SoSe 24  
 Mathematik und ...  
 Data Science  
 Lehrveranstaltung

Data Science

Data Science

0590a_MA120

  • Ethical Foundations of Data Science

    0590aB1.2

  • Datenbanksysteme Data Science

    0590aB1.20
    • 19301501 Vorlesung
      Datenbanksysteme (Agnès Voisard)
      Zeit: Di 14:00-16:00, Do 14:00-16:00, zusätzliche Termine siehe LV-Details (Erster Termin: 16.04.2024)
      Ort: T9/Gr. Hörsaal (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe

      • Pflichtmodul im Bachelorstudiengang Informatik
      • Pflichtmodul im lehramtsbezogenen Bachelorstudiengang mit Kernfach Informatik und Ziel: Großer Master
      • Studierende im lehramtsbezogenen Masterstudiengang (Großer Master mit Zeitfach Informatik) können dieses Modul zusammen mit dem "Praktikum DBS" absolvieren
      • Wahlpflichtmodul im Nebenfach Informatik

      Voraussetzungen

      • ALP 1 - Funktionale Programmierung
      • ALP 2 - Objektorientierte Programmierung
      • ALP 3 - Datenstrukturen und Datenabstraktion
      • ODER Informatik B

      Kommentar

      Inhalt

      Datenbankentwurf mit ERM/ERDD. Theoretische Grundlagen relationaler Datenbanksysteme: Relationale Algebra, Funktionale Abhängigkeiten, Normalformen. Relationale Datenbankentwicklung: SQL Datendefinition, Fremdschlüssel und andere Integritätsbedingungen. SQL als applikative Sprache: wesentliche Sprachelemente, Einbettung in Programmiersprachen, Anwendungsprogrammierung; objekt-relationale Abbildung. Transaktionsbegriff, transaktionale Garantien, Synchronisation des Mehrbenutzerbetriebs, Fehlertoleranzeigenschaften. Anwendungen und neue Entwicklungen: Data Warehousing, Data Mining, OLAP.

      Projekt: im begleitenden Projekt werden die Themen praktisch vertieft.

      Literaturhinweise

      • Alfons Kemper, Andre Eickler: Datenbanksysteme - Eine Einführung, 5. Auflage, Oldenbourg 2004
      • R. Elmasri, S. Navathe: Grundlagen von Datenbanksystemen, Pearson Studium, 2005
    • 19301502 Übung
      Übung zu Datenbanksysteme (Muhammed-Ugur Karagülle)
      Zeit: Mo 14:00-16:00, Mo 16:00-18:00, Di 08:00-10:00, Di 10:00-12:00, Di 12:00-14:00, Mi 12:00-14:00, Mi 14:00-16:00, Do 08:00-10:00, Do 10:00-12:00, Do 12:00-14:00, Fr 14:00-16:00, Fr 16:00-18:00 (Erster Termin: 17.04.2024)
      Ort: T9/055 Seminarraum (Takustr. 9)

  • Mobilkommunikation

    0590aB1.22
    • 19303901 Vorlesung
      Mobilkommunikation (Jochen Schiller)
      Zeit: Mi 10:00-12:00, zusätzliche Termine siehe LV-Details (Erster Termin: 17.04.2024)
      Ort: T9/SR 005 Übungsraum (Takustr. 9)

      Kommentar

      Inhalt:

      Das Modul Mobilkommunikation stellt exemplarisch alle Aspekte mobiler und drahtloser Kommunikation dar, welche derzeit den stärksten Wachstumsmarkt überhaupt darstellt und in immer mehr Bereiche der Gesellschaft vordringt.

      Während der gesamten Vorlesung wird ein starker Wert auf die Systemsicht gelegt und es werden zahlreiche Querverweise auf reale Systeme, internationale Standardisierungen und aktuellste Forschungsergebnisse gegeben.

