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
3Abkürzungen entnehmen Sie bitte Seite 5
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
4Abkürzungen entnehmen Sie bitte Seite 5
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
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
SL 556011 - Video-Vorlesung (unbenotet)
MAT-DSBM1 - Foundations of Stochastics
71666 VU - Foundations of Stochastics
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 551252 - Übung oder inverted classroom (unbenotet)
Compulsory Modules
MATVMD837 - Statistical Data Analysis
6Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
71334 VU - Statistical Data Analysis
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
Leistungen in Bezug auf das Modul
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
Für dieses Modul werden aktuell keine Lehrveranstaltungen angeboten
INF-DS-C2 - Data Infrastructures and Software Engineering
71626 VU - Distributed Data Management
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 557111 - Vorlesung und Übung (unbenotet)
71984 U - Principles of Data- and Knowledge-Base Systems
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
7Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
Leistungen in Bezug auf das Modul
PNL 557111 - Vorlesung und Übung (unbenotet)
71985 V - Principles of Data- and Knowledge-Base Systems
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 V Di 16:00 - 18:00 wöch. 3.06.H01 16.10.2018 Prof. Dr. Torsten Schaub,Philipp Obermeier
Literatur
Principles of Database & Knowledge-Base Systems by Jeffrey D. Ullman W. H. Freeman & Co. New York, NY, USA
71986 PR - Principles of Data- and Knowledge-Base Systems
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 PR N.N. N.N. wöch. N.N. N.N. Prof. Dr. Torsten Schaub,Philipp Obermeier
Literatur
Principles of Database & Knowledge-Base Systems by Jeffrey D. Ullman W. H. Freeman & Co. New York, NY, USA
72016 V - Software Engineering I
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
Leistungen in Bezug auf das Modul
PNL 557111 - Vorlesung und Übung (unbenotet)
8Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
72031 V - Secure Information Flow
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 V Di 10:00 - 12:00 wöch. 3.06.H01 16.10.2018 Prof. Dr.-Ing. ChristianHammer
Leistungen in Bezug auf das Modul
PNL 557111 - Vorlesung und Übung (unbenotet)
72032 OS - Themen der sprachbasierten Sicherheit
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
Leistungen in Bezug auf das Modul
PNL 557111 - Vorlesung und Übung (unbenotet)
INF-DS-C3 - Data Science and Business Analytics
72043 VU - Data Science
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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!!!
Leistungen in Bezug auf das Modul
PNL 557121 - Vorlesung und Laborübung (unbenotet)
INF-DS-C4 - Applied Data Science
69666 VU - GEW-RCM01 Remote Sensing of the Environment
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 557132 - Übung oder Projekt (unbenotet)
70248 B - Analysis of high-throughput sequencing data
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
9Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
Leistungen in Bezug auf das Modul
PNL 557132 - Übung oder Projekt (unbenotet)
70433 VU - Bioinformatik biologischer Sequenzen / Evolutionary Genomics
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 557132 - Übung oder Projekt (unbenotet)
71612 SU - Machine Intelligence with Deep Learning
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 SU N.N. N.N. wöch. N.N. N.N. Dr. rer. nat. Haojin Yang
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
Leistungen in Bezug auf das Modul
PNL 557132 - Übung oder Projekt (unbenotet)
71626 VU - Distributed Data Management
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
10Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
Leistungen in Bezug auf das Modul
PNL 557132 - Übung oder Projekt (unbenotet)
71687 VU - Ringvorlesung interdisziplinäre Mathematik: Eine projektorientierte Einführung
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 557132 - Übung oder Projekt (unbenotet)
71709 VU - Statistics for Stochastic Processes
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 557132 - Übung oder Projekt (unbenotet)
71981 U - Declarative Problem Solving and Optimization
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 557132 - Übung oder Projekt (unbenotet)
72027 S - Advanced topics in cryptography and security
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 557132 - Übung oder Projekt (unbenotet)
72201 VU - Methods of Cloud Computing
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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/
11Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
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,
Leistungen in Bezug auf das Modul
PNL 557132 - Übung oder Projekt (unbenotet)
Elective Modules - Research Modules
INF-DS-RMA - Research Module A
71988 PJ - Extensive Declarative Problem Solving
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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!
