Mündliche Prüfung (bei großer Teilnehmerzahl Klausur), Übungspunkte können als Notenbonus in die Bewertung der Prüfung eingehen

Eingebettete Systeme sind fundamentaler Bestandteil in vielzähligen technischen Systemen und fester Bestandteil des täglichen Lebens geworden, z.B. in der Mobilkommunikation, der Medizintechnik, der Unterhaltungselektronik, im Smart Home, in (voll-)automatisierten Fahrzeugen, der Industrieautomatisierung und im Bereich Internet-of-Things (IoT). Die damit verbundenen umfangreichen Anforderungen an eingebettete Systeme mit den vielfältigen Abhängigkeiten zwischen Software und Hardware erfordern Anwendungsspezifische Entwurfsverfahren für eingebettete Software. In diesem Modul werden Modellierungs-, Analyse- und Implementierungstechniken vorgestellt, die frühzeitig das Zusammenspiel der Software mit der zugrundeliegenden Hardware-Architektur hinsichtlich Performanz, Energieeffizienz, Zuverlässigkeit und funktionaler Sicherheit berücksichtigen. Es werden die aktuellen Forschungs- und Entwicklungstrends im Entwurf eingebetteter Systeme aufgezeigt, um die Studierenden
frühzeitig an ein Thema mit hoher Industrierelevanz eranzuführen, wobei sowohl theoretisches Basiswissen als auch domänenspezifische Anwendungskompetenzen
vermittelt werden.

Dieses Modul versetzt die Studierenden in die Lage, Eingebettete Systeme zu entwickeln und Spezifikationstechniken für Eingebettete Systeme miteinander
zu vergleichen und werden mit für Wissenschaft und Wirtschaft relevanten Problemstellungen aus dem Bereich Eingebetteter Systeme konfrontiert. Die Studierenden kennen die theoretischen Ansätze zur Modellierung und Analyse von eingebetteter Software unter Berücksichtigung von Taskscheduling, Prioritäteninversion, Kommunikationsaufwand sowie der Einflüsse der Hardware-Architektur und können diese auf unterschiedliche praktische Problemstellungen im Entwurf von eingebetteten Softwaresystemen anwenden. Die Übungen werden von den Studierenden in kleinen Gruppen selbstständig
bearbeitet und durch Vorführung der erzielten Ergebnisse Selbstbewusstsein, rhetorische Fähigkeiten und Kritikfähigkeit trainiert.

• O. Bringmann, W. Lange, M. Bogdan: Eingebettete Systeme: Entwurf, Modellierung und Synthese; De Gruyter Oldenbourg, 3. überarbeitete Auflage, 2018.
• P. Marwedel: Embedded System Design – Embedded Systems Foundations of Cyber-Physical Systems, and the Internet of Things; Springer, 3. Auflage, 2018.
• C. Haubelt, J. Teich: Digitale Hardware/Software-Systeme: Spezifikation und Verifikation; Springer 2010.

Mündliche Prüfung (bei großer Teilnehmerzahl Klausur), durch erfolgreiche Übungen kann ein Notenbonus erarbeitet werden.

Eingebettete Systeme haben im letzten Jahrzehnt die Veränderungen in der Daten-, Kommunikations- und Automobiltechnik stark geprägt und sind zu einem festen Bestandteil des täglichen Lebens geworden. In diesem Modul werden die spezifischen Hardware-Aspekte von Eingebetteten Systemen behandelt. Themen sind: IC-Technologien für Eingebettete Systeme, Hardware-Entwurfsmethoden, Modellierungskonzepte und Simulationsmethoden mit Hardwarebeschreibungssprachen. Ferner werden die Kommunikation zwischen Prozessen und Modulen innerhalb eines Chips behandelt, verschiedene
Synchronisationsarten aufgezeigt sowie On-Chip-Bussysteme aus der Praxis vorgestellt. Ein Schwerpunkt bildet die automatisierte Schaltungssynthese aus Hardware- und Systembeschreibungssprachen (VHDL, Verilog und SystemC) bzw. Software-Programmiersprachen (C/C++). Zunächst werden die Register-Transfer-Synthese, die Logiksynthese und die Technologieabbildung thematisiert. Anschließend werden die Konzepte der Architektursynthese (High-Level-Synthese) mit den grundlegenden Algorithmen zur taktzyklengenauen Ablaufplanung und Ressourcen-Bindung vorgestellt. Mit Hilfe von Hardwarebeschreibungssprachen wie VHDL und Verilog werden Methoden zur Modellierung und Simulation Eingebetteter Systeme vermittelt, die durch eigenständige Arbeit in den Übungen entsprechend angewandt und vertieft werden.

Es werden Fachkompetenzen sowie grundlegende Konzepte und Technologien moderner Eingebetteter Systeme erworben. Die Studierenden werden befähigt, Prinzipien einschlägiger Hardware-Basistechnologien zu kennen und einsetzen können, Entwicklungstechniken theoretisch und praktisch zu beherrschen sowie Eingebettete Systeme beurteilen und optimieren zu können. Ferner erwerben die Studierenden ein Verständnis der Methoden und Konzepte von Hardwarebeschreibungssprachen und der automatisierten Schaltungssynthese im digitalen Hardware-Entwurf. Die Übungen werden von den Studierenden in kleinen Gruppen selbstständig bearbeitet und durch Vorführung der erzielten Ergebnisse Selbstbewusstsein, rhetorische Fähigkeiten und Kritikfähigkeit trainiert.

• O. Bringmann, W. Lange, M. Bogdan: Eingebettete Systeme: Entwurf, Synthese und Edge AI; De Gruyter Oldenbourg, 4. überarbeitete Auflage, 2022.

• J. Teich, C. Haubelt: Digitale Hardware/Software-Systeme: Synthese und
Optimierung; Springer 2007.

• G. De Micheli: Synthesis and Optimization of Digital Circuits. McGraw-
Hill, 1994.

Vortrag und schriftlicher Projektbericht

Eingebettete Systeme sind zu einem grundlegenden Bestandteil vieler technischer Systeme geworden und sind bereits integraler Bestandteil des täglichen Lebens, z. B. in der mobilen Kommunikation, der Medizintechnik, der Unterhaltungselektronik, in smart homes und autonomen Fahrzeugen sowie in der industriellen Automatisierung und im Internet of Things (IoT). Die vielfältigen Abhängigkeiten zwischen Software und der zugrundeliegenden Hardware-Architektur erfordern einen ganzheitlichen Ansatz bei Entwurf, Analyse und Verifikation von eingebetteten Systemen. Dieses Seminar untersucht Modellierungs-, Analyse- und Verifikationsansätze für verteilte eingebettete Systeme, beleuchtet die neuesten Forschungstrends in der Computerarchitektur und im maschinellen Lernen und diskutiert deren Anwendbarkeit in zukünftigen eingebetteten Systemen. Die Studierenden wählen ein Seminarthema aus der vorgegebenen Themenliste, setzen sich mit dem Thema inhaltlich auseinander und präsentieren die erarbeiteten Inhalte durch eine mündliche Seminarpräsentation und einen schriftlichen Bericht.

Die Studierenden sind in der Lage, aktuelle Forschungsarbeiten auf dem Gebiet der eingebetteten Systeme zu lesen, zu reflektieren und inhaltlich zu prüfen und können die Beiträge einer Arbeit kritisch beurteilen. Sie können aktuelle Forschungsergebnisse vor anderen Studierenden und Forschern präsentieren und Forschungsdiskussionen leiten. Sie können die Ergebnisse von Forschungsarbeiten in Form einer mündlichen Präsentation und eines schriftlichen Berichts zusammenfassen und bewerten.

Will be announced in the pre-lecture meeting.

Mündliche Prüfung (bei großer Teilnehmerzahl Klausur)

In dieser Vorlesung werden aktuelle Themen und Trends in der Forschung zu eingebetteten Systemen mit besonderem Schwerpunkt auf Entwurf, Analyse und Verifikation von eingebetteten Systemen und Systems-on-Chip (SoCs) behandelt. Die Vorlesung beginnt mit einer Einführung in die Architekturen eingebetteter Systeme und den Entwurf auf elektronischer Systemebene. Anschließend werden die neuesten Entwicklungen in der Analyse nicht-funktionaler Eigenschaften wie Timing, Verlustleistung und Energieverbrauch diskutiert. Die Vorlesung zur Verifikation befasst sich mit cyber-physischen Systemen, Sicherheitsverifikation und Robustheitsoptimierung von maschinenlernbasierten eingebetteten Systemen. Die Vorlesung behandelt schließlich fortschrittliche Hardware-Architekturen für die stromsparende Implementierung von Deep-Learning-Ansätzen in Hardware. Zwischen den Vorlesungen finden praktische Übungen in Form von Programmieraufträgen statt. Die Dozenten werden die relevanten Grundlagen sowie aktuelle Forschungsergebnisse zu jedem Thema vorstellen.

Die Teilnehmer erwerben vertiefte Kenntnisse zu verschiedenen Aspekten von eingebetteten Systemen sowie die notwendigen Fähigkeiten, um eingebettete Systeme unter Sicherheitsbedingungen zu entwerfen, zu analysieren und zu verifizieren. Sie werden praktische Erfahrungen mit dem Entwurf eingebetteter Systeme sammeln, um häufige Fallstricke zu vermeiden. Die Studenten werden ein tieferes praktisches Verständnis durch die Arbeit an themenspezifischen Programmieraufgaben erlangen.

Will be announced during the first lecture.

Ausarbeitung und Präsentation der Praktikumsaufgaben

Dieses Modul bietet eine Einführung in die praktische Arbeit mit Mikrocontrollern. Hierfür wird die auf einem 32-bit ARM Cortex-M0+ Prozessor basierende FRDM-KL25Z Entwicklungsplattform verwendet. Nach einer kurzen Einführung in die verwendete Plattform, werden in Zweierteams praktische Aufgaben gelöst. Die Praktikumsaufgaben umfassen die folgenden Themenbereiche: Einführung in die Programmierung von Mikrocontrollern, Ausführungszeit von Anwendungen, Leistungsanalyse und -optimierung sowie Speicheranforderungen.

Die Studierenden können systematisch Software für Eingebettete Systeme unter Berücksichtigung von elektrischen Leistungsaufnahme und des Energieverbrauchs entwickeln. Sie kennen den gesamten Entwicklungsablauf von der Spezifikation, über die Entwicklung bis hin zu Debugging und Dokumentation. Ferner sind die Studierenden in der Lage, moderne Techniken des Softwaregestützten dynamischen Power-Managements bis hin zur Programmierung von Ultra-Low-Power-Anwendungen anzuwenden. Auf Teamarbeit, Kommunikation innerhalb der Gruppen und zwischen den einzelnen Gruppen, systematisches Problemlösen und Einhalten von Terminen wird Wert gelegt. Dies fördert Selbstbewusstsein, Selbstvermarktungsfähigkeit und Konfliktfähigkeit der Studierenden.

Literatur wird zu Beginn des Praktikums bekanntgegeben.

Mündliche Prüfung (bei großer Teilnehmerzahl Klausur), durch erfolgreiche Übungen kann ein Notenbonus erarbeitet werden.

Das Modul behandelt das Thema der parallelen Datenverarbeitung aus dem Blickwinkel der Rechnerarchitektur. Es werden Rechnerarchitekturkonzepte vorgestellt, mit deren Hilfe Parallelität auf verschiedenen Ebenen zur Leistungssteigerung ausgenutzt werden kann. Das Modul umfasst dabei u.a. die folgenden Themen: Parallelismus auf Maschinenbefehlsebene: Superskalartechnik, spekulative Ausführung, Sprungvorhersage, VLIW-Prinzip, mehrfädige Befehlsausführung. Moderne Parallelrechnerkonzepte, Speichergekoppelte Parallelrechner, symmetrische Multiprozessoren, Multiprozessoren mit verteiltem gemeinsamem Speicher, nachrichtenorientierte Parallelrechner, Multicore-Architekturen, Cache-Kohärenzprotokolle, Leistungsbewertung von Parallelrechensystemen, parallele Programmiermodelle, Verbindungsnetze (Topologie, Routing), heterogene Systemarchitekturen und GPGPUs.

Die Studierenden besitzen erweiterte fachliche Kompetenzen im Bereich moderner Rechnerarchitekturen mit Fokus auf Parallelarchitekturen, Verbindungsnetzwerke und heterogene Systeme. Sie kennen die Vor- und Nachteile der verschiedenen Parallelarchitekturen sowie die bei der Programmierung derartiger Systeme auftretenden Schwierigkeiten. Dies befähigt die Studierenden entsprechende Programmierkonzepte für parallele Architekturen situationsadäquat anzuwenden. In den Übungen erwerben die Teilnehmenden ein weitergehendes Verständnis für die Komplexität paralleler Vorgänge und die daraus resultierenden Schwierigkeiten. Durch die selbstständige Bearbeitung in kleinen Gruppen werden Teamfähigkeit und Führungsqualitäten in besonderem Maße gefördert.

• J. L. Hennessy, D. A. Patterson: Computer Architecture: A Quantitive Approach, Morgan Kaufmann Publishers Inc, Elsevier, 6. Auflage, 2018.
• S. Pasricha, N. Dutt: On-Chip Communication Architectures; Morgan Kaufmann Publishers Inc., 2008.

Ausarbeitung und Präsentation der Praktikumsaufgaben

Das Praktikum behandelt aktuelle Forschungsfragen der Rechnerarchitektur anhand praktischer Aufgabestellungen. Hierzu gehören Praktikumsaufgaben zu folgenden Themen: Simulative Bewertung von Rechnerarchitekturen, Mikroarchitektur und Befehlssätze, Sprungvorhersagen und spekulative Ausführung, Caches und Cachekohärenz, Speicherorganisation und Verbindungsnetzwerke sowie Unterstützung von Betriebssystemen durch die Rechnerarchitektur. Zusätzlich bildet ein eigenständig erarbeitetes Forschungsprojekt den Abschluss des Praktikums.