      Die zu behandelnden Themen sind:

      • Technische Grundlagen der drahtlosen Übertragung: Frequenzen, Signale, Antennen, Signalausbreitung, Multiplex, Modulation, Spreizspektrum, zellenbasierte Systeme;
      • Medienzugriff: SDMA, FDMA, TDMA, CDMA;
      • Drahtlose Telekommunikationssysteme: GSM, TETRA, UMTS, IMT-2000, LTE;
      • Drahtlose lokale Netze: Infrastruktur/ad-hoc, IEEE 802.11/15, Bluetooth;
      • Mobile Netzwerkschicht: Mobile IP, DHCP, ad-hoc Netze;
      • Mobile Transportschicht: traditionelles TCP, angepasste TCP-Varianten, weitere Mechanismen;
      • Mobilitätsunterstützung;
      • Ausblick: 4. Generation Mobilnetze

      Literaturhinweise

      Jochen Schiller, Mobilkommunikation, Addison-Wesley, 2.Auflage 2003

      Alle Unterlagen verfügbar unter http://www.mi.fu-berlin.de/inf/groups/ag-tech/teaching/resources/Mobile_Communications/course_Material/index.html

  • Künstliche Intelligenz

    0590aB1.28

  • Machine Learning in Bioinformatics

    0590aB1.30
    • 19405701 Vorlesung
      Machine Learning in Bioinformatics (Philipp Florian Benner, Hugues Richard)
      Zeit: Mo 08:00-10:00 (Erster Termin: 15.04.2024)
      Ort: A6/SR 025/026 Seminarraum (Arnimallee 6)

      Kommentar

      Dieser Kurs führt Schlüsselkonzepte des maschinellen Lernens ein und wird von Tutorien und Übungsaufgaben begleitet, in denen Methoden des maschinellen Lernens auf aktuelle Probleme der Bioinformatik angewendet werden. Nach einer kurzen Wiederholung der Wahrscheinlichkeitstheorie stellen wir probabilistische Methoden zur Klassifikation und Sequenzanalyse vor (Naive Bayes, Mixture Models, Hidden Markov Models). Wir diskutieren die Erwartungs-Maximierung (EM) aus probabilistischer Perspektive und verwenden sie für die Sequenzanalyse. Lineare und logistische Regression dienen als Einstiegspunkt für komplexere Methoden des maschinellen Lernens, einschließlich Kernel-Methoden und neuronale Netze. Die Vorlesung behandelt mehrere neuronale Netzwerkarchitekturen (CNNs, GNN, Transformers), die derzeit in der Bioinformatik-Community und anderen Forschungsbereichen verwendet werden. In den Tutorien und im Rahmen von Übungsaufgaben werden ausgewählte Machine-Learning-Modelle mit scikit-learn und pytorch in Python implementiert. Der Kurs soll es den Studierenden ermöglichen, alle gängigen Techniken des maschinellen Lernens zu verstehen und State-of-the-Art-Klassifizierungsstrategien zu entwickeln, die dann auf Probleme in der Bioinformatik und verwandten Bereichen angewendet werden können.   Inhalte:
      - Naive Bayes
      - Clustering und Mixture Models
      - Hidden Markov Models
      - Regression und Partial Least Squares
      - Kernel Methods
      - Neural Networks und Architekturen
      - Regularization und Model Selection   Voraussetzungen:
      - Lineare Algebra (einfache Vector- and Matrixalgebra)
      - Analysis (mathematische Optimierung, Lagrange)
      - Programmierkenntnisse in Python -- einschließlich objektorientierte Programmierung
      - Grundlegende Kenntnisse oder starkes Interesse in molekularer Biologie und Anwendungen in der Bioinformatik

    • 19405702 Übung
      Übung zu Machine Learning in Bioinformatics (Philipp Florian Benner, Hugues Richard)
      Zeit: Mi 08:00-10:00 (Erster Termin: 17.04.2024)
      Ort: A7/SR 031 (Arnimallee 7)

  • Complex Systems in Bioinformatics

    0590aB1.32
    • 19405201 Vorlesung
      Complex Systems in Bioinformatics (Max von Kleist, Martin Vingron, Frederik Laszlo Wieder)
      Zeit: Di 12:00-14:00 (Erster Termin: 16.04.2024)
      Ort: A3/SR 120 (Arnimallee 3-5)

      Kommentar

      Die Studierenden haben ein vertieftes Verständnis grundlegender mathematischer und algorithmischer Konzepte im Bereich der Modellierung, Simulation und Analyse von komplexen biologischen Systeme vor dem Hintergrund aktueller Forschungsrichtungen der Systembiologie und Biotechnologie. Sie sind in der Lage, eine gegebene biologische oder medizinische Fragestellung zu analysieren, einen geeigneten Modellierungsansatz auszuwählen, eigenständig eine Problemlösung zu entwickeln sowie die Ergebnisse zu beurteilen und zu kommunizieren.

