarchitektur
  • Softwarequalität
  • Validierung, Verifikation und Testen
  • Wartung und Weiter­entwicklung
Theoretische Informatik (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
3
Lernziel:
Fach­kompetenz:
Die Studierenden beherrschen neue grundlegende Konzepte der Informatik, insbesondere im Themenkreis Berechenbarkeit, effiziente Berechenbarkeit, kryptographische Sicherheit. Sie kennen weiterhin grundlegende Techniken der  Komplexitätsanalyse und können diese auf gegebene Berechnungs­probleme anwenden.
Methoden­kompetenz:
Die Studierenden können gegebenen Probleme bezüglich der zu ihrer
Lösung in verschiedener formaler Berechnungs­modelle aufzubringenden Ressourcen klassifizieren. Sie besitzen ein grundlegendes formales Verständnis für die wichtigsten Komplexitätsmerkmale wie nicht berechenbar, nicht effizient berechenbar, effizient berechenbar, kryptographisch sicher.

Personale Kompetenz:
Die Studierenden können Berechnungs­probleme in Anwendungs­zusammenhängen  identifizieren, sie formal  spezifizieren und bezüglich der zu ihrer Lösung nötigen Ressourcen  klassifizieren. Sie besitzen die Fähigkeit, auf höherem Niveau zu abstrahieren, mit formalen Modellierungs­techniken zu arbeiten, und die Komplexität von Problemstellungen abzuschätzen.
Empfohlene Voraussetzungen:
Literatur:
Praktische Informatik I und II, Formale Grundlagen der Informatik, Analysis für Wirtschafts­informatiker, Lineare Algebra, Algorithmen und Datenstrukturen
Prüfungs­leistung:
Praktische Informatik I und II, Formale Grundlagen der Informatik, Analysis für Wirtschafts­informatiker, Lineare Algebra, Algorithmen und Datenstrukturen
Lektor(en):
Matthias Alexander Hamann
Beschreibung:
  • Grundlegende uniforme und nichtuniforme Berechnungs­modelle und Berechnungs­paradigmen
  • Universelle Turingmaschinen und Berechenbarkeit
  • Logik- insbesondere SAT-Algorithmen
  • NP-Vollständigkeits­theorie
  • Formale Sprachen, Grammatiken, Grundlagen des Compilerbaus
Theoretische Informatik (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
3
Lernziel:
Fach­kompetenz:
Die Studierenden beherrschen neue grundlegende Konzepte der Informatik, insbesondere im Themenkreis Berechenbarkeit, effiziente Berechenbarkeit, kryptographische Sicherheit. Sie kennen weiterhin grundlegende Techniken der  Komplexitätsanalyse und können diese auf gegebene Berechnungs­probleme anwenden.
Methoden­kompetenz:
Die Studierenden können gegebenen Probleme bezüglich der zu ihrer
Lösung in verschiedener formaler Berechnungs­modelle aufzubringenden Ressourcen klassifizieren. Sie besitzen ein grundlegendes formales Verständnis für die wichtigsten Komplexitätsmerkmale wie nicht berechenbar, nicht effizient berechenbar, effizient berechenbar, kryptographisch sicher.

Personale Kompetenz:
Die Studierenden können Berechnungs­probleme in Anwendungs­zusammenhängen  identifizieren, sie formal  spezifizieren und bezüglich der zu ihrer Lösung nötigen Ressourcen  klassifizieren. Sie besitzen die Fähigkeit, auf höherem Niveau zu abstrahieren, mit formalen Modellierungs­techniken zu arbeiten, und die Komplexität von Problemstellungen abzuschätzen.
Empfohlene Voraussetzungen:
Literatur:
Praktische Informatik I und II, Formale Grundlagen der Informatik, Analysis für Wirtschafts­informatiker, Lineare Algebra, Algorithmen und Datenstrukturen
Prüfungs­leistung:
Praktische Informatik I und II, Formale Grundlagen der Informatik, Analysis für Wirtschafts­informatiker, Lineare Algebra, Algorithmen und Datenstrukturen
Lektor(en):
Matthias Alexander Hamann
Beschreibung:
  • Grundlegende uniforme und nichtuniforme Berechnungs­modelle und Berechnungs­paradigmen
  • Universelle Turingmaschinen und Berechenbarkeit
  • Logik- insbesondere SAT-Algorithmen
  • NP-Vollständigkeits­theorie
  • Formale Sprachen, Grammatiken, Grundlagen des Compilerbaus
Wirtschafts­informatik II: Grundlagen der Modellierung (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
2
Lernziel:
Fach­kompetenz:
  • Kenntnisse aktueller Modellierungs­sprachen und Werkzeugen.
  • Verständnis für Grundprinzipien und Formalen Grundlagen der Modellierung von Anwendungs­domänen und Prozessen.