Dieses Praktikum versetzt die Studierenden in die Lage, aktueller Forschungsfragen aus dem Bereich der Rechnerarchitektur zu bewerten und neue Fragestellungen selbständig zu bearbeiten. Durch den praktischen Umgang mit Parallelarchitekturen und parallelisierten Anwendungen erlangen die Studierenden ein weitergehendes Verständnis über die Komplexität paralleler Vorgänge und die daraus resultierenden Schwierigkeiten. Die selbständige Bearbeitung der Aufgaben befähigt die Studierenden, mit für den Alltag in Wissenschaft und Wirtschaft relevanten Methoden und Werkzeugen umzugehen. Ferner erwerben sie die Kompetenz Parallelrechner effizient zu programmieren und die erlernten Fähigkeiten im Rahmen eines Forschungsprojekts vertieft anzuwenden. Die im Rahmen dieses Moduls gestellten Aufgaben werden in kleinen Gruppen bearbeitet. Dies trainiert neben Team-, Kommunikations- und Konfliktfähigkeiten auch das Verantwortungsbewusstsein der Studierenden.

• J. L. Hennessy, D. A. Patterson: Computer Architecture: A Quantitive Approach, Morgan Kaufmann Publishers Inc, Elsevier, 6. Auflage, 2018.

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Diese Vorlesung baut auf dem vorhandenen Wissen auf, wie Tiere und Menschen ihr Verhalten planen, entscheiden und kontrollieren und wie sie ihr Verhalten im Laufe der Zeit immer weiter optimieren und anpassen. Dementsprechend werden Algorithmen für die Entscheidungsfindung, Kontrolle, Optimierung und Anpassung von Verhalten vorgestellt. Insbesondere werden räumliche Repräsentationen für die Verhaltenskontrolle, forward-inverse Kontrollmodelle, einschließlich des Lernens solcher Repräsentationen und Modelle vorgestellt. Auch die Kodierung und das Lernen von motorischen Kontrollprimitiven und motorischen Komplexen wird betrachtet. Zu guter Letzt werden selbstmotivierte künstliche Systeme betrachtet, die danach streben, eine interne Homöostase aufrechtzuerhalten und den Informationsgewinn zu maximieren.

Die Studierenden wissen, wie intelligentes Verhalten in künstlichen Systemen erzeugt und gelernt werden kann. Sie können Reinforcement Learning (RL), einschließlich hierarchischem RL, faktorisiertem RL und akteurskritischen Ansätzen auf die entsprechenden Probleme anwenden. Außerdem sind sie sich des Unterschieds zwischen modellfreien und modellbasierten RL-Ansätzen bewusst. Sie kennen sich mit dynamischen Bewegungsprimitiven aus und wissen, wie man sie optimiert. Darüber hinaus kennen sie Gaussian Mixture Models und wissen, wie man sie lernt und optimiert. Sie können informationsgewinngesteuertes und selbstmotiviertes Verhalten implementieren und sind sich des Dilemmas zwischen Exploration und Ausbeutung bewusst. Darüber hinaus kennen sie die modellprädiktive Steuerung, die Möglichkeiten zum Erlernen geeigneter modellprädiktiver Strukturen und die Möglichkeiten zur angemessenen Abstraktion solcher Strukturen. Schließlich wissen sie, wie sensomotorische, raum-zeitliche Repräsentationen erlernt, als episodische Gedächtniseinheiten gespeichert und zu kognitiven Karten abstrahiert werden können, die eine modellbasierte RL ermöglichen.

Literatur / Literature:
Wird in der Veranstaltung ausgegeben (Buchkapitel und Artikel in Englisch). / Will be supplied (book chapters and papers in English).

Voraussetzungen / Prerequisites:
Vorkenntnisse in maschinellem Lernen, Künstlichen Neuronalen Netzen, Deep Learning oder Künstlicher Intelligenz sind notwenig. / Knowledge about machine learning, artificial neural networks, deep learning, or artificial intelligence is required.

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Fortgeschrittene ANN-Themen. Zunächst eine Wiederholung von Backpropagation und Backpropagation im Laufe der Zeit; dann: Fortgeschrittene rekurrente neuronale Netze (LSTM, GRU); Very Deep Learning und generative adversarische Netze; räumliche und zeitliche Faltung; Reservoir Computing; Neuroevolution; Aufmerksamkeits- und Routing-Netze; Autoencoder und eingeschränkte Boltzmann-Maschinen; Verstärkungsfelder und Schaltnetze; Techniken zur Visualisierung des latenten Raums; generative Inferenz

Die Studierenden kennen generative und typischerweise rekurrente künstliche neuronale Netze und können diese in verschiedenen Bereichen anwenden, z.B. Datenklassifikation, Bilderkennung, Sprachverarbeitung, räumlich-invariante Erkennung, räumliche Transformationen und räumliche Mappings. Sie können komplexe, generative künstliche neuronale Netze sowohl von Grund auf als auch mit vorhandenen Werkzeugen anwenden. Sie wissen, wie man Gewichte und Netzstrukturen mit Hilfe des Gradientenabstiegs sowie alternativer Methoden optimiert. Sie können komplexe rekurrente Netzstrukturen einsetzen, um Aspekte der Daten selektiv zu verarbeiten. Sie wissen, wie man generative Netze als modellprädiktive neuronale Regler und auch als weitreichende zeitliche Prädiktoren einsetzt. Sie können retrospektive latente Zustands- und Motorinferenztechniken mit prospektiver Motorsteuerung kombinieren.

Literatur / Literature:
Wird in der Veranstaltung ausgegeben (Buchkapitel und Artikel in Englisch). / Will be supplied (book chapters and papers in English).

Voraussetzungen / Prerequisites:
Vorkenntnisse in maschinellem Lernen, Künstlichen Neuronalen Netzen, Deep Learning oder Künstlicher Intelligenz sind notwenig. / Knowledge about machine learning, artificial neural networks, deep learning, or artificial intelligence is required.

Präsentation und Ausarbeitung des Projektes

In diesem projektorientierten Praktikum lernen die Studierenden, wie man realistische, interessante und sich verhaltende Avatare in virtuellen Realitäten gestaltet. Typischerweise liegt der Schwerpunkt auf der Entwicklung von Benutzerschnittstellen und neuen Möglichkeiten, mit der VR zu interagieren und auf Objekte oder andere Entitäten innerhalb der VR einzuwirken. Alternativ werden Versuchsaufbauten programmiert und optimiert, um reale psychologische und evaluative Experimente durchzuführen, bei denen Benutzer Avatare in der VR steuern.

Die Studierenden wissen, wie man mit virtuellen Realitäten (VR) arbeitet und wie man animierte, autonome Avatare in diesen Umgebungen entwickelt. Sie sind in der Lage, geeignete Schnittstellen zu erstellen und zu nutzen, um Nutzern eine effektive Interaktion mit VRs und die Steuerung von Avataren darin zu ermöglichen.

keine / Solid Knowledge in Programming. General knowledge about simulation software.

Präsentation und Ausarbeitung des Projektes

Programmierung erweiterter Funktionalitäten in ANN-Software, Bewertung der Leistung, Analysieren des Systems.

Wissen, wie man mit komplexen künstlichen neuronalen Netzen arbeitet, sie implementiert und verbessert.

keine / Solid Knowledge in Programming. Knowledge about artificial neural networks
or machine learning.

Präsentation und Ausarbeitung des Projektes

Arbeit mit ANN-Software, Bewertung der Leistung und Analyse des Systems.

Wissen, wie man künstliche neuronale Netze bewertet, programmiert und analysiert.

keine / Solid Knowledge in Programming. Knowledge about artificial neural networks
or machine learning.

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Es werden kognitive Modelle für Lernen, Handeln und Wahrnehmung vorgestellt und erörtert, darunter deskriptive, qualitative, quantitative und neuronale Modelle. Darüber hinaus werden die Optimierung von Parametern sowie Techniken zum Vergleich von Modellen und zur Interpretation und Bewertung von Modellparametern vorgestellt. Alle Techniken werden im Zusammenhang mit konkreten Modellen kognitiver Prozesse gezeigt. Darüber hinaus werden die notwendigen statistischen Methoden praxisnah und anwendungsorientiert vorgestellt.

Die Studierenden kennen die wichtigsten Prinzipien und Techniken der kognitiven Modellierung. Sie wissen, wie man kognitive Prozesse, Mechanismen und Lernen auf verschiedenen Komplexitätsebenen modelliert. Sie können verschiedene kognitive Modelle und Modellierungsansätze zielgerichtet anwenden. Darüber hinaus können sie verschiedene Modellierungsansätze und Modellierungsergebnisse bewerten, vergleichen und gegenüberstellen. Sie sind in der Lage zu beurteilen, ob ein Modell falsifizierbar ist und wissen, wie man kognitive Modelle validiert und interpretiert. Schließlich können sie statistische Methoden anwenden, um verschiedene kognitive Modelle quantitativ zu vergleichen.

Book: S. Lewandowsky & S. Farrell (2011). Computational Modeling in Cognition.
Additional papers and book chapters will be supplied. Introductory course knowledge about machine learning, artificial neural networks, robotics, cognitive architectures, or artificial intelligence is required.

Präsentation und schriftlicher Bericht (entweder als wissenschaftliche Arbeit oder als Bericht (15-20 Seiten)

Das Forschungsprojekt zielt auf die Vertiefung der theoretischen und praktischen Kenntnisse in einem bestimmten Bereich der Bioinformatik ab. Die Studierenden nehmen an einem Forschungsprojekt mit dem thematischen Schwerpunkt der Forschungsgruppe teil.

Bioinformatik-Forschungsprojekt: Die Studierenden
- erhalten Einblick in das wissenschaftliche Arbeiten,
- lernen, selbstständig eine Forschungsfrage zu verfolgen,
- lernen, selbstständig wissenschaftliche Literatur für die zu bearbeitende Fragestellung zu identifizieren und zusammenzustellen,
- sind in der Lage, im Team in einem wissenschaftlichen internationalen Umfeld zu arbeiten,
- vertiefen ihre Problemlösungskompetenz.

Wissenschaftliche Literatur/Veröffentlichungen relevant für das zu bearbeitende Forschungsthema / Exzellente akademische Noten im Master Bioinformatik. Es gibt nur wenige Forschungsprojekte, die semesterweise angeboten werden. Eine schriftliche Bewerbung, incl. Motivationsschreiben, CV und Transcript of Records sind an den Arbeitsgruppenleiter des angebotenen Forschungsprojektes zu schicken.

Vortrag und schriftlicher Projektbericht

Das Forschungsprojekt dient der Vertiefung des theoretischen und praktischen Wissens in einem spezifischen Bereich der Praktischen / Theoretischen / Technischen Informatik. Studierende arbeiten an einem Forschungsprojekt des thematischen Schwerpunktes der Arbeitsgruppe mit und sind im Idealfall an der Erstellung einer wissenschaftlichen Publikation im Themenbereich beteiligt.

Die Studierenden
• bekommen Einblick in wissenschaftliches Arbeiten,
• erlernen wie man selbständig einer Forschungsfrage nachgeht,
• lernen selbständig wissenschaftliche Literatur für die zu nearbeitende Fragestellun zu identifizieren und zu erarbeiten,
• sind in der Lage, in einem wissenschaftlichen internationalen Umfeld im Team zu arbeiten,
• vertiefen ihre Problemlösekompetenz,
• können einen wissenschaftlichen Vortrag halten.

Wissenschaftliche Literatur/relevante Veröffentlichungen für das zu bearbeitende Forschungsthema.

Schriftliche Ausarbeitung und darauf basierende Präsentation

Das Forschungsprojekt dient der Vertiefung des theoretischen und praktischen Wissens in einem spezifischen Bereich der Medieninformatik. Studierende arbeiten an einem Forschungsprojekt des thematischen Schwerpunktes der Arbeitsgruppe mit und sind im Idealfall an der Erstellung einer wissenschaftlichen Publikation im Themenbereich beteiligt.

Forschungsprojekt Medieninformatik: Die Studierenden
• bekommen Einblick in wissenschaftliches Arbeiten,
• erlernen wie man selbständig einer Forschungsfrage nachgeht,
• lernen selbständig wissenschaftliche Literatur für die zu bearbeitende Fragestellung zu identifizieren und zu erarbeiten,
• sind in der Lage, in einem wissenschaftlichen internationalen Umfeld im Team zu arbeiten,
• vertiefen ihre Problemlösekompetenz,
• können einen wissenschaftlichen Vortrag halten.

Wissenschaftliche Literatur/Veröffentlichungen relevant für das zu bearbeitende Forschungsthema

Schriftliche Ausarbeitung und darauf basierende Präsentation

Das Forschungsprojekt dient der Vertiefung des theoretischen und praktischen Wissens in einem spezifischen Bereich der Medizininformatik. Studierende arbeiten an einem Forschungsprojekt mit dem thematischen Schwerpunkt der Arbeitsgruppe mit. Die Studierenden erwerben Kenntnisse im aktuellen Forschungsumfeld der Medizininformatik und in der selbständigen Forschung einschließlich der notwendigen Dokumentation und dem Umgang mit Forschungsprimärdaten. Damit führt die Veranstaltung direkt auf eine forschungsbezogene Masterarbeit hin.

Die Studierenden
• bekommen Einblick in wissenschaftliches Arbeiten,
• erlernen wie man selbständig einer Forschungsfrage nachgeht,
• lernen selbständig wissenschaftliche Literatur für die zu bearbeitende Fragestellung zu identifizieren und zu erarbeiten,
• sind in der Lage, in einem wissenschaftlichen internationalen Umfeld im Team zu arbeiten,
• vertiefen ihre Problemlösekompetenz,
• können einen wissenschaftlichen Vortrag halten.

Wissenschaftliche Literatur/Veröffentlichungen relevant für das zu bearbeitende Forschungsthema / Exzellente akademische Noten im Master Medizininformatik. Es gibt nur wenige Forschungsprojekte, die semesterweise angeboten werden. Eine schriftliche Bewerbung, incl. Motivationsschreiben, CV und Transcript of Records sind an die Arbeitsgruppenleiter*in des angebotenen Forschungsprojektes zu schicken.