      Inhalte:

      Es werden vertieft Themen aus folgenden Gebieten behandelt:

      - Netzwerkstrukturanalyse

      - Graphische Modellierung

      - Modellierung biochemischer Netzwerke mit gewöhnlichen Differentialgleichungen

      - Diskrete Modellierung regulatorischer Netzwerke

      - Constraint-basierte Modellierung

      - Stochastische und hybride Modellierung

      Literaturhinweise

      wird in der Veranstaltung bekanntgegeben.
    • 19405202 Übung
      Übung zu Complex Systems in Bioinformatics (Max von Kleist, Martin Vingron, Frederik Laszlo Wieder)
      Zeit: Di 14:00-16:00 (Erster Termin: 16.04.2024)
      Ort: A3/SR 120 (Arnimallee 3-5)
    • 19405211 Seminar
      Seminar zu Complex Systems in Bioinformatics (Max von Kleist, Martin Vingron, Frederik Laszlo Wieder)
      Zeit: Do 10:00-12:00 (Erster Termin: 18.04.2024)
      Ort: A3/SR 119 (Arnimallee 3-5)

  • Data Science in the Life Sciences

    0590aB2.1
    • 19405606 Seminaristischer Unterricht
      Data Science in the Life Sciences (Katharina Jahn, Maryam Ghareghani)
      Zeit: Mo 10:00-14:00 (Erster Termin: 15.04.2024)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Kommentar

      This course offers an introduction to various types of data and analysis techniques which are typically used in the life sciences (e.g. omics technologies). The goal is to get a deeper understanding of advanced concepts and data analytical methods in the area of life sciences.

      The focus will be on the following topics:

      • acquisition and pre-processing of data from the area of life sciences,
      • explorative analysis techniques,
      • concepts and tools for reproducible research,
      • theory and practice of methods and models for the analysis of data from the life sciences (statistical inference, regression models, methods of machine learning),
      • introduction to methods of big data analysis.

      After successful completion of this course, participants are able to evaluate, plan and conduct investigations in the life sciences using common methods.

       
    • 19405612 Projektseminar
      Projektseminar zu Data Science in the Life Sciences (Katharina Jahn, Maryam Ghareghani,)
      Zeit: Mi 10:00-14:00 (Erster Termin: 17.04.2024)
      Ort: A6/SR 031 Seminarraum (Arnimallee 6)

  • Spezielle Aspekte der Data Science in Life Sciences

    0590aB2.4
    • 19336901 Vorlesung
      Advanced Data Visualization for Artificial Intelligence (Georges Hattab)
      Zeit: Mi 10:00-12:00 (Erster Termin: 17.04.2024)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Kommentar

      Die Vorlesung über fortgeschrittene Datenvisualisierung für künstliche Intelligenz ist eine umfassende Erkundung der modernsten Techniken und Tools zur Erstellung und Validierung komplexer Visualisierungen für die Vermittlung von Dateneinblicken und Geschichten, mit einem besonderen Schwerpunkt auf Anwendungen in der Verarbeitung natürlicher Sprache (NLP) und erklärbarer KI. Der Vortrag führt die Teilnehmer in das verschachtelte Modell der Visualisierung ein, das vier Ebenen umfasst: Charakterisierung der Aufgabe und der Daten, Abstrahierung in Operationen und Datentypen, Entwurf visueller Kodierungs- und Interaktionstechniken und Erstellung von Algorithmen zur effizienten Ausführung von Techniken. Dieses Modell dient als Rahmen für den Entwurf und die Validierung von Datenvisualisierungen.