Methoden­kompetenz:
  • Beschreibung von Domänen und Prozesse einfacher und mittlerer Komplexität mit Hilfe gängiger Sprachen und Werkzeuge

Personale Kompetenz:
  • Verständnis komplexer Zusammenhänge, Arbeiten im Team, Kommunikation von Modellierungs­entscheidungen
Empfohlene Voraussetzungen:
Literatur:
Formale Grundlagen der Informatik (insbes. Graphen, Logik, Automaten)
Prüfungs­leistung:
Formale Grundlagen der Informatik (insbes. Graphen, Logik, Automaten)
Lektor(en):
Christian Meilicke , Heiner Stuckenschmidt
Beschreibung:
Die Vorlesung behandelt die Rolle konzeptueller Modellierung in der Wirtschafts­informatik. Es werden Vorteile und Grenzen der Modlelierung im Unternehmenkontext aufgezeigt und Modellierungs­sprachen und Werkzeuge eingeführt. Inhalte der Veranstaltung umfassen unter anderem:
  • Modellierungs­prinzipien
  • Praxisnahe Sprachen (UML, BPMN)
  • Formale Grundlagen von Modellierungs­sprachen (Logik, Pertri-Netze)
  • Modellierungs­werkzeuge.
In der begleitenden Übung erstellen die Teilnehmer konzpetuelle Modelle realer Anwendungs­domänen mit Hilfe aktueller Modellierungs­sprachen und Werkzeuge.
Wirtschafts­informatik IV - IS 204 (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
2
Lernziel:
The overall aim is to provide students with concepts of distributed systems from a theoretical and practical view. In the lecture students will learn the theoretical concepts. Some aspects of these topics will be elaborated in more detail in the exercise sessions. Here, concrete examples and implementations are presented and discussed.
Interactive tutorials complement the lectures and exercises and pro-vide means for the students to provide own solutions in essay and code to core problems of distributed information systems.
The students will get a profound base in distributed computing as well as networks with the associated problems and how to adress and solve these challenges.
Empfohlene Voraussetzungen:
Literatur:
Praktische Informatik I, Praktische Informatik II, Algorithmen und Datenstrukturen
Prüfungs­leistung:
Praktische Informatik I, Praktische Informatik II, Algorithmen und Datenstrukturen
Lektor(en):
Christian Becker , Jens Naber
Beschreibung:
This lecture covers basic principles of modern information systems. Such systems are characterized by their distributed nature. Thus we will discuss architectures of information systems as well as underlying concepts of computer communication and distributed systems.
 
The following topics will be covered in the lecture:
  • Introduction to Distributed Systems, and Computer­Networks
    • Distributed Systems: Characteristics and Requirements
    • Communication models
    • Layered communication networks
    • Reference Models (ISO/OSI, TCP/IP)
    • Communication Services: connection-oriented/less
    • Socket API
  • Middleware
    • Distributed Shared Memory
    • Message Passing
    • Pub/Sub
    • Mobile Agents
    • Multimedia
    • RPC, RMI
  • Application Protocols
    • SMTP
    • FTP
    • HTTP+HTML
    • IIOP
  • Presentation Layer
    • Classification
    • Requirements
    • Approaches
    • ASN.1
    • XDR
    • XML
  • Synchronization (conditional if covered in Praktische Informatik II)
    • Processes and concurrency
    • Race Conditions
    • Critical Regions
    • Semaphores/Monitors
    • Deadlocks
  • Time and Global States
    • Physical clocks (Cristian’s algorithm, Logical clocks, Lamport’s algorithm)
    • Vector Clocks
    • Global States
    • Snapshot Algorithm
  • Replication
    • Passive Replication
    • Active Replication
  • Peer to Peer Architectures
    • Application examples
    • Achitectures (centralized, distributed, hybrid)
    • Gnutella
    • Chord
  • Network Security Basics
    • Security Goals, Threats, Attacks
    • Security Mechanisms
    • Threats in Communication Networks
    • Security Goals & Requirements
    • Network Security Analysis
    • Safeguards

