Module des Studiengangs Informatik (Master), SPO 6 Vertiefungsrichtung Maschinelles Lernen
In diesem Modul werden Methoden des Maschinellen Lernens behandelt. Studierende erlernen, sich Methoden des Maschinellen Lernens anzueignen und bzgl. ihrer Eignung für konkrete Aufgabenstellungen zu evaluieren.
Die vermittelten Inhalte und Kompetenzen des Moduls werden im Modul Künstliche Intelligenz als bekannt bzw. vorhanden vorausgesetzt.
Prof. Dr.-Ing. Astrid Laubenheimer
Maschinelles Lernen, Vorlesungsteil Prof. Link
Klassische Methoden des überwachten Lernens, eine Auswahl aus
- Perzeptrons
- Lineare Maschinen
- Mehrschicht-Perzeptrons
- k-Nächste-Nachbar-Klassifikatoren
- Bayes Entscheidungstheorie (Beziehung zu neuronalen Netzen)
Deep Learning, eine Auswahl aus
- Faltungsnetze (CNNs)
- Rekurrente Netze (RNNs)
- Generative Neuronale Netze (GANs)
Reinforcement Learning
Maschinelles Lernen, Vorlesungsteil Prof. Laubenheimer
Vorbereitung:
- Einordnung der Begriffe Künstliche Intelligenz, Maschinelles Lernen, Mustererkennung, Data Mining, Big Data etc.
- Distanzen, Metriken und Ähnlichkeiten (Minkowski, Cosinus-Ähnlichkeit, Mahalanobis, Dynamic Time Warping etc.)
- Einführung in die Datenvorverarbeitung, eine ausführliche Behandlung des Themas findet im Modul Data Science statt.
Transformationen
- PCA, nichlineare PCA, in diesen Zusammenhang: Kernel-Trick und Support Vektor Maschinen
- Matrixfaktorisierung, z.B. Latente Faktoren, Faktorisierung für Recommender Engines
Methoden des unüberwachten Lernens, eine Auswahl aus
- Cluster-Algorithmen: K-Means, PAM, CLARA, CLARANS, DBSCAN, C-Means, EM, SOM
- Assoziationsanalyse, z.B. Apriori, FP-Growth
- Graphbasierte Ansätze zur Bildung von Clustern, z.B. Normalized Cut
- Ranking Algorithmen, z.B. Google Page Rank
- Folien und Tafelanschrieb
- Jürgen Schürmann, "Pattern classification: a unified view of statistical and neural approaches", New York [u.a.], Wiley & Sons, 1996
- Richard O. Duda ; Peter E. Hart ; David G. Stork, "Pattern classification", 2. ed. New York, Weinheim [u.a.], Wiley, 2001
- Sergios Theodoridis, Konstantinos Koutroumbas, "Pattern recognition", 3. ed. Amsterdam, Heidelberg[u.a.], Elsevier Academic Press, 2006
- Bernhard Schölkopf ; Alexander J. Smola, "Learning with Kernels : support vector machines, regularization, optimization, and beyond", Cambridge, Mass. [u.a.], MIT Press, 2002
- Ian Goodfellow, Yoshua Bengio, Aaron Courville, "Deep Learning". MIT Press, 2016.
Prof. Dr.-Ing. Astrid Laubenheimer
- Aufsetzen einer Python-Umgebung und Python-Tutorial
- Distanzbasierte Klassifikations- und Clusteralgorithmen
- Transformationen (z.B. PCA)
- Perzeptron, Neuronales Netz, Backpropagation
Die Übung wird mit Python durchgeführt, wahlweise auf dem eigenen Laptop oder auf PCs des Labors für Maschinelles Lernen.
In diesem Modul werden theoretische und mathematische Grundlagen des Maschinellen Lernens sowie Methoden der Datenanalyse behandelt.
Die vermittelten Inhalte und Kompetenzen des Moduls sind für die Teilnahme am Modul Künstliche Intelligenz von Vorteil.
