Planen Sie ihr SS 2020! - uni-mainz.de · 2020-02-03 · Das Praxismodul gibt Studierenden im Masterstudiengang die Gelegenheit, IT-Sicherheit praktisch zu erfahren. In einer abgesicherten

Informieren Sie sichüber das Lehrangebot

des Instituts für Informatik für das nächste Semester!

Info-VeranstaltungMittwoch, den 29. Januar 202012.00 bis ca. 14.00 UhrHörsaal C02 – Hörsaalgebäude der Chemie u. Physik

Planen Sie ihr SS 2020!

Machine LearningVorlesung• Donnerstag 14 – 16 Uhr • Material auf Englisch

Übung• Zeit: TBA• Auch: „Live Übungen“

Prüfung• mündlich oder schriftlich

Machine Learning• Lernen = sich durch Erfahrung bei einer Aufgabe verbessern

• Aufgabe (performance task) T• hinsichtlich eines Performancemaßes (performance

measure) P• beruhend auf Erfahrung E.

LernendesSystem

Performance Task / Performance Measure

Umgebung

Machine Learning Course Overview

• Decision trees• Ensemble methods• Bayesian learning• Linear models• Neural networks• Instance-based learning• SVMs and kernels













Margin

Hyperplane

misclassifiedvectors

Data Mining PraktikumAblauf• 3er Gruppen• ein Datensatz pro Gruppe• Daten analysieren• wöchentliche Treffen

Einführung in dieComputationale Logik

Vorlesung• Montag 16 – 18 Uhr• Material auf Deutsch

und Englisch

Übung• Zeit: TBA

Prüfung• mündlich oder schriftlich

Einführung in dieComputationale Logik• Syntax, Semantik, Beweistheorie, Metatheorie von:

• Aussagenlogik, Prädikatenlogik erster Stufe, Klausellogiken• Beschreibungslogiken (inkl.: Ontologien, OWL, …)

• Inkl.: Theorembeweisen, Resolution, Negation,Answer Set Programming

• Deduktion, Induktion, Abduktion• Lernen in Logik (Lernen von Klauseln und

Klauselmengen)• Probabilistische Logiken• Lernen in probabilistischen Logiken

Data Mining SeminarAblauf• Thema aus dem Bereich Data Mining und Machine Learning• ein Vortrag pro Woche• nach jeder Präsentation Diskussion und Feedback• Ausarbeitung• Feedback zum Schreiben am Ende des Semesters

Page 1Matthias Schott

Einführung in die Künstliche Intelligenz

§ Titel: Einführung in die künstlicheIntelligenz

§ Inhalt: Es werden grundlegendeMethoden, Verfahren und Anwendungender künstlichen Intelligenz behandelt. ImMittelpunkt der Lehrveranstaltung stehendie Themen Suchen, Planen, Lernen undSchließen. Des Weiteren werden wir einenkurzen Überblick zu künstlichenneuronalen Netzwerken sowie derProgrammiersprache PROLOG geben.

§ Bemerkung: Dies ist keine spezielleVorlesung zu künstlichen neuronalenNetzwerken bzw. Mustererkennung!

§ Wer?§ Prof. Dr. Matthias Schott

§ Wann?§ Montags 12:00-14:00

(Vorlesung)§ Montags 17:00-18:00

(Übung)

§ Wo?§ Raum 03 428

AG Data Management

Storing

Indexing

Processing

Querying

Jun.-Prof. Panagiotis Bouros

AG Data Management

2

Data de-duplica-on

Routing in road networks

“bridge”

“bridge”

“bridge”

Location-based Social Networks

Core1

Core2

Coren

SharedMemory

…

Modern Hardware and the Cloud

Datenbanken I

• Vorlesung– Tuesdays 14:00 – 16:00, Rm 03-428

• Übung– Deepen your understanding, gain pracRcal experience– Weekly exercises (handins assignments) and quizzes– Appointments to be determined

• Unterrichtssprache– English

• Studiengang– B. Sc. / M. Ed.

Datenbanken I• Course objecRves

– EffecRve and efficient management of data– Databases as part of modern informaRon systems– Learn how to model and develop effecRve database

systems – SQL for working with databases– ApplicaRons from various areas, including the web– Apply in your future work

Databases: enRty-relaRonship model, relaRonal model, SQL, …

Applications: standalone, internet and the web, …

Development: analysis, conceptual model

Datenbanken Seminar• Termin

– TBD• Inhalte

– Advanced topics on data management– How to criRcally read and review research literature– How to write a report on research literature– How to present research literature

• Unterrichtssprache– English

• Studiengang– B. Sc. / M. Ed.

29. Januar 2020 | Johannes Gutenberg-Universität Mainz * Institut für Informatik

Vorlesungen

AG Fachdidaktik

Seminar Fachdidaktik IDozent Prof. Dr. Jens Gallenbacher & StD Erich MessnerInhalte

Studiengang B.Ed.Termin n.V.


Vorlesungen

AG Fachdidaktik

Seminar Informatik & GesellschaftDozent Martin Mattheis o. Prof. J. GallenbacherInhalte

Studiengang B.Ed.Termin

Kommunikationsnetze

• Dozent: Dr. Michael Distler• Termin: Do. 12 – 14 Uhr

Praktikum Betriebssysteme

• Teilnehmer: max. 6

• Termin: August 2020

IT-Sicherheit

• Dozent: Dr. Duc Bao Ta• Termin: Mi. 14 – 16 Uhr

Berufspraktikum

• Dozent: Dr. H.-J. Schröder• Termin: flexibel

B.Ed + M.Ed. - Projektpraktikum

• Dozent: Prof. Dr. E. Schömer / Dr. H.-J. Schröder• Termin: n.V.


