Vorlesungsverzeichnis - puls.uni-potsdam.de · 72201 VU - Methods of Cloud Computing 11 Elective Modules - Research Modules.....12 INF-DS-RMA - Research Module A 12 71988 PJ - Extensive

VorlesungsverzeichnisMaster of Science - Data SciencePrüfungsversion Wintersemester 2018/19

Wintersemester 2018/19

Inhaltsverzeichnis

Inhaltsverzeichnis

Abkürzungsverzeichnis 5

Bridge Modules...................................................................................................................................................... 6

FM2 - Foundations of Computer Science 6

72018 U - Grundlagen der Informatik 6

72019 V - Grundlagen der Informatik 6

MAT-DSBM1 - Foundations of Stochastics 6

71666 VU - Foundations of Stochastics 6

Compulsory Modules............................................................................................................................................ 6

MATVMD837 - Statistical Data Analysis 6

71334 VU - Statistical Data Analysis 7

MATVMD838 - Bayesian Inference and Data Assimilation 7

INF-DS-C1 - Machine Learning 7

INF-DS-C2 - Data Infrastructures and Software Engineering 7

71626 VU - Distributed Data Management 7

71984 U - Principles of Data- and Knowledge-Base Systems 7

71985 V - Principles of Data- and Knowledge-Base Systems 8

71986 PR - Principles of Data- and Knowledge-Base Systems 8

72016 V - Software Engineering I 8

72031 V - Secure Information Flow 9

72032 OS - Themen der sprachbasierten Sicherheit 9

INF-DS-C3 - Data Science and Business Analytics 9

72043 VU - Data Science 9

INF-DS-C4 - Applied Data Science 9

69666 VU - GEW-RCM01 Remote Sensing of the Environment 9

70248 B - Analysis of high-throughput sequencing data 9

70433 VU - Bioinformatik biologischer Sequenzen / Evolutionary Genomics 10

71612 SU - Machine Intelligence with Deep Learning 10

71626 VU - Distributed Data Management 10

71687 VU - Ringvorlesung interdisziplinäre Mathematik: Eine projektorientierte Einführung 11

71709 VU - Statistics for Stochastic Processes 11

71981 U - Declarative Problem Solving and Optimization 11

72027 S - Advanced topics in cryptography and security 11

72201 VU - Methods of Cloud Computing 11

Elective Modules - Research Modules.............................................................................................................. 12

INF-DS-RMA - Research Module A 12

71988 PJ - Extensive Declarative Problem Solving 12

71989 PJ - Extensive Logistics Technology 12

72047 LP - Forschungsthema A 13

INF-DS-RMB - Research Module B 13

71997 S - Cognitive technologies 13

2Abkürzungen entnehmen Sie bitte Seite 5

Inhaltsverzeichnis

72032 OS - Themen der sprachbasierten Sicherheit 13

72048 LP - Forschungsthema B 13

Elective Modules - Advanced Module............................................................................................................... 13

MAT-DSAM2A - Advanced Statistical Data Analysis A 13

71709 VU - Statistics for Stochastic Processes 14

MAT-DSAM2B - Advanced Statistical Data Analysis B 14

69700 S - Bayesian Linear Modeling 14

69702 U - Bayesian Linear Modeling 14

MAT-DSAM3A - Advanced Data Assimilation and Modeling A 14

MAT-DSAM3B - Advanced Data Assimilation and Modeling B 14

MAT-DSAM8A - Mathematical Foundations of Data Science A 14

71703 VU - Partielle Differentialgleichungen 14

71726 VU - Funktionalanalysis 1 14

71851 VU - Analysis auf Graphen / Analysis on graphs 15

MAT-DSAM8B - Mathematical Foundations of Data Science B 15

71686 VU - Numerik I 15

71851 VU - Analysis auf Graphen / Analysis on graphs 15

BM3 - Advanced Problem Solving Techniques 15

71973 PR - Advanced Problem Solving Techniques 15

71974 PJ - Advanced Problem Solving Techniques 15

71975 U - Advanced Problem Solving Techniques 16

71976 V - Advanced Problem Solving Techniques 16

INF-DSAM1A - Advanced Machine Learning A 17

72025 U - Intelligente Datenanalyse 2 17

72026 V - Intelligente Datenanalyse 2 17

INF-DSAM1B - Advanced Machine Learning B 17

INF-DSAM4A - Advanced Infrastructures and Software Engineering A 17

72030 U - Secure Information Flow 17

72031 V - Secure Information Flow 18

INF-DSAM4B - Advanced Infrastructures and Software Engineering B 18

72017 FS - Software Engineering 18

INF-DSAM5A - Advanced Business Analytics A 18

69159 S - Social Media & Business Analytics I 18

69161 S - Social Media Research Project 19

INF-DSAM5B - Advanced Business Analytics B 20

69159 S - Social Media & Business Analytics I 20

69161 S - Social Media Research Project 21

INF-DSAM6A - Advanced Applied Data Science A 22

69557 V - Advanced Natural Language Processing 22

69558 U - Advanced Natural Language Processing 23

INF-DSAM6B - Advanced Applied Data Science B 23

INF-DSAM7 - Computer Engineering for Big Data 23

71990 PJ - Extensive Solver Construction 23

INF-DSAM9 - Computational Foundations of Data Science 23

71959 V - Chipentwurf 24


Inhaltsverzeichnis

71966 V - Codierungstheorie 24

71980 V - Declarative Modeling 25

71981 U - Declarative Problem Solving and Optimization 26

71987 S - Current Topics in Computational Intelligence 26

72001 V - Multi Media Signal Processing MSP 26

72008 V - Multimedia-Technologie 26

72011 V - Pervasive Computing 27

72026 V - Intelligente Datenanalyse 2 27

72041 V - Drahtlose Sensornetze 27

INF-DSAM10 - Research Data Management, Law, and Ethics 28

INF-DSAM11 - Applied Data Science Internship 28

71988 PJ - Extensive Declarative Problem Solving 28

71989 PJ - Extensive Logistics Technology 28

71990 PJ - Extensive Solver Construction 28

72049 PR - Angewandtes Data Science Praktikum 29

Glossar 30


Abkürzungsverzeichnis

Abkürzungsverzeichnis

Veranstaltungsarten

AG Arbeitsgruppe

B Blockveranstaltung

BL Blockseminar

DF diverse Formen

EX Exkursion

FP Forschungspraktikum

FS Forschungsseminar

FU Fortgeschrittenenübung

GK Grundkurs

KL Kolloquium

KU Kurs

LK Lektürekurs

LP Lehrforschungsprojekt

OS Oberseminar

P Projektseminar

PJ Projekt

PR Praktikum

PU Praktische Übung

RE Repetitorium

RV Ringvorlesung

S Seminar

S1 Seminar/Praktikum

S2 Seminar/Projekt

S3 Schulpraktische Studien

S4 Schulpraktische Übungen

SK Seminar/Kolloquium

SU Seminar/Übung

TU Tutorium

U Übung

UN Unterricht

V Vorlesung

VP Vorlesung/Praktikum

VS Vorlesung/Seminar

VU Vorlesung/Übung

WS Workshop

Veranstaltungsrhytmen

wöch. wöchentlich

14t. 14-täglich

Einzel Einzeltermin

Block Block

BlockSa Block (inkl. Sa)

