Data Science
Data Science
0590a_MA120-
Introduction to Profile Areas
0590aA1.1-
19330252
RV
Einführung in die Profilbereiche Data Science (Katinka Wolter)
Zeit: Fr 12:00-16:00 (Erster Termin: 18.10.2024)
Ort: T9/SR 006 Seminarraum (Takustr. 9)
-
19330212
Projektseminar
Projektseminar: Einführung in die Profilbereiche Data Science (Katinka Wolter)
Zeit: -
Ort: keine Angabe
-
19330252
RV
-
Statistics for Data Science
0590aA1.2-
19330401
Vorlesung
Statistics for Data Science (Vesa Kaarnioja)
Zeit: Mo 10:00-12:00 (Erster Termin: 14.10.2024)
Ort: A6/SR 032 Seminarraum (Arnimallee 6)
Kommentar
Dieser Kurs dient als Einführung in die grundlegenden Aspekte der modernen statistischen Datenanalyse. Frequentistische und Bayes'sche Inferenz werden aus der Perspektive der probabilistischen Modellierung vorgestellt.
Details finden sich auf Webseite der vorherigen Durchführung.
-
19330402
Übung
Übung zu Statistics for Data Science (Vesa Kaarnioja)
Zeit: Di 10:00-12:00 (Erster Termin: 15.10.2024)
Ort: A7/SR 031 (Arnimallee 7)
-
19330401
Vorlesung
-
Machine Learning for Data Science
0590aA1.3-
19330101
Vorlesung
Maschinelles Lernen für Data Science (Grégoire Montavon)
Zeit: Di 16:00-18:00, Do 16:00-18:00 (Erster Termin: 15.10.2024)
Ort: T9/Gr. Hörsaal (Takustr. 9)
Kommentar
Qualifikationsziele:
The course provides an overview of machine learning methods and algorithms for different learning tasks, namely supervised, unsupervised and reinforcement learning.
In the first part of the course, for each task the main algorithms and techniques will be covered including experimentation and evaluation aspects.
In the second part of the course, we will focus on specific learning challenges including high-dimensionality, non-stationarity, label-scarcity and class-imbalance.
By the end of the course, you will have learned how to build machine learning models for different problems, how to properly evaluate their performance and how to tackle specific learning challenges.
Inhalte
Es werden Themen aus folgenden Gebieten behandelt:
- Experiment Design
- Sampling Techniques
- Data cleansing
- Storage of large data sets
- Data visualization and graphs
- Probabilistic data analysis
- Prediction methods
- Knowledge discovery
- Neural networks
- Support vector machines
- Reinforcement learning and agent models
-
19330102
Übung
Übung zu Maschinelles Lernen Data Science (Grégoire Montavon)
Zeit: Mi 16:00-18:00 (Erster Termin: 16.10.2024)
Ort: T9/SR 006 Seminarraum (Takustr. 9)
-
19330101
Vorlesung
-
Programming for Data Science
0590aA1.4-
19330313
Praxisseminar
Programming for Data Science (Sandro Andreotti)
Zeit: Mo 12:00-16:00 (Erster Termin: 28.10.2024)
Ort: A3/SR 120 (Arnimallee 3-5)
Kommentar
Qualifikationsziele
Die Studentinnen und Studenten haben ein tieferes Verständnis für Konzepte in der Programmierung mit einer höheren Programmiersprache (z. B. C/C++, Java oder Python).
Inhalte:
Einführung in verschiedene Arten von Programmiertechniken.
-
19330313
Praxisseminar
-
Telematik
0590aB1.23-
19305101
Vorlesung
Telematik (Jochen Schiller)
Zeit: Mo 12:00-14:00, Mi 10:00-12:00 (Erster Termin: 14.10.2024)
Ort: T9/046 Seminarraum (Takustr. 9)
Zusätzl. Angaben / Voraussetzungen
Voraussetzungen:
Grundkenntnisse im Bereich Rechnersysteme, z.B. TI-III.
Kommentar
Telematik ist Telekommunikation mit Hilfe von Mitteln der Informatik und befasst sich mit Themen der technischen Nachrichtenübertragung, Rechnernetze, Internet-Techniken, WWW, und Netzsicherheit.