Ziel: Theoretische und praktische Kenntnissen über Data Analytics im Kontext Maschinellen Lernens
- Einführung und Motivation
- Prozessmodelle, z.B. CRISP-DM
- Datenvorverarbeitung (Feature Engineering im Sinne von processing and cleaning)
- Datentypen: nominal, ordinal, intervall, ratio
- Typische Daten (bag of words, record-daten, heterogene Daten etc.)
- Umgang mit Daten heterogener Typen
- Konvertierung von Datentypen (one-hot-coding etc.)
- Manipulation Wertebereich: Normierung, z.B z-score, bagging, Entropie-basiert usw., fehlende Werte
- Dimensionsreduktion: heuristisch, manuell etc.
- Umfangsreduktion: Sampling etc.
- Spezielle Methoden der Vorverarbeitung, z.B. Word2Vec
- Exploration
- Deskriptive Statistik
- Datenvisualisierung
- Modellierung (u.a. Methode kleinster Quadrate), Over-Fitting, Model Tuning
Ziel: Vermittlung von theoretischen und praktischen Kenntnissen über Optimierungsmethoden/-kalküle im Kontext des Maschinellen Lernens (Minimierung der Fehlerfunktion)
- Einführung, Motivation und Modellierung
- Wiederholung Mehrdimensionale Analysis (u.a. Gradienten einführen und verstehen)
- Lösbarkeit und Optimalitätsbedingungen
- (Lineare) Regression mit und ohne Regularisierungsterm
- Gradientenverfahren und Anwendungen (insb. zum Training Neuronaler Netze, aber nicht nur)
- Newton-Verfahren und Gauß-Netwon-Verfahren und Anwendungen (Approximationsprobleme, Source-Localization)
- Konvexität (Mengen und Funktionen)
- Projiziertes Gradientenverfahren und Anwendung auf Constrained Regression Probleme
- Restringierte Optimierungsprobleme und Verwendung von Solvern aus der Matlab Optimization Toolbox zur Lösung von Problemen aus dem Maschinellen Lernen (z.B. Support-Vector-Maschinen)
Übungen und praktische Optimierungsaufgaben begleitend zur Vorlesung Optimierung.
Die Übung wird mit Python durchgeführt, wahlweise auf dem eigenen Laptop oder auf PCs des Labors für Maschinelles Lernen. Erste Erfahrungen im Umgang mit Python (wie etwa in der Übung Maschinelles Lernen angeboten) werden vorausgesetzt. Die Übung findet in der zweiten Vorlesungshälfte statt.
In a globalized information society, data semantics is of increasing importance. XML techniques, Ontologies and reasoning concepts are at the core of semantic technology.
Students acquire abstract and concrete competencies to use basic and advanced XML techniques (XML DTD and Schema, XLink/XPointer), and have dealt with various XSLT applications in the functional programming paradigm.
Students have abstract and concrete knowledge about the Resource Description Framework RDF, its extension into RDFS and OWL; they know how to write and visualize simple ontologies and how these are used in software applications
Students know machine based reasoning tools and principles of knowledge description, they have performed several reasoning tasks.
Students know different models of thinking and reasoning (deduction and induction), fundamentals of science theory and paradigms of learning and teaching. Students are competent to use and evaluate different scientific methodologies also in socio-political and societal situations
The course therefore contributes to the two dimensions technical knowledge and leadership skills. Since it is held in English, participants improve their key skills. The course also serves as enabler for students' own activities in a globalized information society.
- XML Basics and XML Advanced: Documents and document types, (DTD, Namespaces and Schema, XLink, XPointer)
- XSLT Basics and XSLt Advanced: XPath, simple transformations, principles of functional programming with XSLT
- The Resource Description Framework RDF. Application to simple semantic views on data, extension into RDFS and description of simple ontologies.
- Science theory, formal logic and models of thinking, application of scientific criticism to societal situations.
- Modeling of knowledge using OWL, usage in software applications
- Machine based reasoning.