BlockSaSo Block (inkl. Sa,So)

Andere

N.N. Noch keine Angaben

n.V. Nach Vereinbarung

LP Leistungspunkte

SWS Semesterwochenstunden

Belegung über PULS

PL Prüfungsleistung

PNL Prüfungsnebenleistung

SL Studienleistung

L sonstige Leistungserfassung

5

Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19

Vorlesungsverzeichnis

Bridge Modules

FM2 - Foundations of Computer Science

72018 U - Grundlagen der Informatik

Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft

1 U Do 16:00 - 18:00 wöch. 3.04.1.02 18.10.2018 Dr. Henning Bordihn

Kommentar

Algorithmen und Datenstrukturen: Wachstum von Funktionen und O-Notation; Divide and Conquer; Sortieren und Suchen;elementare Datenstrukturen; dynamisches Programmieren; elementare Graphalgorithmen Formale Sprachen: Chomsky-Hierarchie; reguläre Sprachen und endliche Automaten; kontextfreie Sprachen und Kellerautomaten; endliche Automaten;kontextfreie Sprachen und Kellerautomaten; Turingmaschinen Theoretische Grundlagen: Berechenbarkeit; Halteproblem;Nichtdeterminismus; Komplexitätsklassen P und NP; Rekursion; induktive Definitionen Die Inhalte werden über geeigneteOnline-Video-Vorlesungen vermittelt, z.B. von Coursera oder MIT OpenCourseWare.

Leistungsnachweis

mündliche Prüfung 30 Minuten

Leistungen in Bezug auf das Modul

PNL 556012 - Übung (unbenotet)

72019 V - Grundlagen der Informatik


1 V N.N. N.N. wöch. N.N. N.N. Dr. Henning Bordihn

Kommentar

Algorithmen und Datenstrukturen: Wachstum von Funktionen und O-Notation; Divide and Conquer; Sortieren und Suchen;elementare Datenstrukturen; dynamisches Programmieren; elementare Graphalgorithmen Formale Sprachen: Chomsky-Hierarchie; reguläre Sprachen und endliche Automaten; kontextfreie Sprachen und Kellerautomaten; endliche Automaten;kontextfreie Sprachen und Kellerautomaten; Turingmaschinen Theoretische Grundlagen: Berechenbarkeit; Halteproblem;Nichtdeterminismus; Komplexitätsklassen P und NP; Rekursion; induktive Definitionen Die Inhalte werden über geeigneteOnline-Video-Vorlesungen vermittelt, z.B. von Coursera oder MIT OpenCourseWare.

Leistungsnachweis

mündliche Prüfung 30 Minuten


SL 556011 - Video-Vorlesung (unbenotet)

MAT-DSBM1 - Foundations of Stochastics

71666 VU - Foundations of Stochastics


2 V Mi 08:15 - 09:45 wöch. 3.06.S21 17.10.2018 Prof. Dr. Sylvie Roelly

2 U Mi 10:15 - 11:45 wöch. 3.01.H09 17.10.2018 Jens Fischer


PNL 551252 - Übung oder inverted classroom (unbenotet)

Compulsory Modules

MATVMD837 - Statistical Data Analysis


https://puls.uni-potsdam.de/qisserver/rds?state=verpublish&status=init&vmfile=no&moduleCall=webInfo&publishConfFile=webInfo&publishSubDir=veranstaltung&publishid=72018

https://puls.uni-potsdam.de/qisserver/rds?state=verpublish&status=init&vmfile=no&moduleCall=webInfo&publishConfFile=webInfoPerson&publishSubDir=personal&keep=y&personal.pid=29







71334 VU - Statistical Data Analysis


1 V Di 10:15 - 11:45 wöch. 2.09.0.12 16.10.2018 apl. Prof. Dr. HanneloreLiero

1 U Mi 12:15 - 13:45 wöch. 2.09.0.12 17.10.2018 apl. Prof. Dr. HanneloreLiero

1 V Do 10:15 - 11:45 wöch. 2.09.0.12 18.10.2018 apl. Prof. Dr. HanneloreLiero

1 V Do 10:15 - 11:45 Einzel 2.09.0.13 31.01.2019 apl. Prof. Dr. HanneloreLiero

1 U N.N. N.N. wöch. N.N. N.N. N.N.


PNL 517311 - Vertiefende Vorlesung im Bereich Statistische Datenanalyse und Übung (unbenotet)

MATVMD838 - Bayesian Inference and Data Assimilation

Für dieses Modul werden aktuell keine Lehrveranstaltungen angeboten

INF-DS-C1 - Machine Learning


INF-DS-C2 - Data Infrastructures and Software Engineering

71626 VU - Distributed Data Management


1 VU N.N. N.N. wöch. N.N. N.N. Prof. Dr. Felix Naumann

Kommentar

Angaben zum Lehrinhalt in der Beschreibung aufrufbar unter http://hpi.de/studium/lehrveranstaltungen/it-systems-engineering.html

Voraussetzung

Voraussetzungen werden in den Lehrinhaltsbeschreibungen unter http://hpi.de/studium/lehrveranstaltungen/it-systems-engineering.html benannt.

Bemerkung

Unter http://hpi.de/studium/lehrveranstaltungen/it-systems-engineering.html sind folgende Angaben aufrufbar:

• Raum und Zeit• Lehrinhalt und Leistungserfassung• Teilnehmerbegrenzung


PNL 557111 - Vorlesung und Übung (unbenotet)

71984 U - Principles of Data- and Knowledge-Base Systems


1 U Mi 16:00 - 18:00 wöch. 3.06.H01 17.10.2018 Philipp Obermeier

2 U Mi 16:00 - 18:00 wöch. 3.06.S24 17.10.2018 Philipp Obermeier

Literatur

Principles of Database & Knowledge-Base Systems by Jeffrey D. Ullman W. H. Freeman & Co. New York, NY, USA




