Behandelte Themen sind unter anderem folgende:
- Allgemeine Grundlagen: Protokolle, Dienste, Modelle, Standards, Datenbegriff;
- Nachrichtentechnische Grundlagen: Signale, Codierung, Modulation, Medien;
- Sicherungsschicht: Datensicherung, Medienzugriff;
- Lokale Netze: IEEE-Standards, Ethernet, Brücken;
- Vermittlungsschicht: Wegewahl, Router, Internet-Protokoll (IPv4, IPv6);
- Transportschicht: Dienstgüte, Flussteuerung, Staukontrolle, TCP;
- Internet: Protokollfamilie rund um TCP/IP;
- Anwendungen: WWW, Sicherheitsdienste, Netzwerkmanagement;
- Neue Netzkonzepte.
Literaturhinweise
- Larry Peterson, Bruce S. Davie: Computernetze - Ein modernes Lehrbuch, dpunkt Verlag, Heidelberg, 2000
- Krüger, G., Reschke, D.: Lehr- und Übungsbuch Telematik, Fachbuchverlag Leipzig, 2000
- Kurose, J. F., Ross, K. W.: Computer Networking: A Top-Down Approach Featuring the Internet, Addi-son-Wesley Publishing Company, Wokingham, England, 2001
- Siegmund, G.: Technik der Netze, 4. Auflage, Hüthig Verlag, Heidelberg, 1999
- Halsall, F.: Data Communi-cations, Computer Networks and Open Systems 4. Auflage, Addison-Wesley Publishing Company, Wokingham, England, 1996
- Tanenbaum, A. S.: Computer Networks, 3. Auflage, Prentice Hall, Inc., New Jersey, 1996
-
19305102
Übung
Übung zu Telematik (Marius Max Wawerek)
Zeit: Mo 16:00-18:00 (Erster Termin: 14.10.2024)
Ort: T9/SR 006 Seminarraum (Takustr. 9)
-
19305101
Vorlesung
-
Höhere Algorithmik
0590aB1.24-
19303501
Vorlesung
Höhere Algorithmik (László Kozma)
Zeit: Di 10:00-12:00, Fr 10:00-12:00 (Erster Termin: 15.10.2024)
Ort: T9/SR 006 Seminarraum (Takustr. 9)
Zusätzl. Angaben / Voraussetzungen
Zielgruppe
alle Masterstudenten, und Bachelorstudenten, die sich in Algorithmen vertiefen wollen.
Empfohlene Vorkenntnisse
Grundkenntnisse im Bereich Entwurf und Analyse von Algorithmen
Kommentar
Es werden Themen wie:
- allgemeine Algorithmenentwurfsprinzipien
- Flussprobleme in Graphen,
- Dynamische Programmierung,
- Amortisierte Laufzeitanalyse und fortgeschrittene Datenstrukturen,
- NP-Vollständigkeit
- Approximationsalgorithmen für schwere Probleme,
- arithmetische Algorithmen und Schaltkreise sowie schnelle Fourier-Transformation
behandelt. Die Vorlesung wird in der englischen Sprache gehalten.
Literaturhinweise
- Cormen, Leiserson, Rivest, Stein: Introduction to Algorithms, 4th Ed. MIT Press 2022
- Kleinberg, Tardos: Algorithm Design, Addison-Wesley 2005.
- Sedgewick, Wayne: Algorithms, 4th Ed., Addison-Wesley 2016
-
19303502
Übung
Übung zu Höhere Algorithmik (László Kozma)
Zeit: Fr 08:00-10:00, Fr 14:00-16:00 (Erster Termin: 18.10.2024)
Ort: T9/046 Seminarraum (Takustr. 9)
-
19303501
Vorlesung
-
Spez. Aspekte der Datenverwaltung
0590aB1.29-
19304801
Vorlesung
Spezielle Aspekte der Datenverwaltung: Geospatial Databases (Agnès Voisard)
Zeit: Di 14:00-16:00 (Erster Termin: 15.10.2024)
Ort: T9/055 Seminarraum (Takustr. 9)
Zusätzl. Angaben / Voraussetzungen
Zielgruppe:
Studierende im Masterstudiengang Voraussetzungen: DatenbanksystemeKommentar
Diese Vorlesung dient der Einführung in raumbezogene Datenbanken, wie sie insbesondere in geographischen Informationssystemen (GIS) Verwendung finden. Schwerpunkte sind u.a. die Modellierung raumbezogener Daten, Anfragesprachen und Optimierung sowie raumbezogene Zugriffsmethoden und Navigationssysteme ("Location-based services"). Grundwissen in Datenbanken ist erforderlich. Die Vorlesung beinhaltet Übungsblätter und Rechnerpraktika mit PostGIS.