Wirtschafts­informatik (Master)

Data Mining (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lernziel:
Expertise:
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
Empfohlene Voraussetzungen:
Literatur:
Foundations of Statistics, Practical Informatics I
Prüfungs­leistung:
Foundations of Statistics, Practical Informatics I
Lektor(en):
Christian Bizer , Anna Primpeli
Beschreibung:
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)
Data Mining and Matrices (Vorlesung mit Übung, englisch)
Vorlesungs­typ:
Vorlesung mit Übung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lernziel:
Expertise:
Knowledge of the techniques, opportunities, and applications of matrix decompositions in data mining
Methodological competence:
  • Apply matrix decompositions for data mining tasks
  • Analyze and interpret matrix decompositions

Personal competence:

  • writing skills
  • presentation skills
Empfohlene Voraussetzungen:
Literatur:
IE 500 Data Mining (recommended, not required), basic knowledge of linear algebra
Prüfungs­leistung:
IE 500 Data Mining (recommended, not required), basic knowledge of linear algebra
Lektor(en):
Rainer Gemulla
Beschreibung:
Many data mining tasks operate on dyadic data, i.e., data involving two types of entities (e.g., users and products, objects and attributes, or points and coordinates); such data can be naturally represented in terms of a matrix. Matrix decompositions, with which we (approximately) represent the data matrix as a product of two (or more) factor matrices, can be used to perform many common data mining tasks. In this lecture, we explore the use of matrix decompositions in data mining, cover data mining tasks such as prediction, clustering and pattern mining, and application areas such as recommender systems and topic modelling.
Data Mining II (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lernziel:
Expertise:
Students will acquire knowledge of advanced techniques and applications of data mining.
Methodological competence:
  • Successful participants will be able to address advanced issues in data mining projects, conduct complex projects and develop applications in the data mining field.
  • project organization skills

Personal competence:

  • presentation skills
  • team work skills
Empfohlene Voraussetzungen:
Literatur:
IE 500 Data Mining, programming skills in Java
Prüfungs­leistung:
IE 500 Data Mining, programming skills in Java
Lektor(en):
Beschreibung:
Data mining deals with the discovery of patterns in data, and with making predictions for the future, based on observations of the past. This course covers advanced issues in data mining which need to be addressed when applying data mining methods in real world projects, including:
  • Data Preprocessing
  • Regression and Forecasting
  • Dimensionality Reduction
  • Anomaly Detection
  • Time Series Analysis
  • Parameter Tuning
  • Ensemble Learning
  • Online Learning
Data Security and Privacy (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
englisch
Lektor(en):
Frederik Armknecht
Datenbanksysteme II (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lernziel:
Fach­kompetenz:
  • Grundlegende Kenntnisse in verteilte relationale Datenbanken
  • objekt­orientierte Datenbanken
  • objektrelationale Datenbanken
  • deduktive Datenbanken
  • XML-Datenbanken
  • OLAP/OLTP
  • Leistungs­bewertung

Methoden­kompetenz:

  • Verständnis der alternativen Datenrepräsentationen, deren Vor- und Nachteile
  • Ziel­orientierter Einsatz der verschiedenen Datenrepräsentationen

Personale Kompetenz:

  • Verständnis der Rolle alternativer Daten­modelle für fundamentale betriebliche Informations­systeme
Empfohlene Voraussetzungen:
Literatur:
Datenbanksysteme I und deren Voraussetzungen
Prüfungs­leistung:
Datenbanksysteme I und deren Voraussetzungen
Lektor(en):
Guido Moerkotte
Beschreibung:
Über das relationale Modell hinausgehende Themen (objekt­orientierte, objektrelationale Datenbanken, SQL/XML).
Higher Level Computer Vision (Vorlesung mit Übung, deutsch)
Vorlesungs­typ:
Vorlesung mit Übung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
4
Lernziel:
Expertise: The students have a detailed understanding of Computer Vision techniques. They can evaluate given Computer Vision algorithms.

