Modulverzeichnis Master 20221024

Modulverzeichnis
zum Modulhandbuch der Masterstudiengänge

Informatik,
Bioinformatik/Bioinformatics,
Medieninformatik,
und Medizininformatik/Medical Informatics
für die Prüfungsordnungen gültig seit 01. Oktober 2021
Stand: 24.10.2022
Fachbereich Informatik
herausgegeben durch die Studienkommission, verantw. Studiendekan
2
Inhaltsverzeichnis
Vorbemerkung 17
Studienbereich INFO-PRAK 19
INFO-4311 Modellierung und Analyse Eingebetteter Systeme (Vorlesung, Übungen ) – Bring-
mann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
INFO-4331 Anwendungen der Multimediatechnik (Vorlesung, Übungen ) – Bringmann . . . . 21
INFO-4222 Software-Qualität in Theorie und industrieller Praxis (Vorlesung, Übungen) – Kropf,
Ruf, Bringmann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
ML-4420 Efficient Machine Learning in Hardware (Lecture) – Bringmann . . . . . . . . . . . . 25
INFO-4194 Verhalten und Lernen (Vorlesung, Übung) – Butz . . . . . . . . . . . . . . . . . . 27
INFO-4210 Rekurrente und Generative Neuronale Netze (Vorlesung, Übung ) – Butz . . . . . . 29
INFO-4211 Avatars in Virtuellen Realitäten (Praktikum) – Butz . . . . . . . . . . . . . . . . 30
INFO-4212 Künstliche Neuronale Netze (Praktikum) – Butz . . . . . . . . . . . . . . . . . . . 31
INFO-4213 Projekt mit Künstlichen Neuronalen Netzen (Praktikum) – Butz . . . . . . . . . . 32
INFO-4214 Kognitive Modellierung (Vorlesung, Übung ) – Butz . . . . . . . . . . . . . . . . . 33
ML-4310 Data Mining and Probabilistic Reasoning (Lecture with tutorials) – Gjergji Kasneci . 34
ML-4103 Deep Learning (Lecture with tutorials) – Geiger, Zell . . . . . . . . . . . . . . . . . 35
INFO-4141 Implementierung Relationaler Datenbanksysteme (DB2) (Vorlesung, Übungen) – Grust 36
INFO-4142 Datenbanksysteme und moderne CPU-Architekturen (Vorlesung, Übungen ) – Grust 38
INFO-4147 Declarative Database Languages (Vorlesung, Übungen) – Grust . . . . . . . . . . . 39
INFO-4149 Spezielle Kapitel zu Datenbanksystemen (Vorlesung, Übungen) – Grust . . . . . . . 41
ML-4102 Data Literacy (Lecture with tutorials) – Hennig . . . . . . . . . . . . . . . . . . . . 42
ML-4202 Probabilistic Inference and Learning (Lecture with tutorials) – Hennig, Macke . . . . 43
BIO-4242 Advanced Java in Bioinformatics (Lecture and tutorials) – Huson . . . . . . . . . . 44
BIO-4311 Mikrobiomanalyse (Lecture, Tutorials ) – Huson . . . . . . . . . . . . . . . . . . . 45
INFO-4380 Wahrnehmungsbasierte Mensch-Maschine Interaktion (Vorlesung ) – Kasneci . . . . 46
MEDI-4410 Multimodale Mensch-Maschine-Interaktion (Vorlesung, Übungen ) – Kasneci . . . . 47
MEDI-4411 Multimodale Mensch-Maschine-Interaktion (Praktikum (Projekte in kleinen Grup-
pen) ) – Kasneci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
INFO-4314 Programmieren mobiler Eingebetteter Systeme (Praktikum ) – Bringmann . . . . . 49
INFO-4520 Netzwerkalgorithmen (Praktikum in kleinen Gruppen) – Kaufmann . . . . . . . . . 51
BIO-4120 Struktur- und Systembioinformatik (Vorlesung, Übungen) – Kohlbacher . . . . . . . 52
BIO-4352 Computational Proteomics and Metabolomics (Vorlesung, Übungen, Projekt ) – Kohl-
bacher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
BIO-4371 Structure-Based Drug Design (Vorlesung, Übungen, Projekt) – Kohlbacher . . . . . . 54
BIO-4372 Cheminformatics (Vorlesung, Übungen, Projekt) – Kohlbacher . . . . . . . . . . . . 55
BIO4364 Visualization of Biological Data (Vorlesung, Übungen ) – Krone, Nieselt . . . . . . . 56
INFO-4167 Computergrafik (Praktikum) – Lensch . . . . . . . . . . . . . . . . . . . . . . . 58
INFO-4173 Massively Parallel Computing (Vorlesung, Übungen ) – Lensch . . . . . . . . . . 59
INFO-4174 Massively Parallel Computing (Praktikum ) – Lensch . . . . . . . . . . . . . . . 61
INFO-4175 Rendering (Vorlesung, Übungen ) – Lensch . . . . . . . . . . . . . . . . . . . . . 62
INFO-4176 Computational Photography (Vorlesung, Übungen ) – Lensch . . . . . . . . . . . 63
INFO-4178 Displays (Vorlesung, Übungen ) – Lensch . . . . . . . . . . . . . . . . . . . . . . 64
3
4 INHALTSVERZEICHNIS
INFO-4197 Intelligent Systems – Learning (Vorlesung, Übungen ) – Hennig, Lensch (verantwortlich) 65