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Dieses Modul gibt eine Einführung in die Theorie der parametrisierten Algorithmen und der parametrisierten Komplexitätstheorie. Der Schwerpunkt liegt dabei auf unterschiedlichen Methoden und Techniken zur Entwicklung von parametrisierten Algorithmen. In diesem Modul wird in Lösungsansätze für NP-vollständige Probleme, Parametrisierte Algorithmen und Problemkerne eingeführt. Verschiedene Methoden und Techniken, wie z. B. Datenreduktion und Problemkerne, Tiefenbeschränkte Suchbäume, Dynamisches Programmieren, Baumzerlegungen, Iterative Kompression, Farbkodierung und Lineare Programmierung, werden vorgestellt. Aus dem Bereich der Parametrisierten Komplexitätstheorie werden Parametrisierte Reduktion, die Klasse FPT und Härte-Klassen behandelt.

Die Studierenden besitzen Basiswissen über parametrisierte Algorithmen und parametrisierte Komplexität und können die Schwierigkeit NP-vollständiger Probleme und Algorithmen zur exakten Lösung von diesen einschätzen und bestimmen. Sie kennen unterschiedliche Methoden und Techniken zum Entwurf von parametrisierten Algorithmen. Sie können verschiedene Probleme mit dem vorgestellten Repertoire an Methoden lösen sowie selbständig parametrisierte Algorithmen kreativ entwickeln. Die Studierenden können zwischen verschiedenen Strategien zum Entwurf parametrisierter Algorithmen unterscheiden und diese an das Problem angepasst anwenden. Die Studierenden sind in der Lage, einen parametrisierten Algorithmus kritisch zu bewerten. Sie erkennen Vor- und Nachteile dieses Ansatzes und können ihn in den Kontext anderer Methoden zur Lösung NP-vollständiger Probleme wie Heuristiken, Approximationsalgorithmen, Randomisierte Algorithmen einordnen.

Rolf Niedermeier: Invitation to Fixed-Parameter Algorithms, Oxford University Press.
Rodney G. Downey, Michael R. Fellows: Parameterized Complexity, Springer-Verlag, 1999.
Jörg Flum, Martin Grohe: Parameterized Complexity Theory, Springer-Verlag, 2006.

Wird noch bekannt gegeben.

Das Seminar beinhaltet das Erarbeiten von schriftlichen Quellen zu Themen aus dem Bereich der Parametrisierten Algorithmen und Komplexität unter Betreuung. Präsentation und das schriftliche Zusammenfassen schließen den Seminarbeitrag jeweils ab. Aktive Teilnahme an den einzelnen Sitzungen ist ein wichtiger Bestandteil des Seminars.

Die Studierenden können einen erweiterten und komplexen Sachverhalt aus dem Bereich Parametrisierte Algorithmen und Parametrisierte Komplexität aus schriftlicher Quelle selbständig erarbeiten, verstehen und in Form eines Vortrages präsentieren und auch in einer Diskussion vor einem Plenum vertreten. Neben der mündlichen Präsentation können sie das erarbeitete Thema
schriftlich darlegen und zusammenfassen.

Rolf Niedermeier: Invitation to Fixed-Parameter Algorithms, Oxford University Press, und Weitere (wechselnd).

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Dieses Modul gibt eine erweiterte Einführung in die Theorie der parametrisierten Algorithmen und der parametrisierten Komplexitätstheorie. Der Schwerpunkt liegt dabei auf unterschiedlichen Methoden und Techniken zur Entwicklung von parametrisierten Algorithmen. In diesem Modul wird in Lösungsansätze für NP-vollständige Probleme, Parametrisierte Algorithmen und Problemkerne eingeführt. Verschiedene Methoden und Techniken, wie z. B. Datenreduktion und Problemkerne, Tiefenbeschränkte Suchbäume, Dynamisches Programmieren, Baumzerlegungen, Iterative Kompression, Farbkodierung und Lineare Programmierung, werden vorgestellt. Aus dem Bereich der Parametrisierten Komplexitätstheorie werden Parametrisierte Reduktion, die Klasse FPT und Härte-Klassen behandelt. Zudem werden Fragestellungen und Trends der aktuellen Forschung sowie Anwendungen in verschiedenen Gebieten wie z.B. Bioinformatik, Künstlicher Intelligenz, oder Computational Social Choice vorgestellt.

Die Studierenden besitzen Basiswissen über parametrisierte Algorithmen und parametrisierte Komplexität und können die Schwierigkeit NP-vollständiger Probleme und Algorithmen zur exakten Lösung von diesen einschätzen und bestimmen. Sie kennen unterschiedliche Methoden und Techniken zum Entwurf von parametrisierten Algorithmen. Sie können verschiedene Probleme mit dem vorgestellten Repertoire an Methoden lösen sowie selbständig parametrisierte Algorithmen kreativ entwickeln. Die Studierenden können zwischen verschiedenen Strategien zum Entwurf parametrisierter Algorithmen unterscheiden und diese an das Problem angepasst anwenden. Sie sind in der Lage, einen parametrisierten Algorithmus kritisch zu bewerten. Sie erkennen Vor- und Nachteile dieses Ansatzes und können ihn in den Kontext anderer Methoden zur Lösung NP-vollständiger Probleme wie Heuristiken, Approximationsalgorithmen, Randomisierte Algorithmen einordnen. Zusätzlich sind die Studierenden mit Fragestellungen der aktuellen Forschung vertraut und kennen Anwendungsbeispiele und Fallstudien.

Rolf Niedermeier: Invitation to Fixed-Parameter Algorithms, Oxford University Press, 2006.
Rodney G. Downey, Michael R. Fellows: Parameterized Complexity, Springer-Verlag, 1999.
Jörg Flum, Martin Grohe: Parameterized Complexity Theory, Springer-Verlag, 2006.

Vortrag und schriftlicher Projektbericht

In diesem Modul werden fortgeschrittene Themen aus dem Bereich der praktischen Informatik behandelt.

Hinweis zum Wintersemester 2024:
In diesem Semester wird das Seminar "Software-Architektur-Stile und -Patterns" (Dozent: PD Holger Gast) angeboten.

Die Studierenden lernen aktuelle Themen aus dem Bereich der praktischen Informatik kennen. Die Studierenden sind in der Lage, sich durch eine umfassende Literaturrecherche Kenntnisse über aktuelle Themen der Praktischen Informatik anzueignen. Die Studierenden haben nicht nur ihre Studier- und Lesekompetenz verbessert, sondern auch ihre Fähigkeit zum selbständigen Arbeiten gesteigert. Die Lehrmethode in diesem Seminar zielt darauf ab, das Selbstvertrauen der Studierenden zu stärken (mündliche Präsentation), ihre Kommunikationsfähigkeit zu verbessern und sie zu befähigen, Kritik anzunehmen (Diskussionsrunde im Anschluss an die Präsentation).

Will be handed out in the course

Mündliche Prüfung (bei großer Teilnehmerzahl Klausur)

Die Veranstaltung vertieft die Schnittstelle zwischen Medizin- und Bioinformatik und bildet eine Kernveranstaltung in dem forschungsorientierten MSc Medizininformatik.

Die Studierenden erkennen die Verbindung von Medizin- und Bioinformatik anhand aktueller Forschungsfelder.

-

Mündliche Prüfung

Die Veranstaltung vertieft die Schnittstelle zwischen Medizin- und Bioinformatik und bildet eine Kernveranstaltung in dem forschungsorientierten MSc Medizininformatik.

Anhand aktueller Forschungsfelder erkennen die Studierenden die Verbindung von Medizin- und Bioinformatik.

-

Schriftliche Ausarbeitung und darauf basierende Präsentation

Dieses Seminar konzentriert sich auf die Schlüsselkonzepte von rechnergestützten, mathematischen und statistischen Modellen, die bei Krebserkrankungen und in der Krebsmedizin verwendet werden, und hilft den Studierenden zu lernen, wie mathematische Modelle uns helfen, den Fortschritt von Krebs zu verstehen. Die in diesem Seminar verwendeten Fachartikel liefern den biologischen Hintergrund und beschreiben die Entwicklung sowohl klassischer mathematischer Modelle als auch neuerer Darstellungen biologischer Prozesse. Deshalb werden die Studierenden bestehende mathematische Modelle untersuchen und lernen, mit den Schlüsselparametern, die bei der Modellierung eine Rolle spielen, und mit den Auswirkungen von Änderungen dieser Parameter umzugehen, um zu erörtern, wie diese in Bezug auf Behandlung, Prävention oder Politikgestaltung im Allgemeinen wirken. Durch Diskussionen über veröffentlichte Arbeiten lernen die Studierenden, wie man eine Modellierungsarbeit kritisch bewertet und wie man die Modellierungsergebnisse den Lesern von wissenschaftlichen Zeitschriften vermittelt. Das Seminar ist nützlich für Studierende, die experimentelle Techniken als Ansatz im Labor verwenden und die rechnergestützte Modellierung alsWerkzeug einsetzen wollen, um ein tieferes Verständnis von Experimenten zu gewinnen.

Die Studierenden lernen, Methoden der mathematischen Modellierung auf systembiologische Modelle anzuwenden. Dazu gehören
• Kenntnisse über die grundlegenden Konzepte biologischer Netzwerke, die Grundstruktur systembiologischer Modelle und die Analyse komplexer biologischer Systeme unter Verwendung mathematischer und wissenschaftlicher Fähigkeiten durch wissenschaftliche Publikationen.
• Kenntnisse und Verständnis dafür haben, wie mathematische Modelle zellulärer Prozesse und biochemischer Reaktionen formuliert und ihre Modellparameter geschätzt werden können.
• Die wichtigsten Bereiche bei Krebserkrankungen kennen, in denen die mathematische Modellierung zu unserem Verständnis beigetragen hat, wie man eine mathematische Modellierungsarbeiten in all ihren Aspekten (Methoden, Ergebnisse, Diskussion) liest.

Originalarbeiten und zusätzliche Materialien werden im Seminar ausgegeben.

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl), Übungsschein als Prüfungsvoraussetzung. Übungspunkte können als Bonuspunkte in die Klausurwertung eingehen.

Diese anwendungsorientierte Veranstaltung vermittelt wesentliche Kenntnisse zur dynamischen Modellierung biologischer Systeme. Dadurch erschließen sich zahlreiche Anwendungsgebiete, wie die Optimierung biotechnologischer Prozesse, personalisierte Medizin, präklinische Studien und zum Verständnis aktueller systembiologischer Forschung. Darüber hinaus erlernen die Studenten, mit der auf der Programmiersprache Python basierenden Programmierumgebung Tellurium zu arbeiten, die die deklarative systembiologische Modellierungssprache namens „Antimony” mit sich bringt.

Die Studenten lernen die grundlegende Herangehensweise zur Erstellung biochemischer Reaktionsmodelle sowie Konzepte zur Analyse dynamischer Netzwerkzustände. Datenquellen und Repräsentationsformen für die Modelle werden behandelt. Um plausible Modelle zu erhalten, liegt ein Schwerpunkt auf physikalischen Randbedingungen und impliziten Annahmen, wie die Massenerhaltung, Arten biochemischer Reaktionen, Prinzipien der Enzymkatalyse, Anwendung und Herleitung kinetischer Gleichungen, offene und geschlossene Systeme und der Einfluss reversibler Reaktionen auf das Gesamtsystem sowie Prozesse, die auf verschiedenen Zeitskalen ablaufen. Weiterhin werden Energieerhaltung, der Einfluss von Kofaktoren und Redoxpotentialen, sowie Regulationsmechanismen in biochemischen Systemen betrachtet. Studenten lernen, wie durch die Schätzung von Größenordnungen zellulärer Komponenten die Korrektheit von Simulationsergebnissen eingestuft werden kann. Die Studenten erhalten einen Überblick über für die Simulation relevante numerische Methoden und lernen, Modelle dynamisch zu simulieren. Für die Analyse von Simulationsergebnissen werden geeignete graphische Repräsentationsformen besprochen. Abschließend werden die gelernten Prinzipien auf ausgewählte Stoffwechselpfade angewendet und deren Kopplung im Hinblick auf zelluläre Skala besprochen.

Die Inhalte bauen nicht direkt auf der Vorlesung Systembiologie I auf, sodass diese Veranstaltung unabhängig davon gehört werden kann.

Die Studenten lernen, Methoden der mathematischen Modellierung auf systembiologische Modelle anzuwenden. Dazu gehören
• das Erstellen von Modellen biochemischer Reaktionsnetzwerke,
• die Simulation und Analyse der dynamischen Antworten dieser Modelle,
• sowie grundlegende Programmiertechniken zur Lösung von Problemen der Systembiologie.

1. Bernhard Ø. Palsson 2011. Systems Biology: Simulation of Dynamic Network
States. Cambridge University Press, New York, ISBN 978-1-107-
00159-6.
2. David S. Goodsell. 2009. The Machinery of Life. 2. Ausgabe, Springer-
Verlag, ISBN 978-0387849249.
3. Jan Koolman und Klaus-Heinrich Roehm. Color Atlas of Biochemistry.
2. Ausgabe, Thieme, 2005.

Wird zu Beginn des Semesters bekanntgegeben

Sowohl der Mensch als auch komplexe technische Systeme verarbeiten sensorische Informationen, um mit der Umwelt zu interagieren. Diese Aktionen haben Konsequenzen, die (wiederum) sensorische Ereignisse erzeugen, die verarbeitet und zur Verbesserung der Interaktion mit der Umwelt genutzt werden können. Wir werden fortgeschrittene Themen dieser vollständigen "Wahrnehmungs- und Handlungsschleife" sowohl beim Menschen als auch bei technischen Systemen diskutieren. Ein besonderer Schwerpunkt wird auf der experimentellen Literatur aus den Kognitions- und Neurowissenschaften und auf fortgeschrittenen statistischen Methoden liegen.

Die Studierenden kennen aktuelle Ansichten zur biologischen Informationsverarbeitung und zur Interaktion des Menschen mit technischen Systemen. Sie lernen und verstehen fortgeschrittene statistische und empirische Methoden, die zur Gewinnung dieses Wissens eingesetzt wurden. Dieses Fachwissen wird ihnen helfen, ihr Wissen in interdisziplinären Arbeitsumgebungen anzuwenden, wann immer empirische Studien über menschliche Leistungen und Handlungen erforderlich sind.