Leistungen in Bezug auf das Modul
SL 557142 - Übung oder Projekt (unbenotet)
71989 PJ - Extensive Logistics Technology
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 PJ N.N. N.N. wöch. N.N. N.N. Prof. Dr. Torsten Schaub
Kommentar
TODO - in English
Leistungsnachweis
Implementation und Dokumentation
12Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
Kurzkommentar
Gemeinsame Auftaktveranstaltung für alle Projektangebote der Professur Wissensverarbeitung und Informationssysteme am26.10.17 um 18 Uhr im HS 3.06.H01!
Leistungen in Bezug auf das Modul
SL 557142 - Übung oder Projekt (unbenotet)
72047 LP - Forschungsthema A
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
Leistungen in Bezug auf das Modul
SL 557142 - Übung oder Projekt (unbenotet)
INF-DS-RMB - Research Module B
71997 S - Cognitive technologies
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 S Do 14:00 - 16:00 wöch. 3.04.0.02 18.10.2018 Prof. Dr. Torsten Schaub,Javier Romero Davila
Leistungen in Bezug auf das Modul
SL 557151 - Vorlesung oder Seminar (unbenotet)
72032 OS - Themen der sprachbasierten Sicherheit
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
Leistungen in Bezug auf das Modul
SL 557151 - Vorlesung oder Seminar (unbenotet)
72048 LP - Forschungsthema B
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
Leistungen in Bezug auf das Modul
SL 557152 - Übung oder Projekt (unbenotet)
Elective Modules - Advanced Module
MAT-DSAM2A - Advanced Statistical Data Analysis A
13Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
71709 VU - Statistics for Stochastic Processes
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 551262 - Übung (unbenotet)
MAT-DSAM2B - Advanced Statistical Data Analysis B
69700 S - Bayesian Linear Modeling
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 VS Mi 10:00 - 12:00 wöch. 2.14.0.09 17.10.2018 Prof. Dr. ShravanVasishth
69702 U - Bayesian Linear Modeling
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 U Mo 14:00 - 16:00 wöch. 2.14.0.09 15.10.2018 Prof. Dr. ShravanVasishth
Leistungen in Bezug auf das Modul
PNL 551271 - Vorlesung und Übung (unbenotet)
MAT-DSAM3A - Advanced Data Assimilation and Modeling A
Für dieses Modul werden aktuell keine Lehrveranstaltungen angeboten
MAT-DSAM3B - Advanced Data Assimilation and Modeling B
Für dieses Modul werden aktuell keine Lehrveranstaltungen angeboten
MAT-DSAM8A - Mathematical Foundations of Data Science A
71703 VU - Partielle Differentialgleichungen
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 551313 - Übung (unbenotet)
71726 VU - Funktionalanalysis 1
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 551313 - Übung (unbenotet)
14Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
71851 VU - Analysis auf Graphen / Analysis on graphs
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 V Mo 08:15 - 09:45 wöch. 2.09.0.14 15.10.2018 Prof. Dr. Matthias Keller
1 V Mo 10:15 - 11:45 wöch. 2.05.1.06 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
Leistungen in Bezug auf das Modul
PNL 551313 - Übung (unbenotet)
MAT-DSAM8B - Mathematical Foundations of Data Science B
71686 VU - Numerik I
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 551322 - Vorlesung und Übung (unbenotet)
71851 VU - Analysis auf Graphen / Analysis on graphs
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 V Mo 08:15 - 09:45 wöch. 2.09.0.14 15.10.2018 Prof. Dr. Matthias Keller
1 V Mo 10:15 - 11:45 wöch. 2.05.1.06 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
Leistungen in Bezug auf das Modul
PNL 551322 - Vorlesung und Übung (unbenotet)
BM3 - Advanced Problem Solving Techniques
71973 PR - Advanced Problem Solving Techniques
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 PR N.N. N.N. wöch. N.N. N.N. 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, assignments, report and talk.
Leistungen in Bezug auf das Modul
PNL 555913 - Praktikum (unbenotet)
71974 PJ - Advanced Problem Solving Techniques
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 PJ N.N. N.N. wöch. N.N. N.N. Javier Romero Davila
15Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
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, assignments, report and talk.
Leistungen in Bezug auf das Modul
PNL 555914 - Projekt (unbenotet)
71975 U - Advanced Problem Solving Techniques
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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, assignments, report and talk.
Leistungen in Bezug auf das Modul
SL 555912 - Übung (unbenotet)
71976 V - Advanced Problem Solving Techniques
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 V Fr 12:00 - 16:00 wöch. 3.06.H01 19.10.2018 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, assignments, report and talk.
16Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
Kurzkommentar
Die Vorlesung findet nur bis Dezember 2016 freitags von 12-16 Uhr im HS 03.06.H01 statt.
