Modulhandbuch Master-Studiengang Angewandte Informatik · Modulhandbuch Master-Studiengang Angewandte Informatik Ruprecht-Karls-Universität Heidelberg akultätF für Mathematik und

Modulhandbuch

Master-Studiengang

�Angewandte Informatik�

Ruprecht-Karls-Universität Heidelberg

Fakultät für Mathematik und Informatik

Fassung vom 19.06.2019 zur Prüfungsordnung vom 22.07.2010(mit letzter Änderung vom 07.02.2013)

Studienform: Vollzeit

Art des Studiengangs: Konsekutiv

Regelstudienzeit: 4 Semester

Anzahl der im Studiengang zu erwerbenden Leistungspunkte: 120

Studienstandort: Heidelberg

Anzahl der Studienplätze: Keine Zulassungsbeschränkung

Gebühren/Beiträge: Gemäÿ allgemeiner Regelung der Universität Heidelberg

1

Präambel

Einordnung und Gesamtdarstellung des

Master-Studiengangs Angewandte Informatik

Anknüpfend an ihr Leitbild und ihre Grundordnung verfolgt die Universität Heidelberg inihren Studiengängen fachliche, fachübergreifende und berufsfeldbezogene Ziele in der umfas-senden akademischen Bildung und für eine spätere beru�iche Tätigkeit ihrer Studierenden.Das daraus folgende Kompetenzpro�l wird als für alle Disziplinen gültiges Quali�kationspro�lin den Modulhandbüchern aufgenommen und in den spezi�schen Quali�kationszielen sowiedem Curriculum und Modulen des Master-Studiengangs Angewandte Informatik umgesetzt:

• Entwicklung von fachlichen Kompetenzen mit ausgeprägter Forschungsorientierung;

• Entwicklung transdisziplinärer Dialogkompetenz;

• Aufbau von praxisorientierter Problemlösungskompetenz;

• Entwicklung von personalen und Sozialkompetenzen;

• Förderung der Bereitschaft zur Wahrnehmung gesellschaftlicher Verantwortung auf derGrundlage der erworbenen Kompetenzen.

Der Master-Studiengang Angewandte Informatik wird von der Fakultät für Mathematikund Informatik getragen. Der Master-Studiengang ist forschungsorientiert. Er vertieft undverbreitert die Fachkenntnisse, befähigt zum selbstständigen wissenschaftlichen Arbeiten,legt die Voraussetzungen zur Weiterentwicklung des Faches und bereitet auf eine anspruchs-volle Berufstätigkeit oder eine Promotion vor. AbsolventInnen sind quali�ziert für eigen-verantwortliche und leitende Tätigkeiten. Der Master-Studiengang erlaubt eine sehr freieGestaltung des Studiums um sowohl einen frühen Einstieg in forschungsnahe als auch inno-vative praktische Themengebiete zu ermöglichen. Weiterhin ermöglicht er eine Vertiefung inThemengebieten der Informatik, die insbesondere in den Natur-, Lebens- und Geisteswissen-schaften zur Anwendung kommen.

Quali�kationsziele des Master-Studiengangs Angewandte Informatik

Die Absolventen des Studiengangs sollen nach Abschluss des Studiums folgende grundle-gende Kompetenzen überfachlicher Art im Kontext der Informatik besitzen.

• Sie besitzen Problemlösungskompetenz und beherrschen die Wissensanwendung imBereich der Informatik und zusätzlich in einem breiteren fachlichen Zusammenhangoder verwandten Disziplinen. Darüber hinaus sind sie in der Lage, diese Kompetenzenauch in neuen, unvertrauten Situationen anzuwenden.

• Sie haben die Kompetenz zur Arbeit in einem Team sowie zur Übernahme von heraus-gehobener Verantwortung in einem Team (Teamleitung).

2

• Sie können eigene Schlussfolgerungen auf aktuellem Stand von Forschung und Anwen-dung vermitteln und sich fachbezogen auf wissenschaftlichem Niveau austauschen.

• Sie besitzen die Kompetenz zu selbständiger Informationssammlung, Urteilsfähigkeitund selbständiger Aneignung von Wissen im Bereich der Informatik sowie verwandtenDisziplinen. Insbesondere sind sie befähigt zur Rezeption und Interpretation von For-schungsliteratur und zur Bewertung alternativer Lösungsansätze in fachlicher Hinsichtim Bereich der Informatik als auch fachübergreifend.

• Darüber hinaus beherrschen sie den e�ektiven Umgang mit komplexen Fachproble-men und Situationen, verfügen über Entscheidungsfähigkeit, sowie können selbständigforschungs- oder anwendungsorientierte Projekte durchführen.

• Sie können in fachlichen Angelegenheiten mündlich und schriftlich in deutscher undenglischer Sprache e�ektiv kommunizieren.

In fachlicher Hinsicht beherrschen die AbsolventInnen des Master-Studiengangs AngewandteInformatik insbesondere die Kompetenzen der Bachelor-AbsolventInnen, im Detail:

• Sie verfügen über Kenntnisse der Praktischen, Theoretischen, Technischen und Ange-wandten Informatik und der Methoden der Mathematik und können diese zur Lösungvon konkreten informatischen Problemen anwenden.

• Sie können eine informatische Aufgabe eigenverantwortlich planen, durchführen, doku-mentieren und präsentieren.

• Sie können innerhalb einer vorgegebenen Frist ein Problem aus dem Bereich der Infor-matik mit wissenschaftlichen Methoden bearbeiten und Lösungsvorschläge entwickelnund präsentieren.

• Sie beherrschen wissenschaftlich fundierte Methoden der Programmierung und könnendiese in Projekten praktisch anwenden. Dazu gehören die wissenschaftlichen Methodendes Entwurfs, der Implementierung und des Debuggens von Software.

• Sie kennen die Konzepte für den Entwurf und die Analyse von e�zienten Algorithmenund können diese bei der Erstellung von Software selbständig einsetzen.

• Sie kennen die Grundlagen der Verwendung von Betriebssystemen und Verwaltung vonRessourcen und sind in der Lage, diese Kenntnisse bei dem Entwurf, der Umsetzungund der Optimierung von informatischen Systemen einzusetzen.

• Sie kennen die Probleme und Bedeutung der Verlässlichkeit in modernen Computersys-temen und Rechenverbunden und können diese Kenntnisse bei der Planung, Umsetzungals auch der P�ege solcher Systeme praktisch berücksichtigen.

Zusätzlich beherrschen die AbsolventInnen des Master-Studiengangs Angewandte Informatikfolgende fachliche Quali�kationen über die Lernergebnisse des Bachelorstudiengangs hinaus.

3

• Sie sind in der Lage, umfangreiche informatische Systeme unter vorgegebenen techni-schen und ökonomischen Randbedingungen selbständig zu planen, zu entwerfen undzu evaluieren, sowie dazugehörige Softwareprojekte zu leiten.

• Sie verfügen über vertiefte Kenntnisse in einem oder mehreren Spezialgebieten derInformatik wie Datenanalyse, Requirements Engineering, Verteilte Systeme, Informa-tionssysteme, und können diese Kenntnisse bei dem Entwurf und der Entwicklung voninformatischen Systemen praktisch einsetzen.

• Sie können komplexe informatische Systeme in abstrakte Komponenten (Software undHardware) zerlegen und dafür Realisierungsmöglichkeiten gemäÿ vorgegeben Randbe-dingungen ermitteln und bewerten, sowie diese Realisierung planen und umsetzen.

• Sie sind in der Lage, sich selbständig in zukünftige Techniken der Informatik also auchfachübergreifende Gebiete einzuarbeiten, diese in Projekten anzuwenden, sie fachlichzu kommunizieren, und in wissenschaftlicher Hinsicht zu entwickeln.

Aktuelle Forschungsschwerpunkte und Details zum Master-Studium Angewandte Informa-tik �nden sich auf der Webseite www.informatik.uni-heidelberg.de.

4

www.informatik.uni-heidelberg.de

Einige Erläuterungen zu den Modulen

Begründung für Module mit weniger als 5 LP:

In diesem Studiengang gibt es einige Module mit weniger als 5 Leistungspunkten. Bei diesenModulen handelt es sich um inhaltlich abgeschlossene Studieneinheiten, die nicht sinnvollmit anderen Modulen zusammengelegt werden können.

Erläuterungen zur Sprache der Module:

Die Modulbeschreibungen sind in der Sprache verfasst in welcher das Modul auch ange-boten wird, d.h. bei Modulbeschreibungen in Deutsch wird das Modul auch auf Deutschgehalten, bei englischer Beschreibung auf Englisch. Ausnahmen sind möglich.

Beschreibung der Lehr- und Lernformen

Vorlesung: Präsentation des Lehrsto�s durch den Lehrenden mittels geeigneter Medien, In-teraktion und Nachfragen möglich

Übung: Übungsaufgaben und kleinere Teile des Lehrsto�s werden erläutert, Nachfragen,Interaktion und Diskussion von und mit den Studierenden zum Verständnis des Lehrsto�sund der Beispielaufgaben

Seminar: Selbstständiges Erarbeiten eines wissenschaftlichen Themas, Erstellen einer Prä-sentation, Halten des Vortrags mit anschlieÿenden Fragen und Diskussion der Teilnehmerzum Vortrag

Praktikum: Projektarbeit anhand einer Programmieraufgabe, selbstständiges Erstellen ei-ner Software inklusive Dokumentation, Anfertigen eines Projektberichts und eines Vortrags,Halten des Vortrags zur Präsentation der Software

5

Inhaltsverzeichnis

1 P�ichtbereich 8

Wissenschaftliches Arbeiten . . . . . . . . . . . . . . . . . . . . . . . . . 9Seminar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11Masterarbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12Anwendungsgebiet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 Wahlp�ichtbereich 15

2.1 Gebietszuordnung der Module . . . . . . . . . . . . . . . . . . . . . . . . . . 152.2 Vertiefungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

Bildverarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18Computergraphik und Visualisierung . . . . . . . . . . . . . . . . . . . . . 19Information Systems Engineering . . . . . . . . . . . . . . . . . . . . . . . 21Optimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23Theoretische Informatik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25Wissenschaftliches Rechnen . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.3 Module aus der Informatik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27Advanced Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . 28Advanced Topics in Text Mining . . . . . . . . . . . . . . . . . . . . . . 29Algorithmische Geometrie . . . . . . . . . . . . . . . . . . . . . . . . . . 31Arti�cial Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32Big Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33Cloud Computing 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35Complex Network Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . 37Computer Graphics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39Computergraphik 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41Computergraphik 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43Computerspiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443D Computer Vision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45Deep Vision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47E�ziente Algorithmen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 49E�ziente Algorithmen 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 51Einführung in das maschinelle Sehen in 3D . . . . . . . . . . . . . . . . . 53Formale Sprachen und Automatentheorie . . . . . . . . . . . . . . . . . . 54Fortgeschrittenenpraktikum . . . . . . . . . . . . . . . . . . . . . . . . . 57Fundamentals of Machine Learning . . . . . . . . . . . . . . . . . . . . . 58Funddokumentation mittels optischer 3D-Scanner . . . . . . . . . . . . . 59Geometric Modeling and Animation . . . . . . . . . . . . . . . . . . . . . 60

6

Inverse Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62IT-Projektmanagement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63IT-Sicherheit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65Knowledge Discovery in Databases . . . . . . . . . . . . . . . . . . . . . 67Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69Mining Massive Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . 71Object-Oriented Programming for Scienti�c Computing . . . . . . . . . . 73Object Recognition and Image Understanding . . . . . . . . . . . . . . . 74Optimization for Machine Learning . . . . . . . . . . . . . . . . . . . . . 76Praktische Geometrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78Projektseminar Biomedizinische Bildanalyse . . . . . . . . . . . . . . . . 80Qualitätsmanagement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82Randomisierte Algorithmen . . . . . . . . . . . . . . . . . . . . . . . . . 83Requirements Engineering . . . . . . . . . . . . . . . . . . . . . . . . . . 85Scienti�c Visualization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86Software Evolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88Software Ökonomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90Spatial and Spatio-temporal Databases . . . . . . . . . . . . . . . . . . . 92Verteilte Systeme I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94Visualisierung im Bereich Cultural Heritage . . . . . . . . . . . . . . . . 96Volumenvisualisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97Wissensmanagement und Entscheidungen im Software Engineering . . . 99

2.4 Module aus dem B.Sc./M.Sc. Mathematik . . . . . . . . . . . . . . . . . . . 1012.5 Module aus dem M.Sc. Scienti�c Computing . . . . . . . . . . . . . . . . . . 102

Fundamentals of Computational Environmental Physics . . . . . . . . . . 1022.6 Module aus dem M.Sc. Technische Informatik . . . . . . . . . . . . . . . . . 1042.7 Module aus dem B.Sc./M.Sc. Physik . . . . . . . . . . . . . . . . . . . . . . 105

Physics of Imaging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105Image Processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106Introduction to Image Processing on the GPU . . . . . . . . . . . . . . . 107Fast Parallel Implementations of Image Labeling Problems . . . . . . . . 109

2.8 Module aus dem B.S./M.Sc. Biologie . . . . . . . . . . . . . . . . . . . . . . 111Model-based segmentation of biomedical images (Modellbasierte Segmen-

tierung Biomedizinischer Bilder) . . . . . . . . . . . . . . . . . . . . 111

7

1 P�ichtbereich

Im Master-Studiengang Angewandte Informatik ist das Modul Wissenschaftliches Arbeitenein P�ichtmodul. Weiterhin müssen auch zwei Seminare absolviert werden. Nachfolgend wer-den beide Module sowie die Module Masterarbeit und Anwendungsgebiet beschrieben.

8

Wissenschaftliches Arbeiten

Code Name

IWA Wissenschaftliches Arbeiten

Leistungspunkte Dauer Turnus

2 LP ein Semester jedes Wintersemester

Lehrform2 SWS

Arbeitsaufwand60 h; davon30 h Präsenzstudium30 h Selbststudium undpraktische Übungen (eventuell inGruppen)

VerwendbarkeitM.Sc. Angewandte Informatik

Lernziele Die Studierendenkennen die wichtigsten Literaturquellen der Informatik;wissen, welche Tools und Techniken zur Verwaltung von Literaturexistieren und wie diese verwendet werden;sind in der Lage, wissenschaftliche Texte (z.B. aus Tagungsbändenoder Journals) und Vorträge kritisch zu lesen und zu bewertenund sie kompakt zusammenzufassen;kennen die einschlägigen Techniken zur Präsentation eineswissenschaftlichen Vortrags;kennen die Möglichkeiten des wissenschaftlichen Publizierens unddie Organisation von wissenschaftlichen Tagungen;kennen unterschiedliche Forschungsmethoden ;kennen die Möglichkeiten einer Tätigkeit im wissen-schaftlichenUmfeld nach dem Studium;kennen aktuelle Forschungsarbeiten in der Informatik;haben einen Überblick über die Wege der Finanzierung vonForschungsarbeiten;kennen die Anforderungen an die Struktur von Anträgen zurForschungsförderung.

Inhalt Literaturrecherche und ?verwaltungWissenschaftliches Vortragen, Schreiben, Publizieren undBegutachtenForschungsförderung über DrittmittelForschungsmethoden und aktuelle ForschungsprojekteWissenschaftliches Arbeiten nach dem Studium

Voraussetzungen keine

Pruefungs-modalitaeten

Regelmäÿige Teilnahme, Teilnahme an praktischen Übungen (u.a.durch Bearbeitung von Hausaufgaben und Projekten)

Vergabe der LP Regelmäÿige Teilnahme, Teilnahme an praktischen Übungen (u.a.durch Bearbeitung von Hausaufgaben und Projekten)

9

NuetzlicheLiteratur

10

Seminar

Code Name

IS Seminar


4 LP ein Semester jedes Semester

LehrformSeminar 2 + 2SWS (Semi-nar/Tutorium)

Arbeitsaufwand120 h; davon30 h Präsenzstudium90 h Vorbereitung Vortrag

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

Lernziele Kenntnis von Techniken des wissenschaftlichen Schreibens(insbesondere auch Literaturrecherche) Fähigkeit, komplexewissenschaftliche Literatur zu erschlieÿenErweiterte Fähigkeit, komplexe wissenschaftliche Literatur ineinem Vortrag zu präsentierenErweiterte Fähigkeit, zu Vorträgen zu diskutieren und Feedbackzu gebenFähigkeit, ein kurze wissenschaftliche Ausarbeitung zu einemkomplexen Thema zu erstellen

Inhalt Einführung in und Einübung von Techniken des wissenschaftlichenSchreibensVertiefte Einübung der Erschlieÿung und Präsentationwissenschaftlicher LiteraturFortgeschritteneres Informatikthema

Voraussetzungen empfohlen sind: Kenntnisse im Themengebiet des Seminars


Ausarbeitung und Halten eines Vortrages von etwa 60 MinutenDauer (inklusive Diskussion),schriftliche Ausarbeitung von ca. 10 Seiten

Vergabe der LP Regelmäÿige Teilnahme an den Seminarterminen und Mitwirkungin den Diskussionen sowie Bestehen der Modulprüfung

NuetzlicheLiteratur

11

Masterarbeit

Code Name

IMa Masterarbeit


30 LP ein Semester

LehrformBetreutesSelbststudium 2SWS, Kolloquium1 SWS

Arbeitsaufwand900 h; davon810 h Bearbeitung einesindividuellen Themas(Forschungs- undEntwicklungsarbeiten) undschriftliche Ausarbeitung90 h Ausarbeitung Vortrag undPräsentation und MitwirkungKolloquium


Lernziele Einsatz der erlernten Fachkenntnisse und Methoden zumselbstständigen Lösen einer komplexen Problemstellung aus derInformatik und ihren AnwendungenFähigkeit, in groÿem Umfang selbstständig eine anspruchsvollewissenschaftlichen Arbeit zu erstellenFähigkeit, eine eigene, anspruchsvolle Arbeiten in einemwissenschaftlichen Vortrag darzustellen

Inhalt selbstständiges wissenschaftliches Bearbeiten einer beschränktenAufgabenstellung aus der Informatik und ihren Anwendungenwissenschaftlicher Vortrag über die Problemstellung und dieerarbeitete Lösung

Voraussetzungen nach Prüfungsordnung mindestens 45 LP; weiterhin sindempfohlen: Wahlp�ichtvorlesungen und Module Seminar (IS) undFortgeschrittenenpraktikum (IFP)


regelmäÿige Tre�en mit der/dem BetreuerIn, schriftlicheAusarbeitung und Präsentation

Vergabe der LP Bestehen der Master-Arbeit

NuetzlicheLiteratur

12

Anwendungsgebiet

Code Name

IAG Anwendungsgebiet


18 LP

LehrformVorlesung, Übungund / oderPraktikum

Arbeitsaufwand540 h,Aufteilung in Präsenz- /Übungs- und Praktikumszeit inAbsprache mit den Dozentinnenbzw. Dozenten


Lernziele Vertiefte Kenntnisse und Fähigkeiten in einem Anwendungsgebiet

Inhalt Wahl eines Anwendungsgebietes nach den Regeln derPrüfungsordnung Festlegung von und Teilnahme an Modulen ausdem Anwendungsgebiet (die LP entsprechen dabei den Vorgabenaus dem Anwendungsgebiet). Dabei ist sicherzustellen, dass keineModule aus dem Anwendungsgebiet gewählt werden, die schon imBachelor-Studium eingebracht wurden.(optional) De�nition und Durchführung eines interdisziplinärenProjektes, d.h. Festlegung eines Dozenten / einer Dozentin ausdem Anwendungsgebiet und der Informatik GemeinsameFestlegung des Projektziels durch die Dozentinnen bzw. Dozentenund den/die Studierende. Das Projektziel umfasst eineinformatische Leistung im Anwendungsgebiet.Festlegung des Arbeitsaufwandes und damit der LP für dasProjekt Durchführung des Projekts entsprechend des Projektzielsunter Anleitung der Dozentinnen bzw.Dozenten Dokumentationdes Ergebnisses Erstellung eines Projektbericht Präsentation desErgebnisses

Voraussetzungen empfohlen ist das gleiche Anwendungsgebiet wie im Bachelor


Die Prüfungsleistungen können durch nicht-informatische Moduleauf Bachelor- oder Masterniveau erbracht werden. Von den 18 LPkönnen bis zu 10 LP durch ein interdisziplinäres Projekt erbrachtwerden.Prüfungsleistungen in dem Anwendungsgebiet und (optional)Prüfungsleistungen für das interdisziplinäre Projekt analog zumModul IFP werden gewichtet nach dem jeweiligen Anteil der LP.Die Module im IAG müssen benotet sein, unbenotete Modulewerden nur in begründeten Ausnahmefällen zugelassen.