INFO-4345 Modellierung und Simulation I (Vorlesung, Übung ) – Menth . . . . . . . . . . . 66
INFO-4346 Modellierung und Simulation II (Vorlesung, Übung ) – Menth . . . . . . . . . . . 67
INFO-4241 Programmiersprachen II (Vorlesung, Übungen) – Ostermann . . . . . . . . . . . . 68
INFO-4245 Softwareprojektleitung (Praktikum ) – Ostermann . . . . . . . . . . . . . . . . . 69
INFO-4246 Programmieren mit Dependent Types (Praktikum ) – Ostermann . . . . . . . . . . 70
INFO-4248 Interaktives Beweisen von Theoremen (Vorlesung, Übungen) – Ostermann . . . . . 71
INFO-4161 Bildverarbeitung II (3D-Computer-Vision) (Vorlesung, Übung) – Schilling . . . . . 72
INFO-4162 Bildverarbeitung II (3D-Computer-Vision) (Praktikum) – Schilling . . . . . . . . 73
INFO-4170 Geometrische Modellierung und Simulation (Vorlesung, Übungen) – Schilling (ver-
antwortlich) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
INFO-4172 Virtual Reality (Vorlesung, Übungen) – Schilling . . . . . . . . . . . . . . . . . . 75
INFO-4179 Spezielle Kapitel der Graphischen Datenverarbeitung (Vorlesung, Übungen) – Schil-
ling (verantwortlich) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
INFO-4187 Bildverarbeitung, Maschinelles Lernen und Computer Vision (Praktikum) – Schilling 77
INFO-4191 Neuronal Computing (Vorlesung ) – Rosenstiel . . . . . . . . . . . . . . . . . . . 78
MEDI-4310 Fortgeschrittene Web-Entwicklung (Vorlesung, Übung ) – Walter . . . . . . . . . 79
MEDI-4320 Fortgeschrittene Medienanwendungen im Netz (Vorlesung, Seminar ) – Abele . . . 80
MEDI-4330 Digitale Fotografie für das Web (Vorlesung, Übung ) – Walter . . . . . . . . . . . 81
MEDI-4399 Spezielle Kapitel Web und Internet (Vorlesung, Übungen ) – Walter . . . . . . . 82
INFO-4151 Angewandte Statistik II (Vorlesung mit Übungen ) – Wannek . . . . . . . . . . . 83
INFO-4181 Mustererkennung und Maschinelles Lernen (Vorlesung, Übungen ) – Zell . . . . . 84
INFO-4182 Neural Networks (Vorlesung mit Übungen ) – Zell . . . . . . . . . . . . . . . . . 85
INFO-4183 Evolutionäre Algorithmen (Vorlesung, Übungen ) – Zell . . . . . . . . . . . . . . 86
INFO-4184 Evolutionäre Algorithmen (Praktikum ) – Zell . . . . . . . . . . . . . . . . . . . 87
INFO-4361 Mobile Roboter (Vorlesung, Übungen ) – Zell . . . . . . . . . . . . . . . . . . . 88
INFO-4362 Mobile Roboter (Praktikum ) – Zell . . . . . . . . . . . . . . . . . . . . . . . . 89
INFO-4364 Flugroboter (Praktikum ) – Zell . . . . . . . . . . . . . . . . . . . . . . . . . . 90
INFO-4365 Deep Convolutional Neural Networks (Praktikum ) – Zell . . . . . . . . . . . . . 91
ML-4302 Statistical Learning Theory (Lecture with Tutorials) – Ulrike von Luxburg . . . . . . 92
INFO-4322 Enterprise Computing (Praktikum ) – Kreißig . . . . . . . . . . . . . . . . . . . 94
INFO-4324 Enterprise Computing – Anwendungen (Praktikum ) – Kreißig . . . . . . . . . . 96
INFO-4373 Modellbasierte Verifikation in Forschung und industrieller Praxis (Vorlesung ) – Ro-
senstiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
INFO-4390 Visuelle Wahrnehmungs- und Lernverfahren in der Robotik (Lecture, Tutorial) –
Stückler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Studienbereich INFO-THEO 101