Prerequisites: Participants should have basic knowledge of descriptive languages (XML applications), at least should have practical knowledge of Web programming.
Participants should have sufficient knowledge of technical English.
Format: Participation necessary in two classroom hours per week, electronic tests and essay writing on selected topics, theoretical self-study on semantic technologies.
Counseling Questions during course hours, electronic learning management system ILIAS, weekly online chat in ILIAS, 24 x 7 offline discussion in ILIAS Forum, eMail
- PowerPoint transparencies
- Electronic whiteboard notes as PDF
- eLearning courses on XML, XSLT, SMIL
- Additional electronic material for reading and self-assessment
- V. Geroimenko, C. Chen, "Visualizing Information Using SVG and X3D. XML Based Technologies for the XML Based Web", Springer 2004, ISBN 978-1852337902
- V. Geroimenko, C. Chen, "Visualizing the Semantic Web. XML-Based Internet and Information Visualization", Springer 2005, ISBN 978-1852339760
- G. Antoniou, F. van Harmelen, "A Semantic Web Primer. Cooperative Information Systems", The MIT Press 2004, ISBN 0262012103
- J. Eisenberg, "SVG Essentials", O'Reilly 2002, ISBN 978-0596002237
- D. Bulterman, L. Rutledge, "Smil 2.0: Interactive Multimedia for Web and Mobile Devices", Springer 2004, ISBN 354020234
- P. A. Henning, "Taschenbuch Multimedia", Hanser 2007, ISBN 978-3446409712
Topics covered by practical lab problems include:
- XML Basics: Document Type Definition and XML Schema definitions.
- Advanced XML techniques: Document Object Model and XPath addressing in documents. The transformation of documents using XSLT. Functional programming in XSLT.
- Visualization using XML: SVG and GraphML applied to semantically rich XML documents
- Resource Description Framework RDF: Creation of RDF documents, transformation of RDF into XML Schema definition
- RDFS, OWL: Basics of ontologies and their application
- Machine based reasoning and logical problem solution
Prerequisites: Students should be participants of the "Semantic Web Technologies" course, at least should have theoretical knowledge of the topics covered.
Format: Participation in 2 lab hours per week in small groups of 2-3 students, practical self-study and XML programming.
Deliverables: Successful completion (upload to ILIAS in time) of 80% of the lab problems.
Counseling: Personal counseling during lab hours, electronic learning managment system ILIAS, weekly online chat in ILIAS, 24 x 7 offline discussion in ILIAS forum, eMail
- eLearning content
- Books mentioned as course material for browsing
- XML Editor oXygen in media::lab
- Internet research during lab hours
Das Modul Managementkompetenzen setzt sich aus den Teilen "IT Project Management" und "IT Entrepreneurship" zusammen.
Die Studierenden werden in der Veranstaltung IT Project Management in die Lage versetzt, Entwicklungsprojekte im SWE eigenständig zu planen und gegebenenfalls durchzuführen. Die Studierenden werden zu diesem Zweck mit verschiedenen branchenspezifischen Anforderungen, Methoden, Vorgehensmodelle und Werkzeuge vertraut gemacht. Die Veranstaltung findet auf English statt. Ziel ist es, die Studierenden auf internationale IT-Projekte vorzubereiten.
Die Studierenden erlangen im IT-Management die Kompetenz für die Führungsaufgaben im IT-Bereich. Anhand eines Lebenszyklusmodells von der Unternehmensgründung (IT Entrepreneurship) bis zum Management eines IT-Unternehmens werden die jeweiligen Methoden und Werkzeuge erlernt und an Fallbeispielen von dem Studierenden selbstständig angewendet. Sie erhalten damit die notwendigen Grundlagen, als eigenständiger IT-Unternehmer sowie auch als Führungskraft im IT-Bereich tätig zu sein.
Die Studierenden erwerben die praktische Kompetenz zum IT-Projektmanagement sowie der Planung und Durchführung von IT-Projekten.