Sonstiges: Die Vorlesung wird in englischer Sprache gehaltenLiteraturhinweise
Handouts are enough to understand the course.
The following book will be mostly used: P. Rigaux, M. Scholl, A. Voisard.Spatial Databases - With Application to GIS. Morgan Kaufmann, May 2001. 432 p. (copies in the main library) -
19304802
Übung
Übung zu Spezielle Aspekte der Datenverwaltung: Geospatial Databases (Agnès Voisard)
Zeit: Do 14:00-16:00 (Erster Termin: 17.10.2024)
Ort: T9/K 040 Multimediaraum (Takustr. 9)
-
19304801
Vorlesung
-
Spezielle Aspekte der Data Science in Life Sciences
0590aB2.4-
19328301
Vorlesung
Datenvisualisierung (Claudia Müller-Birn)
Zeit: -
Ort: keine Angabe
Zusätzl. Angaben / Voraussetzungen
Kommentar
Die rasante technologische Entwicklung erfordert die Verarbeitung großer Mengen von Daten unterschiedlichster Art, um diese durch den Menschen nutzbar zu machen. Diese Herausforderung betrifft heutzutage sehr viele Bereiche des Lebens, wie der Forschung, Wirtschaft und Politik. Datenvisualisierungen werden hier dazu eingesetzt, Informationen und Zusammenhänge durch grafische Darstellung von Daten zu erklären, diese durch visuelle Analyse zu erkunden, um damit die Entscheidungsfindungen zu unterstützen. Ziel dieser Veranstaltung ist es, Studierende mit den Prinzipien, Techniken und Algorithmen der Datenvisualisierung vertraut zu machen und praktische Fertigkeiten für die Gestaltung und Implementierung von Datenvisualisierungen zu vermitteln.
Dieser Kurs soll Studierenden eine fundierte Einführung in die Grundlagen der Datenvisualisierung mit aktuellen Inhalten aus Forschung und Praxis geben. Am Ende der Veranstaltung werden die Studierenden
- ausgehend von einer Problemstellung Methoden zur Konzipierung von Visualisierungen auswählen und anwenden können,
- wesentliche theoretische Grundlagen der Visualisierung zur grafischen Wahrnehmung und Kognition kennen,
- Visualisierungsansätze und deren Vor- und Nachteile kennen und auswählen können,
- Visualisierungslösungen kritisch bewerten können, und
- praktische Fertigkeiten für die Implementierung von Visualisierungen besitzen.
Diese Veranstaltung richtet sich sowohl an Studierende, die daran interessiert sind, Datenvisualisierung in ihrer Arbeit einzusetzen, als auch an Studierende, die Visualisierungs-software entwickeln wollen. Grundkenntnisse in der Programmierung (HTML, CSS, Javascript, Python) und Datenanalyse (z.B. R) sind hilfreich.
Neben der Teilnahme an den Diskussionen in der Veranstaltung absolvieren die Studierenden mehrere Programmier- und Datenanalyseaufgaben sowie ein Abschlussprojekt, in welchem Sie eine gegebene Problemstellung lösen sollen. Von den Studierenden wird erwartet, dass sie die Ergebnisse der Aufgaben und des Projekts im Sinne der Reproduzierbarkeit dokumentieren und präsentieren.
Bitte beachten Sie, dass die Veranstaltung sich darauf konzentriert, wie Daten visuell kodiert und für die Analyse präsentiert werden, nachdem die Struktur der Daten und deren Inhalt bekannt ist. Explorative Analysemethoden zur Entdeckung von Erkenntnissen in Daten sind nicht der Schwerpunkt der Veranstaltung.
Literaturhinweise
Textbuch
Munzner, Tamara. Visualization analysis and design. AK Peters/CRC Press, 2014.
Zusätzliche Literatur
Kirk, Andy: Data visualisation: A handbook for data driven design. Sage. 2016.
Yau, Nathan: Visualize This: The FlowingData Guide to Design, Visualization, and Statistics. Wiley Publishing, Inc. 2011.
Spence, Robert: Information Visualization: Design for Interaction. Pearson. 2007.
-
60102001
Vorlesung
Methodik klinischer Studien (N.N.)
Zeit: Fr 14:00-16:00 (Erster Termin: 18.10.2024)
Ort: A6/SR 032 Seminarraum (Arnimallee 6)
Kommentar
Siehe englischer Text.