ML-4503 Explainable Machine Learning (Seminar) – Akata . . . . . . . . . . . . . . . . . . . 101
ML-4505 Learning with Limited Labeled Data (Seminar) – Akata . . . . . . . . . . . . . . . . 103
INFO-4413 Parametrisierte Algorithmen (Vorlesung, Übung) – Dorn . . . . . . . . . . . . . . 105
INFO-4414 Parametrisierte Algorithmen (Seminar ) – Dorn . . . . . . . . . . . . . . . . . . 107
INFO-4417 Parametrisierte Algorithmen und Komplexität (Vorlesung, Übungen) – Dorn . . . . 108
INFO-4451 Kryptologie (Vorlesung ) – Dorn . . . . . . . . . . . . . . . . . . . . . . . . . . 110
INFO-4452 Codierungstheorie (Vorlesung, Übungen ) – Dorn . . . . . . . . . . . . . . . . . 111
INFO-4472 Computational Social Choice (Vorlesung) – Dorn . . . . . . . . . . . . . . . . . . 112
INFO-4475 Computational Social Choice (Seminar) – Dorn . . . . . . . . . . . . . . . . . . . 114
ML-4340 Self-Driving Cars (Lecture with tutorials) – Andreas Geiger . . . . . . . . . . . . . . 115
ML-4303 Convex and Nonconvex Optimization (Lecture with tutorials) – Hein . . . . . . . . . 117
ML-4101 Mathematics of Machine Learning (Lecture with tutorials) – von Luxburg, Hein . . . 119
ML-4201 Statistical Machine Learning (Lecture with tutorials) – Hein, von Luxburg . . . . . . 121
ML-4301 Numerical Algorithms of Machine Learning (Lecture with tutorials) – Hennig . . . . . 122
ML-4320 Time Series (Lecture with tutorials) – Hennig, Tronarp . . . . . . . . . . . . . . . . 124
INHALTSVERZEICHNIS 5
INFO-4412 Algorithmen und Komplexität (Vorlesung, Übungen) – Kaufmann . . . . . . . . . 127