Insbesondere werden die nachfolgenden Anforderungen an das Management von IT-Projekten beherrscht:
- Moderne Vorgehensmodelle im IT-Projektmanagement (agile Methoden)
- Erstellung von Lasten- und Pflichtenheften
- Planungsmethoden für IT-Projekte
- Risikomanagement
- Qualitätssicherung
- Berichtswesen im IT-Projektmanagement.
- Vorlesungsbegleitende Foliensätze
- Übungsaufgaben
- Lehrbücher
Vorlesung 50%, Übungen 20%, Gruppenarbeit 30%
Die Studierenden erwerben in dieser Veranstaltung die Kompetenz, als eigenständiger IT-Unternehmer als auch als Führungskraft im IT-Bereich tätig zu sein. Anhand eines Lebenszyklusmodells (von der Unternehmensgründung (IT‑Entrepreneurship) bis zum Management eines IT-Unternehmens werden die jeweiligen Methoden und Werkzeuge erlernt und an Fallbeispielen von dem Studierenden selbstständig angewendet.
Folgende Lebenszyklusphasen werden behandelt:
- Studierender und freiberuflicher Softwareentwickler
- Angestellter freiberuflicher Softwareentwickler (Nebenerwerbsgründung)
- Unternehmensgründung (IT-Entrepreneurship)
- Management eines IT-Unternehmens
A. Freiberuflicher Softwareentwickler
- Rechnung, Angebot und Haftung
- Freiberufler vs. Gewerblich
- Finanzamt: Kleinunternehmertum, Umsatzsteuer, Steuererklärung
- IT-Recht für Software-Entwickler: Vertragsrecht, Urheberrecht, …
B. Wir werden IT-Unternehmer (IT-Entrepreneur)
- Entrepreneurship
- Geschäftsidee, Geschäftsmodell und Businessplan
- Rechtsformen und Finanzierungsinstrumente
C: Wie manage ich ein IT-Unternehmen? (IT Management)
- Überblick Modelle des IT-Managements
- IT Goverance, IT-Strategie, IT-Organisationsformen, Internationale Projektsteuerung
- IT-Organisationsentwicklung
- IT-Sicherheitsmanagement
- Vorlesungsmaterial vollständig als PowerPoint-Folien verfügbar
- Tafelaufschrieb bei interaktiver Erarbeitung von Kernproblemstellungen
- Zahlreiche Multiple-Choice Fragen zu den einzelnen Lernmodulen
Teilnahme am seminaristischen Unterricht.
In intensiver fachlicher Diskussion werden kommunikative Rahmenbedingungen und Erwartungen herausgearbeitet, Strategien und Taktiken für die Gesprächsführung sowie die Bewältigung von Krisensituationen geübt.
- Tafelanschriebe
- Whiteboard-Poster
Seminaristischer Unterricht als Blockkurs nach Semesterende.
Dieses Modul dient dem wissenschaftlichen oder projektbasierten Arbeiten unter intensiver Betreuung eines Hochschullehrers. Dabei arbeiten Studierende kontinuierlich während des gesamten Semesters an einem wissenschaftlichen Thema oder einem anwendungsnahen Projekt.
Studierende erwerben dadurch die Kompetenz, fortgeschrittene industrielle und wissenschaftliche Projekte im IT-Bereich selbständig zu planen, durchzuführen und im Team abzuschließen.
Arbeitsgebiete können durch jeden Professor der Fakultät eröffnet werden, dies erfolgt durch Aushang zu Semesterbeginn.
Forschungsprojekte bewegen sich an der vorderen Front der aktuellen Informatikforschung und können in Zusammenarbeit mit Forschungsinstitutionen durchgeführt werden.
Anwendungsprojekte sind von besonderer Relevanz für die industrielle Praxis und können in Zusammenarbeit mit Industrieunternehmen durchgeführt werden.
- Nach Maßgabe der Arbeitsgruppe
- Vorkenntnisse: Nach Maßgabe der Arbeitsgruppe
- Format: Präsenzzeit mit Gruppendiskussion 30 %, selbständige Arbeit 70 %.