Leistungen in Bezug auf das Modul
SL 555911 - Vorlesung (unbenotet)
INF-DSAM1A - Advanced Machine Learning A
72025 U - Intelligente Datenanalyse 2
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 557161 - Vorlesung und Laborübung (unbenotet)
72026 V - Intelligente Datenanalyse 2
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 V Mo 12:00 - 14:00 wöch. 3.06.H01 15.10.2018 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
INF-DSAM1B - Advanced Machine Learning B
Für dieses Modul werden aktuell keine Lehrveranstaltungen angeboten
INF-DSAM4A - Advanced Infrastructures and Software Engineering A
72030 U - Secure Information Flow
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 U Fr 10:00 - 12:00 wöch. 3.04.1.02 19.10.2018 Prof. Dr.-Ing. ChristianHammer
17Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
Voraussetzung
Betriebssysteme und Rechnernetze, Praxis der Programmierung.
Leistungen in Bezug auf das Modul
PNL 557181 - Vorlesung und Übung (unbenotet)
72031 V - Secure Information Flow
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 FS Do 10:00 - 12:00 wöch. 3.04.1.02 18.10.2018 Prof. Dr.-Ing. ChristianHammer
Leistungen in Bezug auf das Modul
PNL 557192 - Übung oder Projekt (unbenotet)
INF-DSAM5A - Advanced Business Analytics A
69159 S - Social Media & Business Analytics I
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
18Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
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.
Leistungen in Bezug auf das Modul
SL 557201 - Individuelles Forschungsprojekt (unbenotet)
PNL 557202 - Seminar 1 (unbenotet)
PNL 557203 - Seminar 2 (unbenotet)
69161 S - Social Media Research Project
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 VU Mi 10:00 - 14:00 wöch. 3.06.S21 17.10.2018 Prof. Dr. HannaKrasnova, MargaritaGladkaya
Kommentar
The class will follow the following schedule:
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
Collis J. and Hussez, R. (2009) "Business Research: A Practical Guide for Undergraduate and Postgraduate Students”.
19Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
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.
Leistungen in Bezug auf das Modul
SL 557201 - Individuelles Forschungsprojekt (unbenotet)
PNL 557202 - Seminar 1 (unbenotet)
PNL 557203 - Seminar 2 (unbenotet)
INF-DSAM5B - Advanced Business Analytics B
69159 S - Social Media & Business Analytics I
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
20Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
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.
Leistungen in Bezug auf das Modul
SL 557211 - Individuelles Forschungsprojekt (unbenotet)
SL 557212 - Seminar (unbenotet)
69161 S - Social Media Research Project
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 VU Mi 10:00 - 14:00 wöch. 3.06.S21 17.10.2018 Prof. Dr. HannaKrasnova, MargaritaGladkaya
Kommentar
The class will follow the following schedule:
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
21Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
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
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.
Leistungen in Bezug auf das Modul
SL 557211 - Individuelles Forschungsprojekt (unbenotet)
SL 557212 - Seminar (unbenotet)
INF-DSAM6A - Advanced Applied Data Science A
69557 V - Advanced Natural Language Processing
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 V Di 10:00 - 12:00 wöch. 2.14.0.09 16.10.2018 Dr. Tatjana Scheffler
22Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
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
Leistungen in Bezug auf das Modul
SL 557221 - Vorlesung / Seminar / Übung / Projekt (unbenotet)
SL 557222 - Vorlesung / Seminar / Übung / Projekt (unbenotet)
69558 U - Advanced Natural Language Processing
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 U Fr 10:00 - 12:00 wöch. 2.14.0.09 19.10.2018 Dr. Tatjana Scheffler
Leistungen in Bezug auf das Modul
SL 557221 - Vorlesung / Seminar / Übung / Projekt (unbenotet)
SL 557222 - Vorlesung / Seminar / Übung / Projekt (unbenotet)
INF-DSAM6B - Advanced Applied Data Science B
Für dieses Modul werden aktuell keine Lehrveranstaltungen angeboten
INF-DSAM7 - Computer Engineering for Big Data
71990 PJ - Extensive Solver Construction
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 PJ N.N. N.N. wöch. N.N. N.N. Prof. Dr. Torsten Schaub
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
Knowledge in ASP and/or SAT.
Literatur
See website.
Leistungsnachweis
Implementation und Dokumentation
Bemerkung
Die Zusammenkünfte finden nach Absprache statt.