Vergabe der LP Bestehen der jeweiligen Prüfungen

13

NuetzlicheLiteratur

14

2 Wahlp�ichtbereich

Im Folgenden sind die Wahlp�ichtmodule des Masterstudiengangs Angewandte Informatikbeschrieben. Es können (aber müssen nicht) Vertiefungen gewählt werden, dabei sind dienachfolgenden Anmerkungen zu beachten. Wie in der Prüfungsordnung beschrieben, sindbei der Wahl der Module Gebiet abzudecken. Die Zuordnung der Module zu den Gebietenist im nachfolgenden Kapitel beschrieben. Anschlieÿend folgen die Beschreibungen der Ver-tiefungen und dahinter die einzelnen Modulbeschreibungen.Das Modul Objekterkennung und automatisches Bildverstehen (IOAB) wurde zum SS2018umbenannt in Object Recognition and Image Understanding (IORIU).Das Modul Räumliche Datenbanken (IRDB) wurde zum SS2018 umbenannt in Spatial andSpatio-temporal Databases (ISTDB).

2.1 Gebietszuordnung der Module

Entsprechend der in der Prüfungsordnung genannten Vorgaben ist eine Auswahl aus denfolgenden Gebieten abzudecken:

BildverarbeitungComputergraphik und Visualisierung (CGV)Datenbanksysteme (DB)OptimierungParallele und Verteilte SystemeSoftware Engineering (SWE)Technische InformatikTheoretische InformatikWissenschaftliches Rechnen

Nachfolgend werden die Module den einzelnen Gebieten zugeordnet.Alle nicht genannten Module sind keinem speziellen Gebiet zugeordnet.

Bildverarbeitung

Arti�cial Intelligence (IAI)Deep Vision (IDV)Einführung in das maschinelle Sehen in 3D (I3DCV)Funddokumentation mittels optischer 3D-Scanner (I3Doc)Machine Learning (IML)

15

Fundamentals of Machine Learning (IFML)Advanced Machine Learning (IAML)Projektseminar Biomedizinische Bildanalyse (IPBB)Object Recognition and Image Understanding (IORIU)Objekterkennung und automatisches Bildverstehen (IOAB) wurde umbenannt in Object Re-cognition and Image Understanding (IORIU)Modellbasierte Segmentierung biomedizinischer Bilder (IMSBI)Introduction to Image Processing on the GPU (IGPU)Fast Parallel Implementations of Image Labeling Problems (IMLP)

Computergraphik und Visualisierung (CGV)

Algorithmische Geometrie (IAGeo)Arti�cial Intelligence (IAI)Computer Graphics (ICG)Computergraphik 1 (ICG1)Computergraphik 2 (ICG2)Computerspiele (ICS)Einführung in das maschinelle Sehen in 3D (I3DCV)Geometric Modeling and Animation (IGMA)Inverse Probleme (IIP)Praktische Geometrie (IPGeo)Scienti�c Visualization (ISV)Visualisierung im Bereich Cultural Heritage (IVCH)Volume Visualization (IVV)

Datenbanksysteme (DB)

Advanced Topics in Text Mining (IATM)Complex Network Analysis (ICNA)Knowledge Discovery in Databases (IKDD)Räumliche Datenbanken (IRDB) wurde umbenannt in Spatial and Spatio-temporal Databa-ses (ISTDB)Spatial and Spatio-temporal Databases (ISTDB)

Optimierung

E�ziente Algorithmen 1 (IEA1)E�ziente Algorithmen 2 (IEA2)Lineare Optimierung (MD3)Optimization for Machine Learning (IOML)

Parallele und Verteilte Systeme

Big Data (IBD)Cloud Computing 1 (ICC1)Mining Massive Datasets (IMMD)

16

Verteilte Systeme I (IVS1)

Software Engineering (SWE)

IT-Projektmanagement (IPM)Software Evolution (ISWEvolv)Wissensmanagement und Entscheidungen im Software Engineering (ISWKM)Software Ökonomie (ISWÖk)Qualitätsmanagement (ISWQM)Requirements Engineering (ISWRE)

Technische Informatik

Dieses Gebiet umfasst alle Grundlagen- und Vertiefungsmodule des Masters Technische In-formatik.

Theoretische Informatik

Formale Sprachen und Automatentheorie (IFSA)Randomisierte Algorithmen (IRA)Mathematische Logik (MB9)Berechenbarkeit und Komplexität I (MM41)Berechenbarkeit und Komplexität II (MM42)

Wissenschaftliches Rechnen

Machine Learning (IML)Fundamentals of Machine Learning (IFML)Advanced Machine Learning (IAML)Object-Oriented Programming for Scienti�c Computing (IOPSC)Paralleles Höchstleistungsrechnen (IPHR)Parallele Lösung groÿer Gleichungssysteme (IPLGG)Numerik (MD1)

17

2.2 Vertiefungen

Vertiefung Bildverarbeitung

Die Vertiefung wird gestaltet vom Heidelberger Zentrum für Bildverarbeitung (HeidelbergCollaboratory Image Processing). Sie kann im Master gewählt werden.Sie umfasst 2 Seminare, Wahlp�ichtveranstaltungen und die Masterarbeit. Es sind 2 Semi-nare und vertiefende Vorlesungen aus dem Gebiet der Bildverarbeitung zu wählen und dieMasterarbeit in diesem Gebiet anzufertigen. Weitere Module in der Informatik sowie dasAnwendungsgebiet können gemäÿ der Prüfungsordnung frei gewählt werden. Ansprechpart-ner für diese Vertiefung sind Professor Dr. Jähne, Professor Dr. Hamprecht und ProfessorDr. Ommer. Vor Beginn der Vertiefung wird ein Beratungsgespräch bei einem der Ansprech-partner empfohlen.

Die Veranstaltungen aus dem Gebiet der Bildverarbeitung sind:

� Physics of Image Processing (MWInf5) 4 LP� Bildverarbeitung (MWInf6 oder MH19) 8 LP� Object Recognition and Image Understanding (IORIU) 8 LP� Arti�cial Intelligence (IAI) 6 LP

Veranstaltung Semester LP

Wissenschaftliches Arbeiten 1 2

2 Seminare - Bildverarbeitung 1 - 3 8

Bildverarbeitung (MWInf6 oder MH19) 1 - 3 8

Weitere Module aus dem Gebiet derBildverarbeitung

1 - 3 28

Weitere Module aus mindestens 2 anderenGebieten

1 - 3 26

Masterarbeit Bildverarbeitung 4 30

Anwendungsgebiet 1 - 3 18

LP Summe 120

18

Vertiefung Computergraphik und Visualisierung

Diese Vertiefung befähigt zur Entwicklung von Algorithmen und Anwendungsprogrammenfür die visuelle Datenverarbeitung und -analyse. Hierzu gehören Kenntnisse im BereichMensch-Maschine-Interaktion, Computergraphik, Datenanalyse und wissenschaftliche Visua-lisierung. Die Vertiefung kann im Bachelor, im Master und durchgängig vom Bachelor zumMaster gewählt werden. Sie umfasst mindestens ein Seminar, ein Praktikum, die Masterarbeitund zusätzliche Wahlp�ichtveranstaltungen. Die Module sind aus dem Lehrgebiet Compu-tergraphik und Visualisierung (CGV) zu wählen. Weitere Veranstaltungen sollten aus zweiergänzenden Lehrgebieten gewählt werden.Ansprechpartner für diese Vertiefung sind Herr Professor Dr. Sadlo und Frau Dr. Krömker.Vor Beginn der Vertiefung wird ein Beratungsgespräch bei einem der Ansprechpartner emp-fohlen.

Vertiefende Module aus dem Gebiet CGV sind:

� Algorithmische Geometrie (IAGeo) 4 LP� Computer Graphics (ICG) 8 LP� Computergraphik 1 (ICG1) 6 LP� Computergraphik 2 (ICG2) 6 LP� Computerspiele (ICS) 8 LP� Einführung in das maschinelle Sehen in 3D (I3DCV) 4 LP� Geometric Modeling and Animation (IGMA) 8 LP� Praktische Geometrie (IPGeo) 4 LP� Scienti�c Visualization (ISV) 8 LP� Visualisierung im Bereich Cultural Heritage (IVCH) 2 LP� Volume Visualization (IVV) 8 LP

Für das ergänzende Lehrgebiet bieten folgende Bereiche eine gute Erweiterung:

BildverarbeitungDatenbankenOptimierungSoftware EngineeringWissenschaftliches Rechnen

Weitere Bereiche können auf Antrag genehmigt werden.

19



Seminar - Lehrgebiet CGV 1 - 3 4

Seminar - CGV oder ergänzendes Lehrgebiet 1 - 3 4

Fortgeschrittenen-Praktikum CGV 1 - 3 8

Vertiefende Module aus dem Bereich CGV 1 - 3 20


1 - 3 34

Masterarbeit CGV 4 30


LP Summe 120

Bei Belegung der Vertiefung im Bachelor und Master müssen die im Master belegten Moduledisjunkt zu denen im Bachelor sein.