Methodological competence: Students understand the technical basis of Computer Vision algorithms; they can explain the discussed methods and implement them.

Personal competence: Understanding complex Computer Vision problems; thorough judgment in the design and use of methods; can work efficiently in a team.
Empfohlene Voraussetzungen:
Literatur:
R. Szeliski: Computer Vision Algorithms and Applications, Springer, 2010. ISBN: 978-1-84882-934-3. (Online available: http://szeliski.org/Book/
D. Forsyth, J. Ponce: Computer Vision: A Modern Approach, Prentice Hall, 2nd edition, 2012. ISBN: 978-0136085928 (Online available: http://cmuems.com/excap/readings/forsyth-ponce-computer-vision-a-modern-approach.pdf
R. Hartley, A. Zisserman: Multiple View Geometry in Computer Vision, Cambridge University Press, 2nd edition, 2004.
Lektor(en):
Margret Keuper
Beschreibung:
Aim of module
Diffusion Filters, TV minimization
Image Segmentation
Combinatorial optimization
Spectral Clustering
Optical Flow
Video and Motion Segmentation
3D Geometry (Camera Calibration, Stereo Reconstruction)
Structure from Motion
Deep Learning for Computer Vision
Information Retrieval and Web Search (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lernziel:
Expertise:
Students will acquire knowledge of fundamental techniques of Information Retrieval and Web Search, including standard retrieval models, evaluation of information retrieval systems, text classification and clustering, as well as web search topics such as crawling and link-based algorithms.
Methodological competence:
Successful participants will be able to understand state-of-the-art methods for Information Retrieval and Web search, as well as being able to select, apply and evaluate the most appropriate techniques for a variety of different search scenarios.
Personal competence:
  • presentation skills;
  • team work skills.
Empfohlene Voraussetzungen:
Literatur:
Programming skills (Java/C++ preferred). Fundamental notions of linear algebra, probability theory, as well as algorithms and data structures.
Prüfungs­leistung:
Programming skills (Java/C++ preferred). Fundamental notions of linear algebra, probability theory, as well as algorithms and data structures.
Lektor(en):
Goran Glavas
Beschreibung:
Given the vastness and richness of the Web, users need high-performing, scalable and efficient methods to access its wealth of information and satisfy their information needs. As such, being able to search and effectively retrieve relevant pieces of information from large text collections is a crucial task for the majority (if practically not all) of Web applications. In this course we will explore a variety of basic and advanced techniques for text-based information retrieval and Web search. Covered topics will include:
 
  • Efficient text indexing;
  • Boolean and vector space retrieval models;
  • Evaluation of retrieval systems;
  • Probabilistic Information Retrieval;
  • Text classification and clustering;
  • Web search, crawling and link-based algorithms.
 
Coursework will include homework assignments, a term project and a final exam. Homework assignments are meant to introduce the students to the problems that will be covered in the final exam at the end of the course. In addition, students are expected to successfully complete a term project in teams of 2-4 people. The projects will focus on a variety of IR problems covered in class. Project deliverables include both software (i.e., code and documentation) and a short report explaining the work performed and its evaluation.
Knowledge Graphs Seminar (Seminar, englisch)
Vorlesungs­typ:
Seminar
ECTS:
4.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
englisch
Lektor(en):
Heiko Paulheim
Knowledge Graphs Seminar (Seminar, englisch)
Vorlesungs­typ:
Seminar
ECTS:
4.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
englisch
Lektor(en):
Query Optimization (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lernziel:
Fach­kompetenz:
  • Verständnis der Grundlegenden Funktions­weisen alternativer Plangeneratoren,
  • detaillierte Kenntnisse physischer Planalternativen,
  • detaillierte Kostenanalysen

Methoden­kompetenz:

  • Algorithmen und Komplexitäten der Plangenerierung,
  • Kostenrechnung anhand gegebener Statistiken

Personale Kompetenz:

  • Fundamentales Verständnis für die Probleme und Lösungen der traditionellen Anfragebearbeitung
Empfohlene Voraussetzungen:
Literatur:
Datenbanksysteme I und deren Voraussetzungen, Kombinatorik, Statistik
Prüfungs­leistung:
Datenbanksysteme I und deren Voraussetzungen, Kombinatorik, Statistik
Lektor(en):
Guido Moerkotte
Beschreibung:
Grundlagen der Anfrageoptimierung

Wirtschafts­mathematik (Bachelor)

Dynamische Systeme und Stabilität (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
4
Lektor(en):
Li Chen
MAA 403 Dynamische Systeme (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
4
Lernziel:
Fach­kompetenz:
• Grundbegriffe gewöhnlicher und partieller Differenzialgleichungen (BF1, BK1)
• Trennung der Variablen, exakte Differenzialgleichungen (BK1, BO3)
• maximale Lösungen (BK1)
• lineare Flüsse (BK1)
• Prinzip der linearisierten Stabilität (BK1, BF1)
Methoden­kompetenz:
• Erkennen verschiedener Differenzialgleichungen (BF2)
• Berechnen von Lösungen von Differenzialgleichungen (BF2, BO3)
• Erstellung von Phasendiagrammen (BF2)
• Diskussion der Stabilität von Gleichgewichten (BF2, BO3)
Personale Kompetenz:
• Teamarbeit (BF4)
Empfohlene Voraussetzungen:
Literatur:
Analysis I, Analysis II, Grund­kenntnisse Lineare Algebra I
Prüfungs­leistung:
Analysis I, Analysis II, Grund­kenntnisse Lineare Algebra I
Lektor(en):
Li Chen
Beschreibung:
• gewöhnliche Differenzialgleichungen
• Existenz und Eindeutigkeit
• hyperbolische Flüsse
• Stabilitätsanalyse
MAA 405 Funktionen­theorie I (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
4
Lernziel:
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)
Empfohlene Voraussetzungen:
Literatur:
Analysis I, Analysis II, Lineare Algebra I
Prüfungs­leistung:
Analysis I, Analysis II, Lineare Algebra I
Lektor(en):
Wolfgang Seiler
Beschreibung:
• Komplexe Differenzierbarkeit
• holomorphe und meromorphe Funktionen
• Analytische Fortseztung
• Singularitäten holomorpher Funktionen
• Residuenkalkül
• spezielle Funktionen
MAA 406 Geometrie (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
5.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
2
Lernziel:
Fach­kompetenz:
• Fundierte Kenntnisse klassischer Themen der Geometrie (BK1).
Methoden­kompetenz:
• Konkrete geometrische Situationen mit Techniken der LA und der Algebra behandeln können (BF1, BF2, BO2).
• Die historische Entwicklung von Teilen der Geometrie würdigen (BF2).
Personale Kompetenz:
• Strukturiertes Denken (BO2), Kommunikations­fähigkeit (BO1, BO4).
Empfohlene Voraussetzungen:
Literatur:
Lineare Algebra I und II (a+b)
Prüfungs­leistung:
Lineare Algebra I und II (a+b)
Lektor(en):
Claus Hertling
Beschreibung:
• Grundlagen der affinen, euklidischen und projektiven Geometrie, Parallel- und Zentral­projektion, Einblicke in eine nichteuklidische Geometrie, Isometriegruppen euklidischer Räume, Platonische Körper, Eulersche Polyederformel, Eulerzahl, Geometrie der Kegelschnitte
MAA 508 Advanced Analysis (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
englisch
SWS:
4
Empfohlene Voraussetzungen:
Literatur:
Linear algebra I, Analysis I,II
Prüfungs­leistung:
Linear algebra I, Analysis I,II
Lektor(en):
Li Chen
Beschreibung:
This course will start with basic knowledge of real analysis, includes measure and integration, then we will go into some advanced topics in analysis, such as L^p spaces, distributions, the Fourier transform, Sobolev spaces and related inequalities. These are necessary knowledge in modern PDE theories and their applications (for example, in physics, biology and economy).
