Wirtschafts­mathematik und Wirtschafts­informatik

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.

Suchfilter

Wirtschafts­informatik (Bachelor)

Algorithmen und Datenstrukturen (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
8.0
Kurs geeignet für:
Bachelor
Kurssprache:
deutsch
SWS:
6
Teilnahme:
Präsenz live
Lernziel:
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.
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Schriftliche Klausur (90 Minuten)
Lektor(en):
Matthias Krause
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202210:15 – 11:45B 144 Hörsaal; A 5, 6 Bauteil B
Mittwoch  (wöchentlich) 07.09.2022 – 07.12.202210:15 – 11:45B 144 Hörsaal; A 5, 6 Bauteil B
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202217:15 – 18:45B 144 Hörsaal; A 5, 6 Bauteil B
Beschreibung:
  • 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 (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Bachelor, Master
Kurssprache:
englisch
SWS:
4
Lernziel:
Expertise:
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

Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written examination, exercises
90 minutes
Lektor(en):
Rainer Gemulla
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202210:15 – 11:45A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
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
Data Mining (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Bachelor, Master
Kurssprache:
englisch
SWS:
2
Registrierungs­informationen:
Please note that there is no second date for the exam.
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:
Prüfungs­leistung:
Written examination (90 minutes), project report, oral project presentation
Termin(e):
Mittwoch  (wöchentlich) 07.09.2022 – 07.12.202210:15 – 11:45A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A
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)
Datenbanksysteme I (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
8.0
Kurs geeignet für:
Bachelor
Kurssprache:
deutsch
SWS:
4
Teilnahme:
Präsenz live
Lernziel:
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
Empfohlene Voraussetzungen:
Prüfungs­leistung:
schriftliche Klausur (90 Minuten)
Lektor(en):
Guido Moerkotte
Termin(e):
Montag  (wöchentlich) 12.09.2022 – 05.12.202212:00 – 13:30
Mittwoch  (wöchentlich) 07.09.2022 – 07.12.202210:15 – 11:45C 014 Hörsaal; A 5, 6 Bauteil C
Beschreibung:
Datenbankentwurf, Normalisierung, Anfragebearbeitung, Transaktions­verwaltung
Decision Support (Vorlesung mit Übung)
EN
Vorlesungs­typ:
Vorlesung mit Übung
ECTS:
6.0
Kurs geeignet für:
Bachelor, Master
Kurssprache:
englisch
SWS:
2
Lernziel:
Expertise:
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
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written examination (90 minutes), homework assignments, case studies
Lektor(en):
Stefan Lüdtke
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202213:45 – 15:15ZOOM-Lehre-018; Virtuelles Gebäude
Beschreibung:
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 (Vorlesung mit Übung)
EN
Vorlesungs­typ:
Vorlesung mit Übung
ECTS:
6.0
Kurs geeignet für:
Bachelor, Master
Kurssprache:
englisch
SWS:
2
Lernziel:
Expertise:
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
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written examination (90 minutes), homework assignments, case studies
Lektor(en):
Lea Cohausz
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202215:30 – 17:00A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
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
Einführung in Data Science Vorlesung (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0 (Modul/e)
Kurs geeignet für:
Bachelor
Kurssprache:
englisch
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202210:15 – 11:45C 014 Hörsaal; A 5, 6 Bauteil C
Formale Grundlagen der Informatik (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Bachelor, Master
Kurssprache:
deutsch
SWS:
4
Teilnahme:
Präsenz live
Lernziel:
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.
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Schriftliche Klausur (90 Minuten)
Lektor(en):
Matthias Krause
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202212:00 – 13:30A 001 Großer Hörsaal; B 6, 23–25 Bauteil A
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202213:45 – 15:15A 001 Großer Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
  • 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 (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Bachelor
Kurssprache:
deutsch
SWS:
4
Teilnahme:
Präsenz live
Lernziel:
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.
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Erfolgreiche Teilnahme am Übungs­betrieb
schriftliche Klausur (90 Minuten)
Lektor(en):
Christian Meilicke
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202212:00 – 13:30A 203 Unterrichtsraum; B 6, 23–25 Bauteil A
Beschreibung:
  • Problemeigenschaften und Problemtypen
  • Problemlösen als Suche, Anwendung im Bereich Computer­spiele
  • Constraint­probleme und deren Lösung
  • Logische Constraints
Praktische Informatik I (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
8.0
Kurs geeignet für:
Bachelor, Master
Kurssprache:
deutsch
SWS:
6
Teilnahme:
Präsenz live
Lernziel:
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
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Studien­beginn ab HWS 2011:
Erfolgreiche Teilnahme am Übungs­betrieb
schriftliche Klausur (90 Minuten)