20

Vertiefung Information Systems Engineering

Diese Vertiefung befähigt zu Entwicklung, Betrieb und Wartung von komplexen Informati-onssystemen. Sie kann im Bachelor, im Master und durchgängig vom Bachelor zum Mastergewählt werden. Sie umfasst die Seminare, Praktika, Bachelor- bzw. Masterarbeiten und dieWahlp�ichtveranstaltungen. Dabei sind die Module zu gleichen Teilen auf die Lehr- undForschungsgebiete der beiden Arbeitsgruppen Datenmanagement und -analyse (DMA) undSoftware Engineering (SWE) verteilt. Kernstück ist ein die beiden Lehrgebiete übergreifen-des Praktikum (genannt ISE-Projekt) im Umfang von 16 LP, in dem im Team für externeKunden ein Informationssystem mit ingenieurmäÿigen Methoden unter Nutzung modernsterTechnologie entwickelt wird. Dazu gehören u.a. Konzepte und Methoden aus den BereichenDaten- und Textanalyse, Informationsnetzwerke, Datenmanagement, Softwarequalität undRequirements Engineering. Das ISE-Projekt wird immer im Wintersemester angeboten. An-sprechpartner für diese Vertiefung sind Herr Professor Dr. Gertz (DMA) und Frau ProfessorDr. Paech (SWE). Vor Beginn der Vertiefung wird ein Beratungsgespräch bei einem derAnsprechpartner empfohlen.

Vertiefende Module aus dem Gebiet SWE:

� Requirements Engineering (ISWRE) 8 LP� Qualitätsmanagement (ISWQM) 8 LP� IT-Projektmanagement (IPM) 3 LP� Software-Ökonomie (ISWÖk) 3 LP� Software-Evolution (ISWEvolv) 3 LP� Wissensmanagement in der Softwareentwicklung (ISWKM) (3 LP)

Vertiefende Module aus dem Gebiet DMA:

� Advanced Topics in Text Mining (IATM) 4 LP� Complex Network Analysis (ICNA) 8 LP� Knowledge Discovery in Databases (IKDD) 8 LP� Spatial and Spatio-temporal Databases (ISTDB) 8 LP

Ergänzende Module:

� E�ziente Algorithmen 1 oder 2 (IEA1, IEA2) 8 LP� Machine Learning (IML) 8 LP� Mining Massive Datasets (IMMD) 6 LP� Fundamentals of Machine Learning (IFML) 8 LP� Verteilte Systeme I (IVS1) 6 LP� Scienti�c Visualization (ISV) 8 LP

21



Seminar - Lehrgebiet SWE 1 - 3 4

Seminar - Lehrgebiet DMA 1 - 3 4

ISE-Projekt 1 - 3 16

2 Vertiefende Module Lehrgebiet SWE 1 - 3 16

2 Vertiefende Module Lehrgebiet DMA 1 - 3 16

Weitere Module aus SWE oder DMA 1 - 3 6

Ergänzende Module 1 1 - 3 8

Masterarbeit SWE oder DMA 4 30


LP Summe 120

Wurde das ISE-Projekt schon im Bachelor gemacht, so sollten im Master je 1 Praktikum inDMA und SWE gemacht werden. Bei Belegung der Vertiefung im Bachelor müssen die imMaster belegten Module disjunkt zu denen im Bachelor sein.

22

Vertiefung Optimierung

Diese Vertiefung hat als Inhalt Entwurf, Analyse und Implementierung von Algorithmenzur Lösung von kontinuierlichen und ganzzahligen Optimierungsproblemen. Sie kann imBachelor- oder Master-Studium sowie durchgängig vom Bachelor- zum Master-Studium ge-wählt werden. Sie umfasst neben Vorlesungen, Seminaren und Praktika auch die Bachelor-arbeit. Voraussetzungen sind gute bis sehr gute Kenntnisse aus den P�ichtmodulen Mathe-matik. Ansprechpartner für diese Vertiefung ist Herr Professor Dr. Reinelt. Vor Beginn derVertiefung wird ein Beratungsgespräch empfohlen.

Den Kern der Veranstaltungen dieser Vertiefung bilden die folgenden Module aus dem Ge-biet Optimierung:

� E�ziente Algorithmen 1 (IEA1) 8 LP� E�ziente Algorithmen 2 (IEA2) 8 LP

Weitere erforderliche Module sind:

mindestens ein Seminar 4 LP,mindestens ein Fortgeschrittenen-Praktikum 8 LP.

Empfohlen wird Modul Numerik (MD1).

Möglich sind weiterhin:

� Lineare Optimierung (MD3)� Mixed-Integer Programming and Combinatorial Optimization (IMIP)



Seminar Optimierung 1 - 3 4

Seminar (muss nicht Optimierung sein) 1 - 3 4

Fortgeschrittenen-Praktikum Optimierung 1 - 3 8

3 aus den oben genannten Modulen 1 - 3 24

Weitere Module aus dem Gebiet Optimierung 1 - 3 8


1 - 3 22

Masterarbeit Optimierung 4 30


LP Summe 120

Für weitere Module werden besonders die Gebiete Wissenschaftliches Rechnen, Bildverar-beitung und Datenbanken empfohlen. Bei Belegung der Vertiefung im Bachelor müssen dieim Master belegten Module disjunkt zu denen im Bachelor sein.

23

24

Vertiefung Theoretische Informatik

Die Vertiefung kann im Master gewählt werden. Sie umfasst Seminare, Wahlp�ichtveran-staltungen und die Masterarbeit. Es sind 2 Seminare und 3 vertiefende Vorlesungen ausdem Gebiet der Theoretischen Informatik zu wählen und die Masterarbeit in diesem Ge-biet anzufertigen. Weiter ist die Vorlesung E�ziente Algorithmen 1 verp�ichtend. WeitereLehrveranstaltungen in der Informatik sowie das Anwendungsgebiet können gemäÿ der Prü-fungsordnung frei gewählt werden. Ansprechpartner für diese Vertiefung ist Herr ProfessorDr. Ambos-Spies. Vor Beginn der Vertiefung wird ein Beratungsgespräch empfohlen.

Vertiefende Vorlesungen aus dem Bereich Theoretische Informatik:

� Berechenbarkeit und Komplexität 1 (MH14) 8 LP� Berechenbarkeit und Komplexität 2 (MH15) 6 LP� Formale Sprachen und Automatentheorie (IFSA) 8 LP

Auf Antrag kann eine dieser Vorlesungen durch eine vertiefende Vorlesung über e�zienteAlgorithmen ersetzt werden.



2 Seminare - Lehrgebiet Theoretische Informatik 1 - 3 8

3 Vertiefende Vorlesungen - LehrgebietTheoretische Informatik

1 - 3 22

E�ziente Algorithmen 1 1 - 3 8

Weitere Module Informatik (Wahlp�ichtmodule) 1 - 3 32

Masterarbeit - Lehrgebiet TheoretischeInformatik

4 30


LP Summe 120

25

Vertiefung Wissenschaftliches Rechnen

Die Vertiefung kann im Bachelor, im Master und durchgängig vom Bachelor zum Mastergewählt werden. Sie umfasst die Seminare, Praktika, Bachelor- und Masterarbeiten und dieWahlp�ichtveranstaltungen. Ansprechpartner für diese Vertiefung ist Herr Professor Dr. Bas-tian. Vor Beginn der Vertiefung wird ein Beratungsgespräch empfohlen.

Vertiefende Vorlesungen aus dem Gebiet Wissenschaftliches Rechnen:

� Object-Oriented Programming for Scienti�c Computing (IOPSC) 6 LP� Paralleles Höchstleistungsrechnen (IPHR) 8 LP� Parallele Lösung groÿer Gleichungssysteme (IPLGG) 8 LP� Numerik 1 (MD1) 8 LP

Falls die Vertiefung noch nicht im Bachelor gewählt wurde, sollte das Modul MD1 gewähltwerden.



2 Seminare Wissenschaftliches Rechnen 1 - 3 8

Object-Oriented Programming for Scienti�cComputing (IOPSC)

1 - 3 6

Paralleles Höchstleistungsrechnen (IPHR) 1 - 3 8

Weitere Module aus dieser Vertiefung 1 - 3 32

Weitere Module aus mindestens 1 anderemGebiet (empfohlen: SWE)

1 - 3 16

Masterarbeit Wissenschaftliches Rechnen 4 30


LP Summe 120

Bei Belegung der Vertiefung im Bachelor müssen die im Master belegten Module disjunktzu denen im Bachelor sein.

26

2.3 Module aus der Informatik

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

27

Advanced Machine Learning

Code Name

IAML Advanced Machine Learning


8 LP one semester follows *Fundamentals ofMachine Learning*

Lehrform4 SWS lecture (inEnglish), 2 SWStutorial, homeworkassignments

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

Verwendbarkeitcannot be combined with*Machine Learning*B.Sc. Angewandte Informatik,M.Sc. Angewandte Informatik,M.Sc. Scienti�c Computing,

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

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

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


cannot be combined with *Machine Learning*, written exam(report on a 60h mini-research project)

Vergabe der LP Successful homework solutions and passing the module exam

NuetzlicheLiteratur

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

28

Advanced Topics in Text Mining

Code Name

IATM Advanced Topics in Text Mining


4 LP one semester irregular (every 2nd to 3rdsummer semester)

LehrformLecture 2 SWS +Exercise course 1SWS

Arbeitsaufwand120 h; thereof30 h lectures20 h preparation for examination

70 h self-study and working onassignments/projects (optionallyin groups)

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

Lernziele Students- can apply and evaluate methods of data preparation- know advantages and drawbacks of di�erent data representations

- can apply and evaluate selected methods of text mining- know the theoretical background of machine learning methodsdeep enough to be able to choose parameters and adapt analgorithm to a given problem- can evaluate and compare text mining models and patterns

Inhalt The lecture introduces the fundamentals as well as selectedadvanced topics from the domain of text mining.- fundamentals of data modeling and preprocessing, in particularfor textual data- statistical and algorithmic foundations of the analysis methods- basics of computer linguistics and natural language processingfor processing textual data (e.g., morphological analysis,part-of-speech tagging, named entity recognition)- selected and current focus topics such as classi�cation, clusteranalysis, sequence pattern mining, association rule mining, topicmodeling, and embeddings with an emphasis on the application totextual data

Voraussetzungen recommended are: Algorithmen und Datenstrukturen (IAD),Knowledge Discovery in Databases (IKDD), Einführung in dieWahrscheinlichkeitstheorie und Statistik (MA8)


�nal written exam

29

Vergabe der LP successfull assignments, students can also work on a project(non-graded); passing the module exam

NuetzlicheLiteratur

- Chru Aggarwal and Zhai ChengXiang: Mining text data.Springer, 2012.- Christopher D. Manning, Prabhakar Raghavan and HinrichSchütze: Introduction to Information Retrieval, CambridgeUniversity Press. 2008.- Jerome H. Friedman, Robert Tibshirani und Trevor Hastie: TheElements of Statistical Learning, 2001.- Bing Liu: Web Data Mining (2nd Edition). Springer, 2011.