      Darüber hinaus wird in der Vorlesung die Anwendung der Datenvisualisierung im Bereich NLP behandelt, wobei der Schwerpunkt auf der Visualisierung von Worteinbettungen und Sprachmodellen liegt, um die Erforschung semantischer Beziehungen zwischen Wörtern und die Interpretation des Verhaltens von Sprachmodellen zu unterstützen. Im Kontext von Explainable AI liegt der Schwerpunkt auf der Verwendung von Visualisierungen zur Erklärung von Modellvorhersagen und der Bedeutung von Merkmalen, wodurch die Interpretierbarkeit von KI-Modellen verbessert wird. Durch die Nutzung des verschachtelten Modells der Visualisierung und die Fokussierung auf NLP und erklärbare KI zielt der Vortrag darauf ab, die Teilnehmer mit den wesentlichen Fähigkeiten auszustatten, um fortschrittliche Datenvisualisierungen zu entwerfen und zu validieren, die auf diese spezifischen Anwendungen zugeschnitten sind. So können sie letztendlich komplexe Datenmuster effektiv kommunizieren und tiefere Einsichten aus ihren Daten gewinnen.
    • 60101901 Vorlesung
      Fortgeschrittene Biometrische Methoden (Frank Konietschke)
      Zeit: Mi 14:00-16:00 (Erster Termin: 17.04.2024)
      Ort: A6/SR 032 Seminarraum (Arnimallee 6)

      Kommentar

      Siehe englische Beschreibung.
    • 60102701 Vorlesung
      Complex Data Analysis in Physiology (Dorothee Günzel, Mathias Steinach)
      Zeit: -
      Ort: keine Angabe

      Kommentar

      Gemeinsame Veranstaltung des Instituts für Klinische Physiologie und des Instituts für Physiologie der Charité.

      Theoretische und praktische Aspekte der Daten-Akquise, real-time Daten-Verarbeitung und automatisierte Mustererkennung in der Biomedizin. Es werden vertieft Themen aus folgenden Gebieten behandelt:

      • Datenerfassung und Prozessierung von Bilddateien in Forschung und Klinik (z. B. Live Cell Imaging, Super-Resolution-Mikroskopie, bildgebende Verfahren in der Medizin)
      • Elektrophysiologische Verfahren (z. B. Impedanzspektroskopie, Microarrays, EEG, EKG)
      • Verfahren und Anwendung automatisierter Mustererkennung (z. B. automatisierte Tumorerkennung, real-time Analyse biologischer Signale im Brain-Computer Interface oder in Retinaimplantaten, Vorhersage von individuellen Arrhythmierisiken)

      Der Kurs ist zeitlich geteilt: die ersten sieben Termine im Semester finden am Institut für Physiologie statt, die zweiten sieben Termine am Instituts für Klinische Physiologie.

      Weitere Informationen zur Veranstaltung: http://klinphys.charite.de/bioinfo/ oder bei Dorothee Günzel
    • 19336902 Übung
      Ü: Advanced Data Visualization for Artificial Intelligence (Georges Hattab)
      Zeit: Mi 14:00-16:00 (Erster Termin: 17.04.2024)
      Ort: T9/049 Seminarraum (Takustr. 9)
    • 60101902 Übung
      Übung zu Fortgeschrittene Biometrische Methoden (Frank Konietschke)
      Zeit: Mi 16:00-18:00 (Erster Termin: 17.04.2024)
      Ort: A6/SR 032 Seminarraum (Arnimallee 6)
    • 60102702 Übung
      Übung zu Complex Data Analysis in Physiology (Dorothee Günzel, Mathias Steinach)
      Zeit: -
      Ort: keine Angabe

  • Spezielle Aspekte der Data Science Technologies

    0590aB3.3
    • 19216201 Vorlesung
      Markov chains and markov models (Feliks Nüske)
      Zeit: Mi 10:00-12:00 (Erster Termin: 17.04.2024)
      Ort: A3/SR 119 (Arnimallee 3-5)

      Zusätzl. Angaben / Voraussetzungen

      Master students of Mathematics and Physics

      Kommentar

      Markov chains are widely used to model stochastic behaviour across the sciences. In this course, we will focus on their application to model dynamical phenomena in the natural and engineering sciences. In the first half of the course, we will study the stationary and spectral properties of discrete Markov chains and how they can be used to analyse the long-time behaviour of the chain. In the second half, we will learn how to construct continuous Markov chains to sample complex probability distributions, and how to construct suitable discrete models for their approximation.