Mensch-Maschine-Interaktion - PraktikumPraktikum Mensch-Maschine-InteraktionDozent/en Prof. Dr. V. Luckas(Lehrauftrag)Inhalte Werden noch bekannt gegebenStudiengang B.Sc.Termin ?? 16.03.- 27.03.2020 (ganztägig, 2 Wochen)

Praxismodul “Hacker Contest” usd HeroLab

Autor Frei, Christian Datum 26.06.2019

Klassifikation vertraulich

Praxismodul “Hacker Contest” 2

Inhaltsverzeichnis

1 Über usd AG 3

2 Kurzbeschreibung des Praxismoduls 3

3 Zulassungsaufgabe 4

4 Praxisteil 4

5 Schriftliche Aufgabe („Papieraufgabe“) 4

6 Beschreibung der Laborumgebung 5

7 Modulbeschreibung 6


1 Über usd AG

Die usd AG schützt Unternehmen vor Hackern und Kriminellen. So dynamisch und vielfältig wie die Bedrohung, ist unsere Arbeit. Als akkreditierter Auditor beraten und zertifizieren wir Unternehmen nach den Vorgaben der Kreditkartenindustrie weltweit. Die Experten des usd HeroLabs identifizieren Schwachstellen in IT-Systemen und Applikationen. Unsere Security Consultants beraten Unterneh-men ganzheitlich in Fragen der Informationssicherheit, des Risikomanagements und der IT-Compli-ance. Wir tragen Verantwortung, die Cyber Security Transformation Academy (CST Academy) för-dert Austausch und Wissenstransfer in der Community. more security ist unsere Mission. www.usd.de

2 Kurzbeschreibung des Praxismoduls

Das Praxismodul gibt Studierenden im Masterstudiengang die Gelegenheit, IT-Sicherheit praktisch zu erfahren. In einer abgesicherten Umgebung können Angriffsmethoden und Schutzmaßnahmen für Netzwerke, Systeme und Applikationen ausprobiert werden. Technologische Basis ist dabei das PentestLab des usd HeroLabs. In Zweiergruppen wird ein pentest-spezifisches Thema im Team er-arbeitet und im Plenum präsentiert und diskutiert. Die teilnehmenden Studierenden erhalten einen VPN-Zugang zum usd PentestLab. Hier stehen alle zwei Wochen unterschiedliche virtuelle Maschi-nen (VMs) zur Verfügung, die thematisch mit den Vortragsthemen übereinstimmen. Eine VM besitzt mindestens zwei Schwachstellen mit unterschiedlichen Schwierigkeitsgraden, die erfolgreich von den Studierenden komplett übernommen werden muss („root“-Zugriff). Nach erfolgter Systemüber-nahme bzw. „root“-Zugriff können Token ausgelesen und in eine Webanwendung eingegeben wer-den. Nach erfolgreicher Überprüfung werden die Punkte den Studierenden gutgeschrieben – Teil-punktevergabe möglich. Die Studierenden erhalten unabhängig vom Praxisteil des Moduls zusätz-lich eine schriftliche Aufgabe („Papieraufgabe“), die es innerhalb eines vereinbarten Zeitrahmens zu bearbeiten gilt. Hierzu sind drei Schwachstellen mit vorgegebenen Klassifizierungen und Anforde-rungen in Open-Source-Projekten zu ermitteln.

http://www.usd.de/


3 Zulassungsaufgabe

Die Zulassungsaufgabe beinhaltet ein Szenario, in dem entweder ein Angriff in der abgesicherten Umgebung nachgestellt oder analysiert werden muss. Die Studierenden werden anschließend nach einem internen Bewertungsverfahren ausgewählt. Je mehr Punkte während der Aufgabe gesammelt werden, desto höher ist die Chance zum Praxismodul zugelassen zu werden. Die Zulassungsaufgabe darf nicht in Gruppen erarbeitet werden.

4 Praxisteil

Zu Beginn werden die Studierenden in Zweiergruppen eingeteilt. Jede Gruppe erhält ein pentest-spezifisches Thema (z.B. Auswahl an OWASP Top 10 Web-Schwachstellen), das im Team zu ei-nem 30-minütigen Vortrag ausgearbeitet wird. Anschließend werden die Themen im Plenum vorge-tragen. Pro Vortrag ist eine 15-Minütige Diskussionsrunde angesetzt. Parallel zur Vortragserarbeitung erhält jeder Studierende einen VPN-Zugang zum usd PentestLab, mit dem sich in das Netzwerk eingewählt werden kann. Hier stehen alle zwei Wochen drei bis vier unterschiedliche virtuelle Maschinen (VMs) zur Verfügung mit mindestens zwei Schwachstellen. Eine Schwachstelle um auf das System zu kommen und eine weitere, um „root“ auf dem System zu werden. Die Schwachstellen stimmen mit den Vortragsthemen überein und besitzen variierende Schwerpunkte und Schwierigkeitsgrade. Die Aufgabe für die Studierenden besteht darin, die VMs komplett („root“-Zugriff) zu übernehmen. Jede Schwachstelle ist mit einem Token verknüpft, der in eine Webanwendung zur Überprüfung an den Dozenten eingereicht wird. Nach erfolgreicher Über-prüfung werden den Studierenden pro VM zwischen 5 und 50 Punkte gutgeschrieben. Teilpunkte sind möglich, wenn zwar die erste Schwachstelle gefunden wird, aber kein „root“-Zugriff gelingt.

5 Schriftliche Aufgabe („Papieraufgabe“)

Am Anfang des Semesters gibt der Dozent eine schriftliche Aufgabe („Papieraufgabe“) heraus, die innerhalb der vorgegeben Frist selbstständig zu erarbeiten ist. Hierzu müssen zusätzlich drei Schwachstellen mit vorgegebenen Klassifizierungen und Anforderungen in Open-Source-Projekten gefunden werden. Das Rechercheergebnis muss fristgerecht in schriftlicher Form eingereicht wer-den. Nach erfolgreicher Überprüfung durch den Dozenten werden den Studierenden die Punkte gut-geschrieben.