30

Algorithmische Geometrie

Code Name

IAGeo Algorithmische Geometrie


4 LP ein Semester unregelmäÿig

LehrformVorlesung 2 SWS,1 SWS Übung

Arbeitsaufwand120 h; davon45 h Präsenzstudium15 h Prüfungsvorbereitung60 h Selbststudium undAufgabenbearbeitung (eventuellin Gruppen)

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

Lernziele Die Studierenden kennen die grundlegenden Algorithmen undDatenstrukturen der geometrischen Datenverarbeitung.Sie verstehen Grundkonzepte wie konvexe Hülle,Schnittpunktbestimmung und e�ektive Punktsuche und könnensie algorithmisch umzusetzen.Sie beherrschen die wesentlichen Datenstrukturen zur e�zientenSpeicherung und Weiterverarbeitung und können die Komplexitätder verschiedenen Algorithmen berechnen.

Inhalt BasiskonzepteE�ziente Punktsuche, Sweep-Algorithmen,VoronoidiagrammeDelaunaytriangulierungAllgemeine Suchstrukturen

Voraussetzungen empfohlen ist: Algorithmen und Datenstrukturen (IAD)


eine schriftliche oder mündliche Abschlussprüfung

Vergabe der LP Bestehen der Modulprüfung

NuetzlicheLiteratur

Rolf Klein: Algorithmische Geometrie, Springer Verlag, 2005.Herbert Edelsbrunner: Geometry and Topology of MeshGeneration, Cambridge University Press, 2001.Mark de Berg, Otfried Cheong, Marc van Kreveld, MarkOvermars: Computational Geometry - Algorithms andApplications, 3rd edition, Springer, 2008.Aktuelle Fachverö�entlichungen

31

Arti�cial Intelligence

Code Name

IAI Arti�cial Intelligence


6 LP one semester irregular

Lehrform2 SWS lecture, 2SWS tutorial

Arbeitsaufwand180 h; thereof60h lectures and tutorials50h graded �nal report of miniproject70h lecture wrap-up,programming exercises andhomework


Lernziele To be able to develop algorithms for solving problems byinformed/uninformed search.To know how to apply logical inference for �nding solutions.To have a �rm command of applying inference under uncertainty.To have gained a solid understanding of learning agents based ondeep learning and neural networks.To know how to apply the developed expertise to di�erentapplication areas such as Computer Vision or text mining.

Inhalt Solving problems by searchGame playingInference using logicKnowledge basesPlanning and actingReasoning under uncertaintyDeep Learning and Neural NetworksMachine Learning Applications

Voraussetzungen recommended are: basic programming skills and knowledge ofbasic calculus, statistics, and linear algebra


exam (written report on mini research project)


NuetzlicheLiteratur

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

32

Big Data

Code Name

IBD Big Data



LehrformVorlesung 2 SWS

Arbeitsaufwand90 h; davon30 h Präsenzstudium15 h Prüfungsvorbereitung45 h Selbststudium undHausaufgabenbearbeitung

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

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

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

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


eine Klausur oder mündlichen Abschlussprüfung

33


NuetzlicheLiteratur

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

34

Cloud Computing 1

Code Name

ICC1 Cloud Computing 1




Arbeitsaufwand90 h; davon30 h Präsenzstudium15 h Prüfungsvorbereitung45 h Selbststudium undHausaufgabenbearbeitung


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

können die erworbenen Kenntnisse auf verschiedeneAnwendungsbereiche zu übertragen

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

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


mündliche Abschlussprüfung


35

NuetzlicheLiteratur

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

36

Complex Network Analysis

Code Name

ICNA Complex Network Analysis


8 LP one semester every 2nd wintersemester

LehrformLecture 4 SWS,Exercise course 2SWS

Arbeitsaufwand240 h; thereof90 h lecture12 h preparation for exam130 h self-study and working onassignments/projects (optionallyin groups)

VerwendbarkeitB.Sc. Angewandte Informatik,M.Sc. Angewandte Informatik,M.Sc. Scienti�c ComputingB.Sc. Mathematik

Lernziele Students- can describe basic measures and characteristics of complexnetworks- can implement and apply basic network analysis algorithmsusing programming environments such as R or Python- can describe di�erent network models and can describe,compute, and analyze characteristic parameters of these models- know how to compute di�erent complex network measures andhow to interpret these measures- know di�erent generative models for constructing complexnetworks, especially scale-free networks- know the fundamental methods for the detection of communitiesin networks and the analysis of their evolution over time- are familiar with basic concepts of network robustness- understand the principles behind the spread of phenomena incomplex networks

37

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

Voraussetzungen recommended are: Algorithmen und Datenstrukturen (IAD),Knowledge Discovery in Databases (IKDD), Lineare Algebra I(MA4)


�nal written exam

Vergabe der LP Successful participation in the assignments and passing themodule exam

NuetzlicheLiteratur

- Albert-Laszlo Barabasi: Network Science, Cambridge UniversityPress, 2016.- M.E.J. Newmann: Networks: An Introduction, Oxford UniversityPress, 2010.- Vito Latora, Vincenzo Nicosia, Giovanni Russo: ComplexNetworks - Principles, Methods and Applications, CambridgeUniversity Press, 2017.- David Easley, Jon Kleinberg: Networks, Crowds, and Markets:Reasoning About a Highly Connected World, CambridgeUniversity Press, 2010.- Stanley Wasserman, Katherine Faust: Social NetworkAnalysis-Methods and Applications, Cambridge University Press,1994.

38

Computer Graphics

Code Name

ICG Computer Graphics


8 LP one semester every 3rd semester

Lehrformlecture 4 SWS,exercise 2 SWS

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

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

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

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

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


cannot be combined with Computergraphik 1 and 2 (ICG1,ICG2), an oral or written exam

Vergabe der LP successful participation in the exercises and passing the moduleexam

39

NuetzlicheLiteratur

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

40

Computergraphik 1

Code Name

ICG1 Computergraphik 1


6 LP ein Semester jedes 2. Wintersemester

LehrformVorlesung 2 SWS,Übung 2 SWS

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

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

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

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

41

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


kann nicht kombiniert werden mit Computer Graphics (ICG), einemündliche oder schriftliche Abschlussprüfung

Vergabe der LP Erfolgreiche Teilnahme an den Gruppenübungen und Bestehender Modulprüfung

NuetzlicheLiteratur

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

42

Computergraphik 2

Code Name

ICG2 Computergraphik 2


6 LP ein Semester jedes 2. Sommersemester


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

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

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

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

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


kann nicht kombiniert werden mit Computer Graphics (ICG), eineschriftliche Abschlussprüfung


NuetzlicheLiteratur

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

43

Computerspiele

Code Name

ICS Computerspiele


8 LP ein Semester jedes Sommersemester


Arbeitsaufwand240 h; davon75 h Präsenzstudium15 h Prüfungsvorbereitung150 h Selbststudium undAufgabenbearbeitung (evtl. inGruppen)


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

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

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




NuetzlicheLiteratur

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

44

3D Computer Vision

Code Name

I3DCVi 3D Computer Vision



LehrformLecture 2 SWS,Exercise 2 SWS

Arbeitsaufwand180 h; thereof30 h lectures30 h exercises20 h revision and home exercise70 h programming a miniresearch project30 h preparation of �nal report

VerwendbarkeitB.Sc. Angewandte InformatikM.Sc. Angewandte InformatikM.Sc. Scienti�c Computing

Lernziele The students- Understand the principles behind estimating 3D Point Cloudsand Motion from two or more images. They are able to apply thisknowledge to new tasks in the �eld of 3D reconstruction.- Understanding the principles of an image processing, the imageformation process and corresponding Geometry. This can beutilized to design new algorithms, for e.g. 3D motion estimationfor autonomous driving.- Understand and implement methods that combine machinelearning-based methods with classical computer vision-basedtechniques.- Have studied various state-of-the-art computer vision systemsand approaches, and are then able to evaluate and classify newsystems and approaches.- Understand and implement di�erent approaches for objecttracking and object-instance recognition.

Inhalt This lecture covers areas of computer vision which deal with 3Dreconstruction and scene understanding. This means, for instance,to recover a 3D scene from a set of photographs or video, or toextract and track objects in the scene. We discuss the underlyingprinciples and methods to solve such tasks. In particular, we covertechniques from deep learning, traditional approaches, andmixtures of the two. We also introduce the necessary backgroundknowledge, e.g. camera models, deep learning, image formationmodel, Kalmann Filters, etc.

Voraussetzungen recommended is a basic machine learning background (e.g.Fundamentals of Machine Learning, Advanced Machine Learningor equivalent)

45


graded �nal report (about 10 pages) or �nal report (about 5pages) together with oral exam

Vergabe der LP successful participation in the exercises and passing the moduleexam

NuetzlicheLiteratur

46

Deep Vision

Code Name

IDV Deep Vision



Lehrformlecture 2 SWS,tutorial 2 SWS

Arbeitsaufwand180h; thereof60h lectures and tutorials70h lecture wrap-up,programming excercises, andhomework50h preparation for projectwork, examination


Lernziele To have reached an understanding of the foundations underlyingdeep learningTo be able to practically apply deep learning algorithms to newproblems in Computer VisionTo have a �rm command of the algorithmic basics and to be ableto analyze and solve new problems in novel application areasTo be capable of understanding and analyzing the latestpublications in deep learning and Computer Vision and toevaluate their strengths and weaknesses.To have reached understanding of state-of-the-art deep learningalgorithms for Computer Vision with the ability to relate andcontrast di�erent concepts.