Wird zu Beginn des Semesters bekanntgegeben / Will be announced at beginning
of semester, / No formal requirements, but students should have a good background in statistics and should have attended introductory/mid–level courses in Cognitive
Science/Neuroscience.

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Graphische Modelle; Bayesian Belief Networks; Markov RandomFields; Conditional Random Fields; Lernen von strukturierten Variablen; Bayesianische Entscheidungstheorie; Loss-basiertes Lernen; Parameterlernen in Graphischen Modellen; Strukturierte Support Vector Maschinen; exakte und approximative Inferenzmethoden; Anwendungen in der Bildverarbeitung; Segmentierung; Human Pose Estimation; Bild entrauschen; Stereo; Objekterkennung

Die Studierenden lernen, wie komplizierte statistische Zusammenhänge mit Hilfe von graphischen Modellen dargestellt werden können. Dabei werden konkrete und aktuelle Probleme aus den Bereichen Bildverarbeitung und Bildverstehen gelöst. Diverse Lernmethoden erlauben es, Daten-getrieben Parameter automatisch einzustellen und die erreichte Performance zu evaluieren.

Vorlesungsfolien werden bereitgestellt

Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung), Übungen können als Bonuspunkte in die Klausur einfließen.

Internas von PostgreSQL und MonetDB, Sekundärspeicherzugriff und Datenlayout, Indexstrukturen (B+-Bäume, Hashes), multidimensionale Indexstrukturen, Sortierverfahren auf Sekundärspeichern, Anfrageauswertung, Plangenerierung und -optimierung für SQL, Transaktionen (ACID-Prinzip)

Die Rolle und Relevanz der Interna eines Datenbanksystems werden verdeutlicht und analysiert. Über das gesamte Semester hinweg stellen wir PostgreSQL und MonetDB gegenüber, sodass die Teilnehmer die Eignung disk- und hauptspeicher-basierter Datenbanktechnologie für konkrete Applikationen einschätzen können. Die Studierenden wissen diese neuen Kenntnisse mit den Konzepten der Vorlesung “DB1” zu verknüpfen. Die Studierenden verstehen, welche grundlegenden Parameter und Algorithmen einen effizienten Datenbankbetrieb ermöglichen und können diese für konkrete Anwendungsfälle optimieren. Dabei wird das Thema in einer Tiefe behandelt, die den Studierenden Lese- und Lernkompetenz vermittelt sowie Disziplin und Präzision trainiert.

• Ramakrishnan / Gehrke: Database Management Systems
• Heuer / Saake: Datenbanken: Implementierungstechniken
• Relationale Datenbanksysteme (Software und Manuals): PostgreSQL,
MonetDB
• Klassische und aktuelle Forschungsartikel zum Thema

Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung), Übungen können als Bonuspunkte in die Klausur einfließen.

CPU-Architekturen, Pipelining, Parallelität, multi-skalare CPUs, Pipelining und Anfrageauswertung, CPU-Caches, cache-bewusste Datenbankarchitektur, Hauptspeicherdatenbanken (Internas und praktischer Einsatz)

Die Studierenden verstehen ein Datenbanksystem als Synthese von CPU- /Rechnerarchitektur und eigentlicher Datenbankarchitektur. Bestehende Datenbankarchitekturen können sie bzgl. ihrer Eignung zur Ausführung auf einer gegebenen Rechnerarchitektur bewerten. Dieses Modul verbindet die Welten der CPUs (Instruktionsebene) und der Datenbanksysteme (Anfrageprozessor) und fördert so Systemverständnis über viele Architekturebenen hinweg.

• Hennessy / Patterson: Computer Architecture - A Quantitative Approach
• CPU-Simulatoren und Hauptspeicher-Datenbanksysteme (Software und
Manuals), etwa MonetDB, VectorWise, HyPer, Umbra, kdb+
• Aktuelle Forschungsartikel zum Thema

Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung), Übungen können als Bonuspunkte in die Klausur einfließen.

Semantik und interne Repräsentation von SQL (z.B. Comprehensions), Compilation von SQL, Datenbanksprachen für nicht-relationale Daten, neue Paradigmen für datenintensives Programmieren, Interaktion von Datenbanken und Programmierumgebungen, Compilation von Programmiersprachenkonstruktuen zur Ausführung auf Datenbanksystemen

Die Studierenden kennen Compilationstechniken für die behandelten Datenbanksprachen. Bezüge zum klassischen Compilerbau und die Notwendigkeit neuer Übersetzungsverfahren werden erkannt. Die Studierenden kennen den zentralen Begriff des Impedance Mismatch, der das gesamte Themenfeld bestimmt. Die resultierende Problematik wird analysiert und alternative Lösungsansätze können bzgl. Verwendbarkeit und Effizienz eingeschätzt werden. Bezüge zu funktionalen Programmiersprachen (Semantik und Übersetzungsverfahren) können erkannt und ausgenutzt werden. Dabei wird das Thema in einer Tiefe behandelt, die den Studierenden Lese- und Lernkompetenz vermittelt sowie Disziplin und Präzision trainiert.

• Compiler / Interpreter und Datenbanksysteme (Software und Manuals)
• Literatur zu deklarativen und funktionalen Programmiersprachen
• Aktuelle Forschungsartikel zum Thema

Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung), Übungen können als Bonuspunkte in die Klausur einfließen.

Wechselnde vertiefte Themen aus den Teilgebieten des Forschungsfeldes Datenbanksysteme. Einsatz von Datenbanksystemen zur Realisierung anspruchsvoller Applikationen (Advanced SQL).

Die Studierenden besitzen Kenntnisse über die Forschungsmethodik im Bereich der Datenbanksysteme. Der Fokus liegt vor allem auf dem Einsatz von SQL als Datenbanksprache, deren effiziente Übersetzung, sowie ihr Einsatz für die Realisierung sehr komplexer Applikationen. Die Teilnehmer sind auf die Erstellung wissenschaftlicher Arbeiten insbesondere in Teilgebieten des Forschungsfeldes Datenbanksysteme vorbereitet. Die Studierenden können sich gezielt auf Master-Arbeiten und Forschungsprojekte vorbereiten.

Klassische und aktuelle Forschungsliteratur zum Themengebiet.

Präsentation

Das Seminar beinhaltet das Erarbeiten von Quellen unter Betreuung zu weiterführenden Themen aus dem Bereich der Datenbanktechnologie. Die Präsentation und das schriftliche Zusammenfassen schließen den Seminarbeitrag jeweils ab. Aktive Teilnahme an den einzelnen Sitzungen ist ein wichtiger Bestandtei des Seminars.

Hinweis zum Wintersemester 2024:
In diesem Semester wird das Seminarthema "SQL is a Programming Language" angeboten.

Die Studierenden können einen erweiterten und komplexen Sachverhalt des Gebietes Datenbanksysteme aus (englischen) Original-Quellen selbständig erarbeiten, verstehen und in Form eines Vortrages präsentieren und auch in einer Diskussion vor einem Plenum vertreten. Der Einsatz verschiedener Präsentationstechniken wird abgewogen, trainiert und im Plenum praktiziert. Als Zuhörer sind die Teilnehmer in der Lage, ihren Kommilitonen zu inhaltlichen und formalen Aspekten der Präsentation kritisches aber faires Feedback zu geben. Neben der mündlichen Präsentation können sie das erarbeitete Thema schriftlich darlegen und in Form eines kurzen wissenschaftlichen Artikels zusammenfassen.

Wechselnde Original-Literatur aus dem Forschungsfeld der Datenbanksysteme

Vortrag 40 %, Ausarbeitung 40 %, Beteiligung an den Diskussionen 20 %

Das Seminar umfasst theoretische Grundlagen wie praxis- und berufsorientierte Anwendung anhand von Real-World Applikationen in Wissenschaft und Wirtschaft.

Die Auswahl der Themen orientiert sich am Interesse und Kenntnisstand der Teilnehmer. Die Verteilung der Themen erfolgt in der obligatorischen Vorbesprechung (ggf. Losverfahren bei zu vielen Interessen).

TBD

-

Klausur

inhalt 4241

goals 4241

-

Programmierprojekte

In diesem Kurs lernen wir die neuesten Funktionen von Java kennen, um anspruchsvolle Programmierprobleme in der Bioinformatik zu lösen. Zu den Themen gehören JavaFx, zwei- und dreidimensionale Grafiken, Eigenschaften und Bindungen, Animation, gleichzeitige Programmierung und Webprogrammierung. Wir werden ein voll funktionsfähiges, interaktives Bioinformatikprogramm erstellen.

Die Studierenden sind in der Lage, ein vollwertiges Bioinformatikprogramm zu entwerfen und zu implementieren. Sie sind in der Lage, ein rechnerisches Problem zu analysieren und eine geeignete Lösung zu entwickeln. Sie kennen sowohl die Möglichkeiten als auch die Grenzen der Anwendung von Java zur Lösung von Berechnungsaufgaben. Sie sind in der Lage, Probleme auf wissenschaftlichem Niveau zu analysieren und schriftlich zusammenzufassen. Insbesondere wird ein hohes Maß an intrinsischer Motivation und Eigenverantwortung gefördert.

Programming and bioinformatics literature

Die Gesamtnote ergibt sich aus der erbrachten Leistung, einem schriftlichen Bericht über jeden Tag des Praktikums und ein bis zwei mündlichen Kurzvorträgen.

In diesem Praktikum arbeiten die Studierenden an einem Mini-Forschungsprojekt auf dem Gebiet der Genomik, Metagenomik oder Phylogenetik. In Teams arbeiten die Teilnehmer mit modernsten Bioinformatik-Tools, um eine Reihe typischer Berechnungsfragen zu beantworten. Während des Kurses informieren sich die Studierenden über verschiedene Methoden und stellen sie sich gegenseitig in kurzen Präsentationen vor.

Die Studierenden sammeln praktische Erfahrungen in der Anwendung von Bioinformatik-Software zur Analyse von NGS-Daten im Kontext von Genomik, Metagenomik oder Phylogenetik. Sie werden in der Lage sein, Bibliotheken und Frameworks zu nutzen und Kenntnisse in Java und Python zu erwerben oder zu erweitern. Durch die Zusammenarbeit in Gruppen erlangen die Studierenden Teamwork- und Kollaborationsfähigkeiten und lernen Projektorganisation und Präsentationstechniken kennen. Die Studierenden kennen die Stärken und Schwächen sowie die Grenzen verschiedener Methoden für molekulare Sequenzdaten und können diese Methoden beschreiben und bewerten.

Scientific publications

Klausur oder mündliche Prüfung

Dieser Kurs bietet eine ausführliche Einführung in die Mikrobiomanalyse. Die Themen umfassen: Sequenziertechnologien, Erstellung von Gemeinschaftsprofilen mithilfe des SSU rRNA-Gens, Erstellung von Gemeinschaftsprofilen durch Shotgun-Sequenzierung, Alignment-freie und Alignment-basierte taxonomische Profilerstellung, Funktionelle Analyse und Profilerstellung, Probenvergleich und Zeitserienanalyse.

Die Studierenden kennen die neuesten bioinformatischen Erkenntnisse zur Mikrobiomanalyse. Sie können die Herausforderungen der Mikrobiomanalyse für die Bioinformatik formulieren. Sie kennen Algorithmen zur taxonomischen und funktionalen Analyse von Mikrobiom-Sequenzierungsdaten, statistische Methoden zum Vergleich und Methoden zur Erstellung von Community-Profilen anhand von 16S-Sequenzen. Die Studierenden können Mikrobiom-Sequenzierungsdaten analysieren und Profiling und Vergleiche durchführen. Sie kennen sowohl die Möglichkeiten als auch die Grenzen der verschiedenen Methoden in diesem Teilgebiet der Bioinformatik. Sie sind in der Lage, Problemstellungen auf wissenschaftlichem Niveau zu analysieren und schriftlich zusammenzufassen. Insbesondere wird ein hohes Maß an intrinsischer Motivation und Eigenverantwortung gefördert.

Lecture notes and scientific publications

Mündlicher Vortrag (ca. 30 Minuten) und schriftliche Ausarbeitung (ca. 10 Seiten), einmal Diskussionsleitung

In diesem Seminar befassen wir uns mit aktuellen Forschungsthemen im Bereich der Mikrobiomanalyse, wie Metagenomik, Meta-Transkriptomik und Meta-Proteomik. Wir werden uns in gewissem Maße auf das menschliche Mikrobiom konzentrieren. Wir bieten eine Reihe von Themen und zugehörigen Veröffentlichungen zur Auswahl an, und jeder Teilnehmer hält einen mündlichen Vortrag und schreibt einen Bericht über sein gewähltes Thema.

Die Studierenden können selbstständig unter Anleitung ein anspruchsvolles Thema durch systematische Recherche bearbeiten. Sie können Konzepte und Methoden im Kontext der Mikrobiomanalyse zusammenfassen, bewerten, einordnen und wissenschaftlich korrekt darstellen und präsentieren. Die Studierenden erhalten zum einen einen Überblick über den aktuellen Wissensstand auf dem Gebiet der Mikrobiomanalyse. Andererseits wissen die Studierenden, dass es in diesem Bereich noch viele offene Forschungsfragen gibt. Durch das Studium aktueller Artikel haben die Studierenden nicht nur ihre Lese- und Lernfähigkeit, sondern auch ihre Eigenverantwortung verbessert. Die im Seminar angewandte Lernform soll den Studierenden helfen, Selbstvertrauen (Präsentation) und Kritik- und Kommunikationsfähigkeit (anschließende Diskussion) zu entwickeln.

Scientific publications

Klausur

Inhalt bio4361

goals bio4361

-

Mündlicher Vortrag (ca. 30 Minuten) und schriftliche Ausarbeitung (ca. 10 Seiten), einmal Diskussionsleitung

In diesem Seminar befassen wir uns mit aktuellen Forschungsthemen in der Bioinformatik, z. B. mit schnellen Alignment-Methoden oder dem Zusammenfügen einzelner Sequenzen. Wir bieten eine Reihe von Themen und zugehörigen Veröffentlichungen zur Auswahl an, und jeder Teilnehmer hält einen mündlichen Vortrag und verfasst einen Bericht über sein gewähltes Thema.