      Discrete Markov Chains
      - introduction and basic properties
      - stationary vectors and return times
      - spectral decomposition, reversible chains
      - Perron cluster analysis
      - committors and transition path theory

      Modeling with Markov Chains
      - Markov chains on continuous space
      - sampling and Markov chain Monte Carlo
      - Markov state models (MSMs)
      - MSM estimation based on maximum likelihood
      - error analysis
    • 19238501 Vorlesung
      Kernel Methods and Applications (Feliks Nüske)
      Zeit: Do 10:00-12:00 (Erster Termin: 18.04.2024)
      Ort: A6/SR 032 Seminarraum (Arnimallee 6)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe: Studierende der Masterprogramme Mathematik, Informatik und Computational Sciences.


        

      Kommentar

      Siehe englische Sprachversion
    • 19327401 Vorlesung
      Bild- und Videocodierung (Heiko Schwarz)
      Zeit: Mo 14:00-16:00 (Erster Termin: 15.04.2024)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Kommentar

      Die Vorlesung behandelt die wichtigsten Konzepte und Algorithmen, die in modernen Bild- und Videocodierverfahren verwendet werden. Wir werden uns insbesondere auf Techniken konzentrieren, die in aktuellen internationalen Videocodierstandards Anwendung finden.

      In einem kurzen ersten Teil werden zunächst die sogenannten Rohdatenformate eingeführt, welche als Eingangs- und Ausgangsformate von Bild- und Videocodecs verwendet werden. Dieser Teil beinhaltet folgenden Themen:

      • Farbräume und deren Beziehung zur menschlichen Farbwahrnehmung
      • Transfer-Funktionen (Gamma-Codierung)
      • Warum verwenden wir das YCbCr-Format?

      Der zweite Teil der Vorlesung behandelt zunächst die Bildcodierung und umfasst folgende Themen:

      • Der Anfang: Wie funktioniert JPEG?
      • Warum verwenden wir die Diskrete Cosinus-Transformation?
      • Effiziente Codierung von Transformationskoeffizienten
      • Prädiktion von Bildblöcken
      • Adaptive Blockpartitionierung
      • Wie treffen wir Entscheidungen im Encoder?
      • Optimierungen der Quantisierung

      Im dritten und letzten Teil der Vorlesungen behandeln wir Konzept die letztendlich die Videocodierung deutlich effizienter machen als eine separate Codierung der Einzelbilder. Dieser Teil umfasst folgende Themen:

      • Bewegungskompensierte Prädiktion
      • Codierung von Bewegungsvektoren
      • Algorithmen zur Bewegungssuche
      • Subpixel-genaue Bewegungsvektoren und Interpolationsfilter
      • Verwendung mehrere Referenzbilder
      • Was sind B-Bilder und warum verwenden wir diese?
      • Deblocking- und Deringing-Filter
      • Effiziente zeitliche Codierstrukturen

      In den Übungen werden wir schrittweise einen eigenen Codec für Bilder implementieren. Bei entsprechenden Interesse kann dieser zu einem einfachen Videocodec erweitert werden.

       

      Literaturhinweise

      • Bull, D. R., “Communicating Pictures: A Course in Image and Video Coding,” Elsevier, 2014.
      • Ohm, J.-R., “Multimedia Signal Coding and Transmission,” Springer, 2015.
      • Wien, M., “High Efficiency Video Coding — Coding Tools and Specifications,” Springer 2014.
      • Sze, V., Budagavi, M., and Sullivan, G. J. (eds.), “High Efficiency Video Coding (HEVC): Algorithm and Architectures,” Springer, 2014.
      • Wiegand, T. and Schwarz, H., "Source Coding: Part I of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, Now Publishers, vol. 4, no. 1–2, 2011.
      • Schwarz, H. and Wiegand, T., “Video Coding: Part II of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, Now Publishers, vol. 10, no. 1–3, 2016.
    • 19336901 Vorlesung
      Advanced Data Visualization for Artificial Intelligence (Georges Hattab)
      Zeit: Mi 10:00-12:00 (Erster Termin: 17.04.2024)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Kommentar

      Die Vorlesung über fortgeschrittene Datenvisualisierung für künstliche Intelligenz ist eine umfassende Erkundung der modernsten Techniken und Tools zur Erstellung und Validierung komplexer Visualisierungen für die Vermittlung von Dateneinblicken und Geschichten, mit einem besonderen Schwerpunkt auf Anwendungen in der Verarbeitung natürlicher Sprache (NLP) und erklärbarer KI. Der Vortrag führt die Teilnehmer in das verschachtelte Modell der Visualisierung ein, das vier Ebenen umfasst: Charakterisierung der Aufgabe und der Daten, Abstrahierung in Operationen und Datentypen, Entwurf visueller Kodierungs- und Interaktionstechniken und Erstellung von Algorithmen zur effizienten Ausführung von Techniken. Dieses Modell dient als Rahmen für den Entwurf und die Validierung von Datenvisualisierungen.