MAB 406 Lineare Algebra II / B (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
5.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
2
Lernziel:
Fach­kompetenz:
• Vertiefung der Linearen Algebra I wie Sesquilinearformen und Spektralsätze kennen (BK1)
Methoden­kompetenz:
• Das Wechselspiel zwischen abstrakten Objekten (Endomorphismen, Bilinearformen) und repräsentierenden konkreten Daten (Matrizen) würdigen (BF1, BO2).
• Die Verbindung von Algebra und Geometrie würdigen (BF1, BO2).
Personale Kompetenz:
• Strukturiertes Denken (BO2).
• Teamarbeit (BF4).
• Kommunikations­fähigkeit (BO1, BO4).
Lektor(en):
Daniel Roggenkamp
Beschreibung:
• Algebra und Geometrie der Sesquilinearformen und Bilinearformen
• Spektralsätze
MAC 405 Stochastische Simulation (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
2
Lernziel:
Fach­kompetenz:
Mathematischer Hintergrund und Algorithmen zur Erzeugung von Pseudozufallszahlen (BK1, BK3, BO3)
Grundverständnis für die Erzeugung von Algorithmen für die Simulation von „discrete event systems“ (BK3, BO2)
„Goodness-of-fit“ Tests (BK1)
Mathematischer Hintergrund und Algorithmen zur numerischen Behandlung von Markovketten in diskreter und stetiger Zeit (BK3, BO3)
Grundverständnis von Monte-Methoden und ihrer Verbesserungen durch Varianzreduktions­verfahren (BK1, BK3, BO3)
Grundverständnis der Markovketten-Monte-Carlo Methode (BK1, BK3, BO3)
Methoden­kompetenz:
Erkennen, welche Algorithmen zur Erzeugung von Pseudozufallszahlen verschiedener Verteilungen eingesetzt werden können, Umsetzung in konkrete Programme (BF2, BF3, BO3)
Fähigkeit einfache stochastische Modelle zu simulieren und die Ergebnisse zu validieren (BF2, BF3, BO3)
Grund­kenntnisse in der Programmierung mit Scilab (BF3)
Personale Kompetenz:
Teamarbeit (BF4)
Empfohlene Voraussetzungen:
Literatur:
Einführung in die Wahrscheinlichkeits­theorie, Grund­kenntnisse in Programmierung mit Scilab (o.ä.), C oder C++ sind nützlich, aber nicht notwendig
Prüfungs­leistung:
Einführung in die Wahrscheinlichkeits­theorie, Grund­kenntnisse in Programmierung mit Scilab (o.ä.), C oder C++ sind nützlich, aber nicht notwendig
Lektor(en):
Beschreibung:
Erzeugung von Pseudozufallszahlen: Inversions-, Kompositions- und Akzeptanz-Verwerfungs­methode, spezielle Methoden
Simulation diskreter Ereignissysteme
Monte-Carlo-Methode, Varianzreduktion
Statistische Validierung: Chi-Quadrat-Test, Kolmogorov-Smirnov-Test
Numerische Behandlung von Markovketten
Markovketten-Monte-Carlo
MAC 405 Stochastische Simulation (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
2
Lernziel:
Fach­kompetenz:
Mathematischer Hintergrund und Algorithmen zur Erzeugung von Pseudozufallszahlen (BK1, BK3, BO3)
Grundverständnis für die Erzeugung von Algorithmen für die Simulation von „discrete event systems“ (BK3, BO2)
„Goodness-of-fit“ Tests (BK1)
Mathematischer Hintergrund und Algorithmen zur numerischen Behandlung von Markovketten in diskreter und stetiger Zeit (BK3, BO3)
Grundverständnis von Monte-Methoden und ihrer Verbesserungen durch Varianzreduktions­verfahren (BK1, BK3, BO3)
Grundverständnis der Markovketten-Monte-Carlo Methode (BK1, BK3, BO3)
Methoden­kompetenz:
Erkennen, welche Algorithmen zur Erzeugung von Pseudozufallszahlen verschiedener Verteilungen eingesetzt werden können, Umsetzung in konkrete Programme (BF2, BF3, BO3)
Fähigkeit einfache stochastische Modelle zu simulieren und die Ergebnisse zu validieren (BF2, BF3, BO3)