- Mündliche Prüfung 30 Minuten
- Betreuung: In der Regel wird wöchentlich zu einem festen Termin eine Sitzung der Arbeitsgruppe stattfinden, der Betreuungsumfang umfasst mindestens 1 SWS je Teilnehmer
Die Studierende lernen den aktuellen Stand der Forschung im Bereich "Künstliche Intelligenz" in Theorie und Praxis kennen.
Die Studierende haben einen Überblick über aktuelle Methoden im Bereich "Deep Learning" und kennen relevante Anwendungsbereiche in der Praxis.
Die Inhalte des Moduls Maschinelles Lernern (Methoden und praktische Kenntnisse) werden als bekannt vorausgesetzt. Die Inhalte des Moduls Data Science sind von für den praktischen Teil des Moduls Künstliche Intelligenz von Vorteil.
Prof. Dr. Patrick Baier
Die Vorlesung gibt den Studierenden einen Einblick in aktuelle Entwicklungen und Forschungsergebnisse im Bereich "Maschinelles Lernen" und "Künstliche Intelligenz".
Dazu werden in der Vorlesung zuerst die Grundlagen im Bereich "Neural Networks" kurz wiederholt, um dann auf aktuelle Anwendungen im Bereich "Deep Learning" näher einzugehen. Im Rahmen dessen werden erweiterte Architekturen wie "Convolutional Neural Networks", "Recurrent Neural Networks" und "LSTMs" betrachtet und deren Einsatz im Kontext von Anwendungen in den Bereichen "Computer Vision", "Natural Language Processing" und "Reinforcement Learning" dargestellt.
Die Inhalte der Vorlesung umfassen:
- Neural networks and deep learning
- CNNs
- Object detection, image segmentation
- Transfer learning
- Sequential models (RNNs, LSTMs, GRUs)
- Language models, word embeddings, neural machine translation
- Attention mechanism and transformer models
- Reinforcement Learning: Basics, Q-learning, DQNs, Alpha Go
- Autoencoders and GANs
M.Sc. Anna Weißhaar
Die Lehrveranstaltung beinhaltet die praktische Umsetzung der in der KI-Vorlesung erworbenen Kenntnisse.
Dies geschieht exemplarisch am Beispiel dreier Themenfelder:
* Computer Vision
* Natural Language Processing
* Reinforcement Learning
Dabei werden unterschiedliche Problemstellungen innerhalb dieser drei Anwendungsfelder behandelt und Lösungen in Form von Vorhersagemodellen entworfen. Zur praktischen Umsetzung werden diese dann mit Hilfe von Python und PyTorch implementiert.
Zur erfolgreichen Teilnahme am Labor sind Grundkenntnisse in Python erforderlich.
Die Anzahl der Teilnehmer ist begrenzt.
In dieser Vorlesung werden die grundlegenden Methoden der Kryptographie vorgestellt. Dabei wird nach den einführenden Grundlagen der Schwerpunkt auf die Mechanismen gelegt, die typischerweise bei modernen Anwendungen zum Einsatz kommen.
Wesentliche Themen sind symmetrische Verschlüsselungsverfahren, insbesondere Blockchiffren (DES, AES), Modes of Operation (z.B. EBC, CBC), Hash-Funktionen, Message-Authentication-Codes, Public-Key-Verfahren (z.B. RSA, Diffie-Helman, ElGamal), Key-Management und elektronische Unterschriften.
Im weiteren Verlauf werden verschiedene, aktuelle Anwendungen der IT-Sicherheit, die auf dem Einsatz kryptographischer Verfahren beruhen, behandelt: E/Mail-Sicherheit (z.B. PGP, S-MIME), WWW-Sicherheit (SSL), Netzwerksicherheit (IP-SEC), Sicherheit von Web-Servern (Authentifikations-Mechanismen). Anhand dieser Beispiele werden wesentliche Grundprinzipien der IT-Sicherheit erläutert.