Kurzkommentar
Gemeinsame Auftaktveranstaltung für alle Projektangebote der Professur Wissensverarbeitung und Informationssysteme am26.10.17 um 18 Uhr im HS 3.06.H01!
Leistungen in Bezug auf das Modul
PNL 557242 - Übung oder Projekt (unbenotet)
INF-DSAM9 - Computational Foundations of Data Science
23Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
71959 V - Chipentwurf
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
Leistungen in Bezug auf das Modul
PNL 557251 - Vorlesung und Übung (unbenotet)
71966 V - Codierungstheorie
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
24Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
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
Leistungen in Bezug auf das Modul
PNL 557251 - Vorlesung und Übung (unbenotet)
71980 V - Declarative Modeling
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
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
Implementation, documentation, presentation.
Kurzkommentar
Die Vorlesung findet ab Januar 2017 freitags von 12-16 Uhr im HS 03.06.H01 statt.
Leistungen in Bezug auf das Modul
PNL 557251 - Vorlesung und Übung (unbenotet)
25Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
71981 U - Declarative Problem Solving and Optimization
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 557251 - Vorlesung und Übung (unbenotet)
71987 S - Current Topics in Computational Intelligence
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 S Do 14:00 - 16:00 wöch. 3.04.0.02 18.10.2018 Prof. Dr. Torsten Schaub,Javier Romero Davila
Leistungen in Bezug auf das Modul
PNL 557251 - Vorlesung und Übung (unbenotet)
72001 V - Multi Media Signal Processing MSP
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 V Mi 10:00 - 12:00 wöch. 3.06.H01 17.10.2018 Prof. Dr.-Ing. ChristianBenno Stabernack
Leistungen in Bezug auf das Modul
PNL 557251 - Vorlesung und Übung (unbenotet)
72008 V - Multimedia-Technologie
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
26Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
Leistungen in Bezug auf das Modul
PNL 557251 - Vorlesung und Übung (unbenotet)
72011 V - Pervasive Computing
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
Leistungen in Bezug auf das Modul
PNL 557251 - Vorlesung und Übung (unbenotet)
72026 V - Intelligente Datenanalyse 2
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 V Mo 12:00 - 14:00 wöch. 3.06.H01 15.10.2018 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
Leistungen in Bezug auf das Modul
PNL 557251 - Vorlesung und Übung (unbenotet)
72041 V - Drahtlose Sensornetze
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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
27Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
Leistungsnachweis
Klausur oder mündliche Prüfung
Bemerkung
Dozent der Vorlesung ist Marcin Brzozowski.
Leistungen in Bezug auf das Modul
PNL 557251 - Vorlesung und Übung (unbenotet)
INF-DSAM10 - Research Data Management, Law, and Ethics
Für dieses Modul werden aktuell keine Lehrveranstaltungen angeboten
INF-DSAM11 - Applied Data Science Internship
71988 PJ - Extensive Declarative Problem Solving
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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!
Leistungen in Bezug auf das Modul
SL 557271 - Praktikum (mind. 8 Wochen) (unbenotet)
71989 PJ - Extensive Logistics Technology
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 PJ N.N. N.N. wöch. N.N. N.N. Prof. Dr. Torsten Schaub
Kommentar
TODO - in English
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!
Leistungen in Bezug auf das Modul
SL 557271 - Praktikum (mind. 8 Wochen) (unbenotet)
71990 PJ - Extensive Solver Construction
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
1 PJ N.N. N.N. wöch. N.N. N.N. Prof. Dr. Torsten Schaub
28Abkürzungen entnehmen Sie bitte Seite 5
Master of Science - Data Science - Prüfungsversion Wintersemester 2018/19
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
Knowledge in ASP and/or SAT.
Literatur
See website.
Leistungsnachweis
Implementation und Dokumentation
Bemerkung
Die Zusammenkünfte finden nach Absprache statt.
Kurzkommentar
Gemeinsame Auftaktveranstaltung für alle Projektangebote der Professur Wissensverarbeitung und Informationssysteme am26.10.17 um 18 Uhr im HS 3.06.H01!
Leistungen in Bezug auf das Modul
SL 557271 - Praktikum (mind. 8 Wochen) (unbenotet)
72049 PR - Angewandtes Data Science Praktikum
Gruppe Art Tag Zeit Rhythmus Veranstaltungsort 1.Termin Lehrkraft
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.
Leistungen in Bezug auf das Modul
SL 557271 - Praktikum (mind. 8 Wochen) (unbenotet)
29Abkürzungen entnehmen Sie bitte Seite 5
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
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.