6 Beschreibung der Laborumgebung

Technologische Basis des Praxismoduls ist das PentestLab des usd HeroLabs. Mit einer ständig wachsenden Anzahl vorkonfigurierter Serverumgebungen, unterschiedlicher Technologien und Schwachstellen verschiedener Schwierigkeitsgrade, können Pentester ihr methodisches Können, ihre Kreativität und ihr Durchhaltevermögen im „Real life Pentesting“ trainieren. Neben der Nutzung durch die Sicherheitsexperten des usd HeroLabs, stellt das PentestLab die Schulungsumgebungen für Veranstaltungen der CST Academy bereit. Die Plattform ist zudem die technische Basis der re-gelmäßig stattfindenden Hackertage für Studierende und Hochschulen. Mit Hilfe des LabManagers bietet das PentestLab die Möglichkeit, individuelle Umgebungen zu definieren, um zielgerichtete und bedarfsorientierte Trainings durchzuführen. Wenn der Einstieg ins Training schnell erfolgen soll, kann das „Hacking on Demand“ genutzt werden, wobei dem Pentester zufallsbasiert ein Pool anfälli-ger Systeme zugeordnet wird. Skillpoints verbunden mit einer Rankingfunktion ermöglichen das Ein-schätzen der eigenen Fähigkeiten und der persönlichen Weiterentwicklung.


7 Modulbeschreibung

Lehrform Praktikum

Modulname Hacker Contest

Zielgruppe Das Modul richtet sich an Masterstudierende

Sprache Deutsch (englische Vorträge der Studierenden werden akzeptiert)

Dauer 1 Semester

Anzahl der Plätze 32

Anmeldung/Registrierung Zulassung zum Praktikum erst nach erfolgreich gelöster Zulassungsauf-gabe.

Modulgestaltung Ein gemeinsames Treffen alle zwei Wochen, dazwischen ist freie Zeitein-teilung möglich. Die Arbeit erfolgt in Zweiergruppen.

Modulprüfung

Die Modulabschlussnote ergibt sich auf Basis der erreichten Punktzahl:

Teamvortrag (max. 80 Punkte)

Erreichte Punkte bei Systemen (VMs) (max. 275 Punkte)

Erreichte Punkte bei „Papieraufgabe“ (max. 95 Punkte)

Insgesamt 450 erreichbare Punkte

Prüfungsvorleistung (PVL)

Keine

Arbeitsaufwand P4 (6 Credit Points)

Erforderliche

Vorkenntnisse

Gute Kenntnisse in IT-Sicherheit, Netzwerken, Programmie-rung und Systemadministration (Linux, optional Windows)

Die Bereitschaft, viel Zeit in das Praktikum zu investieren.

Die Fähigkeit, benötigte Fertigkeiten in kurzer Zeit selbstständig zu erarbeiten.

Grundkenntnisse in gängigen Pentesttools (Kali Linux und ei-nige installierte Tools).

Grundkenntnisse in der Bedienung von Nmap, Netcat, GDB, Proxy.

Grundkenntnisse der OWASP Top 10

Praktische Erfahrungen in den genannten Gebieten sind von Vorteil.


Lernziele

Die Studierenden

sind mit Tools und Techniken zur Identifizierung und Ausnutzung von Schwachstellen vertraut,

sind mit dem Vorgehen für technische Sicherheitsanalysen ver-traut

können nachvollziehbare, technische Sicherheitsanalysen von IT-Infrastrukturen durchführen,

können Präsentationen im Team erarbeiten, gestalten und vor-tragen

besitzen detailliertes Wissen über spezifische Schwachstellen

können nach erfolgreicher Erarbeitung der „Papieraufgabe“ po-tentielle CVEs einreichen.

Lerninhalte

In der abgesicherten Umgebung des usd PentestLabs können Angriffs-methoden und Schutzmaßnahmen für Netzwerke, Systeme und Applika-tionen ausprobiert werden. Es werden Themen behandelt wie:

- Unterschiede zwischen Hacking und Pentests

- Vorgehensweise bei einem Pentests

- Klassifizierung eines Pentests (White-, Grey- und Blackbox)

- Pentests Standards, z.B. Open Source Security Testing Methodology Manual (OSSTMM)

- WLAN-Sicherheit und App-Sicherheit/Mobile Security

- Behandlung spezifischer Angriffsarten, unter anderem:

Buffer-Overflow

Cross-Site-Scripting

SQL Injection

Brute Force

Formatstring

Privilege Escalation

User Enumeration

o Digitale Forensik

o Aufbau der Dokumentation und Berichterstellung

Literaturhinweise

Für das Praktikum sind die international anerkannten IT-Sicherheitsstan-dards für Pentests empfehlenswert aber nicht verpflichtend:

- Open Source Security Testing Methodology Manual (OSSTMM)

- BSI-Modell für Penetrationstests

- Open Web Application Security Project (OWASP)

- Anforderungen des Payment Card Industry Data Security Standard (PCI DSS)


Hilfsmittel Inhalte der Teamvorträge und die technologische Basis des usd Pentest-Labs

Referenzen Prof. Dr. Stefan Katzenbeisser, Technische Universität Darmstadt

Prof. Dr. Harald Baier, Hochschule Darmstadt

Mathematische Modellierung am Mathematische Modellierung am Rechner I & IIRechner I & II

Frank FischerDi. 16-18 Uhr, 03-428

Überblick

Worum geht‘s?

l Mathematik sehr abstrakt

l Wichtig für viele Bereiche der Informatik (und für‘s Studium ;))

l Man merkt erst viel später, wozu das alles gut ist

MMR bietet einen angewandten Einstieg

l Frühzeitig gemeinsam Beispiele erarbeiten, wo und wie Mathematik angewandt werden kann

l Praktisch, das heißt, wir werden Mathematik am Rechneranwenden

l Ergänzung zu Grundvorlesungen

Inhalte und Ziele

Zielel Mathe ist cool

l Informatik ist cooll Mathe + Informatik = …

Inhaltel Wir schnuppern in verschiedene Gebiete hinein:

- Mathematische Modellierung- Analysis, Physik- Algebra- Geometrie/3D- Datenanalyse

- Optimierung- Komplexität

l Umsetzung kleiner algorithmischer Aufgaben in Python

Modulinhalt

Zielgruppel B.Sc. Informatik ab dem 2. Semester

Aufbaul MMR 1 im Sommersemester 2020

l MMR 2 im Wintersemester 2020/2021

l Nur wer beide besucht, kann das Modul abschließen!