Ausführliche Folien werden im Intranet angeboten. Die Foliensätze der einzelnen Themen enthalten jeweils gesondert Literaturhinweise.
Einen Überblick bietet:
- Claudia Eckert: IT-Sicherheit. Konzepte - Verfahren - Protokolle, München, Oldenbourg Wissenschaftsverlag, 2013, 8. Auflage, ISBN 978-3-486-58270-3.
Die Lehrveranstaltung wird zu ca. 2/3 als Vorlesung durchgeführt. In der übrigen Zeit werden betreute Übungen durchgeführt, um die Techniken an praktischen Rechenbeispielen zu vertiefen.
Diese Vorlesung vermittelt das Grundwissen über Codes und Codierungen und die gängigen Algorithmen aus dem Gebiet der Quellen-, Kanal- und Leitungscodierung. Im Einzelnen werden Themen aus den folgenden Bereichen behandelt: Informations- und Codierungstheorie, Datenkompression, Fehlererkennende und -korrigierende Codes, Grenzen der Datenübertragung.
- PowerPoint-Folien
- Tafelmitschrift
- Übungsblätter
Vorlesungsteilnahme
Studierende erlernen das Verständnis und die Konzeption von mobilen und verteilten System-Architekturen. Sie verwenden und verstehen die Begrifflichkeiten von Komponenten, Schichten, Schnittstellen und Standards. Funktionale und nichtfunktionale Anforderungen an die System- und Software-Architektur werden beherrscht, die Verteilbarkeit, Integration und das Zusammenspiel unterschiedlicher Technologien verstanden.
In der Vorlesung „Mobile Systeme“ erwerben die Studierenden ein grundlegendes Verständnis der Herausforderungen und Technologien im Bereich mobiler Kommunikationssysteme. Nach Abschluss der Vorlesung können sie grundlegende Prinzipien drahtloser und mobiler Kommunikation erläutern und spezifische Technologien wie Mobilitätsmodelle, mobile Ad-hoc-Netze (MANETs), verzögerungstolerante Netze (DTNs) und mobiles TCP analysieren und bewerten. Darüber hinaus sind sie in der Lage, Problemstellungen im Bereich mobiler Systeme zu identifizieren und geeignete Lösungsansätze in praktischen Szenarien anzuwenden.
Die Vorlesung behandelt die folgenden Inhalte:
• Grundlagen mobiler Systeme: Herausforderungen durch Mobilität, drahtlose Kommunikation und Netzwerke.
• Mobilitätsmodelle: Simulation und Analyse individueller und gruppenbasierter Mobilität.
• Mobile Ad-Hoc-Netze (MANETs): Selbstorganisierende Netzwerke, Routing-Protokolle und Anwendungsfälle.
• Verzögerungstolerante Netze (DTNs): Kommunikation bei intermittierender Konnektivität und „Store-Carry-Forward“-Mechanismen.
• Mobiles TCP: Anpassung und Optimierung des Transmission Control Protocols für mobile und drahtlose Netzwerke.
Die Vorlesung wird im Flipped Classroom-Format unterrichtet. Die Studierenden bereiten sich eigenständig mithilfe von Vorlesungsfolien und Erklärvideos auf die Live-Termine vor. In den Präsenzveranstaltungen werden Inhalte durch Fallstudien und Übungen vertieft. Zur Selbstüberprüfung stehen Online-Tests zur Verfügung, die den Studierenden Feedback und die Möglichkeit zur Vertiefung des Gelernten bieten. Die Prüfungsleistung besteht aus einer 60-minütigen Klausur, die Teil der Modulklausur „Mobile und Verteilte Systeme“ ist. Der Arbeitsaufwand beträgt insgesamt 60 Stunden, die sich auf 20 Stunden Präsenzzeit in den Live-Terminen, 20 Stunden asynchrones Lernen mit Vorlesungsfolien und Videos sowie 20 Stunden für Prüfungsvorbereitung und Nachbereitung verteilen.