Studien­beginn vor HWS 2011:
schriftliche Klausur (90 Minuten)

Lektor(en):
Frederik Armknecht
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202215:30 – 17:00A 001 Großer Hörsaal; B 6, 23–25 Bauteil A
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202215:30 – 17:00A 001 Großer Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
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 (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
5.0
Kurs geeignet für:
Bachelor
Kurssprache:
deutsch
SWS:
2
Teilnahme:
Präsenz live
Lernziel:
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
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Programmiertestate, Programmier­projekte, Programming Competence Test (180 Minuten)
Lektor(en):
Ursula Rost
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202210:15 – 11:45A 001 Großer Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
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:
 
  • 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.

Wirtschafts­informatik (Master)

Advanced Software Engineering (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
2
Teilnahme:
Präsenz live
Lernziel:
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/component  – that is, for describing a software system/component as a “black box”, and for verifying them. Methodological competence:
Participants will know how to use the expertise acquired during the course to describe the requirements that a system/component has to satisfy and to define tests to check whether a system/component fulfils these requirements. Personal competence:
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.
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written examination, 90 minutes
Lektor(en):
Colin Atkinson
Termin(e):
Freitag  (wöchentlich) 09.09.2022 – 02.12.202210:15 – 11:45B 144 Hörsaal; A 5, 6 Bauteil B
Beschreibung:
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/components. Key examples include structural views represented using class diagrams, operational views expressed using constraint languages and behavioural views expressed using state diagrams. An important focus of the course is the use of these views to define tests and extra-functional properties.
CS 560 Large-Scale Data Management (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Bachelor, Master
Kurssprache:
englisch
SWS:
4
Lernziel:
Expertise:
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

Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written examination, exercises
90 minutes
Lektor(en):
Rainer Gemulla
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202210:15 – 11:45A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
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
Data Mining (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Bachelor, Master
Kurssprache:
englisch
SWS:
2
Registrierungs­informationen:
Please note that there is no second date for the exam.
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:
Prüfungs­leistung:
Written examination (90 minutes), project report, oral project presentation
Termin(e):
Mittwoch  (wöchentlich) 07.09.2022 – 07.12.202210:15 – 11:45A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A
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)
Decision Support (Vorlesung mit Übung)
EN
Vorlesungs­typ:
Vorlesung mit Übung
ECTS:
6.0
Kurs geeignet für:
Bachelor, Master
Kurssprache:
englisch
SWS:
2
Lernziel:
Expertise:
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
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written examination (90 minutes), homework assignments, case studies
Lektor(en):
Stefan Lüdtke
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202213:45 – 15:15ZOOM-Lehre-018; Virtuelles Gebäude
Beschreibung:
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 (Vorlesung mit Übung)
EN
Vorlesungs­typ:
Vorlesung mit Übung
ECTS:
6.0
Kurs geeignet für:
Bachelor, Master
Kurssprache:
englisch
SWS:
2
Lernziel:
Expertise:
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
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written examination (90 minutes), homework assignments, case studies
Lektor(en):
Lea Cohausz
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202215:30 – 17:00A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
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 (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
9.0
Kurs geeignet für:
Master
Kurssprache:
englisch
Prüfungs­leistung:
schriftliche Klausur
Lektor(en):
Rainer Gemulla
Termin(e):
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202212:00 – 13:30A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A
Information Retrieval and Web Search (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Master
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:
Prüfungs­leistung:
Written examination (90 minutes), written project report, oral project presentation
Termin(e):
Mittwoch  (wöchentlich) 07.09.2022 – 07.12.202212:00 – 13:30C 012 Hörsaal; A 5, 6 Bauteil C
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.
IS 614 Corporate Knowledge Management (Vorlesung mit Übung)
EN
Vorlesungs­typ:
Vorlesung mit Übung
ECTS:
6.0
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
2
Teilnahme:
Präsenz live
Registrierungs­informationen:
This course does not have limited capacity. Registration via Portal 2 will be possible from August 15, 2022 and you will be admitted to the course by September 2, 2022.
Lernziel:
Course participants will be able to:
•    explain the role and importance of knowledge for organizations
•    Understand and explain the processes of knowledge management (KM)
•    Describe and evaluate the possibilities to support the different knowledge processes through information technology
•    Understand and evaluate different design principles of KM systems
•    Evaluate and apply organizational and technological mechanisms that ensure the use of KM systems
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written exam (60 min.); optional case study (20%)
Lektor(en):
Ekaterina Jussupow
Termin(e):
Mittwoch  (wöchentlich) 21.09.2022 – 30.11.202213:45 – 15:15O 148 MVV Hörsaal; Schloss Ostflügel
Beschreibung:
Companies have realized that the knowledge of their professionals is a decisive factor in competition. Firms are able to differentiate against their competitors through superior knowledge in the long term.
This lecture deals with the question of how the creation acquisition, transfer, storage, retrieval, and use of knowledge can be supported with the information technology and where the limits of such efforts are. It also addresses how to design information technology to support different knowledge processes.
IT-Security (Seminar)
EN
Vorlesungs­typ:
Seminar
ECTS:
4.0
Kurs geeignet für:
Master
Kurssprache:
englisch
Teilnahme:
Präsenz live
Prüfungs­leistung:
Vortrag und Handout
Lektor(en):
Frederik Armknecht
Termin(e):
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202210:15 – 11:45A 104 Seminarraum; B 6, 23–25 Bauteil A
Kryptographie II (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
2
Teilnahme:
Präsenz live
Lernziel:
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.
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Schriftliche Klausur (90 Minuten) oder mündliche Prüfung (30 Minuten)
Lektor(en):
Frederik Armknecht
Termin(e):
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202213:45 – 15:15A 301 Seminarraum; B 6, 23–25 Bauteil A
Beschreibung:
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 (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
2
Teilnahme:
Präsenz live
Lernziel:
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.
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written examination (90 minutes)
Lektor(en):
Colin Atkinson
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202213:45 – 15:15A 203 Unterrichtsraum; B 6, 23–25 Bauteil A
Beschreibung:
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
Network Analysis (Vorlesung mit Übung)
EN
Vorlesungs­typ:
Vorlesung mit Übung
ECTS:
6.0
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
4
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202212:00 – 13:30
Network Analysis (Vorlesung mit Übung)
EN
Vorlesungs­typ:
Vorlesung mit Übung
ECTS:
6.0
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
4
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202213:45 – 15:15
Semantic Web Technologies (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
2
Lernziel:
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.
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Regular exercises, team project, written examination (90 minutes)
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202213:45 – 15:15A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
  • 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
Text Analytics (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
2
Lernziel:
Expertise:
Students will acquire knowledge of state-of-the-art principles and methods of Natural Language Processing, with a specific focus on the application of statistical methods to human language technologies.
Methodological competence:
Successful participants will be able to understand state-of-the-art methods for Natural Language Processing, as well as being able to select, apply and evaluate the most appropriate techniques for a variety of different practical and application-oriented scenarios.
Personal competence:
  • presentation skills;
  • team work skills.
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written examination (90 minutes), homework assignments
Lektor(en):
Markus Strohmaier, Marlene Lutz
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202210:15 – 11:45C 013 Hörsaal; A 5, 6 Bauteil C
Beschreibung:
In the digital age, techniques to automatically process textual content have become ubiquitous. Given the breakneck speed at which people produce and consume textual content online – e.g., on micro-blogging and other collaborative Web platforms like wikis, forums, etc. – there is an ever-increasing need for systems that automatically understand human language, answer natural language questions, translate text, and so on. This class will provide a complete introduction to state-of-the-art principles and methods of Natural Language Processing (NLP). The main focus will be on statistical techniques, and their application to a wide variety of problems. This is because statistics and NLP are nowadays highly intertwined, since many NLP problems can be formulated as problems of statistical inference, and statistical methods, in turn, represent de-facto the standard way  to solve many, if not the majority, of NLP problems. Covered topics will include:
 