Inhalt Methods in Computer Vision based on Deep Learning, esp.:? deep learning in Computer Vision and convolutional neuralnetworks? generative/discriminative methods? supervised/unsupervised methods, reinforcement learning? video analysis? Object and action recognition? local and global feature extraction? hierarchical object representations? novel applications

Voraussetzungen recommended are: solid programming skills and knowledge ofbasic calculus, statistics, and linear algebra


project work with �nal report or oral/written examination


47

NuetzlicheLiteratur

Will be presented in class

48

E�ziente Algorithmen 1

Code Name

IEA1 E�ziente Algorithmen 1


8 LP ein Semester jedes 4. Semester

LehrformVorlesung 4 SWS,Übungen 2 SWS


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

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

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

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK), Algorithmen und Datenstrukturen(IAD), Lineare Algebra 1 (MA4)


eine schriftliche Abschlussprüfung


49

NuetzlicheLiteratur

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

50

E�ziente Algorithmen 2

Code Name

IEA2 E�ziente Algorithmen 2


8 LP ein Semester jedes 4. Semester

LehrformVorlesung 4 SWS,Übungen 2 SWS


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

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

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

Voraussetzungen empfohlen sind: Einführung in die Praktische Informatik (IPI),Programmierkurs (IPK), Algorithmen und Datenstrukturen(IAD), Lineare Algebra 1 (MA4); Absolvierung des ModulsE�ziente Algorithmen 1 (IEA1) ist nützlich, aber nichtVoraussetzung



51


NuetzlicheLiteratur

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

52

Einführung in das maschinelle Sehen in 3D

Code Name

I3DCV Einführung in das maschinelle Sehen in 3D


4 LP ein Semester jedes Wintersemester


Arbeitsaufwand120 h; davon30 h Präsenzstudium60 h Übungsaufgaben,30 h Prüfungsvorbereitung


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

Inhalt Bildaufnahme, Optik und SensorenFilter zur MerkmalsdetektionKamerakalibrierung und MerkmalsextraktionShape from Monocular ImagesShape from Multiple ImagesActive Range Scanner(s)Time-of-�ight-scanner (TOF)3D Objektreprasentationen und Anwendungen

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


eine mündliche oder schriftliche Abschlussprüfung (je nachTeilnehmerzahl)

Vergabe der LP Teilnahme an den Vorlesungen und Bestehen der Modulprüfung

NuetzlicheLiteratur

J. C. Kuss, F. B. Neal, The Image Processing Handbook, 7edition, CRC Press, 2016.J. Bernd, Digital Image Processing., Springer, 6 edition, 2005.E. R. Davies, Machine Vision ? Theory, Algorithms, Practicalities,Elsevier, 2005.

53

Formale Sprachen und Automatentheorie

Code Name

IFSA Formale Sprachen und Automatentheorie


8 LP ein Semester mindst. jedes 4. Semester

LehrformVorlesung 4 SWS,Übungen 2 SWSmit Hausaufgaben.

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


54

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

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

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


eine mündliche Abschlussprüfung.


55

NuetzlicheLiteratur

56

Fortgeschrittenenpraktikum

Code Name

IFP Fortgeschrittenenpraktikum


8 LP jedes Semester

LehrformPraktikum 6 SWS

Arbeitsaufwand240 h; davon mind.25 h Präsenzzeit10 h Vorbereitung Vortrag

VerwendbarkeitB.Sc. Angewandte Informatik,Lehramt Informatik

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

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

Voraussetzungen empfohlen sind: Anfängerpraktikum (IAP), Einführung inSoftware Engineering (ISW)


Bewertung der dokumentierten Software, des Projektberichts(5-10 Seiten) und des Vortrags (ca. 30 Minuten zzgl. Diskussion)


NuetzlicheLiteratur

57

Fundamentals of Machine Learning

Code Name

IFML Fundamentals of Machine Learning


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


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

Verwendbarkeitcannot be combined with*Machine Learning*B.Sc. Angewandte Informatik,M.Sc. Angewandte Informatik,M.Sc. Scienti�c Computing

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

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

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


cannot be combined with *Machine Learning*, written exam(report on a 60h mini-research project)


NuetzlicheLiteratur

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

58

Funddokumentation mittels optischer 3D-Scanner

Code Name

I3DOK Funddokumentation mittels optischer 3D-Scanner



LehrformÜbung 2 SWS

Arbeitsaufwand60 h; davon30 h Präsenzstudium30 h Prüfungsvorbereitung


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

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

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


eine praktische Abschlussprüfung

Vergabe der LP Teilnahme an den einleitenden Vorlesungen und den praktischenÜbungen. Bestehen der Modulprüfung

NuetzlicheLiteratur

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

59

Geometric Modeling and Animation

Code Name

IGMA Geometric Modeling and Animation






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

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

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


a written or oral exam

60

Vergabe der LP Successful participation in the exercises and passing the moduleexam

NuetzlicheLiteratur

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

61

Inverse Problems

Code Name

IIP Inverse Problems



LehrformVorlesung 2 SWS,Übung 2 SWS undHausarbeiten

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


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

Inhalt Deterministische inverse ProblemeStochastische inverse ProblemeWahl der RegularisierungsparameterCompressed sensingTomographieDeblurring

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


eine mündliche Abschlussprüfung

Vergabe der LP Erfolgreiche Teilnahme an den Übungen und Bestehen derModulprüfung

NuetzlicheLiteratur

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

62

IT-Projektmanagement

Code Name

IPM IT-Projektmanagement


3 LP alsSpezialvorlesungAngewandteInformatik 6 LPals EPG

ein Semester jedes 2. Wintersemester

LehrformVorlesung+Übung2 SWS für eineAnrechnung alsEPG mitzusätzlichemForschungsprojekt

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

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


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

63

Inhalt Projektplanung, ProjektorganisationKostenschätzungAngebot/ Vertrag, VerhandelnVorgehensmodelleRisikomanagementControllingIT-VertragsrechtÄnderungsmanagementZeitmanagementProjektabschlussVerteilte Softwareentwicklung

Voraussetzungen keine


eine AbschlussprüfungFür EPG: Zusätzlich erfolgreiche Teilnahme amForschungsprojekt. Die Note für das Forschungsprojekt geht zurHälfte in die Endnote ein.


NuetzlicheLiteratur

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

64

IT-Sicherheit

Code Name

IITS IT-Sicherheit




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


Lernziele Studierende* erwerben umfangreiches Wissen über die Funktionsweise undVerwundbarkeiten vernetzter Computersysteme, und könnensomit Konzepte zur IT-Netzsicherheit bewerten und entwerfen* erlangen grundlegende Kenntnisse über die Sicherung groÿerNetzwerke und der Kommunikationsinfrastruktur (Routing,Namensau�ösung, Internet-Firewalls, Intrusion DetectionSysteme)* erwerben Kenntnisse im Bereich Kryptographie: Theorie derKryptographie und praktische Umsetzung typischerkryptographischer Verfahren im Zusammenhang mitkryptographischen Prüfwerten, symmetrischen undasymmetrischen Chi�rierverfahren* erlangen grundlegende Expertise im Bereich der Kryptoanalyse* erwerben umfassende Kompetenzen zur Detektion vonCyberangri�en; grundlegende Kompetenzen im Feld derIT-/Cyber-Forensik* erwerben praktische Erfahrungen bei der Verwendung vondedizierter Software zur Detektion von Angri�sszenarien imDatennetz

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

65

Inhalt Der IT-Sicherheit kommt bei der allgegenwärtigen Digitalisierungeine Schlüsselrolle zu. Diese Vorlesung vermittelt methodischeAnsätze zur Modellierung und Bewertung von Angri�sszenarien,auf Basis welcher wirksame technische Gegenmaÿnahmenumgesetzt werden können. Insbesondere werden folgendeSchwerpunkte adressiert:- Sicherheitsmodelle und Bewertungskriterien- Kryptographische Prüfwerte: Modi�kationserkennungs- undNachrichtenauthentisierungswerte- Symmetrische und asymmetrische kryptographische Verfahren- Kryptographische Protokolle- Zugri�skontrolle- Schutz von Kommunikationsinfrastruktur- Digitale Identität

Mit Hilfe von virtuellen Maschinen in einem geschützten Bereichwerden klassische Angri�s- und Schutzszenarien praktischuntersucht. Hier werden sog. Experimentierblätter samt Daten zurVerfügung gestellt.

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


Abschlussklausur (90 Min.)

Vergabe der LP Regelmäÿige Teilnahme und Bestehen der Modulprüfung

NuetzlicheLiteratur

C. Eckert, IT-Sicherheit: Konzepte, Verfahren, Protokolle DeGruyter Studium. Oldenbourg: de Gruyter, 2014.T.W. Harich, IT-Sicherheitsmanagement: Arbeitsplatz IT SecurityManager. MITP, 2012.K. Schmeh, Kryptographie: Verfahren, Protokolle, Infrastruktur.5. Au�age. Heidelberg, Dpunkt Verlag, 2013.

66

Knowledge Discovery in Databases

Code Name

IKDD Knowledge Discovery in Databases


8 LP one semester every 2nd winter semester




Lernziele Students- understand the KDD process and when to apply di�erent KDDtasks- are able to apply suitable data mining techniques to speci�cdata analysis problem- know the foundations of statistics and probability theoryunderlying diverse data mining techniques- can apply and adopt di�erent data clustering algorithms andmodels- can apply and adopt di�erent data classi�cation algorithms andmodels- understand di�erent methods and metrics to evaluate the qualityof data mining results- can describe di�erent pattern detection methods to obtainfrequent patterns from diverse types of data sets- are familiar with the foundations of models and techniques toextract patterns from graph data- can apply and realize the di�erent algorithms and data miningprocedures in software environments such as R or Python

Inhalt - KDD process and tasks- Data, statistics, and probability theory- Clustering models, techniques, and algorithms- Classi�cation models, techniques, and algorithms- Frequent pattern mining approaches- Outlier detection concepts- Graph mining models and methods

Voraussetzungen recommended are: Algorithmen und Datenstrukturen (IAD),E�ziente Algorithmen 1 (IEA1), Einführung in dieWahrscheinlichkeitstheorie und Statistik (MA8)

67


�nal written exam

Vergabe der LP Successful participation in the assignments, students can alsowork on a project (non-graded); passing the module exam

NuetzlicheLiteratur

- Jiawei Han, Micheline Kamber, and Jian Pei: Data Mining.Concepts and Techniques, Morgan Kaufmann Series in DataManagement Systems, 2011 (3rd Edition).- Charu Aggarwal: The textbook. Springer, 2015.- Pang-Ning Tan, Michael Steinbach, and Vipin Kumar:Introduction to Data Mining. Addison Wesley, 2005.