Die Studierenden können unter Anleitung selbstständig ein anspruchsvolles Thema durch systematische Forschung bearbeiten. Die Studierenden sammeln Erfahrung im Halten eines Fachvortrags und im Verfassen eines Fachberichts in Bioinformatik. Sie fassen Konzepte und Methoden von Algorithmen in der Bioinformatik zusammen, bewerten, klassifizieren, stellen sie wissenschaftlich korrekt dar und präsentieren sie. Die Studierenden erhalten zum einen einen Überblick über den Stand der Technik von Algorithmen in der Bionformatik. Andererseits wissen sie, dass es in diesem Bereich noch viele offene Forschungsfragen gibt. Durch das Studium aktueller Artikel haben die Studierenden nicht nur ihre Lese- und Lernfähigkeit, sondern auch ihre Eigenverantwortung verbessert. Die im Seminar angewandte Lernform soll den Studierenden helfen, Selbstvertrauen (Präsentation) und Kritik- und Kommunikationsfähigkeit (anschließende Diskussion) zu entwickeln.

Scientific publications

Klausur oder mündliche Prüfung

Dieser Kurs behandelt sequenzbasierte Bioinformatik und Evolution. Die Hauptthemen sind paarweises Alignment, BLAST und verwandte Heuristiken, Suffixbäume und ihre Anwendungen, Sequenzassemblierung, multiples Alignment, Hidden-Markov-Modelle, Gensuche, Motivsuche, Methoden des maschinellen Lernens, Modelle der DNA-Evolution, Phylogenie, Phylogenie des gesamten Genoms, Berechnungsmethoden in der Genomik und Metagenomik.

Das erste Ziel dieses Kurses ist es, die Studierenden in fortgeschrittene Konzepte und Methoden der Bioinformatik einzuführen, wobei der Schwerpunkt auf algorithmischen, rechnerischen und mathematischen Aspekten liegt. Das zweite Ziel dieses Kurses ist es, die Studierenden in die Lage zu versetzen, fortgeschrittene Methoden auf Probleme in der Molekularbiologie und verwandten Gebieten anzuwenden. Nach dem Besuch dieses Kurses werden die Studierenden ein gutes Verständnis der wichtigsten Ansätze in der sequenzbasierten Bioinformatik haben und wissen, welche Probleme mit diesen Methoden angegangen werden können und wie sie diese Methoden anwenden können.

Lecture notes and scientific publications

Schriftliche Prüfung (bei kleiner Anzahl der Teilnehmer*innen ggf. mündliche Prüfung)

Themenbereiche: Vertiefende Themen im Bereich der visueller Wahrnehmung (Fixationen, Sakkaden, Blickmuster), Mechanismen visueller Aufmerksamkeit, Messung von Blickbewegungen (Eye-Tracking), Analyse von Eye-Tracking Daten mit maschinellen Lernverfahren, Blickbasierte Ansteuerung von Computersystemen, Nutzung von Blickinformationen für interaktive Systeme (inkl. Anwendungen in der virtuellen (VR) und augmentierten Realität (AR)).

Die Studierenden beherrschen theoretische Methoden des blickbasierte Interaktion und können diese problemorientiert anwenden. Sie sind in der Lage, im Studium erworbene Fachkenntnisse und Forschungsmethoden in einem Projekt umzusetzen und auf die industrielle Praxis anzuwenden. Die Studierenden beherrschen zudem maschinelle Lernverfahren zur Analyse und Interpretation von Eye-Tracking Daten im Bereich der Mensch-Maschine-Interaktion und sind in der Lage, diese selbständig auf Problemfelder der Informatik zu übertragen und situationsangemessen anzuwenden.

Vorlesungsfolien, zusätzliche Literatur wird bekanntgegeben

Mündlicher Vortrag von mind. 30 Minuten und schriftlicher Bericht (Aufsatz mind. 8 Seiten)

Dieses Seminar behandelt aktuelle und wechselnde Themen aus Forschung und Anwendung im Bereich der (multimodalen) Mensch-Maschine-Interaktion.

Die Studierenden lesen und reflektieren die aktuelle Forschung im Bereich der Mensch-Computer-Interaktion. Sie können aktuelle Forschungsergebnisse vor anderen Studierenden und Forschern präsentieren sowie Forschungsdiskussionen leiten. Sie können die Ergebnisse einer Arbeit in Form eines schriftlichen Forschungsberichts zusammenfassen und bewerten.

-

Klausur

inhalt 4431

goals 4431

-

Klausur

inhalt 4411

goals 4411

-

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Themen sind u.a. Matching, MinCostFlow, Lineares Programmieren, Approximationsschemata, Netzwerkanalyse, Algorithmische Geometrie, Komplexitätsfragen wie z.B. Untere Schranken.

Die Studierenden vertiefen ihre Kenntnisse über algorithmische Techniken in verschiedenen Problemfeldern. Dazu gehören die Anwendung von komplexen Graphalgorithmen, die Beherrschung von Strategien zur Netzwerkanlayse sowie die Fähigkeit, Näherungsmethoden anzuwenden und selbst zu entwickeln. Im Bereich Komplexitätsfragen können die Studierenden Probleme nach ihrem Schwierigkeitsgrad beurteilen und diese Beurteilungen mittels der erlernten Techniken auch beweisen.

Raghavan, Magnati, Orlin: Network Algorithms
Mehlhorn, Näher: LEDA - A platform for combinatorial and geometric computation
Papadimitriou, Steiglitz: Combinatorial optimization : algorithms and complexity

Klausur

inhalt 4415

goals 4415

-

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Das Modul beinhaltet vertiefende Veranstaltungen aus den Bereichen Algorithmik, die die grundlegenden Module dieses Bereiches ergänzen. Es richtet sich vor allem an Studierende, die speziell Kenntnisse in diesem Bereich erwerben wollen.

Die Studierenden sind in der Lage spezielle Themen der Algorithmik einzuordnen und zugehörige Algorithmen zu analysieren und zu beurteilen. Sie sind in der Lage, die Konzepte auf neue Anwendungen zu übertragen und eigene Lösungsstrategien zu entwerfen. Sie entwickeln in diesen Themenbereichen ihre Abschlussarbeiten.

Raghavan, Magnati, Orlin: Network Algorithms
Mehlhorn, Näher: LEDA - A platform for combinatorial and geometric computation
Papadimitriou, Steiglitz: Combinatorial optimization : algorithms and complexity

Abnahme des Praktikumsprojekts im Verlauf des Semesters, dabei fließen sowohl die Präsentation als auch die Ausarbeitung in die Note ein.

Dieses Praktikum vertieft einzelne praktische Aspekte von Netzwerkalgorithmen, wie sie in entsprechenden Veranstaltungen, z. B. Methoden der Algorithmik, Algorithmen und Komplexität, oder Diskrete Optimierung, angesprochen werden.

Die Studierenden können mehrere der Methoden softwaretechnisch umsetzen. Diese Umsetzung erstreckt sich von Anforderungsanalyse, über Design und Implementierung bis hin zu Text und Dokumentation.

Originalliteratur wird bekanntgegeben

Die Endnote bestimmt sich aus Vortrag, Ausarbeitung und Beteiligung an den Diskussionen.

Das Seminar beinhaltet das Erarbeiten von schriftlichen Quellen zu Themen aus den Bereichen Effizienten Algorithmen unter Betreuung. Präsentation und das schriftliche Zusammenfassen schließen den Seminarbeitrag jeweils ab. Aktive Teilnahme an den einzelnen Sitzungen ist ein wichtiger Bestandteil des Seminars.

Die Studierenden können einen erweiterten und komplexen Sachverhalt aus dem Bereich Kombinatorische Algorithmen aus schriftlicher Quelle selbständig erarbeiten, verstehen und in Form eines Vortrages präsentieren und auch in einer Diskussion vor einem Plenum vertreten. Neben der mündlichen Präsentation können sie das erarbeitete Thema schriftlich darlegen und zusammenfassen.

wechselnd

Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung), Übungen können als Bonuspunkte in die Klausur einfließen.

Themen sind u.a. Grundlagen der linearen Optimierung, Verfahren der linearen Optimierung, insbesondere Simplex-Algorithmus, Grundlagen der ganzzahligen Optimierung, Branch-and-Bound, Cutting Planes und ausgewählte Beispiele der kombinatorischen Optimierung

Die Studierenden kennen einige wichtige Algorithmen der linearen, ganzzahligen und kombinatorischen Optimierung sowie die zugrunde liegenden theoretischen Methoden. Sie sind in der Lage, die Verfahren hinsichtlich ihrer Komplexität zu beurteilen. Durch das formal korrekte Aufschreiben der Lösungen und die Umsetzung der in der Vorlesung vorgestellten Methoden erwerben die Studierenden notwendige Kompetenzen für eigene wissenschaftliche Arbeiten.

Nemhauser, Wolsey: Integer and Combinatorial Optimization, Wiley (1999)
Skript zur Vorlesung

Mündliche Prüfung oder Klausur bei hoher Teilnehmerzahl, 50% der Punkte in den Übungen sind Zulassungsvoraussetzung zur Prüfung, Übungspunkte zählen in begrenztem Umfang als Bonuspunkte in der Prüfung

Schwerpunktmäßig werden in der Vorlesung die Themen RNA-Struktur un -Strukturvorhersage, Proteinstrukturen und deren Modellierung, Proteinstrukturvorhersage, Methoden und Konzepte der Systembiologie, Algorithmen für die Analyse von Expressionsdaten und Biologische Netzwerke (Konzepte, Inferenz, Simulation) behandelt. Die Vorlesung geht auf die Themen, die bereits im BSc-Modul ‚Grundlagen der Bioinformatik’ enthalten sind, vertieft ein und behandelt dabei insbesondere fortgeschrittene Techniken sowie forschungsbezogene Anwendungen. Projektarbeit zu forschungsbezogenen Themen ist in die Vorlesung eingebettet.

Die Studierenden können struktur- und systembiologische Probleme abstrahieren und formalisieren. Sie kennen kompetente Anwendungen gängiger Verfahren und Werkzeuge der Struktur- und Systembioinformatik und können diese auf biologische Daten anwenden. Sie haben ihre Sprachkompetenz (Englisch) in Hörverstehen, Schrift und Präsentation verstärkt.

Folien zur Vorlesung
Branden, Tooze: Introduction to Protein Structure, Garland Science, 1998
Andrew Leach: Molecular Modeling. Principles and Applications,
Prentice Hall, 2nd ed., 2001

Nach der Lehrveranstaltung ist ein schriftlicher Bericht abzugeben. Auch studienbegleitende Leistungen fließen in die Abschlussnote ein.

In diesem Praktikum werden die Grundlagen der Modellierung biologischer Daten und der Integration heterogener Datensätze vermittelt und an konkreten Beispielen angewendet. Mit Hilfe der Skriptsprache Python werden die Daten geparst und in einer Datenbank konsolidiert. Auf diesen integrierten Daten werden biologisch relevante, anschauliche Analysen durchgeführt. Datenintegration, -exploration, -visualisierung, statistische Tests und maschinelles Lernen werden auf einen Datensatz aus genomischen, transkriptomischen, metabolomischen und phänomischen Daten von genetisch gleichen Proben angewandt.

(1) Die Studierenden lernen, wie man heterogene biologische Daten analysiert und in Datenbanken integriert. (2) Sie lernen, statistische Analysen an biologischen Daten durchzuführen und ihre Ergebnisse visuell zusammenzufassen und darzustellen. (3) Sie lernen, die Ergebnisse integrativer Analysen zu interpretieren und diese Ergebnisse in prägnanter Form zu berichten.

Will be supplied during the course.

Schriftliche Ausarbeitung und darauf basierende Präsentation

Dieses Modul beschäftigt sich mit der praktischen Anwendung grundlegender Techniken und Werkzeuge des computergestützten Wirkstoffentwurfs. Dazu werden die Programmpakete BALLView, VMD, Glide, Prime und Modeller eingesetzt. Zunächst steht dabei die Aufbereitung und Visualisierung von 3D-Strukturen im Vordergrund. Außerdem werden spezifische intramolekulare Wechselwirkungen von Protein-Ligand-Komplexen genauer betrachtet und ausgewählte Liganden in ein pharmazeutisch interessantes Target gedockt. Im zweiten Teil des Praktikums stehen virtual high-throughput screening und rationaler strukturbasierter Wirkstoffentwurf im Mittelpunkt.

(1) Die Studierenden können grundlegend mit Standardwerkzeugen des strukturbasierten Wirkstoffentwurfs umgehen, (2) sind mit dem praktischen Umgang mit Protein- und Ligandenstrukturen vertraut und (3) sie können die Ergebnisse dieser Werkzeuge und Techniken interpretieren und kritisch bezüglich ihrer Relevanz beurteilen.

Materialien werden zur Verfügung gestellt.

Mündliche Prüfung oder Klausur bei hoher Teilnehmerzahl, 50% der Punkte in den Übungen sind Zulassungsvoraussetzung zur Prüfung, Übungspunkte zählen in begrenztem Umfang als Bonuspunkte in der Prüfung

Vermittlung des aktuellen Stands der Forschung der Bioinformatikanwendungen in der Proteomik und Metabolomik mit einem Schwerpunkt auf der Analyse von massenspektrometrischen Daten. Themen sind u.a. Biologische Fragestellungen, Experimentelle Techniken, Datenbanksuche, De-novo-Sequenzierung, Proteininferenz, Quantifizierung von Peptiden und Metabolite, Identifizierung von Metaboliten.

Die Studierenden kennen die aktuellen Forschungsstandards im Bereich der Proteomik und Metabolomik und können bekannte Bioinformatik-Techniken auf Probleme in diesen Gebieten transferieren.

Originalarbeiten und zusätzliche Materialien werden ausgegeben.