71985 V - Principles of Data- and Knowledge-Base Systems


1 V Di 16:00 - 18:00 wöch. 3.06.H01 16.10.2018 Prof. Dr. Torsten Schaub,Philipp Obermeier

Literatur


71986 PR - Principles of Data- and Knowledge-Base Systems


1 PR N.N. N.N. wöch. N.N. N.N. Prof. Dr. Torsten Schaub,Philipp Obermeier

Literatur


72016 V - Software Engineering I


1 V Do 14:00 - 16:00 wöch. 3.01.H09 18.10.2018 Prof. Dr.-Ing. ChristianHammer

Kommentar

**Kursbeschreibung**: Diese Veranstaltung vermittelt theoretische Grundlagen und praktische Kompetenzen der Modellierungund der Softwareentwicklung. Neben traditionellen Ansätzen wird das moderne Paradigma der modellgetriebenenSoftwareentwicklung behandelt. Bei der Modellierung werden verschiedene Beschreibungsformen für das Verhaltenund die Struktur eines Softwaresystems oder seiner Komponenten betrachtet. Ferner werden die Kernphasen desSoftware-Entwicklungsprozesses betrachtet, von der Anforderungsanalyse über den Entwurf und die Implementierungbis zum Testen. Die modellgetriebene Softwareentwicklung umfasst Methoden und Techniken, die Software weitgehendautomatisiert aus geeigneten Modellen generieren. Der in diesem Zusammenhang bedeutsamen Verifikation vonkritischen Systemeigenschaften auf Modellebene wird durch die Behandlung von Methoden des Model CheckingRechnung getragen. Die Konzepte werden anhand von Anwendungsbeispielen und Werkzeugen demonstriert und geübt.Ausgewählte Aspekte werden vertieft und in einem Projekt angewendet. Zu den Inhalten der Lehrveranstaltung gehörenunter anderem: - Kernphasen der Softwareentwicklung und Vorgehensmodelle - Anforderungsanalyse und -spezifikation -Verhaltensmodellierung/Prozessmodellierung - Qualitätssicherung auf Modellebene insbesondere durch Model Checking- Strukturmodellierung, objektorientierte Modellierung - Software-Architekturen und Design-Patterns - ObjektorientierteImplementierung von Entwürfen - Verifikation und Validierung mit dem Schwerpunkt auf Testen - Modellierungsmethodik,Metamodellierung

Voraussetzung

Erfolgreiche Teilnahme an Theoretische Informatik I (bzw. Modellierungskonzepte der Informatik), Grundlagen derProgrammierung (I) und Programmierung (bzw. Praxis der Programmierung).

Literatur

Ian Sommerville. Software Engineering, Ninth Edition. Pearson, 2011, 0-13-705346-0 Ian Sommerville, Perdita Stevens.Software Engineering: AND Using UML, Software Engineering with Objects and Components. Pearson Education,2007, 1-4058-9258-7 Helmut Balzert. Lehrbuch der Software-Technik (Band 1): Software-Entwicklung. SpektrumAkademischer Verlag Heidelberg, 1996, 3-8274-0042-2 Perdita Stevens. Using UML: Software Engineering with Objects andComponents. Pearson Education, 2005, 0-3212-6967-5 M. Hitz, G. Kappel, E. Kapsammer, W. Retschitzegger. [email protected] Modellierung mit UML 2. dpunkt.verlag, Heidelberg, 2005, 3-89864-261-5 Edmund M. Clarke Jr., OrnaGrumberg, Doron A. Peled. Model Checking. MIT Press, 2000, 978-0-262-03270-4 Mary Poppendieck, Tom Poppendieck.Lean Software Development: An Agile Toolkit. Addison-Wesley Professional, 2003, 0-3211-5078-3

Leistungsnachweis

Am Ende des Semesters werden 6 benotete Leistungspunkte vergeben, wobei die Zensur folgendermaßen als gewichtetesMittel vergeben wird: * Klausur: 70%, * Projekt: 30%. Die Klausur muss bestanden werden.

Bemerkung

Bei Bedarf wird die Stoffvermittlung in englischer Sprache durch ein angeleitetes Selbststudium unterstützt.














72031 V - Secure Information Flow


1 V Di 10:00 - 12:00 wöch. 3.06.H01 16.10.2018 Prof. Dr.-Ing. ChristianHammer



72032 OS - Themen der sprachbasierten Sicherheit


1 OS Di 12:00 - 14:00 wöch. 3.04.1.02 16.10.2018 Prof. Dr.-Ing. ChristianHammer

Kurzkommentar

Achtung! Die Termine werden nach Vereinbarung festgelegt. Die hier stehenden Zeiten und Räume gelten nicht mehr.



INF-DS-C3 - Data Science and Business Analytics

72043 VU - Data Science


Alle V Fr 08:00 - 10:00 wöch. 3.06.H01 19.10.2018 Prof. Dr. Tobias Scheffer

1 U Mo 14:00 - 16:00 wöch. 3.04.1.02 15.10.2018 N.N.

2 U Di 08:00 - 10:00 wöch. 3.04.0.02 16.10.2018 N.N.

3 U Di 14:00 - 16:00 wöch. 3.04.0.02 16.10.2018 N.N.

Nur Reserve! Keine Einschreibungen!!!

4 U Mi 08:00 - 10:00 wöch. 3.04.1.02 17.10.2018 N.N.

Nur Reserve! Keine Einschreibungen!!!


PNL 557121 - Vorlesung und Laborübung (unbenotet)

INF-DS-C4 - Applied Data Science

69666 VU - GEW-RCM01 Remote Sensing of the Environment


1 V Di 12:15 - 13:45 wöch. 2.27.1.10 16.10.2018 Prof. Dr. BodoBookhagen

1 U Di 14:15 - 15:45 wöch. 2.27.1.10 16.10.2018 Prof. Dr. BodoBookhagen

Computer Pool im Haus 24


PNL 557132 - Übung oder Projekt (unbenotet)

70248 B - Analysis of high-throughput sequencing data


1 B N.N. N.N. Block N.N. N.N. Dr. Christian Kappel

Block event, 2 weeks in lecture-free period; please contact lecturer for details at the start of the semester!

Kommentar

Currently planned from February 18th to March 1st 2019. Please contact [email protected] for any questions.
























70433 VU - Bioinformatik biologischer Sequenzen / Evolutionary Genomics


Alle V Di 08:15 - 09:45 wöch. 2.06.1.01 16.10.2018 Dr. Stefanie Hartmann

1 U Mi 08:15 - 09:45 wöch. 2.25.D0.02 17.10.2018 Dr. Stefanie Hartmann

1 U Mi 08:15 - 09:45 wöch. 2.25.D0.01 17.10.2018 Dr. Stefanie Hartmann

2 U Do 08:15 - 09:45 wöch. 2.25.D0.02 18.10.2018 Dr. Stefanie Hartmann

2 U Do 08:15 - 09:45 wöch. 2.25.D0.01 18.10.2018 Dr. Stefanie Hartmann



71612 SU - Machine Intelligence with Deep Learning


1 SU N.N. N.N. wöch. N.N. N.N. Dr. rer. nat. Haojin Yang

Kommentar


Voraussetzung


Bemerkung





71626 VU - Distributed Data Management


1 VU N.N. N.N. wöch. N.N. N.N. Prof. Dr. Felix Naumann

Kommentar


Voraussetzung


Bemerkung

















71687 VU - Ringvorlesung interdisziplinäre Mathematik: Eine projektorientierte Einführung


1 U Mo 16:15 - 17:45 wöch. 2.25.F0.01 15.10.2018 Prof. Dr. Sebastian Reich

1 V Do 14:15 - 15:45 wöch. 2.14.0.47 18.10.2018 Prof. Dr. Sebastian Reich

1 V Do 16:15 - 17:45 wöch. 2.28.0.108 18.10.2018 Prof. Dr. Sebastian Reich



71709 VU - Statistics for Stochastic Processes


1 U Di 08:15 - 09:45 wöch. 2.31.0.18 16.10.2018 Dr. Ester Mariucci

1 V Di 10:15 - 11:45 wöch. 2.09.0.14 16.10.2018 Dr. Ester Mariucci

1 V Do 08:15 - 09:45 wöch. 2.09.0.13 18.10.2018 Dr. Ester Mariucci



71981 U - Declarative Problem Solving and Optimization


1 U Do 12:00 - 14:00 wöch. 3.06.H01 25.10.2018 Prof. Dr. Torsten Schaub,Javier Romero Davila

Kommentar

Answer Set Programming (ASP) is a prime approach to declarative problem solving. Although initially tailored to modelingproblems in the area of Knowledge Representation and Reasoning (KRR), its attractive combination of a rich yet simplemodeling language with high-performance solving capacities has sparked interests in many other areas even beyond KRR.This course presents a detailed introduction to ASP, aiming at using ASP languages and systems for solving applicationproblems. Starting from the essential formal foundations, it introduces ASP's solving technology, modeling language andmethodology, while illustrating the overall solving process by practical examples.