      Darüber hinaus wird in der Vorlesung die Anwendung der Datenvisualisierung im Bereich NLP behandelt, wobei der Schwerpunkt auf der Visualisierung von Worteinbettungen und Sprachmodellen liegt, um die Erforschung semantischer Beziehungen zwischen Wörtern und die Interpretation des Verhaltens von Sprachmodellen zu unterstützen. Im Kontext von Explainable AI liegt der Schwerpunkt auf der Verwendung von Visualisierungen zur Erklärung von Modellvorhersagen und der Bedeutung von Merkmalen, wodurch die Interpretierbarkeit von KI-Modellen verbessert wird. Durch die Nutzung des verschachtelten Modells der Visualisierung und die Fokussierung auf NLP und erklärbare KI zielt der Vortrag darauf ab, die Teilnehmer mit den wesentlichen Fähigkeiten auszustatten, um fortschrittliche Datenvisualisierungen zu entwerfen und zu validieren, die auf diese spezifischen Anwendungen zugeschnitten sind. So können sie letztendlich komplexe Datenmuster effektiv kommunizieren und tiefere Einsichten aus ihren Daten gewinnen.
    • 19216202 Übung
      Übung zu Markov chains and markov models (Feliks Nüske)
      Zeit: Mi 14:00-16:00 (Erster Termin: 17.04.2024)
      Ort: A3/ 024 Seminarraum (Arnimallee 3-5)

      Kommentar

      Markov chains are a universal tool to model real-world processes, including financial markets, reaction kinetics and molecular dynamics.

      Topics:

      • Introduction to the theory of Markov chains
      • Estimation of Markov chains from data
      • Estimation uncertainty
      • Transition path theory
      • Analysis of Markov chains
      • Spectral analysis
      • Discretization of continuous Markov processes
    • 19238502 Übung
      Übung zu Kernel Methods and Applications (Feliks Nüske)
      Zeit: Do 12:00-14:00 (Erster Termin: 18.04.2024)
      Ort: 1.4.03 Seminarraum T2 (Arnimallee 14)
    • 19327402 Übung
      Übung zu Bild- und Videocodierung (Heiko Schwarz)
      Zeit: Mo 12:00-14:00 (Erster Termin: 15.04.2024)
      Ort: T9/055 Seminarraum (Takustr. 9)
    • 19336902 Übung
      Ü: Advanced Data Visualization for Artificial Intelligence (Georges Hattab)
      Zeit: Mi 14:00-16:00 (Erster Termin: 17.04.2024)
      Ort: T9/049 Seminarraum (Takustr. 9)

  • Aktuelle Forschungsthemen der Data Science Technologies

    0590aB3.4
    • 19216201 Vorlesung
      Markov chains and markov models (Feliks Nüske)
      Zeit: Mi 10:00-12:00 (Erster Termin: 17.04.2024)
      Ort: A3/SR 119 (Arnimallee 3-5)

      Zusätzl. Angaben / Voraussetzungen

      Master students of Mathematics and Physics

      Kommentar

      Markov chains are widely used to model stochastic behaviour across the sciences. In this course, we will focus on their application to model dynamical phenomena in the natural and engineering sciences. In the first half of the course, we will study the stationary and spectral properties of discrete Markov chains and how they can be used to analyse the long-time behaviour of the chain. In the second half, we will learn how to construct continuous Markov chains to sample complex probability distributions, and how to construct suitable discrete models for their approximation.