Mündliche Prüfung oder Klausur bei hoher Teilnehmerzahl, 50% der Punkte in den Übungen sind Zulassungsvoraussetzung zur Prüfung, Übungspunkte zählen in begrenztem Umfang als Bonuspunkte in der Prüfung

Ausgehend von einer breiten Einführung in den pharmazeutischen Wirkstoffentwicklungsprozess vermittelt die Vorlesung Schlüsselkonzepte des strukturbasierten Computer-Aided Drug Design (CADD). Erforderliche Grundlagen zu pharmazeutischen Schlüsselkonzepten werden diskutiert, gefolgt von grundlegenden Konzepten zur Modellierung von 3D-Strukturen (Liganden und Proteine). Im zweiten Teil werden die wichtigsten physikalisch-chemischen Wechselwirkungen zwischen Proteinen und Liganden vorgestellt, die die Grundlage für die Diskussion von Strategien zur Vorhersage von Protein-Ligand-Bindungen bilden, wobei der Schwerpunkt auf Algorithmen für das Protein-Ligand-Docking liegt. Schließlich wird die anspruchsvolle Aufgabe der Abschätzung von Bindungsaffinitäten zwischen Proteinen und Liganden in silico vorgestellt, was zur Diskussion von Scoring-Funktionen führt, die zu diesem Zweck entwickelt und verwendet werden.

Die Studierenden haben Kenntnisse über den pharmazeutischen Entwicklungsprozess. Sie sind vertraut mit Protein- und Ligandenstrukturen, mit Standardmethoden zu deren experimenteller Auflösung, mit Methoden zur Modellierung von 3D-Strukturen und sind in der Lage, relevante physikochemische Wechselwirkungen zwischen ihnen zu identifizieren. Sie haben detaillierte Kenntnisse über algorithmische Techniken zur Vorhersage von Protein-Ligand-Bindungen (Docking und Scoring). Die Studierenden sind in der Lage, Methoden für die Arbeit mit Protein-Ligand-Strukturen zu implementieren und einfache CADD-Tools zu entwickeln. Die Projektarbeit stärkte ihre Fähigkeit, im Team zu arbeiten und wissenschaftliche Arbeiten niederzuschreiben und zu präsentieren.

Lecture slides and additional materials will be provided digitally.

Basic knowledge of protein structure, organic chemistry, and programming skills in Python are recommended.

Recommended textbooks:
1) Leach A. Molecular Modelling", Prentice Hall 2001
2) Schlick T. Molecular Modeling and Simulation", Springer 2010
3) Klebe G. "Wirkstoffdesign", Springer 2009

Mündliche Prüfung oder Klausur bei hoher Teilnehmerzahl, 50% der Punkte in den Übungen sind Zulassungsvoraussetzung zur Prüfung, Übungspunkte zählen in begrenztem Umfang als Bonuspunkte in der Prüfung

Die Vorlesung beginnt mit einem Überblick über das Hauptanwendungsgebiet, nämlich das Design von Arzneimitteln, und vermittelt, wie Informatikmethoden für die Arbeit mit chemischen Daten verwendet werden können, wobei der Schwerpunkt auf kleinen organischen Molekülen (Verbindungen) liegt. Auf die Darstellung von Verbindungen (Graphen, Liniendarstellungen, Dateiformate) folgen die wichtigsten Möglichkeiten des topologischen Vergleichs (Identität, Substruktur, Ähnlichkeit). Relevante Anwendungen der topologischen Ähnlichkeit werden vorgestellt (Suche, Clustering, Bibliotheksgenerierung). Quantitative Struktur-Aktivitäts-Beziehung (QSAR) wird als Zweig der Chemieinformatik zur Vorhersage chemischer Eigenschaften vorgestellt. Schließlich werden die Vorhersage von 3D-Strukturen aus der Topologie und Ähnlichkeitsmethoden für Verbindungen mit 3D-Koordinaten vorgestellt.

Die Studierenden wissen, wie verschiedene Arten von chemischen Daten mit Computern verarbeitet werden können, wie diese Daten mit Methoden der Informatik dargestellt und analysiert werden können, und sie haben einen Überblick über das Hauptanwendungsgebiet Wirkstoffdesign. Sie haben das grundlegende SSimilar Property Principle verstanden und sind in der Lage, experimentelle Screeningdaten zu verarbeiten und zu analysieren sowie ligandenbasierte Screeningmethoden zu implementieren und anzuwenden. Die Studierenden verfügen über solide Kenntnisse der Standardwerkzeuge und Softwarebibliotheken der Chemieinformatik. Die Projektarbeit stärkte ihre Fähigkeit, im Team zu arbeiten und wissenschaftliche Arbeiten zu verfassen und zu präsentieren.

Lecture slides and additional materials will be provided digitally. Basic knowledge of organic chemistry, graph theory, and programming skills in Python are recommended.

Recommended textbooks:
1) Leach A., Gillet V. An Introduction To Chemoinformatics", Springer 2007
2) Faulon J.-L., Bender A. (Eds.) "Handbook Of Chemoinformatics Algorithms", CRC Press 2010
3) Engel T., Gasteiger J. (Eds.) Chemoinformatics", Wiley-VCH 2018
4) Optional: Klebe G. "Wirkstoffdesign", Springer 2009

Schriftliche Ausarbeitung und darauf basierende Präsentation

Systemimmunologie verknüpft die Methoden der modernen Systembiologie mit Anwendungen in der Immunologie. In diesem aktuellen Forschungsgebiet kommen neben Hochdurchsatzdaten aus der Immunologie auch Techniken der mathematischen Modellierung zum Einsatz, die neue Einsichten in die Dynamik des Immunsystems ermöglichen. Im Rahmen dieses Modules werden Arbeiten aus den methodischen Grundlagen (Systembiologie) und aktuelle Forschungsarbeiten zur Anwendung dieser Methoden in der Immunologie erarbeitet und damit ein Überblick über dieses sehr aktuelle Forschungsfeld vermittelt.

Die Studierenden besitzen einen Überblick über das Gebiet der Systemimmunbiologie. Sie können bekannte Bioinformatik Techniken auf Probleme der Immunologie anwenden. Sie haben ihre englische Sprach- und Präsentationskompetenz vertieft.

Originalarbeiten und zusätzliche Materialien werden im Seminar ausgegeben.

Mündliche Prüfung (bei großer Teilnehmerzahl Klausur)

Da biologische Datensätze immer größer und komplexer werden, bewegen wir uns mehr und mehr von einem hypothesengesteuerten Forschungsparadigma zu einem datengesteuerten. Infolgedessen ist die visuelle Erkundung dieser Daten noch wichtiger geworden als in der Vergangenheit. Ziel dieses Vortrags ist es, die Teilnehmer mit modernen Methoden der Informationsvisualisierung und Visual Analytics vertraut zu machen. Die Informationsvisualisierung befasst sich mit Methoden zur Visualisierung abstrakter Daten, die keine inhärente räumliche Struktur aufweisen (die Visualisierung räumlicher Daten wird in INF3145 - Scientific Visualization behandelt). In der Vorlesung wird die Anwendung dieser Methoden auf biologische Daten anhand praktischer Beispiele vermittelt und in den Tutorien praktisch geübt. Fragen wie "Was ist Datenvisualisierung?", "Was ist Visual Analytics?" und "Wie können wir (biologische) Daten visualisieren, um einen Einblick in sie zu gewinnen, so dass Hypothesen generiert oder erforscht und weitere gezielte Analysen definiert werden können?" werden diskutiert. Es werden keine Vorkenntnisse in Biologie vorausgesetzt, d.h. die Vorlesung ist auch für Studierende aus anderen Fachrichtungen wie Informatik oder Medien-/Medizininformatik geeignet.

Die Studierenden verstehen den Prozess der visuellen Analyse. Sie kennen grundlegende Methoden der Informationsvisualisierung und die "Do's" und "Don'ts" der Visualisierung. Sie kennen Methoden zur Visualisierung verschiedener biologischer Daten wie Genomik- oder Transkriptomikdaten. Sie sind in der Lage, je nach Art der Daten und der gegebenen Analyseaufgabe geeignete Visualisierungen auszuwählen. Die Studierenden sind in der Lage, in kleinen Teams komplexe, interaktive Visual-Analytics-Anwendungen zu entwerfen und zu entwickeln.

Lecture slides will be provided for download. Tamara Munzner ‘Visualization
Analysis and Design’, A K Peters, 2014. Nature Methods Supplement ‘Visualizing
biological data’, various Nature Methods ‘Points of View’ articles.

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Die meisten industriellen Systeme sind ohne Software nicht mehr vorstellbar. Gerade auch in sicherheitsrelevanten Bereichen, wie z.B. dem Automobil oder Flugzeugbau, kommen zunehmend Softwaresysteme zum Einsatz. Klassische hardware-dominierte Systeme werden von software-dominierten Systemen Schritt für Schritt abgelöst. Der Entwurf dieser Software-Systeme stellt eine immer größer werdende Herausforderung für die Systementwickler dar. Wachsender Zeitdruck, höhere Anforderungen an die Korrektheit und steigende Systemkomplexität machen die Softwareentwicklung zu einer komplexen Aufgabe. Dadurch erhöht sich zwangsläufig auch das Fehlerpotential. Aus diesem Grund rückt das Testen von Software-Systemen immer weiter in den Vordergrund. In dieser Vorlesung werden die Grundlagen für das Testen, Debuggen und Verifizieren von Software-Systeme beschrieben. Themenschwerpunkte sind unter anderem: Qualitätsmanagement, funktionsorientiertes Testen, Abdeckungsanalyse-Verfahren (Coverage-Verfahren), Input Space Partitioning, spezielle Testtechniken, Software-Messung, Debugging, formale Techniken, Prüfstrategien und Prüfen von eingebetteter Software. Die Vorlesung umfasst nicht nur die theoretischen Grundlagen der aufgeführten Themen, sondern legt auch besonderen Wert auf den industriellen Praxisbezug. Alle behandelten Gebiete lassen sich direkt im industriellen Software-Umfeld anwenden. Weiterhin bringen die beiden aus der Industrie stammenden Dozenten Dr. Jürgen Ruf (Bosch Sensortec) und Prof. Dr. Thomas Kropf (Bosch) viel Praxiserfahrung mit und wollen diese auch in der Vorlesung an die Studierenden vermitteln. Die Vorlesung stützt sich unter anderem auf aktuelle Forschungsthemen der “Safety-Critical-Systems-Gruppe” der Technischen Informatik.

Die Studierenden kennen grundlegende Prinzipien und Arbeitstechniken zur Sicherstellung von hoher Software-Qualität und können diese kritisch hinterfragen. Dazu zählen neben dem Testen und Verifizieren auch Vorgehensmodelle zur Softwareentwicklung. Sie sind in der Lage Analyse- und Testmethoden zur Erhöhung der Software-Qualität einzusetzen.

• Liggesmeyer, P.: Software-Qualität: Testen, Analysieren und Verifizieren
von Software
• Ammann, P; Offutt, J.: Introduction to Software Testing

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Die Vorlesung behandelt folgende Themen. Authentisierung und Autorisierung: Theorie, Hardware-Konzepte und UNIX-Konzepte, Kryptographie: Verschlüsselung, MACs, Signaturen und Schlüsselverwaltung, der PKCS #11 Standard und Hardware Security Modules (HSMs), Sicherheit in der Cloud, Confidential Computing, Quanten-Computing

Die Studierenden verfügen über fortgeschrittene Kenntnisse in der Computersicherheit mit Hinsicht auf Hardware und Software. Sie verfügen über praxisrelevantes Spezialwissen (Grundprinzipien, nach denen ein Computer-System gesichert werden kann, Sicherheitsstandards, kryptographisches API) und können dieses auch zur Problemlösung in neuen und unvertrauten Kontexten anwenden. Sie sind in der Lage sich selbständig neues Wissen und Können anzueignen und sich mit Fachvertretern über Informationen, Ideen, Probleme und Lösungen auf wissenschaftlichem Niveau auszutauschen.

• C. Eckert: IT-Sicherheit, Oldenbourg Wissenschaftsverlag
• N. Ferguson, B. Schneier, T. Kohno: Cryptography Engineering, Wiley
2010

Hausarbeit

Die Veranstaltung gibt eine Einführung in die Berechenbarkeitstheorie, wobei verschiedene Berechenbarkeitsmodelle, wie partiell-rekursive Funktionen und Turing-Maschinen, das Halteproblem und der Satz von Rice behandelt werden.

Die Studierenden erwerben Kenntnisse über die formalen Grenzen der Berechenbarkeit

-

Klausur

inhalt 4422

goals 4422

-

Klausur

inhalt 4441

goals 4441

-

Klausur

inhalt 4442

goals 4442

-

Klausur

inhalt 4443

goals 4443

-

Mündliche Prüfung (bei großer Teilnehmerzahl Klausur)

Aufbauend auf der Vorlesung Komplexitätstheorie sind die vertieften Themen unter anderem (nicht) uniforme Schaltkreisklassen, Approximationstheorie und Randomisierung. Zusätzlich werden Barrieren in Form von Relativierung und Natural Proofs betrachtet.

Die Studierenden haben einen Überblick über verschiedene Komplexitätsklassen, Schaltkreisen und Randomisierung und sind in der Lage, eine Masterarbeit über dieses Gebiet zu schreiben.

-

Klausur

inhalt 4497

goals 4497

-

Klausur

inhalt 4498

goals 4498

-

Klausur

inhalt 4499

goals 4499

-

je nach Veranstaltung

Wechselnde vertiefende Themen im Bereich der Theoretischen Informatik. Konkretes Thema vom jeweiligen Seminar abhängig (siehe Seminarangebot in alma).

Hinweis zum Sommersemester 2024:
In diesem Semeste werden folgende Seminare in diesem Modul angeboten:
- "Algorithmische Geometrie: Aktuelle Themen" (Schlipf)
- "Ethical Hacking" (Huber)

Vertiefte Kenntnisse in Ansätzen und Methoden der theoretischen Informatik

je nach Seminarthema

Projekt, Präsentation und Ausarbeitung

Implementierung von fortgeschrittenen Anwendungen und Programmen im Umfeld der Computergrafik / Computer Vision

Die Studierenden wissen, wie aktuelle Ansätze in den Bereichen Rendering, GPU-basierte Programmierung, Displays oder Computational Photography mit entsprechender Hardware effizient implementiert werden können. Sie können selbständig in Gruppen Programmierprojekte planen und durchführen, bei denen für GPUs entwickelte Programmiersprachen, Ein- und Ausgabe- Hardware und geeignete Bibliotheken eingesetzt werden.