- Foliensammlung und Erklärvideos im ILIAS-System
- James Kurose, Keith Ross: Computer Networking - A Top-Down Approach, 8. Auflage, Pearson, 2021 (Kapitel 7)
- Martin Sauter, Grundkurs Mobile Kommunikationssysteme, 8. Auflage, 2022 (als E-Book über die KIT-Bibliothek verfügbar)
- Weitere Hinweise in ILIAS und in der Vorlesung
Seminaristischer Unterricht, Übungsblätter
Aufbauend auf einem vorausgesetzten Verständnis grundlegender Prinzipien und Paradigmen verteilter Systeme behandelt die Master-Vorlesung Fallstudien aktueller Anwendungsgebiete. Die Auswahl behandelter Inhalte variiert. Es werden zum einen praktisch bedeutsame (industrierelevante) Bereiche berücksichtigt. Zum anderen werden aktuelle Trends aus Forschung und Entwicklung aufgegriffen.
Einen wesentlichen Themenkomplex der aktuellen Vorlesung stellen dienstbasierte Informationssysteme dar. Deren Strukturen und Konstruktionsprinzipien werden in Hinsicht auf serviceorientierte Systemtechniken, Software Architekturen und Organisationsstrukturen dargestellt. Serviceorientierte Konzepte werden am Beispiel von Web Service Technologien veranschaulicht und anhand konkreter Werkzeuge, Frameworks und Plattformen untermauert.
- Andrew S. Tannenbaum, Marten van Steen, "Verteilte Systeme, Prinzipien und Paradigmen", 2. aktualisierte Auflage, Pearson Studium, 2008, ISBN 978-3-8273-7293-2
- George Coulouris, Jean Dollimore, Tim Kindberg, Gordon Blair, "Distributed Systems, Concepts and Design", Fifth Edition, Addison-Wesley, 2012
- Dirk Krafzig, Karl Banke, Dirk Slama, "Enterprise SOA : Wege und Best Practices für serviceorientierte Architekturen", mitp, 2007, ISBN 978-3-8266-1729-4
- Michael P. Papazoglou, "Web Services & SOA, Principles and Technology", Second Edition, Pearson Education Limited, 2013
- Stefan Tilkov, Martin Eigenbrodt, Silvia Schreier, Oliver Wolf, "REST und HTTP : Entwicklung und Integration nach dem Architekturstil des Web", 3. Auflage, dpunkt.verlag, 2015
- Tammo Van Lessen, Daniel Lübke, Jörg Nitzsche, "Geschäftsprozesse automatisieren mit BPEL", dpunkt, 2011
Eigenständige Arbeitsanteile betreffen Vor- und Nacharbeit der Vorlesungsinhalte und Klausurvorbereitung.
Das Labor vermittelt praktische Einblicke in die Konstruktion verteilter Informationssysteme. Dabei werden aktuelle Paradigmen aufgegriffen und erweiterte Prinzipien im Kontext realitätsnaher Anwendungsfälle behandelt. Die konkrete Aufgabenstellung orientiert sich an aktuellen Themenstellungen industrieller Forschung und Entwicklung. Sie variiert daher von Semester zu Semester. Die praktische Umsetzung erfolgt unter Verwendung moderner industrierelevanter Plattformen und Frameworks.
Die Literatur wird in jedem Semester passend zur Aufgabenstellung vorgestellt. Hierzu zählen auch Online Tutorials basierend auf einer Auswahl aktueller Frameworks und Bibliotheken.
Es werden Grundkenntnisse in den Bereichen web- und komponentenbasierter verteilter Systeme sowie Web- und Datenbankprogrammierung in Java vorausgesetzt. Die Veranstaltung beinhaltet 50 % betreute Präsenszeit (2 SWS) im Labor sowie 50% selbständige Arbeit. Der Leistungsnachweis erfolgt durch Präsentation und Verteidigung der Lösung.