Literatur

Answer Set Solving in Practice by Martin Gebser, Roland Kaminski, Benjamin Kaufmann, and Torsten Schaub SynthesisLectures on Artificial Intelligence and Machine Learning, Morgan and Claypool Knowledge Representation, Reasoning, andthe Design of Intelligent Agents The Answer-Set Programming Approach by Michael Gelfond and Yulia Kahl CambridgeUniversity Press

Leistungsnachweis

Exam and assignments



72027 S - Advanced topics in cryptography and security


1 S Mo 10:00 - 12:00 wöch. 3.04.1.02 15.10.2018 Prof. Dr. Christoph Kreitz

1 S Mi 10:00 - 12:00 wöch. 3.04.0.02 17.10.2018 Prof. Dr. Christoph Kreitz



72201 VU - Methods of Cloud Computing


1 U N.N. N.N. Einzel N.N. N.N. Prof. Dr. Andreas Polze

1 V N.N. N.N. wöch. N.N. N.N. Prof. Dr. Andreas Polze

Links:

Abgabesystem https://www.dcl.hpi.uni-potsdam.de/submit/

Webseite zum Kurs https://www.dcl.hpi.uni-potsdam.de/teaching/mocc18/




















Kommentar

In der Vorlesung werden theoretische Grundlagen, Technologien und Implementierungsstrategien des Cloud Computingsvermittelt.

Es werden unter anderem folgende Themen behandelt:

• Virtualisierung• Hardwareunterstützung• Hypervisors• Container• Virtuelle Netzwerke

• Verwaltung von Cloud Ressourcen• Programmierung von skalierbaren, verteilten Anwendungen• Programmierung von datenintensiven Anwendungen• Beyond Cloud (Federations, Wide Distributions, IoT)

Leistungsnachweis

Die Prüfungsleistung wird durch eine schriftliche Prüfung am Semesterende erbracht. Vorraussetzung für die Zulassung zurschriftlichen Prüfung ist die erfolgreiche Bearbeitung aller Übungen.

Die Übungen werden in Gruppen gemeinsam gelöst und über das Abgabesystem (siehe Link) eingereicht,



Elective Modules - Research Modules

INF-DS-RMA - Research Module A

71988 PJ - Extensive Declarative Problem Solving


1 PJ N.N. N.N. wöch. N.N. N.N. Prof. Dr. Torsten Schaub

Kommentar

In this project, student teams build software systems whose core consists of problem solvers for combinatorial (optimization)problems.

Voraussetzung

Knowledge in ASP and/or SAT.

Leistungsnachweis

Implementation und Dokumentation

Kurzkommentar

Gemeinsame Auftaktveranstaltung für alle Projektangebote der Professur Wissensverarbeitung und Informationssysteme am26.10.17 um 18 Uhr im HS 3.06.H01!


SL 557142 - Übung oder Projekt (unbenotet)

71989 PJ - Extensive Logistics Technology



Kommentar

TODO - in English

Leistungsnachweis








Kurzkommentar




72047 LP - Forschungsthema A


1 LP N.N. N.N. Block N.N. N.N. N.N., Prof. Dr. TobiasScheffer

Raum und Zeit nach Absprache

Kommentar

Platzhalter in PULS für die Bearbeitung eines individuellen Forschungsthemas. 12LP.



INF-DS-RMB - Research Module B

71997 S - Cognitive technologies


1 S Do 14:00 - 16:00 wöch. 3.04.0.02 18.10.2018 Prof. Dr. Torsten Schaub,Javier Romero Davila


SL 557151 - Vorlesung oder Seminar (unbenotet)

72032 OS - Themen der sprachbasierten Sicherheit


1 OS Di 12:00 - 14:00 wöch. 3.04.1.02 16.10.2018 Prof. Dr.-Ing. ChristianHammer

Kurzkommentar

Achtung! Die Termine werden nach Vereinbarung festgelegt. Die hier stehenden Zeiten und Räume gelten nicht mehr.


SL 557151 - Vorlesung oder Seminar (unbenotet)

72048 LP - Forschungsthema B


1 LP N.N. N.N. Block N.N. N.N. N.N., Prof. Dr. TobiasScheffer

Kommentar

Platzhalter in PULS für die Bearbeitung eines individuellen Forschungsthemas. 15LP.