Entwicklungsumgebung wird zur Verfügung gestellt

Mündliche Prüfung (bei großer Teilnehmerzahl Klausur), durch erfolgreiche Übungen kann ein Notenbonus erarbeitet werden.

Die Vorlesung führt die nötigen Konzepte der parallelen Verarbeitung ein, und gibt einen Überblick über die augenblicklich verfügbare Hardware. Weiterhin werden grundlegende parallele Algorithmen, z.B. Map, Reduce, Prefix-Sum, Branching, aber auch parallele Anwendungen wie FFT, Partikelsysteme und Simulationen etc. behandelt. Um für neue Probleme effiziente, parallele Lösungen zu entwickeln, werden entsprechende Herangehensweisen und Komplexitätsanalysen vermittelt.

Ein aktueller Trend aller Chip-Hersteller ist es, mehr und mehr Recheneinheiten auf einem Chip zu integrieren, z.B. mit mehreren hundert Prozessoren auf einer Grafikkarte. Um diese Architekturen effizient zu nutzen, müssen geeignete Algorithmen gewählt und die Probleme hinsichtlich der Speicherbandbreite optimiert werden. (1) Ziel der Vorlesung ist es, die Studenten in die Lage zu versetzen, ein gegebenes Problem hinsichtlich der möglichen Effizienzsteigerung durch Parallelisierung zu analysieren. (2) Sie können geignete Algorithmen entwickeln, um ein möglichst schnelle massiv-parallele Implementierung zu erarbeiten. (3) Sie sind in der Lage, durch Profiling ihre Programme hinsichtlich der Speicherbandbreite, der Auslastung der GPU und der Register zu optimieren.

Hubert Nguyen: GPU Gems 3, Addison Wesley; T. Mattson, B. Sanders, B.
Massingill: Patterns for Parallel Programming, Addison Wesley ; gpgpu.org
- General-Purpose Computation Using Graphics Hardware; NVIDIA CUDA
page; NVIDIA CUDA Programming Guide ; Vorlesungsfolien werden bereitgestellt

Vortrag und schriftlicher Projektbericht

Es werden die effiziente Implementierung und die Umsetzung von Algorithmen aus den unterschiedlichen Bereichen der Informatik oder angrenzender Fachbereiche auf massiv-parallelen Architekturen vermittelt. Weiterhin wird die Programmierung von massiv-parallelen Rechnersystemen GPU, und die damit verbundenen Herausforderungen wie Speicherverwaltung, Branching, Synchronisation behandelt. Neben der Programmierung von GPUs steht auch das Messen und Vergleichen der Performanz paralleler Anwendungen im Fokus.

Die Studierenden können selbständig (in kleinen Gruppen) die Umsetzung rechenintensiver Aufgaben auf massiv-parallelen Rechnern planen, implementieren und durchführen. Sie sind in der Lage, die Laufzeit von parallelen Anwendungen zu messen und zu analysieren.

Entwicklungsumgebung wird zur Verfügung gestellt, NVIDIA CUDA page

Mündliche Prüfung (bei großer Teilnehmerzahl Klausur), durch erfolgreiche Übungen kann ein Notenbonus erarbeitet werden.

Es werden vertiefende Lehrinhalte der Computergrafik mit dem Schwerpunkt Bildsynthese vermittelt und geübt. Das Modul behandelt grundlegende und fortgeschrittene Theorie und Algorithmen der Monte Carlo und Quasi-Monte Carlo-Simulation, behandelt globale Beleuchtungsansätze wie Path Tracing, Bidirectional Path Tracing, Metropolis Sampling, Photon Mapping, sowie Methoden zum Echtzeitrendering.

Die Studierenden erwerben vertiefende Kenntnisse in den Bereichen Monte Carlo-Approximation und globale Beleuchtungssimulation. Die Studierenden werden in die Lage versetzt, die behandelten Techniken zu analysieren und zu implementieren sowie eigenständig Problemstellungen zu bewerten, zu lösen und in eigenen Projekten anwenden zu können.

Pharr, Humphreys: Physically Based Rendering, Morgan Kaufmann, 2004 Dutré et al.: Advanced G / Grundkenntnisse im Bereich Computergrafik

Mündliche Prüfung (bei großer Teilnehmerzahl Klausur), durch erfolgreiche Übungen kann ein Notenbonus erarbeitet werden.

Es werden vertiefende Lehrinhalte der digitalen Fotografie, der Hardware sowie der anschließenden Bildrekonstruktion und -verarbeitung vermittelt und geübt. Die Veranstaltung behandelt grundlegende und fortgeschrittene Theorie und Algorithmen der Bildrekonstruktion, des Denoising, der Dekonvolution, der 3D-Bilderfassung, der Computertomographie oder des Compressive Sensings. Gleichzeitig werden verschiedene Aufnahmesystem, Kamerasensoren, aktive Beleuchtung und multi-Kamerasysteme abgedeckt und die neuen Bildaufnahmemodalitäten behandelt, die damit ermöglicht werden.

Die Studierenden erwerben vertiefende Kenntnisse in den Bereichen digitale Fotografie, Computational Imaging, und bildbasierten Verfahren. Die Studierenden werden in die Lage versetzt, die behandelten Techniken zu analysieren und alternative Ansätze zu vergleichen. In Projekten können sie eigenständig die Problemstellung bewerten und Lösungsvorschläge erarbeiten. Sie sind in der Lage, Lösungen durch Implementierungen in Software mit der geeigneten
Hardware umzusetzen.

Vorlesungsfolien werden bereitgestellt / Grundkenntnisse im Bereich Computergrafik

Mündliche Prüfung (bei großer Teilnehmerzahl Klausur), durch erfolgreiche Übungen kann ein Notenbonus erarbeitet werden.

Es werden vertiefende Lehrinhalte in dem Bereich Displays vermittelt und geübt. Das Modul behandelt den Aufbau und die Technologie von Monitoren, Projektoren, AR/VR-Brillen, Stereo-Displays, Lichtfelddisplays und anderen Darstellungsverfahren. Gleichzeitig steht die algorithmische Aufbereitung von Daten für alle Arten von Displays im Vordergrund.

Die Studierenden erwerben vertiefende Kenntnisse über aktuelle Display- Technologien. Die Studierenden sollen in die Lage versetzt werden, die behandelten Techniken zu analysieren und Alternativen bewerten zu können. Sie können eigenständig Problemstellungen bewerten, und in Projekten eigene Lösungen und Implementierungen entwickeln.

Aktuelle Veröffentlichungen im Bereich Displays, Vorlesungsfolien werden bereitgestellt / Grundkenntnisse im Bereich Computergrafik

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl), Übungspunkte können als Bonuspunkte in die Klausurwertung eingehen

Die Vorlesung behandelt folgende Inhalte. Principles of Network Security, Cryptographic Methods, Public Key Infrastructure, Authentication, Application Layer Security, Transport Layer Security, Virtual Private Networks, Layer-2 Security, Perimeter Security, Anonymization, Blockchain, Advanced Topics; die Vorlesung wird begleitet von einem umfangreichen Übungsbetrieb, der die erworbenen Kenntnisse an praktischen Beispielen illustriert und vertieft.

Die Studierenden haben ein umfangreiches und tiefgehendes Verständnis über Netzwerksicherheit. Sie sind im Stande ihre erworbenenen Fähigkeiten zur Problemlösung auch in neuen und unvertrauten Kontexten anzuwenden. Sie sind in der Lage sich selbständig neues Wissen und Können anzueignen und sich mit Fachvertretern über Informationen, Ideen, Probleme und Lösungen auf wissenschaftlichem Niveau auszutauschen.

-

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl), Übungspunkte können als Bonuspunkte in die Klausurwertung eingehen

Die Vorlesung behandelt folgende Inhalte. Layer-2 Security, Perimeter Security, Anonymization, Blockchain, Advanced Topics; die Vorlesung wird begleitet von einem umfangreichen Übungsbetrieb, der die erworbenen Kenntnisse an praktischen Beispielen illustriert und vertieft.

Netzwerksicherheit II: Die Studierenden haben ein umfangreiches und tiefgehendes Verständnis über Netzwerksicherheit. Sie sind im Stande, ihre erworbenenen Fähigkeiten zur Problemlösung auch in neuen und unvertrauten Kontexten anzuwenden. Sie sind in der Lage sich selbständig neues Wissen und Können anzueignen und sich mit Fachvertretern über Informationen, Ideen, Probleme und Lösungen auf wissenschaftlichem Niveau auszutauschen.

-

Benotete Praktikumsversuche bestehend aus Theorie und Praxis mit abschließender Klausur oder mündlicher Prüfung

Einführende Vorlesungseinheiten zu jedem Versuch, praktische Übungen zuhause zum Kennenlernen der Experimentierumgebung (Linux-Kommandozeile, Basisbefehle für Netzadministration, Mitschneiden von Verkehr) sowie benotete Präsenzübungen im Experimentallabor zu folgenden Themen: Netzwerksicherheit, Angriffe und Angriffssabwehr, VPN, fortgeschrittene Routingverfahren, WLAN, ausgewählte Anwendungsprotokolle.

Die Studierenden vertiefen ihre praktischen Kenntnisse zu Kommuniktionsnetzen wesentlich, insbesondere um praktische, Sicherheits-relevante Aspekte. Sie können sich selbständig neues Wissen und Können aneignen und ihre Fähigkeiten zur Problemlösung auch in neuen und unvertrauten Kontexten anwenden. Sie lernen ihr Wissen in klarer und eindeutiger Weise zu kommunizieren und auf wissenschaftlichem Niveau auszutauschen.

-

Benotete Praktikumsversuche sowie eine mündliche oder schriftliche Abschlussprüfung

Einführende Vorlesungseinheiten zu jedem Versuch, praktische Übungen zuhause zum Kennenlernen der Experimentierumgebung (Linux-Kommandozeile, Basisbefehle für Netzadministration, Mitschneiden von Verkehr) sowie benotete Präsenzübungen im Experimentallabor zu fortgeschrittenen Themen. Wechselnde Themen zu aktuellen Kommunikationstechnologien.

Die Studierenden vertiefen ihre praktischen Kenntnisse zu Kommuniktionsnetzen wesentlich, insbesondere zu den vermittelten Themen. Sie können sehr anspruchsvolle Konfigurationen von Rechnernetzen selbständig durchführen und Eigenschaften von fortgeschrittenen Protokollen experimentell evaluieren. Sie können sich selbständig neues Wissen und Können aneignen und ihre Fähigkeiten zur Problemlösung auch in neuen und unvertrauten Kontexten anwenden. Sie lernen ihr Wissen in klarer und eindeutiger Weise zu kommunizieren und auf wissenschaftlichem Niveau auszutauschen.

-

Klausur, Übungsleistungen können als Bonuspunkte in die Klausur einfließen

Statistische Grundlagen (Teil 1), Einführung in die Simulationstechnik, Verteilungsfunktionen (Teil 1), Aufbereitung von Stichproben, statistische Grundlagen (Teil 2), statistische Auswertung von Simulationen, stochastische Prozesse, zeitdiskrete Markovketten, zeitkontinuierliche Markovketten; die Vorlesungsinhalte werden im Rahmen der Übung in die Praxis umgesetzt, insbesondere wird in mehreren aufeinanderfolgenden Übungen ein einfacher Simulator gebaut. Schwerpunkt sind die Modellierung von Problemen aus unterschiedlichen Kontexten durch geeignete Verteilungsfunktionen sowie durch Markovketten sowie die dazugehörigen, mathematischen Grundlagen.

Die Studierenden können technische Systeme in ihrer Konzeptionsphase mit anspruchsvollen Methoden modellieren und untersuchen und somit Forschung und Entwicklung effizient mitgestalten. Sie haben tiefgehende, praktische Kenntnisse zu zeitdiskreter Simulation und können Experimente systematisch aufbauen und auswerten. Sie können zeitdiskrete und zeitkontinuierliche Markovketten für die Modellierung und Untersuchung von technischen Systemen einsetzen und deren Leistungsfähigkeit mit Hilfe von Warteschlangentheorie vorhersagen. Sie sind in der Lage die erworbenen Kenntnisse in neuen Kontexten zu übertragen und anzuwenden.

-

Klausur, Übungsleistungen können als Bonuspunkte in die Klausur einfließen

Verteilungsfunktionen (Teil 2), Mehrdimensionale Zufallsstrukturen, Design von Experimenten, Signifikanztests von Hypothesen und ihre Anwendungen, Untersuchung von Messdaten, zeitabhängige Statistiken, Möglichkeit und Grenzen von Modellbildung und Simulation, Zufallszahlenerzeugung; die Vorlesung vermittelt die theoretischen Grundlagen und in der Übung werden die Vorlesungsinhalte durch Programmieraufgaben anhand von Praxisbeispielen umgesetzt.

Die Studierenden können technische Systeme in ihrer Konzeptionsphase mit anspruchsvollen Methoden modellieren und untersuchen und somit Forschung und Entwicklung effizient mitgestalten. Sie Sie sind in der Lage die erworbenen Kenntnisse in neuen Kontexten zu übertragen und anzuwenden. Sie können erlernte Methoden kritisch hinterfragen und somit eintscheiden, ob sie für gegebene Problemstellungen geeignet sind. Durch das erworbene, mathematische Verständnis können sie erlernte Werkzeuge für neue Problemstellungen in geeigneter Weise abändern.

-

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl), Übungspunkte können als Bonuspunkte in die Klausurwertung eingehen

Die Vorlesung gibt einen Überblick über relevante Technologien im Bereich NetworksSoftwarization. Dazu gehören Software-Defined Networking mittels Open-sFlow, Data Plane Programming mittels P4 sowie Virtualisierungstechniken und Network Function Virtualization. Zusätzlich werden aktuelle Forschungsthemen besprochen. Die Veranstaltung wird durch praktische Übungsprojekte begleitet, in denen die Studierenden die erlernten Technologien anwenden und anspruchsvolle Programmieraufgaben lösen.