Ablaufl Praktikum, Gruppenarbeit in Gruppen zu je drei Personenl Je zwei Wochen zur Bearbeitung einer Aufgabel Dazwischen Diskussion über das Thema in Form einer

Vorlesung/eines Tutoriums

Voraussetzungen und Termin

Notwendigl Grundkenntnisse mathematische Sprache und Notation

l Programmierung (in Python)

Empfohlenl Interesse oder gar Spaß an angewandter Mathematik

Terminel Dienstag 16-18 Uhr, 03-428

Bei Fragenl Frank Fischer <[email protected]>

Algorithmen und Techniken der Optimierung

Frank FischerDi. 12-14 Uhr, 03-428

Überblick

Worum geht‘s?l Viele (kombinatorische) Optimierungsprobleme lassen sich als

mathematische Optimierungsaufgabe auffassen:- Rucksackproblem:

- Probleme aus Logistik, Fabrikplanung, Lagerhaltung, Transport, Verkehr, Telekommunikation, …

l Exakte Lösungsverfahren mit Gütegarantiel Alternative zu heuristischen Verfahren (Genetische Algorithmen,

Simulated Annealing, Tabu-Search, ...)

Quelle: Wikipedia

Inhalte und Ziele

Inhaltel Lineare Optimierung

l Lineare Ganzzahlige Optimierung- Komplexität

- Exakte Verfahren für Spezialfälle (Unimodularität)

- Schnittebenenverfahren

l Dekompositionsverfahren

Zielel Kenntnis der Möglichkeiten

und Grenzen mathematischer Optimierung

l „know your tools“l Modellierung praktischer

Problemstellungen als „mathematische Programme“

l Lösungs- und Näherungsverfahren, Gütegarantien, Komplexität

l Praktikum: Umsetzung mit State-of-the-Art Optimierungssoftware

Modulinhalt

Zielgruppel B.Sc. und M.Sc., theoretische Informatik

Sommersemester 2020l 2 SWS Vorlesung + Übung

- Theoretische Grundlagen

Wintersemester 2020/2021l Seminar

- Selbständige Bearbeitung vertiefender theoretischer Konzepte

l Praktikum- Einführung in State-of-the-Art Optimierungssoftware- Eigenständige Modellierung und Implementierung- Praktische Umsetzung fortgeschrittener algorithmischer Konzepte

Voraussetzungen

Notwendig

l Solide Grundkenntnisse Lineare Algebra

l Geometrisches Vorstellungsvermögen

l Praktikum: Programmierung

Empfohlen

l Graphentheorie

l Grundkenntnisse Kombinatorische Optimierung (Flussprobleme, Färbeprobleme, …)

Es geht um Mathematische Optimierung

Termine

Vorlesung

l Dienstag, 12-14 Uhr, 03-428

Übung

l Steht noch nicht fest (vermutlich Freitag, 8-10 Uhr)

Bei Fragenl Frank Fischer <[email protected]>

http://mailto:0

Modellierung mit partiellenDifferentialgleichungen

Annette Miltenberger Manuel Baumgartner

Institut für Physik der Atmosphäre, JGU Mainz

29. Januar 2020

Motivation

3 Säulen der NaturwissenschaftenÉ Theorie/ModellÉ ExperimentÉ (Numerische) Simulation

Differentialgleichungen zur ModellbildungViele physikalische Prozesse können mit Differentialgleichungenbeschrieben werden.

,2/5

Motivation

3 Säulen der NaturwissenschaftenÉ Theorie/ModellÉ ExperimentÉ (Numerische) Simulation

Differentialgleichungen zur ModellbildungViele physikalische Prozesse können mit Differentialgleichungenbeschrieben werden.

,2/5

Beispiele

,3/5

Beispiele für PDEs (Zeit und eine Raumdimension)

Wärmeleitungs-/Diffusionsgleichung

∂ u(t, x)∂ t

=∂

∂ x

�

D(x)∂ u(t, x)∂ x

�

Wellengleichung

1c2

∂ 2u(t, x)∂ t2

=∂ 2u(t, x)∂ x2

Strukturgleichung (Swift-Hohenberg-Gleichung)

∂ u(t, x)∂ t

= r · u(t, x)− u(t, x)3 −�

∂ 2

∂ x2+ 1

�2

u(t, x)

,4/5

Vorlesung Modellierung mit PDEs (3V + 2Ü)

InhaltÉ (Ein bisschen) Theorie von PDEsÉ Lineare PDEs in BeispielenÉ Numerische Methoden für PDEsÉ Beispiele nichtlinearer PDEs (Navier-Stokes Gleichung fürStrömungen, Reaktions-Diffusions-Gleichungen etc.)

VoraussetzungenÉ Mathematikvorlesungen aus dem BachelorÉ Von Vorteil: Modellierung mit gewöhnlichenDifferentialgleichungen

É Interesse an naturwissenschaftlicher Modellierung

TermineDi: 10:15 – 12:00, Raum 04-426Do: 10:15 – 12:00 (vierzehntägig), Raum 04-426

,5/5

Parallele und Verteilte Architekturen –Lehrangebot: SoSe 2019/20

• Praktikum

– Paralleles Programmieren

• Seminar

– Paralleles Rechnen

– Deep Learning for BioinformaticsProf. Bertil

Schmidt

Block-Praktikum: Paralleles Programmieren

• Paralleles Programmieren mit MPI, OpenMP, C++ multi-threading

– 30.3-9.4.2019 und 14.4. (für Präsentationen)

– Voraussetzung: Erfolgreiche Teilnahme an HPC

Seminarvorbesprechung:Paralleles Rechnen

Prof. Bertil Schmidt

Seminar: Paralleles Rechnen – Themen

1. The Case for Learned Index Structures

2. Performance extraction and suitability analysis of multi- and many-core architectures for next generation sequencing secondary analysis