Grund­kenntnisse in der Programmierung mit Scilab (BF3)
Personale Kompetenz:
Teamarbeit (BF4)
Empfohlene Voraussetzungen:
Literatur:
Einführung in die Wahrscheinlichkeits­theorie, Grund­kenntnisse in Programmierung mit Scilab (o.ä.), C oder C++ sind nützlich, aber nicht notwendig
Prüfungs­leistung:
Einführung in die Wahrscheinlichkeits­theorie, Grund­kenntnisse in Programmierung mit Scilab (o.ä.), C oder C++ sind nützlich, aber nicht notwendig
Lektor(en):
Beschreibung:
Erzeugung von Pseudozufallszahlen: Inversions-, Kompositions- und Akzeptanz-Verwerfungs­methode, spezielle Methoden
Simulation diskreter Ereignissysteme
Monte-Carlo-Methode, Varianzreduktion
Statistische Validierung: Chi-Quadrat-Test, Kolmogorov-Smirnov-Test
Numerische Behandlung von Markovketten
Markovketten-Monte-Carlo
MAT 302 Analysis II (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
10.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
4
Lernziel:
Fach­kompetenz:
• Konvergenz in metrischen Räumen (BK1)
• Stetigkeit von Abbildungen zwischen metrischen Räumen (BK1)
• Differenzierbarkeit von Funktionen mehrerer Variablen  (BK1)
• Grundbegriffe der nichtlinearen Analysis (BF1, BK1)
• Integration von Funktionen mehrerer Variablen (BK1)
Methoden­kompetenz:
• mathematische Beweisführung (BF1, BO2)
• Hantieren mit Gleichungen und Ungleichungen (BF1, BO2)
• Berechnen von Grenzwerten (BF1,BO3)
• Berechnen von Ableitungen (BO2)
• Bestimmung von Minima unter Zwangs­bedingungen (BF2, BO3)
• Berechnen von Integralen (BO2)
Personale Kompetenz:
• Teamarbeit (BF4)
Empfohlene Voraussetzungen:
Literatur:
Analysis I, Grund­kenntnisse in Linearer Algebra I
Prüfungs­leistung:
Analysis I, Grund­kenntnisse in Linearer Algebra I
Lektor(en):
Leif Döring
Beschreibung:
• metrische Räume
• normierte Vektorräume
• Funktionen mehrerer Variabler
• Funktionale
MAT 304 Lineare Algebra II / A (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
4.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
2
Lernziel:
Fach­kompetenz:
• Vertiefungen der Linearen Algebra I wie Normalformen von Endomorphismen kennen (BK1)
Methoden­kompetenz:
• Das Wechselspiel zwischen abstrakten Objekten (Endomorphismen, Bilinearformen) und repräsentierenden konkreten Daten (Matrizen) würdigen (BF1, BO2).
Personale Kompetenz:
• Strukturiertes Denken (BO2).
• Teamarbeit (BF4).
• Kommunikations­fähigkeit (BO1).
Empfohlene Voraussetzungen:
Literatur:
Lineare Algebra I
Prüfungs­leistung:
Lineare Algebra I
Lektor(en):
Daniel Roggenkamp
Beschreibung:
• Euklidische Vektorräume, Normalformen von Endomorphismen oder andere Ergänzungen zur Linearen Algebra I
MAT 306 Numerik (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
9.0
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
4
Lernziel:
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)
Empfohlene Voraussetzungen:
Literatur:
Analysis I, Analysis II, Lineare Algebra I
Prüfungs­leistung:
Analysis I, Analysis II, Lineare Algebra I
Lektor(en):
Beschreibung:
• Numerik linearer Gleichungs­systeme
• Störungs­theorie und Fehleranalyse
• Lineare Ausgleichsrechnung
• Eigenwert­probleme
• Nichtlineare Gleichungs­systeme: Fixpunktiterationen, insbesondere Newton-Verfahren
• Interpolation und Splines
• Numerische Integration
Seminar Graph Theory (Seminar, englisch)
Vorlesungs­typ:
Seminar
ECTS:
3.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lektor(en):
Makiko Mase
Nonparametric Statistics (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
englisch
Lektor(en):
Claudia Strauch