Die Studierenden haben Kenntnisse und Fertigkeiten auf dem neusten Stand des Wissens hinsichtlich Network Softwarization und Einblick in Forschungsthemen erworben, was sie zu Forschungsarbeiten im Bereich Kommunikationsnetze in besonderer Weise befähigt. Sie haben ein tiefgehende Verständnis davon wie mit Network Softwarization neue Technologien schneller entwickelt und Netze effizienter betrieben werden können. Sie können sich selbständig neues Wissen und Können aneignen und weitgehend selbstgesteuert anwendungsorientierte Projekte durchführen. Sie sind in der Lage sich mit Fachvertretern und mit Laien über Informationen, Ideen, Probleme und Lösungen auf wissenschaftlichem Niveau auszutauschen.

-

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl), Übungspunkte können als Bonuspunkte in die Klausurwertung eingehen

Die Vorlesung vermittelt Kenntnisse zu fortgeschrittenen Themen im Bereich Kommunikationsnetze, im Gegensatz zu INF3331 “Grundlagen des Internets” behandelt diese Vorlesung v.a. die Kommunikationsschichten unterhalb des IPLayers.

Themen sind: Daten und Signale, Umwandlung von Daten in digitale Signale, Modulation von mdigitalen und analogen Signalen, Multiplex-Techniken, Übertragungsmedien, Switching, Data Link Control, Multiple Access Protokolle, Ethernet, Backbone-Konzepte, VLANs, Software-Defined Networking, Quality of Service, Time-Sensitive Networking (TSN), Bussysteme im Fahrzeug

Kommunikationstechnologien 1: Die Studierenden haben ein umfangreiches und tiefes Verständnis über das Funktionsprinzip und die Organisation von Kommunikationsnetzen. Sie sind in der Lage sich mit Fachvertretern und mit Laien über Informationen, Ideen, Probleme und Lösungen auf wissenschaftlichem Niveau auszutauschen. Sie können sich selbständig neues Wissen und Können aneignen. Sie haben ein kritisches Verständnis auf dem neusten Stand des Wissens in mehreren Spezialbereichen erworben und können ihre Fähigkeiten zur Problemlösung auch in neuen und unvertrauten Situationen anwenden.

-

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl), Übungspunkte können als Bonuspunkte in die Klausurwertung eingehen.

Die Vorlesung vermittelt Kenntnisse zu fortgeschrittenen Themen im Bereich Kommunikationsnetze, im Gegensatz zu INF3331 “Grundlagen des Internets” behandelt diese Vorlesung v.a. die Kommunikationsschichten unterhalb des IPLayers.

Themen sind: Optische Kommunikationsnetze, ATM, Frame Relay, MPLS, WLAN, Bluetooth, LoRaWAN, Mobilfunk, Telefon, DSL, Kabel, Voice-over-IP.

Die Studierenden haben ein umfangreiches und tiefes Verständnis über das Funktionsprinzip und die Organisation von Kommunikationsnetzen. Sie sind in der Lage sich mit Fachvertretern und mit Laien über Informationen, Ideen, Probleme und Lösungen auf wissenschaftlichem Niveau auszutauschen. Sie können sich selbständig neues Wissen und Können aneignen. Sie haben ein kritisches Verständnis auf dem neuesten Stand des Wissens in mehreren Spezialbereichen erworben und können ihre Fähigkeiten zur Problemlösung auch in neuen und unvertrauten Situationen anwenden.

-

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Wechselnde vertiefte Themen aus den Teilgebieten des Forschungsfeldes Kommunikationsnetze.

Die Studierenden besitzen vertiefte Kenntnisse im Bereich der Kommunikationsnetze. Sie können ihre erworbenen Fähigkeiten zur Problemlösung auch in neuen und unvertrauten Kontexten anwenden. Sie sind in der Lage sich im Themenbereich selbständig neues Wissen und Können anzueignen und eigenständige forschungs- oder anwendungsorientierte Projekte durchzuführen. Sie sind in der Lage mit Fachvertretern und mit Laien über Informationen, Ideen, Probleme und Lösungen auf wissenschaftlichem Niveau auszutauschen.

-

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl), Übungspunkte können als Bonuspunkte in die Klausurwertung eingehen

Die Vorlesung vermittelt fortgeschrittene Kenntnisse in Containertechnologie, Software-as-a-Service (SaaS) und Function-as-a-Service (FaaS). Es werden theoretische Asätze zu Cloud-Architekturen, Cloud Computing Patterns und Automatisierung besprochen. Klassische Anwendungsfälle wie Serverless Computing, Internet of Things (IoT), Edge Computing, Business Intelligence (BI) und Machine Learning (ML) werden aufgezeigt. Der Übungsbetrieb besteht aus umfangreichen, praktischen Aufgaben und adressiert insbesondere operativen
Betrieb, wirtschaftliche Effizienz und Sicherheit.

Die Studierenden besitzen fortgeschrittene, aktuelle Kenntnisse im Bereich Public Cloud Computing. Sie können sich selbständig neues Wissen und Können aneignen und weitgehend selbstgesteuert anwendungsorientierte Projekte durchführen. Sie sind in der Lage sich mit Fachvertretern und mit Laien über Informationen, Ideen, Probleme und Lösungen auf wissenschaftlichem Niveau auszutauschen und in einem Team herausgehobene Verantwortung zu übernehmen.

-

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Um Netzwerke oder Applikationen abzusichern, benötigt ein Administrator oder Entwickler Kenntnisse über vorhandene Schwachstellen. Durch simulierte Hacker-Angriffe, sogenannten Penetrationstests, lassen sich diese effizient aufdecken. Neben theoretischen Grundlagen über die Planung und Durchführung von Penetrationstests vermittelt diese Vorlesung tiefgehende praktische Kenntnisse moderner Angriffswerkzeuge, aktueller Schwachstellen und der Methodik diese auszunutzen. Das Spektrum reicht dabei vom Footprinting"über den eigentlichen Angriff bis zum Platzieren von Hintertüren in ein kompromittiertes System. Vorlesung und Übungen finden als eng miteinander verzahnte Blockveranstaltung statt.
Themen sind: Gestaltungsmöglichkeiten von Penetrationstests, Testmodule, Abschätzung des Testaufwands, Bewertung von Ergebnissen und Dokumentation, Nachverfolgung von Schwachstellen, ethische und rechtliche Aspekte, Penetration Testing Standards, Footprinting, Portscanning, Enumeration, Sniffing, Angriffe gegen Verschlüsselung, häufige konfigurative Schwachstellen,
methodische Sicherheitsanalyse von Web-Applikationen und typische Schwachstellen von Web-Applikationen, Umgang mit Metasploit, Angriffe gegen Windows-Netzwerke, Privilege Escalation, Backdoors, online- und offline-Angriffe gegen Passwörter, Schwachstellenanalyse, Ausnutzung von Buffer-
Overflow-Schwachstellen.

Die Studierenden vertiefen ihr Verständnis von IT-Systemen wesentlich und werden in die Lage versetzt Sicherheitsschwachstellen zu erkennen und zu beheben.
Sie haben die Fähigkeit die Kenntnisse auch in neuen, anvertrauten Kontexten anzuwenden und sich selbständig neues Wissen anzueignen. Zudem lernen sie ethische Aspekte adäquat einzubeziehen.

-

Vortrag und schriftlicher Projektbericht

Dieses Seminar behandelt aktuelle und wechselnde Themen aus Forschung und Anwendung auf dem Gebiet der Kommunikationsnetze.

Die Studierenden sind in der Lage, aktuelle Forschungsarbeiten auf dem Gebiet der Kommunikationsnetze zu lesen, zu reflektieren und inhaltlich zu untersuchen. Sie können die Beiträge einer Arbeit kritisch beurteilen. Sie können aktuelle Forschungsergebnisse vor anderen Studierenden und Wissenschaftlern präsentieren und Forschungsdiskussionen leiten. Sie können die Ergebnisse von Forschungsarbeiten in Form einer mündlichen Präsentation und eines schriftlichen Berichts zusammenfassen und bewerten.

-

Mündliche Prüfung oder Klausur bei hoher Teilnehmerzahl, rrfolgreiche Teilnahme am Seminar ist Prüfungsvoraussetzung

Themen sind die verschiedenen Technologien der Quantitativen Biologie/Biomedizin (z.B. Omics-Technologien, Hochdurchsatz-Screening und Bildgebung), Methoden zur Prozessierung und Analyse von Hochdurchsatzdaten (Bioinformatik Workflows) und Standardisierung von Datenaustauschformaten. Des Weiteren beschäftigt sich das Modul mit Daten- und Metadatenmodellen, sowie Datenspeicherung (verschiedene Ansätze) und generellen Konzepten für das Datenmanagement (z.B. verschiedene Datenbanksysteme) und der (web-basierten) Visualisierung. Die Vorlesung bereitet dabei die technischen Grundlagen der Themen auf, und im Seminar werden aktuelle Arbeiten zur biomedizinischen Anwendung dieser Technologien von den Studenten präsentiert und diskutiert.

Die Studierenden beherrschen einfache und multivariate statistische Verfahren, sowie datengetriebene Ansätze für die Verwaltung und Analyse von biomedizinischen Hochdurchsatz und Bildgebungsdaten. Sie sind in der Lage, Forschungsinfrastrukturen zu konzipieren und Auswerteroutinen auf verschiedenen bereits existierenden Infrastrukturen methodenadäquat einzusetzen, sowie deren Einsatz in Publikationen kritisch zu hinterfragen. Die Studierenden sind darüber hinaus in der Lage, eine qualitative/quantitative Untersuchung (z.B. eine klinische Studie oder ein großangelegtes Forschungsprojekt) zu konzipieren, durchzuführen und adäquat auszuwerten (z.B. in forschungsorientierten Veranstaltungen des Studiengangs oder in der Masterarbeit). Darüber hinaus können sie die Gefahren und Chance von “Open Data” einordnen und interdisziplinär diskutieren. Die Studierenden können auch die Stärken und Schwächen qualitativer und quantitativer datengetriebener Forschung beurteilen und die methodische Qualität der Veröffentlichungen kritisch bewerten.

-

Die Gesamtnote ergibt sich aus der erbrachten Leistung, einem schriftlichen Bericht über jeden Tag des Praktikums und ein bis zwei mündlichen Kurzvorträgen.

Der Schwerpunkt liegt auf der praktischen Analyse von sogenannten Next Generation Sequencing-Daten. Die Studierenden lernen den Einsatz von Werkzeugen zur Auswertung dieser Daten. In diesem praktischen Kurs werden reale Daten verwendet; der Schwerpunkt liegt auf dem gesamten Prozess der Auswertung experimenteller Daten, von Qualitätsanalysen bis hin zu tiefgreifenden statistischen Analysen; verschiedene Methoden werden verglichen. Zu den Themen gehören De-novo-Assembly, Berechnung der Expressionszahlen, Normalisierung und Clustering, Methoden des maschinellen Lernens und ihre Anwendung auf Expressionsdaten, statistische Methoden zur Berechnung differentieller Expressionen, Visualisierungsmethoden und Anreicherungsmethoden.

Die Studierenden sammeln praktische Erfahrungen im Entwurf und in der Programmierung von Bioinformatik-Software zur Analyse von NGS-Daten. Sie sind in der Lage, Bibliotheken und Frameworks zu nutzen und erwerben oder erweitern ihre Kenntnisse in Java oder C++ und R. Durch die Zusammenarbeit in Gruppen erwerben die Studierenden Teamwork- und Kollaborationsfähigkeiten und lernen Projektorganisation und Präsentationstechniken kennen. Die Studierenden kennen die Stärken und Schwächen sowie die Grenzen verschiedener Methoden zur Auswertung von transkriptomischen Hochdurchsatzdaten und können diese Methoden beschreiben und bewerten.

Will be provided at the beginning of the course, if necessary.

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Die funktionelle Genomik, d. h. die Interpretation eines Genoms zur Bestimmung der biologischen Funktion von Genen und Geninteraktionen, ist einer der wichtigsten Bereiche der modernen Biologie. Heute werden zunehmend Next-Generation-Sequencing-Technologien eingesetzt, um die Expression von Tausenden von Genen gleichzeitig zu messen. Daraus ergeben sich neue Herausforderungen für die Bioinformatik, sowohl in algorithmischer als auch in softwaretechnischer Hinsicht. In der Vorlesung werden u.a. folgende Themen besprochen: NGS-Technologien, insbesondere RNA-Seq- und ChIP-Seq-Technologien, schnelle bis ultraschnelle Alignment-Methoden von Short Reads, Mapping-basierte und de novo 'Assemblierung' von Genomen und Transkriptomen, Peak-Calling, Spleiß- und Genmodelle, Motivsuche, differentielle Expression, Visualisierung von NGS-Daten und weitere aktuelle Themen. In den Übungen wird insbesondere das wissenschaftliche Arbeiten und das wissenschaftliche Schreiben gefördert. Die Übungen werden auch durch Blended-Learning-Methoden ergänzt.

Die Studierenden sind mit den neuen Erkenntnissen der Bioinformatik zur Expressionsanalyse und den neueren Sequenzierungstechnologien vertraut. Sie können die Herausforderungen der neuen Technologien für die Bioinformatik formulieren. Sie kennen Algorithmen zur Quantifizierung von Expressionsdaten, statistische Methoden und maschinelle Lernverfahren zur Berechnung der differentiellen Expression und Klassifikation sowie Methoden zur Analyse von Expressionsdaten im Netzwerkkontext. Die Studierenden können reale Microarray- und RNA-Seq-Experimente analysieren und haben ihre R-Kenntnisse vertieft. Die Studierenden kennen die Möglichkeiten, aber auch die Grenzen der verschiedenen Methoden in diesem Teilgebiet der Bioinformatik. Sie sind in der Lage, Probleme auf wissenschaftlichem Niveau zu analysieren und schriftlich zusammenzufassen. Insbesondere wird ein hohes Maß an intrinsischer Motivation und Eigenverantwortung gefördert.

Own lecture notes and selected articles