3. Exascale Deep Learning for Climate Analytics

4. Efficient Architecture-Aware Acceleration of BWA-MEM for Multicore Systems

5. A Modular Benchmarking Infrastructure for High-Performance and Reproducible Deep Learning

6. Distributed enhanced suffix arrays

7. A Versatile Software Systolic Execution Model for GPU Memory-Bound Kernels

8. Legate NumPy: Accelerated and Distributed Array Computing

9. Differentiable Programming for Image Processing and Deep Learning in Halide

10. Selber vorgeschlagenes Thema (muss aber von mir genehmigt werden)

Themenvergabe

• E-Mail mit 2 bevorzugten Themen (mit Präferenz) an Prof Schmidt bis spätestens 7.2.2020

• Ich werde dann versuchen die Themen an Studenten zuzuordnen

• Neue Themen können auch vorgeschlagen werden (müssen dann aber von mir genehmigt werden)

Scheinkriterien und Organisation

• Voraussetzung: Erfolgreiche Teilnahme an PAA oder HPC (mindestens Klausurzulassung)

• Vortrag von ca. 45min (inkl. Q&A)– Termine: werden noch bekanntgegeben (voraussichtlich Freitags, 12-14Uhr)

• Abgabe der Vortragsfolien – zwei Wochen vor dem Vortrag einzureichen per Email – Danach persönliche Vorbesprechung mit Professor Schmidt

• Abgabe einer ausführlichen Ausarbeitung als Basis für die Bewertung des schriftlichen Teils – Ausarbeitung im IEEE CS Format (Umfang mindestens 5-7 Seiten) – Abgabe bis spätestens vier Wochen nach dem Vortrag!

• Teilnahme am Seminar (Anwesenheitspflicht)

Seminarvorbesprechung:Deep Learning for Bioinformatics

Prof. Bertil Schmidt

Seminar: Deep Learning for Bioinformatics

• Nur für Master-Studierenden Angewandte Bioinformatik• Zusammenarbeit mit Prof. Hankeln (Biologie)• Bis spätestens 12.2.2020 anmelden bei studienbuero-informatik@uni-

mainz.de• Teilnehmerzahl beschränkt• Vorbesprechung wird nach Ende der Anmeldephase bekannt gegeben• Mögliche Themen aus den Bereichen:

– Variant calling– Gene expression (single-cell sequencing)– Repeat identification– Genome annotation– Metagenomics

mailto:[email protected]

Scheinkriterien und Organisation

• Voraussetzung: ABI Student, mindestens Klausurzulassung in EiB

• Vortrag von ca. 45min (inkl. Q&A)– Termine: werden noch bekanntgegeben

• Abgabe der Vortragsfolien – zwei Wochen vor dem Vortrag einzureichen per Email

– Danach persönliche Vorbesprechung

• Abgabe einer ausführlichen Ausarbeitung (Deutsch oder Englisch) als Basis für die Bewertung des schriftlichen Teils – Ausarbeitung im IEEE CS Format (Umfang mindestens 5-7 Seiten)

– Abgabe bis spätestens vier Wochen nach dem Vortrag!

• Teilnahme am Seminar (Anwesenheitspflicht)

Arbeitsgruppe

Scientific Computing and Bioinformatics

Prof. Dr. Andreas HildebrandtSommersemester 2020

Vorlesung

Strukturbasierte BioinformatikI Termin: donnerstags, 12-14 Uhr, Raum 03-428

I Sprache: Deutsch oder EnglischI Inhalt:

I Grundlegende Begriffe der BioinformatikI Einfuhrung in die ProteinphysikI Simulation von MolekulbewegungenI ProteinstrukturminimierungI Docking und Wirkstoffdesign

Praktikum

Praktikum Big DataI Umfang: 2 Wochen Vollzeit

I Zeitraum: in Absprache mit den Teilnehmern

I Sprache: Deutsch

I Inhalte: basieren auf den Projekten zur Vorlesung imWintersemester 2019/20

I VoraussetzungenI Besuch der Vorlesung Big DataI Hinreichendes Interesse der Vorlesungsteilnehmer

Lehrveranstaltungen der theoretischen Informatik

Vorlesung: Formale Sprachen und BerechenbarkeitProf. Ernst Althaus, Di 10-12 (HS 20)

Vorlesung: Fortgeschrittene AlgorithmenMarkus Blumenstock, Mi 10-12

Blockseminar: AlgorithmenProf. Ernst Althaus, vorlesungsfreie Zeit (September)

Praktikum: Approaching Programming ContestsDomenico Mosca, semesterbegleitend

29. Januar 2020 Johannes Gutenberg-Universitat Mainz 1

Vorlesung: Fortgeschrittene Algorithmen

Formales:

Vorlesung: Mi 10-12 (03-428), Markus Blumenstock

Ubungsbetrieb: Domenico Mosca

Ubungstermin(e): TBA

Inhalt:

Lineare und ganzzahlige lineare Programmierung

Randomisierte Algorithmen

Approximationsalgorithmen

Online-Algorithmen

Sekundarspeicheralgorithmen

Parametrisierte Algorithmen

zusatzlich geplant: Distributed Computing


Seminar: Algorithmen

Betreuung: Prof. Ernst Althaus

Zeit und Ort: Blockseminar im September (genauer Termin wirdper doodle bestimmt)

Vorbesprechung: 01.04.2020, 13:00 Uhr, Raum 03-331

Voraussetzungen: DSEA oder aquivalent

Scheinvergabe:

Vortrag von ca. 30 minAusarbeitung in LaTeX

Inhalte:

Vorstellung eines Algorithmus ahnlich denen aus DSEAGenauere Themenvorschlage gibt es in der Vorbesprechung


Praktikum: Approaching Programming Contests

Zeit: wird mit den Teilnehmern vereinbart

Betreuung: Domenico Mosca

Voraussetzungen: EiP, EiS, DSEA

Inhalt:

Losen von Problemen, wie sie typischerweise inProgrammierwettbewerben auftreten

Eingesetzte Algorithmen: z. B. Breitensuche, Berechnen vonminimalen Spannbaumen, Max-Flow-Algorithmen, dynamischeProgrammierung, Divide-and-Conquer

Teilnahme am GCPC 2020 (Termin noch unbekannt)

Erwunscht:

Bereitschaft, am NWERC 2020 in Reykjavık teilzunehmen


Wintercontest am 25.01.2020

Die Mainzer Teams erreichten beim Wintercontest der FAU Erlangendie Platze 8, 49, 65 und 70 von insgesamt 87 angetretenen Teams.