-
60102301
Vorlesung
Statistik für kleine Fallzahlen (Frank Konietschke)
Zeit: Mi 14:00-16:00 (Erster Termin: 16.10.2024)
Ort: A6/SR 031 Seminarraum (Arnimallee 6)
Kommentar
Beschreibung liegt auf Englisch vor.
-
19328302
Übung
Übung zu Data Visualization (Claudia Müller-Birn)
Zeit: -
Ort: keine Angabe
-
60102002
Übung
Übung zu Methodik klinischer Studien (N.N.)
Zeit: Fr 16:00-18:00 (Erster Termin: 18.10.2024)
Ort: A6/SR 032 Seminarraum (Arnimallee 6)
-
60102302
Übung
Übung zu Statistik mit kleinen Fallzahlen (Frank Konietschke)
Zeit: Mi 16:00-18:00 (Erster Termin: 16.10.2024)
Ort: A6/SR 031 Seminarraum (Arnimallee 6)
-
19328301
Vorlesung
-
Spezielle Aspekte der Data Science Technologies
0590aB3.3-
19327201
Vorlesung
Datenkompression (Heiko Schwarz)
Zeit: Mo 14:00-16:00 (Erster Termin: 14.10.2024)
Ort: T9/049 Seminarraum (Takustr. 9)
Kommentar
Die Datenkompression stellt eine Technologie dar, welche zahlreiche Anwendungen in unserem Informationszeitalter erst ermöglich. Obwohl es der Endnutzer oft nicht bemerkt, verwenden wir sie täglich beim Musik hören, Bilder und Videos anschauen, oder der generellen Benutzung unseres Mobiltelefons.
In der Vorlesung wird eine Einführung in die grundlegenden und am häufigsten verwendeten Verfahren der Datenkompression gegeben. Es werden sowohl theoretische Grundlagen als auch praktische Verfahren behandelt und anhand von Beispielen aus der Praxis erläutert.
Der erste Teil der Vorlesung behandelt die verlustlose Kompression, bei der die Originaldaten exakt rekonstruiert werden können. Dieser Teil umfasst die folgenden Themen:
- Eindeutige Decodierbarkeit und Prefix-Codes
- Entropie und Entropierate als theoretische Grenzen der verlustlosen Kompression
- Optimale Codes, Huffman Codes
- Arithmetische Codierung
- Lempel-Ziv Codierung
- Linear Prädiktion
- Beispiele aus der Text-, Bild- und Audiokompression
Im zweiten Teil der Vorlesung wird die allgemeinere verlustbehaftete Kompression eingeführt, bei der nur eine Approximation der Originaldaten rekonstruiert werden kann. Diese Art der Kompression ermöglicht deutlich höhere Kompressionsfaktoren und ist die dominante Form der Kompression für Audio-, Bild- und Videodaten. Dieser zweite Teil der Vorlesung umfasst folgende Themen:
- Skalare Quantisierung, optimale skalare Quantisierung
- Theoretische Grenzen der verlustbehafteten Kompression: Rate-Distortion-Funktionen
- Vektorquantisierung
- Prädiktive Quantisierung
- Transformationscodierung
- Beispiele aus der Audio-, Bild- und Videocodierung
Literaturhinweise
- Sayood, K. (2018), “Introduction to Data Compression,” Morgan Kaufmann, Cambridge, MA.
- Cover, T. M. and Thomas, J. A. (2006), “Elements of Information Theory,” John Wiley & Sons, New York.
- Gersho, A. and Gray, R. M. (1992), “Vector Quantization and Signal Compression,” Kluwer Academic Publishers, Boston, Dordrecht, London.
- Jayant, N. S. and Noll, P. (1994), “Digital Coding of Waveforms,” Prentice-Hall, Englewood Cliffs, NJ, USA.
- Wiegand, T. and Schwarz, H. (2010), “Source Coding: Part I of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, vol. 4, no. 1-2.
-
19328601
Vorlesung
Kryptowährungen und Blockchain (Katinka Wolter, Justus Purat)
Zeit: Di 10:00-12:00 (Erster Termin: 15.10.2024)
Ort: T9/049 Seminarraum (Takustr. 9)
Kommentar
In dieser Lehrveranstaltung werden wir uns mit den Technologien, der Geschichte und den Anwendungen von Kryptowährungen und Blockchain beschäftigen.