Elective Modules - Advanced Module

MAT-DSAM2A - Advanced Statistical Data Analysis A

















71709 VU - Statistics for Stochastic Processes


1 U Di 08:15 - 09:45 wöch. 2.31.0.18 16.10.2018 Dr. Ester Mariucci

1 V Di 10:15 - 11:45 wöch. 2.09.0.14 16.10.2018 Dr. Ester Mariucci

1 V Do 08:15 - 09:45 wöch. 2.09.0.13 18.10.2018 Dr. Ester Mariucci



MAT-DSAM2B - Advanced Statistical Data Analysis B

69700 S - Bayesian Linear Modeling


1 VS Mi 10:00 - 12:00 wöch. 2.14.0.09 17.10.2018 Prof. Dr. ShravanVasishth

69702 U - Bayesian Linear Modeling


1 U Mo 14:00 - 16:00 wöch. 2.14.0.09 15.10.2018 Prof. Dr. ShravanVasishth



MAT-DSAM3A - Advanced Data Assimilation and Modeling A


MAT-DSAM3B - Advanced Data Assimilation and Modeling B


MAT-DSAM8A - Mathematical Foundations of Data Science A

71703 VU - Partielle Differentialgleichungen


1 V Di 08:15 - 09:45 wöch. 2.09.1.10 16.10.2018 Dr. Niklas Hartung

1 V Mi 10:15 - 11:45 wöch. 2.09.1.10 17.10.2018 Dr. Niklas Hartung

1 U Do 14:15 - 15:45 wöch. 2.09.1.10 18.10.2018 Alexander Friedrich

Kommentar

Die Vorlesung findet auf Englisch statt / This lecture takes place in English



71726 VU - Funktionalanalysis 1


1 V Mo 14:15 - 15:45 wöch. 2.09.0.14 15.10.2018 Dr. Elke Rosenberger

1 V Di 14:15 - 15:45 wöch. 2.09.1.10 16.10.2018 Dr. Elke Rosenberger

1 U Fr 14:15 - 15:45 wöch. 2.09.1.10 19.10.2018 Saskia Roos























71851 VU - Analysis auf Graphen / Analysis on graphs


1 V Mo 08:15 - 09:45 wöch. 2.09.0.14 15.10.2018 Prof. Dr. Matthias Keller


1 U Do 12:15 - 13:45 wöch. 2.09.1.10 18.10.2018 Prof. Dr. Matthias Keller



MAT-DSAM8B - Mathematical Foundations of Data Science B

71686 VU - Numerik I


Alle V Di 10:15 - 11:45 wöch. 2.14.0.47 16.10.2018 Dr. Jana de Wiljes

1 U Di 16:15 - 17:45 wöch. 2.05.1.06 16.10.2018 Maria Reinhardt

2 U Do 16:15 - 17:45 wöch. 2.05.1.06 18.10.2018 Maria Reinhardt



71851 VU - Analysis auf Graphen / Analysis on graphs




1 U Do 12:15 - 13:45 wöch. 2.09.1.10 18.10.2018 Prof. Dr. Matthias Keller



BM3 - Advanced Problem Solving Techniques

71973 PR - Advanced Problem Solving Techniques


1 PR N.N. N.N. wöch. N.N. N.N. Javier Romero Davila

Kommentar


Literatur


Leistungsnachweis

Exam, assignments, report and talk.


PNL 555913 - Praktikum (unbenotet)

71974 PJ - Advanced Problem Solving Techniques


1 PJ N.N. N.N. wöch. N.N. N.N. Javier Romero Davila



















Kommentar


Literatur


Leistungsnachweis



PNL 555914 - Projekt (unbenotet)

71975 U - Advanced Problem Solving Techniques



Kommentar


Literatur


Leistungsnachweis



SL 555912 - Übung (unbenotet)

71976 V - Advanced Problem Solving Techniques


1 V Fr 12:00 - 16:00 wöch. 3.06.H01 19.10.2018 Prof. Dr. Torsten Schaub,Javier Romero Davila

Kommentar


Literatur


Leistungsnachweis










Kurzkommentar

Die Vorlesung findet nur bis Dezember 2016 freitags von 12-16 Uhr im HS 03.06.H01 statt.


SL 555911 - Vorlesung (unbenotet)

INF-DSAM1A - Advanced Machine Learning A

72025 U - Intelligente Datenanalyse 2


1 U Di 12:00 - 14:00 wöch. 3.04.0.02 16.10.2018 Prof. Dr. Tobias Scheffer

2 U Do 10:00 - 12:00 wöch. 3.04.0.02 18.10.2018 Prof. Dr. Tobias Scheffer

Kommentar

Aufbauend auf der Vorlesung Intelligente Datenanalyse beschäftigt sich die Veranstaltung vertiefend mit Algorithmen, die ausDaten lernen können. Algorithmen des maschinellen Lernens gewinnen aus Daten Modelle, mit denen sich dann Vorhersagenüber das beobachtete System treffen lassen. Anwendungen für Datenanalyse-Verfahren erstrecken sich von der Vorhersagevon Kreditrisiken über die Auswertung astronomischer Daten bis zu persönlichen Musikempfehlungen. Die Veranstaltungsetzt sich aus einem Vorlesungs- und einem Projektteil zusammen. Der Vorlesungsteil vermittelt das notwendige Wissen überDatenanalyse sowie über Matlab. Im Projektteil werden anwendungsnahe Aufgaben eigenständig bearbeitet.

Voraussetzung

Intelligente Datenenalyse

Leistungsnachweis

Projektaufgabe und mündliche Prüfung


PNL 557161 - Vorlesung und Laborübung (unbenotet)

72026 V - Intelligente Datenanalyse 2


1 V Mo 12:00 - 14:00 wöch. 3.06.H01 15.10.2018 Prof. Dr. Tobias Scheffer

Kommentar


Voraussetzung


Leistungsnachweis


INF-DSAM1B - Advanced Machine Learning B


INF-DSAM4A - Advanced Infrastructures and Software Engineering A

72030 U - Secure Information Flow


1 U Fr 10:00 - 12:00 wöch. 3.04.1.02 19.10.2018 Prof. Dr.-Ing. ChristianHammer











Voraussetzung

Betriebssysteme und Rechnernetze, Praxis der Programmierung.



72031 V - Secure Information Flow


1 V Di 10:00 - 12:00 wöch. 3.06.H01 16.10.2018 Prof. Dr.-Ing. ChristianHammer

INF-DSAM4B - Advanced Infrastructures and Software Engineering B

72017 FS - Software Engineering


1 FS Do 10:00 - 12:00 wöch. 3.04.1.02 18.10.2018 Prof. Dr.-Ing. ChristianHammer



INF-DSAM5A - Advanced Business Analytics A

69159 S - Social Media & Business Analytics I


1 S Di 14:00 - 18:00 wöch. 3.06.S21 23.10.2018 Prof. Dr. HannaKrasnova, MargaritaGladkaya

Kommentar

The class will follow the following schedule:

Dienstag 23.10.2018 14:15 - 17:45 – Topic Presentation and AssignmentDienstag 30.10.2018 14:15 - 17:45 – Fundamentals of Academic WorkDienstag 06.11.2018 14:15 - 17:45 – Fundamentals of Academic WorkDienstag 13.11.2018 14:15 - 17:45 – Early Bird PresentationDienstag 11.12.2018 14:15 - 17:45 – Mid-Term PresentationDienstag 18.12.2018 14:15 - 17:45 – Mid-Term PresentationDienstag 22.01.2019 14:15 - 17:45 – Final PresentationDienstag 29.01.2019 14:15 - 17:45 – Final Presentation

Deadline for the Seminar paper: 20.02.2018

Voraussetzung

Interest in Social Media, familiarity with research methods. This class is limited to 22 students, and takes place both inGerman and English. Presentations can be held in German or in English.

Literatur

Collis J. and Hussez, R. (2009) "Business Research: A Practical Guide for Undergraduate and Postgraduate Students”.

Leistungsnachweis

Mid-term and final presentations; Seminar Paper.














Lerninhalte

As Social Media applications (e.g. Facebook, Twitter, PatientsLikeMe) permeate all walks of our everyday life, there is agrowing interest in understanding how the use of these applications and the data these applications generate are changingbusinesses, public sector, and society. Tapping into this interest, the goal of this research project is to give students theopportunity to conduct an in-depth analysis of one topic in a relevant research area.

Possible areas of research include, but are not limited to:

• Social Media Content - Impact on Individual Perceptions and Behavior• Impact of Social Media on Business• Sentiment Analysis of Consumer Attitudes - Data Analytics with Instagram• Measuring Success of Social Media Marketing• Social Media at the Workplace: Implications• Information Overload• Sharing Economy (e.g. Airbnb) for Business• Location-Based Online Dating• Smartphone Use and Socialization• Privacy Concerns of Social Media Use• Social Media for Refugees• Applications of Smartphone for Refugee Relief• Market Analysis of Health Smartphone Apps• Privacy Policies: Content and/or Impact on Individual Perceptions and Behavior

Students will be required to get a deep understanding of the topic of their choice, present their findings and write a final paper.Presentations could be held in either English or German.