Veranstaltungen der AG Computational Geometry Prof. Elmar Schömer

SS 2020

1) Computergrafik und Animation (Erbes / von Dziegielewski) Di 10:00-12:00 03-428

2) Computergrafik Seminar Vorbesprechung in den ersten Semesterwochen (Voraussetzung: CGA oder CGVR)

3) Computergrafik Praktikum in der Vorlesungsfreien Zeit (Voraussetzung: CGA oder CGVR)

Physikalische Simulation von starren und verformbaren Körpern

Computergrafik und Animation (Erbes / von Dziegielewski)

Di 10:00-12:00 03-428

Physikalische Simulation von Flüssigkeiten


Di 10:00-12:00 03-428

Physikalische Simulation von einem Tuch


Di 10:00-12:00 03-428

Kinematische Ketten (Robotik)


Di 10:00-12:00 03-428

35

Prof. Dr. Ulrich SchwaneckeRheinMain University of Applied Sciences

Wiesbaden Rüsselsheim

SoSe 2020

3D Computer Vision

Content• History and Applications of 3D Computer Vision

• Representation of 3D moving scenes• Rigid-body motion, canonical exponential coordinates, …

• Image Formation• Mathematical model for ideal perspective projection, pinhole camera, …

• Image primitive and correspondence• Photometric and geometric features, image correspondences, …

• Single-view geometry• Shape from Shading (Photometric Stereo), monocular 3D tracking, …

• Two-view geometry• Epipolar geometry, seven-/eight-point algorithm, 3D reconstruction from two views, …

• Camera calibration and self-calibration• Camera calibration from a rig, fundamental matrix, camera self-calibration, …

• Learning based 3D reconstruction

36

Prerequisites and Literature

• Prerequisites• Basic knowledge of linear algebra and analysis • Programming exercises will be done in Python using OpenCV

• Literature• Richard Szeliski, Computer Vision: Algorithms and Applications,

Springer, 2011• Richard Hartley, Andrew Zissermann, Multiple View Geometry in

Computer Vision, Cambridge University Press, 2004 • Yi Ma, An Invitation to 3-D Vision: From Images to Geometric

Models, Springer, 2010• Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning,

MIT Press, 2016 • Selected primary literature

37

Institutfür

Informatik

Design Patterns SoSe 2020

Dr. Stefan Endler

[email protected]

Johannes Gutenberg-Universitat Mainz

Vorlesung: Dienstags 12-14, Raum 04-432Ubung: Dienstags 14-16, Raum 04-432

Design Patterns –

Auswahl an Patterns

Abbildung: Singleton Abbildung: Strategy

Abbildung: Composite

Abbildung: Abstract Factory

Johannes Gutenberg-Universitat Mainz S. Endler 2

Design Patterns –

Erarbeitung anhand Real-Life Beispielen


Design Patterns –



Design Patterns –



Design Patterns –

Ubungsleiterschulung

� Pflichtveranstaltung fur alle neuen Ubungsleiter bzw.Ubungsleiter, die die Schulung noch nicht besucht haben

� Offen fur jeden (1CP Softskills)

� Maximal 12 Teilnehmer

� Termin:� 08. + 09. April 2020� Ganztagig (9 - 17 Uhr)� Raum: 03-424


Design Patterns –







Design Patterns –







Design Patterns –







...31

0f

73

10

f7

31

0f

73

1.

...73

10

73

10

73

10

73

10

7.

3 us

3.01

us

clkI

n_80

0pR

eset

Encl

kOut

_4n

clkO

ut_3

n2cl

kOut

_1n6

res_

nFa

stC

nt5

...31

0f

73

10

f7

31

0f

73

1.

Res

etC

ntFa

stC

nt4

...73

10

73

10

73

10

73

10

7.

Res

etC

nt4

PreR

eset

Cnt

4re

sspi

ke4

ress

pike

5

clkO

ut_3

n2_d

el

0f

73

10

f7

31

0f

73

10

f

31

07

31

07

31

07

31

07

3

3.02

us

3.03

us

0f

73

10

f7

31

0f

7

31

0f

31

07

31

07

31

07

31

07

33

10

f7

31

0f

73

10

f7

31

07

31

07

31

07

31

07

31

0

3.04

us

3.05

us

31

0f

73

10

f7

31

0f

73

1

07

31

07

31

07

31

07

31

0

...0f

73

10

f7

31

0f

73

10

f..

...73

10

73

73

73

73

73

73

7..

3.06

us

3.07

us

...0f

73

10

f7

31

0f

73

10

f..

...73

10

73

73

73

73

73

73

7..

73

10

f7

31

0f

73

10

f7

31

37

37

37

37

37

37

37

37

37

3.08

us

3.09

us

73

10

f7

31

0f

73

10

f7

31

37

37

37

37

37

37

37

37

37

1

FPGAs

• Field Programmable Gate Array

• Programmierbare Logikbausteine

• Massiv parallele Datenverarbeitung

• Low-level: Spiele mit einzelnen Bits

• Werden in einer Hardware-Beschreibungssprache programmiert: Hier VHDL

...31

0f

73

10

f7

31

0f

73

1.

...73

10

73

10

73

10

73

10

7.

3 us

3.01

us

clkI

n_80

0pR

eset

Encl

kOut

_4n

clkO

ut_3

n2cl

kOut

_1n6

res_

nFa

stC

nt5

...31

0f

73

10

f7

31

0f

73

1.