Literaturhinweise
Bitcoin and Cryptocurrency Technologies: A Comprehensive Introduction, by Arvind Narayanan, Joseph Bonneau, Edward Felten, Andrew Miller, Steven Goldfeder
-
19327202
Übung
Übung zur Datenkompression (Heiko Schwarz)
Zeit: Mo 12:00-14:00 (Erster Termin: 14.10.2024)
Ort: T9/049 Seminarraum (Takustr. 9)
-
19328602
Übung
Übung zu Kryptowährungen und Blockchain (Justus Purat)
Zeit: Do 10:00-12:00 (Erster Termin: 17.10.2024)
Ort: T9/SR 005 Übungsraum (Takustr. 9)
-
19327201
Vorlesung
-
Aktuelle Forschungsthemen der Data Science Technologies
0590aB3.4-
19327201
Vorlesung
Datenkompression (Heiko Schwarz)
Zeit: Mo 14:00-16:00 (Erster Termin: 14.10.2024)
Ort: T9/049 Seminarraum (Takustr. 9)
Kommentar
Die Datenkompression stellt eine Technologie dar, welche zahlreiche Anwendungen in unserem Informationszeitalter erst ermöglich. Obwohl es der Endnutzer oft nicht bemerkt, verwenden wir sie täglich beim Musik hören, Bilder und Videos anschauen, oder der generellen Benutzung unseres Mobiltelefons.
In der Vorlesung wird eine Einführung in die grundlegenden und am häufigsten verwendeten Verfahren der Datenkompression gegeben. Es werden sowohl theoretische Grundlagen als auch praktische Verfahren behandelt und anhand von Beispielen aus der Praxis erläutert.
Der erste Teil der Vorlesung behandelt die verlustlose Kompression, bei der die Originaldaten exakt rekonstruiert werden können. Dieser Teil umfasst die folgenden Themen:
- Eindeutige Decodierbarkeit und Prefix-Codes
- Entropie und Entropierate als theoretische Grenzen der verlustlosen Kompression
- Optimale Codes, Huffman Codes
- Arithmetische Codierung
- Lempel-Ziv Codierung
- Linear Prädiktion
- Beispiele aus der Text-, Bild- und Audiokompression
Im zweiten Teil der Vorlesung wird die allgemeinere verlustbehaftete Kompression eingeführt, bei der nur eine Approximation der Originaldaten rekonstruiert werden kann. Diese Art der Kompression ermöglicht deutlich höhere Kompressionsfaktoren und ist die dominante Form der Kompression für Audio-, Bild- und Videodaten. Dieser zweite Teil der Vorlesung umfasst folgende Themen:
- Skalare Quantisierung, optimale skalare Quantisierung
- Theoretische Grenzen der verlustbehafteten Kompression: Rate-Distortion-Funktionen
- Vektorquantisierung
- Prädiktive Quantisierung
- Transformationscodierung
- Beispiele aus der Audio-, Bild- und Videocodierung
Literaturhinweise
- Sayood, K. (2018), “Introduction to Data Compression,” Morgan Kaufmann, Cambridge, MA.
- Cover, T. M. and Thomas, J. A. (2006), “Elements of Information Theory,” John Wiley & Sons, New York.
- Gersho, A. and Gray, R. M. (1992), “Vector Quantization and Signal Compression,” Kluwer Academic Publishers, Boston, Dordrecht, London.
- Jayant, N. S. and Noll, P. (1994), “Digital Coding of Waveforms,” Prentice-Hall, Englewood Cliffs, NJ, USA.
- Wiegand, T. and Schwarz, H. (2010), “Source Coding: Part I of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, vol. 4, no. 1-2.
-
19328601
Vorlesung
Kryptowährungen und Blockchain (Katinka Wolter, Justus Purat)
Zeit: Di 10:00-12:00 (Erster Termin: 15.10.2024)
Ort: T9/049 Seminarraum (Takustr. 9)
Kommentar
In dieser Lehrveranstaltung werden wir uns mit den Technologien, der Geschichte und den Anwendungen von Kryptowährungen und Blockchain beschäftigen.
Literaturhinweise
Bitcoin and Cryptocurrency Technologies: A Comprehensive Introduction, by Arvind Narayanan, Joseph Bonneau, Edward Felten, Andrew Miller, Steven Goldfeder
-
19327202
Übung
Übung zur Datenkompression (Heiko Schwarz)
Zeit: Mo 12:00-14:00 (Erster Termin: 14.10.2024)
Ort: T9/049 Seminarraum (Takustr. 9)
-
19328602
Übung
Übung zu Kryptowährungen und Blockchain (Justus Purat)
Zeit: Do 10:00-12:00 (Erster Termin: 17.10.2024)
Ort: T9/SR 005 Übungsraum (Takustr. 9)
-
19327201
Vorlesung
-
Ausgewählte Themen der Data Science Technologies
0590aB3.5-
19312101
Vorlesung
Betriebssysteme (Barry Linnert)
Zeit: Mo 10:00-12:00, Do 12:00-14:00 (Erster Termin: 14.10.2024)
Ort: T9/049 Seminarraum (Takustr. 9)
Zusätzl. Angaben / Voraussetzungen
Sprache
Kurssprache ist Deutsch, aber die Folien sind auf Englisch.