SL 557201 - Individuelles Forschungsprojekt (unbenotet)

PNL 557202 - Seminar 1 (unbenotet)


69161 S - Social Media Research Project


1 VU Mi 10:00 - 14:00 wöch. 3.06.S21 17.10.2018 Prof. Dr. HannaKrasnova, MargaritaGladkaya

Kommentar


Mittwoch 24.10.2018 10:15 - 13:45 – Topic Presentation and AssignmentMittwoch 07.11.2018 10:15 - 13:45 – Fundamentals of Academic WorkMittwoch 14.11.2018 10:15 - 13:45 – Fundamentals of Academic WorkMittwoch 21.11.2018 10:15 - 13:45 – Early-Bird PresentationsMittwoch 28.11.2018 10:15 - 13:45 – Academic CoordinationMittwoch 05.12.2018 10:15 - 13:45 – Academic CoordinationMittwoch 12.12.2018 10:15 - 13:45 – Mid-Term PresentationMittwoch 19.12.2018 10:15 - 13:45 – Mid-Term PresentationMittwoch 12.12.2018 10:15 - 13:45 – Mid-Term PresentationMittwoch 19.12.2018 10:15 - 13:45 – Mid-Term PresentationMittwoch 09.01.2019 10:15 - 13:45 – Academic CoordinationMittwoch 16.01.2019 10:15 - 13:45 – Academic CoordinationMittwoch 23.01.2019 10:15 - 13:45 – Final Presentation / ColloquiumMittwoch 30.01.2019 10:15 - 13:45 – Final Presentation / Colloquium

Deadline for the Seminar Paper: 20.02.2018

Voraussetzung

Interest in Social Media, familiarity with research methods. This class is limited to 22 students and takes place both in Germanand English. Presentations can be held in German or in English.

Literatur









Leistungsnachweis


Lerninhalte









INF-DSAM5B - Advanced Business Analytics B

69159 S - Social Media & Business Analytics I


1 S Di 14:00 - 18:00 wöch. 3.06.S21 23.10.2018 Prof. Dr. HannaKrasnova, MargaritaGladkaya

Kommentar


Dienstag 23.10.2018 14:15 - 17:45 – Topic Presentation and AssignmentDienstag 30.10.2018 14:15 - 17:45 – Fundamentals of Academic WorkDienstag 06.11.2018 14:15 - 17:45 – Fundamentals of Academic WorkDienstag 13.11.2018 14:15 - 17:45 – Early Bird PresentationDienstag 11.12.2018 14:15 - 17:45 – Mid-Term PresentationDienstag 18.12.2018 14:15 - 17:45 – Mid-Term PresentationDienstag 22.01.2019 14:15 - 17:45 – Final PresentationDienstag 29.01.2019 14:15 - 17:45 – Final Presentation

Deadline for the Seminar paper: 20.02.2018

Voraussetzung

Interest in Social Media, familiarity with research methods. This class is limited to 22 students, and takes place both inGerman and English. Presentations can be held in German or in English.








Literatur


Leistungsnachweis


Lerninhalte







SL 557212 - Seminar (unbenotet)

69161 S - Social Media Research Project


1 VU Mi 10:00 - 14:00 wöch. 3.06.S21 17.10.2018 Prof. Dr. HannaKrasnova, MargaritaGladkaya

Kommentar


Mittwoch 24.10.2018 10:15 - 13:45 – Topic Presentation and AssignmentMittwoch 07.11.2018 10:15 - 13:45 – Fundamentals of Academic WorkMittwoch 14.11.2018 10:15 - 13:45 – Fundamentals of Academic WorkMittwoch 21.11.2018 10:15 - 13:45 – Early-Bird PresentationsMittwoch 28.11.2018 10:15 - 13:45 – Academic CoordinationMittwoch 05.12.2018 10:15 - 13:45 – Academic CoordinationMittwoch 12.12.2018 10:15 - 13:45 – Mid-Term PresentationMittwoch 19.12.2018 10:15 - 13:45 – Mid-Term PresentationMittwoch 12.12.2018 10:15 - 13:45 – Mid-Term PresentationMittwoch 19.12.2018 10:15 - 13:45 – Mid-Term PresentationMittwoch 09.01.2019 10:15 - 13:45 – Academic CoordinationMittwoch 16.01.2019 10:15 - 13:45 – Academic CoordinationMittwoch 23.01.2019 10:15 - 13:45 – Final Presentation / ColloquiumMittwoch 30.01.2019 10:15 - 13:45 – Final Presentation / Colloquium

Deadline for the Seminar Paper: 20.02.2018








Voraussetzung

Interest in Social Media, familiarity with research methods. This class is limited to 22 students and takes place both in Germanand English. Presentations can be held in German or in English.

Literatur


Leistungsnachweis


Lerninhalte







SL 557212 - Seminar (unbenotet)

INF-DSAM6A - Advanced Applied Data Science A

69557 V - Advanced Natural Language Processing


1 V Di 10:00 - 12:00 wöch. 2.14.0.09 16.10.2018 Dr. Tatjana Scheffler





Kommentar

This class is the graduate-level introduction to computational linguistics, a first-year class in the MSc Cognitive Systems. Thepurpose of this class is to introduce the important concepts, models and methods used in natural language processing (NLP).After the successful completion of this course, students should be able to (i) read and understand the scientific literature in thearea of computational linguistics and (ii) start implementing their own NLP projects.

We will cover the following topics:

• statistical models of language• part of speech tagging (HMMs)• syntactic parsing (PCFGs, others?)• semantics• machine translation• speech processing• classification• and more


SL 557221 - Vorlesung / Seminar / Übung / Projekt (unbenotet)


69558 U - Advanced Natural Language Processing


1 U Fr 10:00 - 12:00 wöch. 2.14.0.09 19.10.2018 Dr. Tatjana Scheffler




INF-DSAM6B - Advanced Applied Data Science B


INF-DSAM7 - Computer Engineering for Big Data

71990 PJ - Extensive Solver Construction



Kommentar

In this project, student teams build their own problem solvers (or components thereof) based on modern constraint technology.Foremost this concerns ASP solving technology but equally well that of SAT, PB and related areas.

Voraussetzung


Literatur

See website.

Leistungsnachweis


Bemerkung

Die Zusammenkünfte finden nach Absprache statt.

Kurzkommentar




INF-DSAM9 - Computational Foundations of Data Science







71959 V - Chipentwurf


1 V Fr 10:00 - 12:00 wöch. 3.04.1.03 19.10.2018 Prof. Dr. Milos Krstic

Voraussetzung

Grundlagen der Informationsverarbeitung

Leistungsnachweis

Die Leistungsbewertung erfolgt basierend auf Projektergebnissen und mündlichen Prüfung

Lerninhalte

Beim Design eingebetteter Systeme ist das Zusammenspiel von Software- und Hardwarekomponenten sehr wichtig. DieGrundlage beim Hardwareentwurf ist das Verständnis von diversen Schaltungskonzepten und Designmethodiken. In diesemZusammenhang soll die Lehrveranstaltung das Konzept von synchronen und asynchronen Designs vorstellen. Aufbauenddarauf soll der Entwicklungsprozess von Hardware-Systemen anhand von ASIC- und FPGA-Implementierungen exemplarischnachvollzogen werden. Ziel dieses Kurses ist das Verständnis der Studenten in Bezug auf Hardwaredesign zu erweitern.