Res

etC

ntFa

stC

nt4

...73

10

73

10

73

10

73

10

7.

Res

etC

nt4

PreR

eset

Cnt

4re

sspi

ke4

ress

pike

5

clkO

ut_3

n2_d

el

0f

73

10

f7

31

0f

73

10

f

31

07

31

07

31

07

31

07

3

3.02

us

3.03

us

0f

73

10

f7

31

0f

7

31

0f

31

07

31

07

31

07

31

07

33

10

f7

31

0f

73

10

f7

31

07

31

07

31

07

31

07

31

0

3.04

us

3.05

us

31

0f

73

10

f7

31

0f

73

1

07

31

07

31

07

31

07

31

0

...0f

73

10

f7

31

0f

73

10

f..

...73

10

73

73

73

73

73

73

7..

3.06

us

3.07

us

...0f

73

10

f7

31

0f

73

10

f..

...73

10

73

73

73

73

73

73

7..

73

10

f7

31

0f

73

10

f7

31

37

37

37

37

37

37

37

37

37

3.08

us

3.09

us

73

10

f7

31

0f

73

10

f7

31

37

37

37

37

37

37

37

37

37

1

Kursziele

• Praktisch: Sie können in VHDL einen FPGA programmieren: Übungen mit FPGA-Boards

• Technische Informatik: Wie funktioniert ein FPGA? Einblick in digitale Schaltungen

• Algorithmen: Wie kommt mein Design in den FPGA? Logikvereinfachung, Technology Mapping, Place & Route - alles exponentiell schwierige Probleme für die elegante Heuristiken existieren

...31

0f

73

10

f7

31

0f

73

1.

...73

10

73

10

73

10

73

10

7.

3 us

3.01

us

clkI

n_80

0pR

eset

Encl

kOut

_4n

clkO

ut_3

n2cl

kOut

_1n6

res_

nFa

stC

nt5

...31

0f

73

10

f7

31

0f

73

1.

Res

etC

ntFa

stC

nt4

...73

10

73

10

73

10

73

10

7.

Res

etC

nt4

PreR

eset

Cnt

4re

sspi

ke4

ress

pike

5

clkO

ut_3

n2_d

el

0f

73

10

f7

31

0f

73

10

f

31

07

31

07

31

07

31

07

3

3.02

us

3.03

us

0f

73

10

f7

31

0f

7

31

0f

31

07

31

07

31

07

31

07

33

10

f7

31

0f

73

10

f7

31

07

31

07

31

07

31

07

31

0

3.04

us

3.05

us

31

0f

73

10

f7

31

0f

73

1

07

31

07

31

07

31

07

31

0

...0f

73

10

f7

31

0f

73

10

f..

...73

10

73

73

73

73

73

73

7..

3.06

us

3.07

us

...0f

73

10

f7

31

0f

73

10

f..

...73

10

73

73

73

73

73

73

7..

73

10

f7

31

0f

73

10

f7

31

37

37

37

37

37

37

37

37

37

3.08

us

3.09

us

73

10

f7

31

0f

73

10

f7

31

37

37

37

37

37

37

37

37

37

1

Vorläufiges Vorlesungsprogramm

• Weshalb FPGAs? Weshalb VHDL?

• CMOS, Gatter, kombinatorische Logik

• Register, Takt, Pipelines

• Simulation

• Synthese

• Place & Route

• Schnelle Schaltungen

• VHDL Design Patterns

• Synchronisation

• Speicher und vordefinierte Logikblöcke (IP)

• Busse und andere Interfaces

• Anwendungsbeispiele

Sommersemester 2020

LehrangebotVisual Computing

LehrangebotVisual Computing

Veranstaltungen Visual ComputingVorlesungen

§ Einführung in die Softwareentwicklung(ein letztes Mal in C++, diesmal wirklich)

§ Modellierung I

Seminare§ Seminar Visual Computing

§ Im Block nach in den Semesterferien

§ Praktikum Visual Computing / Modellierung§ Im Block nach in den Semesterferien

Modellierung I

Modellierung 1: Lineare Modelle§ Lineare Algebra 101

§ Mit praktischen Anwendung

§ Diskretisierung, Simulation, Optimierung§ Mit praktischen Anwendung

Modellierung ILineare Modelle

§ Repräsentationen§ Funktionenräume§ Finite Elemente§ Meshes, Gitter, Meshless§ Signaltheorie, Sampling§ Geometrische Modelle (3D)

§ Automatisches Modellieren§ Least-Squares, Variationsmethoden§ Dynamische Modelle (Animation, Simulation)

Eigencats

Modellierung 1Voraussetzungen

§ Analysis 1, Lineare Algebra 1oder

Mathematik für Physiker*innen§ Mathematik für Informatiker*innen weniger geeignet

– Auf eigenes Risiko§ Programmieren

§ C++ Kenntnisse empfohlen (nicht zwingend)§ Vertiefungsveranstaltungen

§ Computergraphik oder maschinelles Lernen helfen,sind aber optional

Seminar + PraktikumSeminar Visual Computing

§ Aktuelle Themen aus Mustererkennung,maschinellem Lernen und Graphik

Praktikum Visual Computing§ Mustererkennung, tiefe Netze & Modellierung

Planung (Vorbesprechung für Praktikum & Seminar zusammen!)

§ Format: im Block, nach dem Semester§ Vorbesprechung: Freitag, 20. April 2020, 14-16h (c.t.)§ Ort: Raum 03-424, Staudingerweg 9§ Teilnehmerzahl: jeweils max. 15 Personen

SpeichersystemeDr. Reza Salkhordehhaghighi(Mitarbeiter von Prof. Brinkmann, ZDV)

Vorlesung: Do. 10-12 Uhr, Raum 04-432Übung: tba

AG Programming LanguagesProf. Dr. Sebastian Erdweg

Vorlesungen§ Programmiersprachen§ Program analysis

Seminare und Praktikum§ Seminar - Domain-specific languages

§ Praktikum - Program analysis

Program analysis 1/2Voraussetzungen / OrganisatorischesVorlesung "Programmiersprachen". Gute Programmierkenntnisse.