      Discrete Markov Chains
      - introduction and basic properties
      - stationary vectors and return times
      - spectral decomposition, reversible chains
      - Perron cluster analysis
      - committors and transition path theory

      Modeling with Markov Chains
      - Markov chains on continuous space
      - sampling and Markov chain Monte Carlo
      - Markov state models (MSMs)
      - MSM estimation based on maximum likelihood
      - error analysis
    • 19238501 Vorlesung
      Kernel Methods and Applications (Feliks Nüske)
      Zeit: Do 10:00-12:00 (Erster Termin: 18.04.2024)
      Ort: A6/SR 032 Seminarraum (Arnimallee 6)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe: Studierende der Masterprogramme Mathematik, Informatik und Computational Sciences.


        

      Kommentar

      Siehe englische Sprachversion
    • 19327401 Vorlesung
      Bild- und Videocodierung (Heiko Schwarz)
      Zeit: Mo 14:00-16:00 (Erster Termin: 15.04.2024)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Kommentar

      Die Vorlesung behandelt die wichtigsten Konzepte und Algorithmen, die in modernen Bild- und Videocodierverfahren verwendet werden. Wir werden uns insbesondere auf Techniken konzentrieren, die in aktuellen internationalen Videocodierstandards Anwendung finden.

      In einem kurzen ersten Teil werden zunächst die sogenannten Rohdatenformate eingeführt, welche als Eingangs- und Ausgangsformate von Bild- und Videocodecs verwendet werden. Dieser Teil beinhaltet folgenden Themen:

      • Farbräume und deren Beziehung zur menschlichen Farbwahrnehmung
      • Transfer-Funktionen (Gamma-Codierung)
      • Warum verwenden wir das YCbCr-Format?

      Der zweite Teil der Vorlesung behandelt zunächst die Bildcodierung und umfasst folgende Themen:

      • Der Anfang: Wie funktioniert JPEG?
      • Warum verwenden wir die Diskrete Cosinus-Transformation?
      • Effiziente Codierung von Transformationskoeffizienten
      • Prädiktion von Bildblöcken
      • Adaptive Blockpartitionierung
      • Wie treffen wir Entscheidungen im Encoder?
      • Optimierungen der Quantisierung

      Im dritten und letzten Teil der Vorlesungen behandeln wir Konzept die letztendlich die Videocodierung deutlich effizienter machen als eine separate Codierung der Einzelbilder. Dieser Teil umfasst folgende Themen:

      • Bewegungskompensierte Prädiktion
      • Codierung von Bewegungsvektoren
      • Algorithmen zur Bewegungssuche
      • Subpixel-genaue Bewegungsvektoren und Interpolationsfilter
      • Verwendung mehrere Referenzbilder
      • Was sind B-Bilder und warum verwenden wir diese?
      • Deblocking- und Deringing-Filter
      • Effiziente zeitliche Codierstrukturen

      In den Übungen werden wir schrittweise einen eigenen Codec für Bilder implementieren. Bei entsprechenden Interesse kann dieser zu einem einfachen Videocodec erweitert werden.

       

      Literaturhinweise

      • Bull, D. R., “Communicating Pictures: A Course in Image and Video Coding,” Elsevier, 2014.
      • Ohm, J.-R., “Multimedia Signal Coding and Transmission,” Springer, 2015.
      • Wien, M., “High Efficiency Video Coding — Coding Tools and Specifications,” Springer 2014.
      • Sze, V., Budagavi, M., and Sullivan, G. J. (eds.), “High Efficiency Video Coding (HEVC): Algorithm and Architectures,” Springer, 2014.
      • Wiegand, T. and Schwarz, H., "Source Coding: Part I of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, Now Publishers, vol. 4, no. 1–2, 2011.
      • Schwarz, H. and Wiegand, T., “Video Coding: Part II of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, Now Publishers, vol. 10, no. 1–3, 2016.
    • 19216202 Übung
      Übung zu Markov chains and markov models (Feliks Nüske)
      Zeit: Mi 14:00-16:00 (Erster Termin: 17.04.2024)
      Ort: A3/ 024 Seminarraum (Arnimallee 3-5)

      Kommentar

      Markov chains are a universal tool to model real-world processes, including financial markets, reaction kinetics and molecular dynamics.