  • Words
    • Language Modeling
    • Part-Of-Speech Tagging
  • Syntax
    • Statistical Parsing
  • Semantics and pragmatics
    • Computational Lexical Semantics
    • Computational Discourse
  • Applications
    • Topic Modeling
    • Information Extraction
    • Question Answering and Summarization
    • Statistical Alignment and Machine Translation
Coursework will include homework assignments 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.
Web Data Integration (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
2
Teilnahme:
Präsenz live
Lernziel:
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:
  • 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.
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written examination (90 minutes), project report, oral project presentation
Lektor(en):
Christian Bizer, Ralph Peeters, Keti Korini, Alexander Brinkmann
Termin(e):
Mittwoch  (wöchentlich) 07.09.2022 – 07.12.202215:30 – 17:00C 015 Hörsaal; A 5, 6 Bauteil C
Beschreibung:
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 (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
2
Teilnahme:
Präsenz live
Lernziel:
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:
  • 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.
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Written examination (90 minutes), project report, oral project presentation
Lektor(en):
Christian Bizer, Alexander Brinkmann, Keti Korini, Ralph Peeters
Termin(e):
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202210:15 – 11:45A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
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

Wirtschafts­mathematik (Bachelor)

Finanzmathematik (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Bachelor
Kurssprache:
englisch
SWS:
4
Teilnahme:
Präsenz live
Lernziel:
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)
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Je nach Teilnehmerzahl schriftliche Klausur oder mündliche Prüfung (wird zu Beginn der Vorlesung bekannt gegeben)
Prüfungs­vorleistung: erfolgreiche Teilnahme an den Übungen
Lektor(en):
David Johannes Prömel
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202212:00 – 13:30C 015 Hörsaal; A 5, 6 Bauteil C
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202210:15 – 11:45C 015 Hörsaal; A 5, 6 Bauteil C
Beschreibung:
• 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
Funktionalanalysis (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Bachelor
Kurssprache:
deutsch
SWS:
4
Teilnahme:
Präsenz live
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:
Prüfungs­leistung:
Mündliche Prüfung oder schriftliche Klausur
Lektor(en):
Peter Parczewski
Termin(e):
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202212:00 – 13:30C 012 Hörsaal; A 5, 6 Bauteil C
Freitag  (wöchentlich) 09.09.2022 – 09.12.202210:15 – 11:45C 012 Hörsaal; A 5, 6 Bauteil C
Beschreibung:
• Komplexe Differenzierbarkeit
• holomorphe und meromorphe Funktionen
• Analytische Fortseztung
• Singularitäten holomorpher Funktionen
• Residuenkalkül
• spezielle Funktionen
MAA 514 Analysis III (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Bachelor
Kurssprache:
deutsch
SWS:
4
Teilnahme:
Präsenz live
Lernziel:
Fach­kompetenz:
• Karte und Atlas (BK1, BF1)
• Tangentialraum (BK1)
• Integralkurven von Vektorfeldern (BK1)
• Tensoren (BK1)
• Äußeres Produkt und äußere Ableitung von Differenzialformen (BK1, BO2)
• Der Satz von Stokes (BK1)
Methoden­kompetenz:
• Verstehen des Transformations­verhaltens unter Kartenwechsel (BF1)
• Rechnen mit Tensoren (BF1)
• Bestimmung von Integralkurven (BF1, BF2)
• Hantieren mit Differenzialformen (BF1)