Hier ist die detaillierte Liste der Themen:

- Einführung, VLSI Design

- Hardwareentwurfprinzipien

- Advanced VHDL für Logiksynthese

- Asynchrone Designmethoden

- ASIC Designflow (Logiksynthese, Layout, Verification)

- FPGA Design

- Chip Fertigungsprozess und Chiptest

Diese Veranstaltung beinhaltet Beispiele aus der Praxis und erfordert eine aktive Arbeit der Studenten. Durch diesen Kurswerden die Studierenden in der Lage sein, den Chip zu entwerfen, der tatsächlich im IHP produziert wird. Sie würden aucheinen Überblick über die Chip-Produktion bekommen. Schließlich können die Studierenden den tatsächlich produzierten Chiptesten.



71966 V - Codierungstheorie


1 V Fr 14:00 - 16:00 wöch. 3.04.1.02 19.10.2018 Prof. Dr. Michael Gössel

Kommentar

Die Vorlesung führt in die Grundlagen der Kodierungstheorie ein. Es werden sowohl die klassischen Kodes wie LineareKodes (Hamming-Kode, zyklische Kodes, BCH-Kodes, Reed Mueller Kode, LDPC-Kodes) als auch nichtlineare, sogenannte"robuste Codes" behandelt. Die Vorlesung zeigt den engen Zusammenhang zwischen theoretischen Resultaten undtechnischer Anwendung, wie z. B. Möglichkeiten einer schnellen Implementierungen auf. An ende der Vorlesung wird eineZusammenfassung in Deutsch gegeben.

The lecture introduces the basic knowledge of coding theory. Linear codes (Hamming codes, cyclic codes, BCH-codes , Reed-Muller-codes, LDPC-codes) and non-linear codes (split-parity-codes, robust codes) are described. The close connectionbetween theoretical results and implementation problems for decoding are in the focus of the lecture. At the end of the lecturea summary in german will be given.







Voraussetzung

Grundkenntnisse in Technischer Informatik, Algebraische Grundkenntnisse zu endlichen Körpern sind vorteilhaftl, werdenaber nicht vorausgesetzt

Basics of technical informatics are asumed to be known. Basic knowledge of finate fields is helpful.

Literatur

Lin,Costello, 'Error Control Coding' Prentice Hall,1983, 2. Auflage 2004, Peterson, Weldon, 'Error Corecting Codes',MIT Press,1972, Swoboda, 'Codierung zur Fehlererkennung und Fehlerkorrektur', Oldenburg, 1973 und andere.

Leistungsnachweis

Klausur am Ende des Semesters, eine Nachklausur. Masterstudenten/innen halten in den Übungen einen ca 30-minütigenVortrag zu einem Thema, das die Vorlesung ergänzt. Dazu wird Literatur bereitgestellt.Die Klausuraufgaben werden inDeutsch oder Englisch bereitgestellt. Die Lösungen der Klausuraufgaben kann in Deutsch, Englisch oder Russisch erfolgen. Für den Vortrag kann Deutsch oder Englisch verwendet werden.

Die Klausur zählt für Master Studenten/innen 80%, der Vortrag 20%. Für Bachelor-Studenten/innen zählt die Klausur 100 %.

Written examination of 90 minutes at the end of the semester, one repetition. Master students give a 30 minute presentationabout a topic supplementing the lecture. The presentation and the examination is possible in english or in german.

For master students the written examination counts 80% and the presentation 20%, for bacherlor students the writtenexamination counts 100%..

Kurzkommentar

siehe Kommentar

Zielgruppe

Batchelor und Master Informatik-Computational Science und verwandte Gebiete in den Naturwissenschaften und Mathematik, Master of Data Science



71980 V - Declarative Modeling


1 V Fr 12:00 - 16:00 wöch. 3.06.H01 14.12.2018 Prof. Dr. Torsten Schaub,Javier Romero Davila

Kommentar

The goal of this course is to learn and experience advanced modeling and implementation techniques in the area ofdeclarative problem solving. This course complements the one on Declarative Problem Solving and Optimization.

Voraussetzung

Either previous or simultaneous course on Declarative Problem Solving and Optimization.

Literatur


Leistungsnachweis

Implementation, documentation, presentation.

Kurzkommentar

Die Vorlesung findet ab Januar 2017 freitags von 12-16 Uhr im HS 03.06.H01 statt.








71981 U - Declarative Problem Solving and Optimization



Kommentar


Literatur


Leistungsnachweis

Exam and assignments



71987 S - Current Topics in Computational Intelligence


1 S Do 14:00 - 16:00 wöch. 3.04.0.02 18.10.2018 Prof. Dr. Torsten Schaub,Javier Romero Davila



72001 V - Multi Media Signal Processing MSP


1 V Mi 10:00 - 12:00 wöch. 3.06.H01 17.10.2018 Prof. Dr.-Ing. ChristianBenno Stabernack



72008 V - Multimedia-Technologie


1 V Di 08:00 - 10:00 wöch. 3.04.1.02 16.10.2018 Prof. Dr.-Ing. Ulrike Lucke

Kommentar

Die Vorlesung Multimedia-Technologie vermittelt einen Einstieg in die Grundlagen, Verfahren, Komponenten und Systememultimedialer Datenverarbeitung. Das beginnt bei der digitalen Speicherung von Informationen, geht über die Übertragungund Verarbeitung dieser Daten und endet mit Ansätzen zur Darstellung von bzw. Interaktion mit digitalen Medien. Das schließtsowohl statische (z.B. Grafik, Text) als auch dynamische (z.B. Audio, Video) Medientypen ein. Die Vorlesung behandelttheoretisches Überblickswissen, das in den Übungen praktisch erprobt und auf verschiedene Anwendungsfälle übertragenwird. Begleitend wird im Rahmen einer Praxisaufgabe ein eigenes Multimediaangebot entwickelt. Es wird ein grundlegendesVerständnis für die digitale Informationsverarbeitung vorausgesetzt. Daher eignet sich die Veranstaltung insbesondere fürStudienanfänger der Informatik sowie als Neben-/Beifach.

Voraussetzung

grundlegendes Verständnis für die digitale Informationsverarbeitung

Literatur

wird in der Lehrveranstaltung bekannt gegeben

Leistungsnachweis

Praxisaufgabe für Klausurzulassung,

schriftliche Prüfung (90m) zum Semesterende
















72011 V - Pervasive Computing


1 V Mo 14:00 - 16:00 wöch. 3.04.0.02 15.10.2018 Raphael Zender

Links:

Moodle-Kurs https://moodle2.uni-potsdam.de/course/view.php?id=17055

Kommentar

Der Kurs bietet einen tiefgehenden Einblick in das hochaktuelle Forschungsfeld Pervasive Computing. Neben dengrundlegenden Herausforderungen intelligenter Umgebungen werden aktuelle Entwicklungen zu Themen wie mobile Netze,Kontextbewusstsein, intuitive Mensch-Maschine-Kommunikation, Sicherheit & Vertraulichkeit u.v.m. behandelt sowie anhandvon Fallstudien aus den Bereichen Pervasive Learning und Pervasive Games diskutiert.