Die Übungszettel und die Klausur sind auf Deutsch, können aber auch auf Englisch beantwortet werden.
Homepage
https://www.inf.fu-berlin.de/w/SE/VorlesungBetriebssysteme
Kommentar
Betriebssysteme verbinden die Anwendungs- und Nutzungsebene mit der Verwaltung der Hardware. Ausgehend von den Aufgaben eines Betriebssystems und den Anforderungen an moderne Betriebssysteme werden die wichtigsten Aspekte im Zusammenhang mit Aufbau und Entwurf eingeführt:
- Betriebssystemstruktur und –entwurf einschließlich Historischer Abriss und Betriebssystemphilosophien, Systemgliederung und Betriebsarten, Betriebsmittel und –verwaltung;
- Prozesse einschließlich Prozessverwaltung;
- Scheduling einschließlich Real-Time-Scheduling;
- Prozessinteraktionen und Interprozesskommunikation;
- Betriebsmittelverwaltung einschließlich des Betriebs von Geräten und Treiberentwicklung und Ein-Ausgabegeräten;
- Speicherverwaltung einschließlich Prozessadressraum und virtueller Speicher;
- Dateiverwaltung einschließlich Festplattenbetrieb und Speicherhierarchien;
- Verteilte Betriebssysteme einschließlich verteilter Architekturen zur Ressourcenverwaltung;
- Leistungsbewertung einschließlich Überlastproblematik.
Für die einzelnen Aspekte dienen aktuelle Betriebssysteme als Beispiele und es wird die aktuelle Forschung auf dem Gebiet herangezogen. Der Übungsbetrieb dient der Reflexion der vermittelten Inhalte in Form praktischer Umsetzung und Programmierung der behandelten Ansätze durch die Studierenden.
Literaturhinweise
- A.S. Tanenbaum: Modern Operating Systems, 2nd Ed. Prentice-Hall, 2001
- A. Silberschatz et al.: Operating Systems Concepts with Java, 6th Ed. Wiley, 2004
-
19312102
Übung
Übung zu Betriebssysteme (Barry Linnert)
Zeit: Mi 10:00-12:00 (Erster Termin: 16.10.2024)
Ort: T9/049 Seminarraum (Takustr. 9)
-
19312101
Vorlesung
-
Softwareprojekt Data Science
0590aB3.1-
19308312
Projektseminar
Softwareprojekt: Anwendungen von Algorithmen (László Kozma)
Zeit: Di 14:00-16:00 (Erster Termin: 08.10.2024)
Ort: T9/K 040 Multimediaraum (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: 16.10.2024)
Ort: A7/SR 031 (Arnimallee 7)
Zusätzl. Angaben / Voraussetzungen
Weitere Informationen finden sich auf der Veranstaltungsseite der AG Corporate Semantic Web.
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 KI Technologien übernehmen. Bei der Umsetzung der Aufgaben werden vertiefte Programmierkenntnisse in der Anwendung semantischer Technologien und künstlicher Intelligenz (KI) 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.
-
19308312
Projektseminar
-
-
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
-
Ethical Foundations of Data Science 0590aB1.2
-
Datenbanksysteme Data Science 0590aB1.20
-
Verteilte Systeme 0590aB1.21
-
Mobilkommunikation 0590aB1.22
-
Rechnersicherheit 0590aB1.25
-
Mustererkennung 0590aB1.26
-
Netzbasierte Informationssysteme 0590aB1.27
-
Künstliche Intelligenz 0590aB1.28
-
Forschungspraxis 0590aB1.3
-
Machine Learning in Bioinformatics 0590aB1.30
-
Big Data Analysis in Bioinformatics 0590aB1.31
-
Complex Systems in Bioinformatics 0590aB1.32
-
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
-
Data Science in the Life Sciences 0590aB2.1
-
Ausgewählte Themen der Data Science in Life Sciences 0590aB2.5
-