Dieses Modul ist die Fortsetzung der Veranstaltung "Wissenschaftliches oder projektbasiertes Arbeiten unter Anleitung I". In diesem Modul sollen Studierende kontinuierlich während des gesamten Semesters an einem wissenschaftlichen Thema oder einem anwendungsnahen Projekt arbeiten. Es kann, muss sich aber nicht um dasselbe Projekt wie im ersten Veranstaltungsteil handeln.
Studierende erwerben dadurch die Kompetenz, fortgeschrittene industrielle und wissenschaftliche Projekte im IT-Bereich selbständig zu planen, durchzuführen und im Team abzuschließen.
Parallel dazu wird ein fakultätsöffentlicher Seminarvortrag vorbereitet.
Arbeitsgebiete können durch jeden Professor der Fakultät eröffnet werden, dies erfolgt durch Aushang zu Semesterbeginn.
Forschungsprojekte bewegen sich an der vorderen Front der aktuellen Informatikforschung und können in Zusammenarbeit mit Forschungsinstitutionen durchgeführt werden.
Anwendungsprojekte sind von besonderer Relevanz für die industrielle Praxis und können in Zusammenarbeit mit Industrieunternehmen durchgeführt werden.
Nach Maßgabe der Arbeitsgruppe
Vorkenntnisse: Nach Maßgabe der Arbeitsgruppe
Format: Präsenzzeit mit Gruppendiskussion 30 %, selbständige Arbeit 70 %.
Mündliche Prüfung 30 Minuten
Betreuung: In der Regel wird wöchentlich zu einem festen Termin eine Sitzung der Arbeitsgruppe stattfinden, der Betreuungsumfang umfasst mindestens 1 SWS je Teilnehmer
Die Teilnehmenden des Seminars erstellen unter Anleitung eines betreuenden Dozenten zu einem Thema eine schriftliche Ausarbeitung in Hausarbeit. Die Seminarthemen sind in Themengruppen klassifiziert und orientieren sich in der Regel an aktuellen Informatik-Problemen. Neben der fachlichen Problemstellung steht in dieser Lehrveranstaltung auch die Selbstdarstellung des Studierenden im Vordergrund. Die Arbeit wird durch eine Präsentation abgeschlossen.
- je nach Themenstellung
Besprechungen mit dem betreuenden Dozenten; ev. experimentelle Untersuchungen; Literatur-Aufarbeitung; Berichterstellung; Teilnahme an den Seminarvorträgen der Kommilitonen; Diskussion der Präsentationen der Kommilitonen.
Die Master Thesis ist die Abschlussarbeit des Informatikstudiums.
Sie dient dem Nachweis der erworbenen Fähigkeiten, indem ein wissenschaftliches oder anwendungsnahes Thema mit großer Selbständigkeit bearbeitet wird. Dies geschieht im Regelfall in Zusammenarbeit mit einem Industrieunternehmen oder einer Forschungsinstitution nach Maßgabe der Studien- und Prüfungsordnung.
In einer Master Thesis soll insbesondere die Fähigkeit bewiesen werden, fachlich sowohl tiefer als auch umfassender als im grundlegenden Bachelor-Studium in das bearbeitete Gebiet hineinzureichen; ferner soll als Ergebnis der Master Thesis eine abstrahierende Zusammenfassung des bearbeiteten Themas stehen, die einem wissenschaftlichen Anspruch genügt.
In der Abschlussarbeit bearbeiten die Studierenden in einem vorgegebenen Zeitraum eine praxisnahe Problemstellung oder eine Forschungsaufgabe selbstständig mit wissenschaftlichen Methoden und Erkenntnissen des Fachs. Sie strukturieren dazu die Aufgabenstellung, prüfen Abhängigkeiten, stellen die erforderlichen Ressourcen zusammen und bearbeiten das Problem an Hand eines Zeitplans. Die schriftliche Thesis fasst die Ergebnisse didaktisch sinnvoll aufbereitet zusammen und genügt wissenschaftlichen Standards.
Passend zur Aufgabenstellung nach Absprache