Personale Kompetenz:
• Teamarbeit (BO1, BF4)
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Mündliche Prüfung oder schriftliche Klausur
Lektor(en):
Martin Schmidt
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202208:30 – 10:00C 401 Seminarraum; B 6, 27–29 Bauteil C
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202217:15 – 18:45C 401 Seminarraum; B 6, 27–29 Bauteil C
Beschreibung:
• Differenzierbare Mannigfaltigkeit
• Vektorfelder
• gewöhnliche Differenzialgleichungen
• Differenzialformen
MAB 401 Algebra (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Bachelor
Kurssprache:
deutsch
SWS:
4
Teilnahme:
Präsenz live
Lernziel:
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).
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Mündliche Prüfung oder schriftliche Klausur
Lektor(en):
Thomas Reichelt
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202212:00 – 13:30C 012 Hörsaal; A 5, 6 Bauteil C
Freitag  (wöchentlich) 09.09.2022 – 09.12.202212:00 – 13:30C 012 Hörsaal; A 5, 6 Bauteil C
Beschreibung:
• Gruppen­begriff, Eigenschaften und Anwendungen zyklischer und abelscher Gruppen, Beispiele, auflösbare Gruppen.
• Ringe, Ideale, Euklidische Ringe, Hauptidealringe, ZPW-Ringe, Quotientenringe.
• Körper, Körpererweiterungen, Galois-Theorie.
MAB 405 Kryptologie (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Bachelor, Master
Kurssprache:
deutsch
SWS:
4
Teilnahme:
Präsenz live
Lernziel:
Fach­kompetenz:
• Verständnis für die vielfältigen Einsatz­möglichkeiten von Krypto­verfahren (BF2, BF4, BF5, BO1)
• Realistische Einschätzung der Sicherheit (BF1, BF3, BO2)
• Zahlentheoretische Grundlagen der Kryptographie mit öffentlichen Schlüsseln und von AES  (BK1, BK3, BO3)
• Vor- und Nachteile der Verfahren mit öffentlichen und privaten Schlüsseln; hybride Verfahren wie SSL/TLS (BK3, BF4, BF5)
• Verständnis für die konstruktive und die destruktive Rolle quantenmechanischer Verfahren (BF3, BF4)
Methoden­kompetenz:
• Sicherer Einsatz von RSA zur Verschlüsselung und für elektronische Unterschriften (einschließlich Primzahlsuche) (BK1, BK3, BF3, BO3)
• Kenntnis der für RSA kritischen Faktorisierungs­verfahren und der wichtigsten sonstigen Angriffs­möglichkeiten (BF1, BF2)
• Faktorisierung mit Quantencomputern (BF1, BO3)
• Verständnis von AES (BK1, BK3, BF1, BF3)
• Umgang mit diskreten Logarithmen, DSS (BK1, BK3, BF3)
• Grundlegende Protokolle der Quantenkryptographie (BF3, BO2)
Personale Kompetenz:
• Problembewusstsein für die Verwundbarkeit von Kryptosystemen und Fähigkeit zur rationalen Auswahl einer in Aufwand und Sicherheit dem jeweiligen Problem angemessenen Lösung (BO1, BO2, BO3)
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Mündliche Prüfung oder schriftliche Klausur
Lektor(en):
Wolfgang Seiler
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202213:45 – 15:15A 305 Seminarraum; B 6, 23–25 Bauteil A
Mittwoch  (wöchentlich) 07.09.2022 – 07.12.202213:45 – 15:15A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
• Aufgaben der Kryptologie
• Klassische Kryptosysteme und ihre Kryptanalyse
• Feistel-Netzwerke und DES
• Differentielle und lineare Kryptanalyse; DES-Cracker
• New directions in cryptography
• RSA und seine zahlentheoretischen Grundlagen
• Faktorisierungs­algorithmen und andere Angriffe
• Verfahren auf der Grundlage diskreter Logarithmen
• Sichere Hashalgorithmen
• Kryptographische Protokolle
• Quantenkryptographie und Quantencomputer
MAC 404 Lineare Optimierung (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Bachelor
Kurssprache:
deutsch
SWS:
4
Teilnahme:
Präsenz live
Lernziel:
Fach­kompetenz:
• Verständnis der wesentlichen Konzepte und Lösungs­verfahren der Linearen Optimierung  (BF1, BK1)