INFO-4419 Spezielle Themen der Algorithmik (Vorlesung, Übungen) – Kaufmann . . . . . . . 128
INFO-4432 Diskrete Optimierung (Vorlesung, Übungen) – Kaufmann, Lange . . . . . . . . . . 129
INFO-4653 Kombinatorische Algorithmen (Seminar) – Kaufmann . . . . . . . . . . . . . . . . 131
ML-4502 Machine learning methods for scientific discovery (Seminar) – Macke . . . . . . . . . 132
ML-4601 Introduction to Game Theory with Application to Multi-Agent Systems (Lecture) –
Maghsudi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
ML-4350 Reinforcement Learning (Lecture, Tutorial) – Martius . . . . . . . . . . . . . . . . . 136
INFO-4366 Advanced Topics in Neural Networks (Seminar) – Zell . . . . . . . . . . . . . . . 143
ML-4380 Advanced Topics in Machine Learning (Vorlesung, Übungen ) – - . . . . . . . . . . 144
INFO-4492 Spezielle Themen der Lerntheorie (Lecture, Tutorials) – von Luxburg . . . . . . . 145
ML-4491 Statistisches maschinelles Lernen (Lecture with tutorials) – von Luxburg . . . . . . . 148
Studienbereich INFO-TECH 151

INFO-4312 Entwurf und Synthese Eingebetteter Systeme (Vorlesung, Übungen ) – Bringmann 151
INFO-4313 Eingebettete Systeme (Seminar ) – Bringmann . . . . . . . . . . . . . . . . . . . 153
INFO-4315 Advanced Topics in Embedded Systems (Vorlesung ) – Bringmann . . . . . . . . 154
INFO-4316 Programming Ultra-Low Power Architectures (Praktikum ) – Bringmann . . . . . 155
INFO-4317 Parallele Rechnerarchitekturen (Vorlesung, Übungen) – Bringmann . . . . . . . . 158
INFO-4318 Advanced Computer Architecture (Praktikum) – Bringmann . . . . . . . . . . . . 160
Ruf, Bringmann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
INFO-4381 Advanced Topics in Human-Computer Interaction (Seminar) – Kasneci . . . . . . . 168
INFO-4321 Enterprise Computing - Grundlagen (Vorlesung ) – Kreißig, Schmidt . . . . . . . 171
INFO-4323 Enterprise Computing – Anwendungen (Vorlesung ) – Kreißig, Schmidt . . . . . . 173
INFO-4341 Netzwerksicherheit I (Vorlesung, Übung ) – Menth . . . . . . . . . . . . . . . . . 181
INFO-4342 Netzwerksicherheit II (Vorlesung, Übung ) – Menth . . . . . . . . . . . . . . . . 182
INFO-4343 Netzwerksicherheit III (Praktikum) (Praktikum) – Menth . . . . . . . . . . . . . 183
INFO-4344 Kommunikationsnetze (Praktikum) (Praktikum ) – Menth . . . . . . . . . . . . . 184
INFO-4347 Network Softwarization (Vorlesung, Übung ) – Menth und Mitarbeiter . . . . . . 185
INFO-4348 Kommunikationstechnologien 1 (Vorlesung, Übung ) – Menth . . . . . . . . . . . 186
INFO-4351 Kommunikationsnetze (Seminar) (Seminar) – Menth . . . . . . . . . . . . . . . . 188
INFO-4350 Spezielle Kapitel zu Kommunikationsnetzen (Vorlesung ) – Menth . . . . . . . . . 189
INFO-4354 Public Cloud Computing (Vorlesung, Übung ) – Hüttner (itdesign), Kontakt: Menth 190

INFO-4363 Advanced Topics in Mobile Robots (Seminar ) – Zell . . . . . . . . . . . . . . . . 193
INFO-4371 Verifikation Eingebetteter Systeme (Vorlesung, Übungen ) – Rosenstiel, Kropf . . 198
senstiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
Stückler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
Weitere Veranstaltungen Studienbereich INFO-INFO 203