68

Machine Learning

Code Name

IML Machine Learning


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


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

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

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

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

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


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


69

NuetzlicheLiteratur

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

70

Mining Massive Datasets

Code Name

IMMD Mining Massive Datasets


6 LP ein Semester mind. jedes 4. Semester




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

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

* Theorie und Praxis der Skalierbarkeit, Tuning der Algorithmenund Frameworks

71

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




NuetzlicheLiteratur

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

72

Object-Oriented Programming for Scienti�c Computing

Code Name

IOPSC Object-Oriented Programming for Scienti�c Computing


6 LP one semester every summer semester

LehrformLecture 2 SWS,Exercise oncomputer 2 SWS

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


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

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

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


a written exam at the end of the semester


NuetzlicheLiteratur

73

Object Recognition and Image Understanding

Code Name

IORIU Object Recognition and Image Understanding


8 LP one semester at least every 4th semester

LehrformLecture 4 h +Exercise course 2 h

Arbeitsaufwand240h; thereof90h lectures and tutorials100h lecture wrap-up andhomework50h preparation for projectwork, examination

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

Lernziele To have reached understanding of the state-of-the-art in mid- andhigh-level Computer Vision and to have the ability to relate andcontrast di�erent concepts.To be able to apply essential algorithms from pattern recognitionand deep learning to current problems in machine vision.To be capable of understanding and analyzing the latestpublications in Computer Vision and to evaluate their strengthsand weaknesses.To have a �rm command of the algorithmic basics and to be ableto analyze and solve object recognition problems in novelapplication areas.To know the most relevant methods for robust objectrepresentation and to judge them based on their applicability andrestrictions.

Inhalt Methods in mid- and high-level Computer Vision, esp.:- object detection and classi�cation- deep learning in Computer Vision and convolutional neuralnetworks- machine learning approaches for object representation- video analysis- recognition of human actions- local and global feature extraction- model based approaches- view based approaches- generative/discriminative methods- supervised/unsupervised methods- registration- shape analysis- voting and hashing methods- hierarchical object representations

74

Voraussetzungen recommended are: solid programming skills and knowledge ofbasic calculus, statistics, and linear algebra


project work with �nal report or oral/written exam


NuetzlicheLiteratur

Will be presented in class

75

Optimization for Machine Learning

Code Name

IOML Optimization for Machine Learning


8 LP one semester every winter semester


Arbeitsaufwand240 h; thereof60 h lectures30 h exercises24 h preparation for exam126 h self-study and working onassignments/projects (optionallyin groups)

VerwendbarkeitB.Sc. Angewandte InformatikM.Sc. Angewandte InformatikM.Sc. MathematikM.Sc. Scienti�c Computing

Lernziele The students- can analyze optimization methods for machine learning problemsand estimate the area of their potential application- can competently apply existing algorithms and programpackages for inference and learning with graphical models andneural networks- know typical optimization techniques for inference and learningwith graphical models and neural networks- understand the basics of convex analysis, convex optimization,convex duality theory, (integer) linear programs and theirgeometry

76

Inhalt The course presents various existing optimization techniques forsuch important machine learning tasks, as inference and learningfor graphical models and neural networks. In particular, itaddresses such topics as combinatorial algorithms, integer linearprograms, scalable convex and non-convex optimization andconvex duality theory. Graphical models and neural networks playa role of working examples along the course. The content of thecourse includes:- Convex analysis and optimization: convex sets and functions,polyhedra, (integer) linear programs, basic �rst-order convexoptimization methods and their stochastic variants, LP andLagrange relaxations- Graphical Models: dynamic programming, sub-gradient andblock-coordinate ascent inference methods, min-cut/max-�owbased inference, structured risk minimization for graphical models

- neural networks: architectures, backpropagation algorithm,stochastic gradient descent and its variants for training neuralnetworks.

Voraussetzungen recommended are: linear algebra, analysis and any universalprogramming language (e.g. C/C++/Pascal/python)


Oral or written exam (is de�ned depending the number ofstudents at the beginning of the course).


NuetzlicheLiteratur

Will be given by lecturer at the beginning of the course

77

Praktische Geometrie

Code Name

IPGeo Praktische Geometrie




Arbeitsaufwand120 h; davon45 h Präsenzstudium60 h Aufgabenbearbeitung15 h Prüfungsvorbereitung


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

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

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




78

NuetzlicheLiteratur

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

79

Projektseminar Biomedizinische Bildanalyse

Code Name

IPBB Projektseminar Biomedizinische Bildanalyse



Lehrform2 Teile Seminarund Projekt, 4SWS

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


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

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

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

80


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


NuetzlicheLiteratur

Bekanntgabe in der Lehrveranstaltung

81

Qualitätsmanagement

Code Name

ISWQM Qualitätsmanagement



LehrformVorlesung 3 SWS,Übung 3SWS

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


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

Inhalt Methoden, Prozesse und Werkzeuge fürQualitätssicherungQualitätsmanagementVerbesserung von SoftwareentwicklungsprozessenManagement von Softwareentwicklungsprozessen

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


eine mündliche oder schriftliche Abschlussprüfung


NuetzlicheLiteratur

Wird jährlich aktualisiert

82

Randomisierte Algorithmen

Code Name

IRA Randomisierte Algorithmen


6 LP ein Semester mindst. jedes 4. Semester




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

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

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



83


NuetzlicheLiteratur

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

84

Requirements Engineering

Code Name

ISWRE Requirements Engineering



LehrformVorlesung 3 SWS,Übung 3SWS

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


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

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





NuetzlicheLiteratur

Wird jährlich aktualisiert

85

Scienti�c Visualization

Code Name

ISV Scienti�c Visualization






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

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

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

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


an oral or written exam

86


NuetzlicheLiteratur

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

87

Software Evolution

Code Name

ISWEvol Software Evolution




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


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

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

88

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



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


NuetzlicheLiteratur

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

89

Software Ökonomie

Code Name

ISWÖk Software Ökonomie




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


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

90

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



eine mündliche oder schriftliche Abschlussprüfung (je nach Anzahlder TeilnehmerInnen)


NuetzlicheLiteratur

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

91

Spatial and Spatio-temporal Databases

Code Name

ISTDB Spatial and Spatio-temporal Databases


8 LP one semester every 2nd to 3rd winter semester




Lernziele Students- have a solid understanding of concepts, models, and techniquesunderlying the modeling, management, processing, and queryingof diverse types of spatial and spatio-temporal data- know important spatial and spatio-temporal indexing structures- can employ core algorithmic frameworks for processing spatialand spatio-temporal queries- can apply key algorithms adopted from computational geometry

- can apply suitable data management techniques using systemssuch as PostgreSQL or PostGIS

Inhalt - Principles and requirements of managing spatial data- Application domains of managing and analyzing spatial dataSupport of managing spatial data using commercial andopen-source DBMS- Concepts and methods for representing spatial data in 2d and3d; tessellation and vector models, groups of spatial objects,abstract data types for spatial data- Fundamentals of computational geometry (e.g., convex hull,sweep-line techniques, polygon partitioning, cut of polygons)- Access structures for spatial data, in particular grid-�les,kd-tree, quad-tress, and R-trees- Algorithms and cost models for using spatial index structures- Principles of spatial query processing and optimization, inparticular spatial join techniques- Spatio-temporal databases and index structures- Moving objects: applications, querying, and index structures- Introduction to mining spatio-temporal data

Voraussetzungen recommended are: Algorithmen und Datenstrukturen (IAD),Datenbanken (IDB)

92


�nal written exam

Vergabe der LP Successful participation in the assignments, students can alsowork on a project (non-graded); passing the module exam

NuetzlicheLiteratur

- Philippe Rigaux, Michel Scholl, Agnes Voisard: SpatialDatabases ? With Applications to GIS. Morgan Kaufmann, 2001.- Mark de Berg, Otfried Cheong, Marc van Kreveld, and MarkOvermars: Computational Geometry: Algorithms andApplications Springer, Berlin, 2008.- Xiaofeng Meng,? Zhiming Ding,? Jiajie Xu: Moving ObjectsManagement: Models, Techniques and Applications. Springer,2016.

93

Verteilte Systeme I

Code Name

IVS1 Verteilte Systeme I


6 LP ein Semester mind. jedes 4. Semester




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

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

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

94


eine Abschlussprüfung


NuetzlicheLiteratur

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

95

Visualisierung im Bereich Cultural Heritage

Code Name

IVCH Visualisierung im Bereich Cultural Heritage




Arbeitsaufwand60 h; davon30 h Präsenzstudium,30 h Prüfungsvorbereitung


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

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

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


eine mündliche oder schriftliche Abschlussprüfung (je nachTeilnehmerzahl)

Vergabe der LP Teilnahme an den Vorlesungen und Bestehen der Modulprüfung

NuetzlicheLiteratur

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

96

Volumenvisualisierung

Code Name

IVV Volumenvisualisierung






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

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

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

97




NuetzlicheLiteratur

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

98

Wissensmanagement und Entscheidungen im Software Engineering

Code Name

ISWKM Wissensmanagement und Entscheidungen im Software Engineering


3 LP ein Semester jedes 2. Wintersemester

LehrformVorlesung+Übung2 SWS



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

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

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


eine Abschlussprüfung.