• Computer­unterstütze Umsetzung anwendungs­bezogener Fragestellungen  (BK2, BK3, BO1)
• Querverbindungen zu anderen mathematischen Gebieten identifizierten Klassifikation und Interpretation numerischer Probleme (BK1, BO2)
Methoden­kompetenz:
• Mathematische Modellierung eines Problems (BF3, BO3)
• Konkrete Problemlösungs­strategien und deren Interpretation (BF1, BF2)
Personale Kompetenz:
• Teamarbeit (BO1, BF4, BF5)
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Mündliche Prüfung oder schriftliche Klausur
Lektor(en):
Patrick Mehlitz
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202210:15 – 11:45C 015 Hörsaal; A 5, 6 Bauteil C
Mittwoch  (wöchentlich) 07.09.2022 – 07.12.202210:15 – 11:45C 015 Hörsaal; A 5, 6 Bauteil C
Beschreibung:
• Lineare Programmierung: Simplex Verfahren, Dualität, innere Punkte Verfahren
• Graphentheorie: minimal spannende Bäume, kürzeste Wege, maximale Flüsse
• Ganzzahlige Programmierung: Branch and Bound Verfahren, Schnittebenen­verfahren, Heuristiken
MAT 301 Analysis I (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
10.0 (Modul/e)
Kurs geeignet für:
Bachelor, Master
Kurssprache:
deutsch
SWS:
4
Teilnahme:
Präsenz live
Lernziel:
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)
Empfohlene Voraussetzungen:
Prüfungs­leistung:
schriftliche Klausur
Lektor(en):
Li Chen
Termin(e):
Mittwoch  (wöchentlich) 07.09.2022 – 07.12.202212:00 – 13:30A 001 Großer Hörsaal; B 6, 23–25 Bauteil A
Freitag  (wöchentlich) 09.09.2022 – 09.12.202210:15 – 11:45A 001 Großer Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
• Mengen und Abbildungen
• reelle Zahlen
• Zahlenfolgen und Reihen
• Funktionen in einer reellen Variablen
MAT 303 Lineare Algebra I (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
9.0 (Modul/e)
Kurs geeignet für:
Bachelor, Master
Kurssprache:
deutsch
SWS:
4
Lernziel:
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).
Empfohlene Voraussetzungen:
Prüfungs­leistung:
schriftliche Klausur
Lektor(en):
Daniel Roggenkamp
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202210:15 – 11:45A 001 Großer Hörsaal; B 6, 23–25 Bauteil A
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202208:30 – 10:00A 001 Großer Hörsaal; B 6, 23–25 Bauteil A
Beschreibung:
• Gruppen, Ringe, Körper, Vektorräume, Lineare Abbildungen, Matrizen, Lineare Gleichungs­systeme, Determinanten,  Eigenwerte und Diagonalisierung,  Euklidische Vektorräume.
MAT 306 Numerik (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
9.0
Kurs geeignet für:
Bachelor, Master
Kurssprache:
deutsch
SWS:
4
Teilnahme:
Präsenz live
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:
Prüfungs­leistung:
schriftliche Klausur
Lektor(en):
Andreas Neuenkirch
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202212:00 – 13:30B 144 Hörsaal; A 5, 6 Bauteil B
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202212:00 – 13:30B 144 Hörsaal; A 5, 6 Bauteil B
Beschreibung:
• Numerik linearer Gleichungs­systeme
• Störungs­theorie und Fehleranalyse
• Lineare Ausgleichsrechnung
• Eigenwert­probleme
• Nichtlineare Gleichungs­systeme: Fixpunktiterationen, insbesondere Newton-Verfahren
• Interpolation und Splines
• Numerische Integration
Stochastik 1 (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
9.0
Kurs geeignet für:
Bachelor
Kurssprache:
deutsch
Teilnahme:
Präsenz live
Prüfungs­leistung:
schriftliche Präsenz­prüfung
Lektor(en):
Leif Döring
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202213:45 – 15:15A 001 Großer Hörsaal; B 6, 23–25 Bauteil A
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202212:00 – 13:30A 001 Großer Hörsaal; B 6, 23–25 Bauteil A