      Topics:

      • Introduction to the theory of Markov chains
      • Estimation of Markov chains from data
      • Estimation uncertainty
      • Transition path theory
      • Analysis of Markov chains
      • Spectral analysis
      • Discretization of continuous Markov processes
    • 19238502 Übung
      Übung zu Kernel Methods and Applications (Feliks Nüske)
      Zeit: Do 12:00-14:00 (Erster Termin: 18.04.2024)
      Ort: 1.4.03 Seminarraum T2 (Arnimallee 14)
    • 19327402 Übung
      Übung zu Bild- und Videocodierung (Heiko Schwarz)
      Zeit: Mo 12:00-14:00 (Erster Termin: 15.04.2024)
      Ort: T9/055 Seminarraum (Takustr. 9)

  • Softwareprojekt Data Science

    0590aB3.1
    • 19308312 Projektseminar
      Softwareprojekt: Anwendungen von Algorithmen (Mahmoud Elashmawi)
      Zeit: Di 14:00-16:00 (Erster Termin: 16.04.2024)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Kommentar

      Inhalt

      Ein typisches Anwendungsgebiet von Algorithmen wird ausgewählt und softwaretechnisch behandelt. In diesem Semester soll es um Algorithmen zum Graphenzeichnen gehen. Das Ziel ist es, Programme zur Herstellung guter Zeichnungen zu schreiben und damit an dem Zeichenwettbewerb teilzunehmen, der im September im Zusammenhang mit der internationalen Konferenz über Graph Drawing and Network Visualization stattfindet.

      Voraussetzungen

      Grundkenntnisse in Entwurf und Analyse von Algorithmen

      Literaturhinweise

      je nach Anwendungsgebiet
    • 19314012 Projektseminar
      Softwareprojekt: Semantische Technologien (Adrian Paschke)
      Zeit: Mi 14:00-16:00 (Erster Termin: 17.04.2024)
      Ort: T9/055 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Weitere Informationen finden sich auf der Veranstaltungsseite.

      Kommentar

      Im Rahmen des Softwareprojekts werden gemischte Gruppen von Bachelor- und Master-Studenten gebildet, die entweder ein eigenständiges Projekt erstellen oder aber ein Teil eines größeren Projektes im Bereich semantischer Technologien übernehmen. Bei der Umsetzung der Aufgaben werden vertiefte Programmierkenntnisse in der Anwendung semantischer Technologien und künstlicher Intelligenz im Corporate Semantic Web erworben, Projektmanagement und Teamfähigkeit gefördert, sowie Praktiken der guten Software-Entwicklung großer verteilter Systeme und Semantic Web Anwendungen geübt. Das Softwareprojekt kann in Zusammenarbeit mit einem externen Partner aus der Industrie oder Standardisierung durchgeführt werden. Die Fortführung des Projektes als Bachelor- oder Masterarbeit ist möglich und ausdrücklich erwünscht.

  • Module ohne Lehrangebot in diesem Semester

    26 Module
    • Introduction to Profile Areas 0590aA1.1
    • Statistics for Data Science 0590aA1.2
    • Machine Learning for Data Science 0590aA1.3
    • Programming for Data Science 0590aA1.4
    • Data Science in the Social Sciences 0590aB1.1
    • Mobile Mental Health 0590aB1.10
    • Entwicklung von psychologischen Online-Interventionen 0590aB1.11
    • Ausgewählte Themen der Data Science in the Social Sciences 0590aB1.12
    • Spezielle Aspekte der Data Science in the Social Sciences 0590aB1.13
    • Verteilte Systeme 0590aB1.21
    • Telematik 0590aB1.23
    • Höhere Algorithmik 0590aB1.24
    • Rechnersicherheit 0590aB1.25
    • Mustererkennung 0590aB1.26
    • Netzbasierte Informationssysteme 0590aB1.27
    • Spez. Aspekte der Datenverwaltung 0590aB1.29
    • Forschungspraxis 0590aB1.3
    • Big Data Analysis in Bioinformatics 0590aB1.31
    • Neurocognitive Methods and Programming for Data Science 0590aB1.4
    • Cognitive Neuroscience for Data Science A 0590aB1.5
    • Cognitive Neuroscience for Data Science B 0590aB1.6
    • Differentialpsychologische Ansätze in den Data Sciences 0590aB1.7
    • Natural Language Processing 0590aB1.8
    • Einführung in die Psychoinformatik 0590aB1.9
    • Ausgewählte Themen der Data Science in Life Sciences 0590aB2.5
    • Ausgewählte Themen der Data Science Technologies 0590aB3.5