Empfohlene LiteraturFachartikel, die im Laufe der Veranstaltung bekanntgegeben werden "Types and Programming Languages" von Benjamin C. Pierce"Principles of Program Analysis" von Flemming Nielson, Hanne R. Nielson, and Chris Hankin

InhaltProgrammanalysen sind ein fundamentales Werkzeug der Softwareentwicklung und treten in vielfältiger Form in der Praxis auf. Man kann dabei grob drei Einsatzgebiete von Programmanalysen unterscheiden:Zum Bug Finding verwendet man Analysen, die Fehlerquellen in einem Program auffinden bzw. die Abstinenz solcher Fehler validieren. Zum Beispiel: type checking, bounds checking, information flow.Für Compiler Optimierungen verwendet man Analysen, die Eigenschaften eines Programms berechnen, welche Optimierungen ermöglichen. Zum Beispiel: reaching definitions, constant propagation.Für Editor Support verwendet man Analysen, die Informationen über ein Programm ableiten um damit Tools zu speisen, die Entwickler beim Programmieren unterstützen. Zum Beispiel: Code completion, Refactorings.

Program analysis 2/2Die Entwurfsmöglichkeiten für Programmanalysen sind entsprechend vielfältig und es haben sich verschiedene Analysetechniken etablieren können. Das Ziel der Veranstaltung "Programmanalysen" ist das Studierende die Grundlagen des Entwurfs von Programmanalysen erlernen, für ein gegebenes Einsatzgebiet geeignete Analysetechniken auswählen können, und einfache Programmanalysen selbst entwickeln und bewerten können. Dazu werden wir eine Auswahl der folgenden Themen besprechen:

• Code smells• Program semantics• Dynamic analysis• Type systems• Control-flow graphs and data-

flow analyses• Abstract interpretation• Soundness, Recall, and Precision

Termin: Vorlesung: Mittwoch, 12-14 Uhr, Raum 05-426 Übungen: tba


wählbare Sprachen: § English for the Natrual Sciences§ Englisch, Französisch, Portugisisch, Spanisch, Russisch,

Chinesisch, Japanisch§ weitere Sprachen nach Genehmigung des Prüfungsausschusses

Änderungen der Softskill-Angebot ab dem SS 2020

wählbare Veranstaltungen: § Angebot von Studium Generale§ Geschichte der Naturwissenschaften§ Schreibwerkstatt§ Studieneingangsangebote (TK-MentalStrategien)§ Tutorenschulung § Spez. Lehrangebot in Jogustine§ ausgewählte Sprachkurse des ISSK (anerkannt werden nur noch maximal 3 LP)


Softskill-Angebot im SS 2020 (2 LP)

TK-MentalStrategien


Softskill-Angebot im SS 2020 (2 LP)

TK-MentalStrategien

Inhalt: Vermittlung allgemeiner Grundlagen

zum Thema „wissenschaftliches Arbeiten“

1. recherchieren, zitieren, gliedern2. Schreibmethoden, -techniken3. Praktische Übungen zum Verfassen von

z.B. Abstracts und Einleitungen4. Präsentationsmethoden: Poster,

Vorträge5. Kommunikation mit dem Betreuer6. …

Zeit: Donnerstags, 14 – 16 Uhr

Start 16.4.2020

Raum: 05-136 (mittlerer Kreuzbau)

Die Teilnehmerzahl ist auf max. 15 begrenzt.

Aktive Teilnahme zum Erlangen von 3 Softskill-LPs

Anmeldung über Jogustine

Fragen an: Esther Reineke ([email protected])

Workshop-Marathon „Wissenschaftliches Schreiben, Präsentieren, Kommunizieren“

Jeden Dienstag von 13 – 16 Uhr, auch in den Semesterferien!

Wo: Seminarraum D 01-227 (Staudingerweg 9, mittlerer Kreuzbau)

Ohne Anmeldung, einfach vorbeikommen und hier an deinem wissenschaftlichen Text schreiben, zusammen mit anderen Studis und in Begleitung einer Tutorin!

Für alle Studis der Fächer Mathematik, Informatik, Physik und Meteorologie!

Schreibwerkstatt FB 08

Hilfestellungen bei Seminararbeiten, Hausarbeiten, Bachelor- und Masterarbeiten u.a.

Kontakt: Dipl.-Met. Esther Reineke ([email protected])

www.studium.fb08.uni-mainz.de/helpdesk/schreibwerkstatt

Ferienkurse der Fachschaft Mathematik/Informatik

(Anwendungsorientiertes) PythonTermin: vsl. 23.03.-27.03.

Raspberry Pi/LinuxTermin: tba

• Nutzung eines Linuxsystems an einem Raspberry Pi• Grundlagen der Linux-Shell, ssh und weitere Werkzeuge• Programmierung der GPIO-Pins• Geräte werden voraussichtlich gestellt

• Aufbauend auf „Einführung in die Programmierung“• Python zur Problemlösung und zum Vermeiden von Tipparbeit• Nützliche und einzigartige Sprachkonstrukte kennenlernen• Effektive Verwendung der Standardbibliothek• Einführung weiterer im Studium nützlicher Bibliotheken (numpy, pandas, pil, requests)

def min_dist(points):if len(points) < 2:

raise ValueErrormd = points[0].dist(points[1])result = points[0], points[1]for i in range(len(points)):

for j in range(i):p, q = points[i], points[j]if p.dist(q) < md:

md = p.dist(q)result = p, q

return result

def min_dist(points):return min(combinations(points, 2), key=lambda x: Point.dist(*x))

class Point:...

Documents

Planen Sie ihr SS 2020! - uni-mainz.de · 2020-02-03 · Das Praxismodul gibt Studierenden im Masterstudiengang die Gelegenheit, IT-Sicherheit praktisch zu erfahren. In einer abgesicherten