Wirtschafts­mathematik (Master)

MAA 506 Topologie und Gleichgewichte (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Master
Kurssprache:
englisch
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:
Prüfungs­leistung:
Mündliche Prüfung oder schriftliche Klausur
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 519 Stochastic Calculus (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
5.0 (Modul/e)
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
4
Teilnahme:
Online aufgezeichnet
Lektor(en):
David Johannes Prömel
Beschreibung:
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 506 Game Theory (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
8.0 (Modul/e)
Kurs geeignet für:
Master
Kurssprache:
englisch
SWS:
4
Teilnahme:
Präsenz live
Lernziel:
Fach­kompetenz:
Fundierte Kenntnisse der Spieltheorie (MK1).
Bekanntschaft mit einigen Anwendungen in den Wirtschafts­wissenschaften (MK2).
Methoden­kompetenz:
Alle wissenschaft­lichen Arbeiten zur Spieltheorie lesen können (MF1, MO3).
Bei konkreten Situationen vor allem in den Wirtschafts­wissenschaften diese in Modellen der Spieltheorie fassen und analysieren können (MF2).
Personale Kompetenz:
Strategisches Denken mit Bedacht einsetzen können (MO4).
Empfohlene Voraussetzungen:
Prüfungs­leistung:
schriftliche Klausur
Lektor(en):
Makiko Mase
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202213:45 – 15:15C 013 Hörsaal; A 5, 6 Bauteil C
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202213:45 – 15:15C 013 Hörsaal; A 5, 6 Bauteil C
Beschreibung:
Grundlagen der Spieltheorie. Spiele in Normalform, Nash-Gleichgewichte, Nullsummenspiele, extensive Spiele (mit oder ohne Zufall und mit oder ohne perfekte Information), teilspielperfekte Gleichgewichte, kooperative Spiele, Shapley-Wert, in Form von Beispielen Anwendungen auf die Wirtschafts­wissenschaften.
MAC 506 Zeitreihenanalyse und Räumliche Statistik (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
Kurs geeignet für:
Master
Kurssprache:
deutsch
Lektor(en):
Martin Schlather
Termin(e):
Dienstag  (wöchentlich) 06.09.2022 – 06.12.202210:15 – 11:45C 012 Hörsaal; A 5, 6 Bauteil C
Donnerstag  (wöchentlich) 08.09.2022 – 08.12.202208:30 – 10:00C 012 Hörsaal; A 5, 6 Bauteil C
Markov Processes (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
5
Kurs geeignet für:
Master
Kurssprache:
englisch
Teilnahme:
Online aufgezeichnet
Empfohlene Voraussetzungen:
Prüfungs­leistung:
Oral exam
Lektor(en):
Martin Slowik
Beschreibung:
Markov processes (construction, strong Markov property), Semigroup, resolvent, generator, Dynkins formula, connections to PDEs
Numerics of Ordinary Differential Equations (Vorlesung)
EN
Vorlesungs­typ:
Vorlesung
ECTS:
Kurs geeignet für:
Master
Kurssprache:
englisch
Teilnahme:
Präsenz live
Prüfungs­leistung:
oral exam
mündliche Prüfung
Lektor(en):
Simone Göttlich
Termin(e):
Montag  (wöchentlich) 05.09.2022 – 05.12.202210:15 – 11:45A 101 Kleiner Hörsaal; B 6, 23–25 Bauteil A
Numerik Stochastischer Differentialgleichungen (Vorlesung)
DE
Vorlesungs­typ:
Vorlesung
ECTS:
6.0
Kurs geeignet für:
Master
Kurssprache:
deutsch
SWS:
2
Teilnahme:
Präsenz live
Lernziel:
Fach­kompetenz: Die Studierenden haben die grundlegenden Fragestellungen  und wichtigsten Methoden der Numerik stochastischer Differentialgleichungen erlernt, insbesondere die    Unterschiede zwischen den verschiedenen Approximations­begriffen, das Euler- und Milstein­verfahren  sowie Multi-level Monte-Carlo-Verfahren (MK1,M02).
Methoden­kompetenz: Die Studierenden können nach Besuch des Moduls gegebene numerische Probleme für stochastische Differentialgleichungen klassifizieren und zur Bearbeitung geeignete Verfahren auswählen bzw. konstruieren (MF1,MF2,MO3).
Personale Kompetenz: Teamarbeit
Empfohlene Voraussetzungen:
Prüfungs­leistung:
mündliche Prüfung
Lektor(en):
Peter Parczewski
Termin(e):
Mittwoch  (wöchentlich) 07.09.2022 – 07.12.202212:00 – 13:30A 104 Seminarraum; B 6, 23–25 Bauteil A
Beschreibung:
Theoretische Grundlagen: stochastische Prozesse; stochastische Integration und stochastische Differentialgleichungen.
Numerik: Simulation von Gaußprozessen; Fehlerbegriffe; Klassische Approximations­verfahren; Cameron-Clark Theorem; Quadratur von SDGLn; Anwendungen in Technik und Finanzmathematik

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: juliane.roth uni-mannheim.de
Sprechstunde:
nach Vereinbarung per E–Mail