Voraussetzung

Grundkenntnisse von Rechnernetzen

Leistungsnachweis

mdl. Prüfung



72026 V - Intelligente Datenanalyse 2


1 V Mo 12:00 - 14:00 wöch. 3.06.H01 15.10.2018 Prof. Dr. Tobias Scheffer

Kommentar


Voraussetzung


Leistungsnachweis




72041 V - Drahtlose Sensornetze


1 V Mi 08:00 - 10:00 wöch. 3.04.0.02 17.10.2018 Prof. Dr. rer. nat. MarioSchölzel

Kommentar

Voraussetzung

Grundlagen der Datenverarbeitung, Grundlagen Betriebssysteme und Rechnernetze

Literatur

Holger Karl; Andreas Willig, Wiley: "Protocols and Architectures for Wireless Sensor Networks", ISBN 0-470-09510-5

S. Sitharama Iyengar and Richard. R. Brooks: "Distributed Sensor Networks", Chapman & Hall/CRC, ISBN 1-58488-383-9

Edgar H. Callaway, Jr: "Wireless Sensor Networks, Architectures and Protocols", Auerbach Publications ISBN 0-8493-1823-8

Mohamed Ilyas: "Ad Hoc Wireless Networks", CRC Press, ISBN 0-8493-1332-5










Leistungsnachweis

Klausur oder mündliche Prüfung

Bemerkung

Dozent der Vorlesung ist Marcin Brzozowski.



INF-DSAM10 - Research Data Management, Law, and Ethics


INF-DSAM11 - Applied Data Science Internship

71988 PJ - Extensive Declarative Problem Solving



Kommentar

In this project, student teams build software systems whose core consists of problem solvers for combinatorial (optimization)problems.

Voraussetzung


Leistungsnachweis


Kurzkommentar



SL 557271 - Praktikum (mind. 8 Wochen) (unbenotet)

71989 PJ - Extensive Logistics Technology



Kommentar

TODO - in English

Leistungsnachweis


Kurzkommentar




71990 PJ - Extensive Solver Construction











Kommentar

In this project, student teams build their own problem solvers (or components thereof) based on modern constraint technology.Foremost this concerns ASP solving technology but equally well that of SAT, PB and related areas.

Voraussetzung


Literatur

See website.

Leistungsnachweis


Bemerkung

Die Zusammenkünfte finden nach Absprache statt.

Kurzkommentar




72049 PR - Angewandtes Data Science Praktikum


1 PR N.N. N.N. Block N.N. N.N. Prof. Dr. Tobias Scheffer

Raum und Zeit nach Absprache

Kommentar

Platzhalter in PULS für die Verbuchung eines individuellen Praktikums. 12LP.






Glossar

Glossar

Die folgenden Begriffserklärungen zu Prüfungsleistung, Prüfungsnebenleistung und Studienleistung gelten im Bezug aufLehrveranstaltungen für alle Ordnungen, die seit dem WiSe 2013/14 in Kranft getreten sind.

Prüfungsleistung Prüfungsleistungen sind benotete Leistungen innerhalb eines Moduls. Aus der Benotungder Prüfungsleistung(en) bildet sich die Modulnote, die in die Gesamtnote des Studiengangseingeht. Handelt es sich um eine unbenotete Prüfungsleistung, so muss dieses ausdrücklich(„unbenotet“) in der Modulbeschreibung der fachspezifischen Ordnung geregelt sein. WeitereInformationen, auch zu den Anmeldemöglichkeiten von Prüfungsleistungen, finden Sie unteranderem in der Kommentierung der BaMa-O

Prüfungsnebenleistung Prüfungsnebenleistungen sind für den Abschluss eines Moduls relevante Leistungen, die– soweit sie vorgesehen sind – in der Modulbeschreibung der fachspezifischen Ordnungbeschrieben sind. Prüfungsnebenleistungen sind immer unbenotet und werden lediglichmit "bestanden" bzw. "nicht bestanden" bewertet. Die Modulbeschreibung regelt, obdie Prüfungsnebenleistung eine Teilnahmevoraussetzung für eine Modulprüfung odereine Abschlussvoraussetzung für ein ganzes Modul ist. Als Teilnahmevoraussetzungfür eine Modulprüfung muss die Prüfungsnebenleistung erfolgreich vor der Anmeldungbzw. Teilnahme an der Modulprüfung erbracht worden sein. Auch für Erbringung einerPrüfungsnebenleistungen wird eine Anmeldung vorausgesetzt. Diese fällt immer mitder Belegung der Lehrveranstaltung zusammen, da Prüfungsnebenleistung im Rahmeneiner Lehrveranstaltungen absolviert werden. Sieht also Ihre fachspezifische OrdnungPrüfungsnebenleistungen bei Lehrveranstaltungen vor, sind diese Lehrveranstaltungenzwingend zu belegen, um die Prüfungsnebenleistung absolvieren zu können.

Studienleistung Als Studienleistung werden Leistungen bezeichnet, die weder Prüfungsleistungen nochPrüfungsnebenleistungen sind.

30

https://www.uni-potsdam.de/fileadmin01/projects/studium/docs/03_studium_konkret/07_rechtsgrundlagen/kommentierung_bama-o_studierende_2013.pdf

Impressum

HerausgeberAm Neuen Palais 1014469 Potsdam

Telefon: +49 331/977-0Fax: +49 331/972163E-mail: [email protected]: www.uni-potsdam.de

UmsatzsteueridentifikationsnummerDE138408327

Layout und Gestaltungjung-design.net

Druck

21.12.2018

Rechtsform und gesetzliche VertretungDie Universität Potsdam ist eine Körperschaft des Öffentlichen Rechts. Sie wirdgesetzlich vertreten durch Prof. Oliver Günther, Ph.D., Präsident der UniversitätPotsdam, Am Neuen Palais 10, 14469 Potsdam.

Zuständige AufsichtsbehördeMinisterium für Wissenschaft, Forschung und Kultur des Landes BrandenburgDortustr. 3614467 Potsdam

Inhaltliche Verantwortlichkeit i. S. v. § 5 TMG und § 55 Abs. 2RStVReferat für Presse- und ÖffentlichkeitsarbeitReferatsleiterin und Sprecherin der UniversitätSilke EngelAm Neuen Palais 1014469 PotsdamTelefon: +49 331/977-1474Fax: +49 331/977-1130E-mail: [email protected]

Die einzelnen Fakultäten, Institute und Einrichtungen der Universität Potsdam sind für die Inhalte und Informationen ihrerLehrveranstaltungen zuständig.

http://www.uni-potsdam.de

puls.uni-potsdam.de

http://puls.uni-potsdam.de

Documents

Vorlesungsverzeichnis - puls.uni-potsdam.de · 72201 VU - Methods of Cloud Computing 11 Elective Modules - Research Modules.....12 INF-DS-RMA - Research Module A 12 71988 PJ - Extensive