INFO-4399 Spezielle Kapitel der Technischen Informatik (Seminar ) – Bringmann, Rosenstiel . 203
INFO-4999 Seminar zu ausgewählten Themen in der praktischen Informatik (Seminar) – All
lecturers in the computer science department . . . . . . . . . . . . . . . . . . . . . . . 205
INFO-4250 Informationsverarbeitung in Wahrnehmung & Handlung (Seminar) – Franz . . . . . 206
INFO-4177 Intelligent Systems – Computer Vision (Vorlesung, Übungen ) – Gehler, Lensch
(verantwortlich) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
INFO-4663 Advanced Topics in Database Systems (Seminar) – Grust . . . . . . . . . . . . . . 208
INFO-4664 Data and Business Analytics (Seminar) – Huber . . . . . . . . . . . . . . . . . . 209
BIO-4381 Systemimmunologie (Seminar ) – Kohlbacher . . . . . . . . . . . . . . . . . . . . 210
INFO-4244 Programmiersprachen und Programmiertechniken (Seminar ) – Ostermann . . . . . 211
INFO-4481 Theorie von Programmiersprachen (Seminar ) – Ostermann . . . . . . . . . . . . . 212
INFO-4374 Software Quality (Seminar ) – Rosenstiel . . . . . . . . . . . . . . . . . . . . . . 213
INFO-4661 Technische Informatik (Seminar ) – Rosenstiel . . . . . . . . . . . . . . . . . . . 215
INFO-4493 Lerntheorie (Seminar ) – von Luxburg . . . . . . . . . . . . . . . . . . . . . . . . 216
ML-4501 Seminar Maschinelles Lernen (Seminar) – All lecturers in the computer science department 217
ML-4410 Neuronale Datenanalyse (Lecture, Tutorial) – Berens . . . . . . . . . . . . . . . . . 218
MEDZ-4710 Data Privacy (Seminar) – Akgün . . . . . . . . . . . . . . . . . . . . . . . . . . 221
INFO-4998 Forschungsprojekt Informatik (Forschungsprojekt) – Die Dozent*innen bzw. Arbeits-
gruppenleiter*innen der Informatik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
Studienbereich BIO-SEQ 223

BIO-4110 Sequence Bioinformatics (Lectures and tutorials ) – Huson . . . . . . . . . . . . . 223
Studienbereich BIO-STRUC 225

Studienbereich BIO-SEM 227

BIO-4322 Metagenomics (Seminar ) – Huson . . . . . . . . . . . . . . . . . . . . . . . . . . 227
BIO-4362 Algorithms in Bioinformatics (Seminar ) – Huson . . . . . . . . . . . . . . . . . . . 229
BIO-4393 Mathematische Methoden in der (medizinischen) Systembiologie (Seminar) – Mosto-
lizadeh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
BIO-4331 Advances in Computational Transcriptomics (Lecture, Tutorials) – Nieselt . . . . . 233
BIO-4373 Bioinformatik und Maschinelles Lernen (Seminar ) – Nieselt . . . . . . . . . . . . . 235
MEDZ-4520 Biomedical Informatics Methods for Infection Research (Seminar) – Pfeifer . . . . 236
BIO-4104 Ausgewählte Themen in der Bioinformatik (Seminar) – All lecturers in the computer
science department . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
Studienbereich BIO-BIO 239

BIO-4382 Machine Learning for Single Cell Biology (Vorlesung, Übungen) – Claassen . . . . . . 239
BIO-4998 Forschungsprojekt Bioinformatik (Forschungsprojekt) – Die Dozent*innen bzw. Ar-
beitsgruppenleiter*innen der Bio- oder Medizininformatik . . . . . . . . . . . . . . . . 241
BIO-4103 Gruppenprojekt Bioinformatik (Small Team project) – Die Dozenten bzw. Arbeits-
gruppenleiter einer der beiden Pflichtvorlesungen . . . . . . . . . . . . . . . . . . . . . 242
BIO-4394 Systembiologie II (Vorlesung mit Übungen) – Dräger . . . . . . . . . . . . . . . . . 243
BIO-4399 Advanced Topics in Bioinformatics (Lectures and tutorials) – Huson . . . . . . . . 249
bacher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
lizadeh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
BIO-4376 Datenmanagement in der Biomedizinischen Forschung (Vorlesung, Seminar) – Nahnsen 256
BIO-4363 RNA Bioinformatics (Seminar) – Nieselt . . . . . . . . . . . . . . . . . . . . . . . 260
MEDZ-4110 Advanced Medical Informatics (Lecture, Tutorial) – Pfeifer . . . . . . . . . . . . . 263
MEDZ-4991 Medical Data Science (Lecture, Tutorial) – Pfeifer . . . . . . . . . . . . . . . . . 265
BIO-4104 Ausgewählte Themen in der Bioinformatik (Seminar) – All lecturers in the computer
Studienbereich BIO-PRAK 271