Wirtschafts­mathematik (Master)

Lévy Prozesse I (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
Kurs geeignet für:
Kurssprache:
englisch
Lektor(en):
MAA 504 Partial differential equations (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
englisch
SWS:
4
Lernziel:
Fach­kompetenz:
Vertrautheit mit den Grundbegriffen partieller Differenzialgleichungen (MK1)
Vertrautheit mit Distributionen, Hölderräumen und Sobolevräumen (MK1)
Vertrautheit mit Sobolevungleichungen (MK1)
Verständnis des Konzepts der schwachen Lösung (MK1, MO2)
Verständnis des Randverhaltens von Lösungen (MK1, MO2)
Methoden­kompetenz:
Fähigkeit die Existenz von Lösungen zu untersuchen (MO2)
Fähigkeit die Eindeutigkeit von Lösungen zu untersuchen (MO2)
Fähigkeit die Regularität von Lösungen zu untersuchen (MO2)
Personale Kompetenz:
Vertieftes Verständnis für komplexe Argumentationen in der elliptischen Theorie (MO3)
Empfohlene Voraussetzungen:
Literatur:
Analysis I, II, Lineare Algebra I, Einführung in die Wahrscheinlichkeits­theorie
Prüfungs­leistung:
Analysis I, II, Lineare Algebra I, Einführung in die Wahrscheinlichkeits­theorie
Lektor(en):
Martin Schmidt
Beschreibung:
Elliptische Differenzialgleichungen
Funktionen­räume
Randwert­problem, Dirichlet­problem
Apriori Abschätzungen
MAA 506 Topologie und Gleichgewichte (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
4
Lernziel:
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)
Empfohlene Voraussetzungen:
Literatur:
Analysis I und II
Prüfungs­leistung:
Analysis I und II
Lektor(en):
Wolfgang Seiler
Beschreibung:
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
MAA 508 Advanced Analysis (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
englisch
SWS:
4
Empfohlene Voraussetzungen:
Literatur:
Linear algebra I, Analysis I,II
Prüfungs­leistung:
Linear algebra I, Analysis I,II
Lektor(en):
Li Chen
Beschreibung:
This course will start with basic knowledge of real analysis, includes measure and integration, then we will go into some advanced topics in analysis, such as L^p spaces, distributions, the Fourier transform, Sobolev spaces and related inequalities. These are necessary knowledge in modern PDE theories and their applications (for example, in physics, biology and economy).
MAC 502 Computational Finance (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Kurssprache:
englisch
Lektor(en):
Andreas Neuenkirch
MAC 507 Nonlinear Optimization (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lektor(en):
Claudia Schillings , Andreas Sommer
MAC 510 Numerik partieller Differentialgleichungen (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
4
Lektor(en):
Simone Göttlich
MAS 510 Diffusion Equations (Seminar, englisch)
Vorlesungs­typ:
Seminar
ECTS:
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lektor(en):
Li Chen
Seminar Graph Theory (Seminar, englisch)
Vorlesungs­typ:
Seminar
ECTS:
3.0
Kurs geeignet für:
Kurssprache:
englisch
SWS:
2
Lektor(en):
Makiko Mase
Nonparametric Statistics (Vorlesung, englisch)
Vorlesungs­typ:
Vorlesung
ECTS:
6.0 (Modul/e)
Kurs geeignet für:
Kurssprache:
englisch
Lektor(en):
Claudia Strauch
Wahrscheinlichkeits­theorie I (Vorlesung, deutsch)
Vorlesungs­typ:
Vorlesung
ECTS:
8.0
Kurs geeignet für:
Kurssprache:
deutsch
SWS:
4
Lektor(en):
Christian Hirsch

Contact School of Business Informatics and Mathematics

Juliane Roth, M.A.

Juliane Roth, M.A.

Auslands­koordinatorin, Internationales Marketing, Gast­wissenschaft­ler­programm
Universität Mannheim
Fakultät für Wirtschafts­informatik und Wirtschafts­mathematik
B 6, 26
Gebäudeteil B – Raum B 1.05
68159 Mannheim
Tel.: +49 621 181-2340
Fax: +49 621 181-2423
E-Mail: roth(at)wim.uni-mannheim.de
Sprechstunde:
Mi 10–11.30 Uhr oder nach Vereinbarung von Mo–Mi 9–15 Uhr