Vergabe der LP Erfolgreiche Teilnahme an den Hausaufgaben und Bestehen derModulprüfung

99

NuetzlicheLiteratur

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

100

2.4 Module aus dem B.Sc./M.Sc. Mathematik

Aus dem Bachelor Mathematik mit 100% Fachanteil sind folgende Module anrechenbar:- Wahrscheinlichkeitstheorie (MC4)- Numerik (MD1)- Statistik (MD2)- Lineare Optimierung (MD3)- Computational Statistics (MD6)- Mathematische Logik (ME3)

Aus dem Master Mathematik sind aus den genannten Modulen die folgenden Veranstal-tungen anrechenbar:- Grundmodul Numerik und Optimierung:Finite ElementeNichtlineare OptimierungNumerische Optimierung bei Di�erentialgleichungen IUncertainty Quanti�cation 1

- Grundmodul Statistik und Wahrscheinlichkeitsrechnung:Wahrscheinlichkeitstheorie IIStatistik II

-Aufbaumodul Numerik und Optimierung:Gemischte Finite ElementeParallele Löser für Finite ElementeNumerische Optimierung bei Di�erentialgleichungen IIUncertainty Quanti�cation 2

Aus den Ergänzungsmodulen:- Berechenbarkeit und Komplexität I- Berechenbarkeit und Komplexität II

101

2.5 Module aus dem M.Sc. Scienti�c Computing

Fundamentals of Computational Environmental Physics

Code Name

FCEP Fundamentals of Computational Environmental Physics


8 LP ein Semester


Arbeitsaufwand240 h90 h Präsenzstudium15 h Prüfungsvorbereitung135 h Selbststudium undAufgabenbearbeitung (evtl. inGruppen)

Verwendbarkeit

Lernziel Die Studenten� Lernen die Modellierung fundamentaler Prozesse derUmweltphysik mit Methoden der Kontinuumsmechanik� Lernen die Simulation dieser Modelle mit modernenMethoden der numerischen Mathematik kennen� Wenden diese Methoden auf konkrete umweltphysikalischeFragestellungen an

Inhalt Elementare, lineare Modelle1) Einphasen-Strömung in porösen Medien / Elliptischepartielle Di�erentialgleichungen (PDGLn)2) Skalarer Transport / Hyperbolische Gleichung ersterOrdnung3) Wärmeleitung / parabolische PDGLn4) Wellenausbreitung / Hyperbolische PDGLn zweiterOrdnung

Nichtlineare Modelle:5) Gekoppelte elementare Modelle6) Strömungsmechanik / Stokes- undNavier-Stokes-Gleichung

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

102

Prüfungs-modalitäten

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

NützlicheLiteratur

Entnommen aus den Modulbeschreibungen MA Mathematik und MA Scienti�c Computing(Wissenschaftliches Rechnen) vom 11.07.2013, ins Deutsche übersetzt

103

2.6 Module aus dem M.Sc. Technische Informatik

Alle fachlichen Module (nicht Fachübergreifende Kompetenzen) aus dem Master Techni-sche Informatik können � entsprechend der inhaltlichen Voraussetzungen � auch im MasterAngewandte Informatik belegt werden. Das Angebot �ndet sich im jeweils gültigen Modul-handbuch des Masters Technische Informatik.

104

2.7 Module aus dem B.Sc./M.Sc. Physik

Physics of Imaging

Code Name

MWInf5 Physics of Imaging


4 LP

LehrformLecture 4 SWS

Arbeitsaufwand120 h

Verwendbarkeit

Lernziel Basics of the Physics of Imaging; common principles andtechniques of imaging for atomic to astronomical scales.

Inhalt � Projective geometry, optics, wave optics, Fourier opticsand lens aberrations� Radiometry of imaging� Methods of imaging: scanning electron microscopy, X-ray,EDX, FLIM, FRET, �uorescence imaging, near-�eld imaging� CCD and CMOS technology� Holography, ultrasound imaging, CT-computertomography, magnetic resonance imaging� Satellite imaging, synthetic aperture radar, radioastronomy

Voraussetzungen recommended are: UKInf2, PEP1 - PEP4


De�ned by lecturer before beginning of course

NützlicheLiteratur

Entnommen aus dem Modulhandbuch MScPhysik, Version 2012.2/v3.

105

Image ProcessingCode Name

MWInf6 Image Processing


8 LP

LehrformLecture 4 SWS,Exercises 2 SWS

Arbeitsaufwand210 h

Verwendbarkeit

Lernziel Learn how to analyze signals from time series, images, andany kind of multidimensional signals and to apply it toproblems in natural sciences, life sciences and technology.

Inhalt - Continuous and discrete signals, sampling theorem, signalrepresentation- Fourier transform- Random variables and �elds, probability density functions,error propagation- Homogeneous and inhomogeneous point operations- Neighbourhood operations, linear and nonlinear �lters,linear system theory- Geometric transformations and interpolation- Multi-grid signal presentation and processing- Averaging, edge and line detection, local structure analysis,local phase and wave numbers- Motion analysis in image sequences- Segmentation- Regression, globally optimal signal analysis, variationapproaches, steerable and nonlinear �ltering, inverse �ltering- Morphology and shape analysis, moments, Fourierdescriptors- Bayesian image restoration- Object detection and recognition

Teilnahme-Voraussetzungen

Voraussetzungen recommended are: UkInf1


De�ned by lecturer before beginning of course

NützlicheLiteratur

B. Jähne, Digital Image Processing, 6th edition, Springer

Entnommen aus dem Modulhandbuch MScPhysik, Version 2012.2/v3

106

Introduction to Image Processing on the GPU

Code Name

IGPU Introduction to Image Processing on the GPU


2 LP ein Semester

LehrformFour day blockcourse, equivalentof 2 SWS

Arbeitsaufwand60 h, thereof30 h Lectures and labexercises30 h Preparation and homeexercises

Verwendbarkeit

Lernziel For certain computation tasks which are colloquially called�embarassingly parallel�, and which occur quite frequentlyfor example in image analysis, an implementation on a GPU(i.e. graphics card) can be orders of magnitude faster than asimilar CPU implementation.In this short course, the students learn:- what kind of code can and can not be parallelized on agraphics processing unit (GPU)- the structure of a GPU, the di�erent types of memory andhow and when to use them- how to program the GPU using nVidia CUDA- how to perform various image analysis tasks using the GPU- ways to optimize the speed of GPU code

Inhalt The four days will be broken up into theoretical andpractical segments. In the (short) theoretical lectures, I willintroduce the concepts necessary for GPU programming andbasic image analysis, which you will immediately try outafterwards in lab sessions. This way, the course will behighly practical and interactive. Students will work in smallgroups, each of which will have the task to write a smallprogram solving an image analysis problem of their choice.Note that while image analysis tasks are a focus of the coursebecause they give immediately visible results, the acquiredtechniques can be of course be employed in other �elds aswell, e.g. for solving large linear algebra problems or PDEs.


none

Voraussetzungen recommended are: Solid knowledge of C programming, inparticular no fear of pointers and direct memory accessSome basics of image processing are helpful, but not strictlynecessary

107


Active participation in the sessions and completion of theassigned program.

NützlicheLiteratur

e.g. nVidia CUDA Programming Guide, available in the�CUDA zone� on www.nvidia.com

108

Fast Parallel Implementations of Image Labeling Problems

Code Name

IMLP Fast Parallel Implementations of Image Labeling Problems


4 LP ein Semester

Lehrform2 SWS Lecture,1 SWS Exercise

Arbeitsaufwand120 h; thereof 45 h Lecturesand lab exercises60 h Revision and homeexercises15 h Exam preparation

Verwendbarkeit

Lernziel Image labeling problems are a fundamental class of problemsappearing in image analysis, which dominate tasks inlow-level computer vision like depth and motion estimation.Recently, many algorithms have been developed to solve thiskind of problems in a variational framework, which allowsfor fast parallel implementations on the GPU.In this short course, the students learn:- Theoretical background for solving labeling problems in avariational framework- E�cient algorithms to solve the related class ofoptimization problems with parallel algorithms, which canbe implemented on the GPU- How to implement these algorithms using nVidia CUDA- Techniques and tricks to make the implementations e�cient

Inhalt The lecture is aimed at students who either participated inmy CUDA course at the beginning of the semester and wantto learn more about image analysis and the theoreticalbackground, or participated in a theoretical course onvariational image analysis and want to learn more aboutstate-of-the art labeling algorithms and the practical side oftheir implementation.If you are new to both topics, you might still take part inthe course, but must be prepared to take (potentially a lotof) additional time learning the prerequisites.


none

Voraussetzungen recommended are: either �Introduction to Image Processingon the GPU� o�ered at the beginning of the semester, or anintroduction to Variational Image Analysis from e.g. lastsemester.

109


Active participation in lecture and exercises, oral exam.

NützlicheLiteratur

e.g. Chambolle et al. 2010 �An Introduction to TotalVariation for Image Analysis� for theoretical background,and nVidia CUDA Programming Guide, available in the�CUDA zone� on www.nvidia.com, for the practical one.

110

2.8 Module aus dem B.S./M.Sc. Biologie

Model-based segmentation of biomedical images (ModellbasierteSegmentierung Biomedizinischer Bilder)

Code Name

IMSBI Model-based segmentation of biomedical images(Modellbasierte Segmentierung Biomedizinischer Bilder)


4 LP ein Semester


Arbeitsaufwand120h insgesamt, davon30h Präsenzstudium30h Prüfungsvorbereitung60h Selbststudium undAufgabenbearbeitung


Lernziel Ziel der Vorlesung ist es, einen Überblick über 2D und 3Ddeformierbare Modelle und deren mathematischeGrundlagen für die modellbasierte Segmentierungbiomedizinischer Bilder zu geben.

Inhalt In der Vorlesung werden drei wesentliche Klassen vondeformierbaren Modellen (aktive Konturen, statistischeFormmodelle, analytische parametrische Modelle) sowiestarre Template Modelle behandelt. Die verschiedenenSegmentierungsverfahren werden an aktuellen Beispielen ausder 2D und 3D biomedizinischen Bildverarbeitungveranschaulicht. Geplante Themen sind unter anderem:- Introduction and overview of image analysis, imagesegmentation, and biomedical images- Template models, linear transformations, Hough transform- Active contour models: snakes, level sets, and geodesicactive contours- Statistical shape models: active shape models, activeappearance models, and extensions- Shape correspondence estimation: landmark-based,intensity-based, and hybrid- Analytic parametric models: contour-based andintensity-based- Performance evaluation and applications

111

Voraussetzungen empfohlen sind: Grundkenntnisse Signal- oderBildverarbeitung (z.B. Vorlesung Bildverarbeitung oderBioinformatik)


Bestehen einer Abschlussprüfung

NützlicheLiteratur

Bekanntgabe in der Vorlesung

112

Documents

Modulhandbuch Master-Studiengang Angewandte Informatik · Modulhandbuch Master-Studiengang Angewandte Informatik Ruprecht-Karls-Universität Heidelberg akultätF für Mathematik und