BIO-4240 Bioinformatics Tools (Practical course ) – Huson . . . . . . . . . . . . . . . . . . . 271
BIO-4220 Integrative Bioinformatik (Block course with written report ) – Kohlbacher . . . . . 273
BIO-4230 Angewandter strukturbasierter Wirkstoffentwurf (Blockpraktikum ) – Kohlbacher . 274
BIO-4210 Practical Transcriptomics (Practical course) – Nieselt . . . . . . . . . . . . . . . . 275
Studienbereich MEDI-HCI 277

INFO-4382 Human-AI Interaction (Vorlesung, Übungen) – Kasneci . . . . . . . . . . . . . . . 289
pen) ) – Kasneci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
Studienbereich MEDI-WEB 295

Studienbereich MEDI-VIS 307

(verantwortlich) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
INFO-4168 Fortgeschrittene Themen aus Computergrafik, Computer Vision und Maschinellem
Lernen (Seminar ) – Lensch, Schilling . . . . . . . . . . . . . . . . . . . . . . . . . . 319
antwortlich) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322
INFO-4192 Maschinelles Lernen und künstliche neuronale Netze in der biomedizinischen Anwen-
dung (Seminar ) – Rosenstiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 326
Studienbereich MEDI-MMT 331

mann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
Ruf, Bringmann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344

pen) ) – Kasneci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 351
INFO-4372 Verifikation Eingebetteter Systeme (Praktikum ) – Rosenstiel, Kropf . . . . . . . 372
Stückler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 376
Studienbereich MEDI-PRAX 379

MEDI-4998 Forschungsprojekt Medieninformatik (Forschungsprojekt) – Die Dozent*innen bzw.
Arbeitsgruppenleiter*innen der Medieninformatik . . . . . . . . . . . . . . . . . . . . . 383
MEDI-4520 Projektmanagement (Seminar) – Schilling (verantwortlich) . . . . . . . . . . . . . 388
MEDI-4511 Audiovisuelle Medien II (3D-Animation) (Seminar) – Schilling (verantwortlich) . . 389
MEDI-4512 Audiovisuelle Medien III (Special Effects) (Seminar) – Schilling (verantwortlich) . . 390
MEDI-4599 Spezielle Kapitel Medienproduktion (Seminar) – Schilling (verantwortlich, Durch-
führung durch externe Dozenten aus Medien und Firmen) . . . . . . . . . . . . . . . . 391
Studienbereich MEDZ-BIOINFO 393

Studienbereich MEDZ-RES 397

BIO-4394 Systembiologie II (Vorlesung mit Übungen) – Dräger . . . . . . . . . . . . . . . . . 400
MEDZ-4998 Forschungsprojekt Medizininformatik (Forschungsprojekt) – Die Dozent*innen bzw.
Arbeitsgruppenleiter*innen der Medizin- oder Bioinformatik . . . . . . . . . . . . . . . 402
lizadeh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 407

bacher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 411
MEDZ-4320 Ausgewählte Themen der Medizinformatik (Vorlesung, Übungen) – Dozenten der
Medizininformatik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 414
Studienbereich MEDZ-SEM 417

lizadeh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 421
MEDZ-4520 Computer Science Methods for Privacy Preservation and Personalized Medicine (Se-
minar) – Pfeifer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433
MEDZ-4520 Machine Learning for Health (Seminar) – Pfeifer . . . . . . . . . . . . . . . . . . 434
Studienbereich MEDZ-BIOMED 437

lizadeh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 439
bacher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 445
BIO-4103 Gruppenprojekt Bioinformatik (Small Team project) – Die Dozenten bzw. Arbeits-
gruppenleiter einer der beiden Pflichtvorlesungen . . . . . . . . . . . . . . . . . . . . . 459
Studienbereich MEDZ-MEDTECH 463

lizadeh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 469
antwortlich) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 476
Studienbereich Foundations of Machine Learning 481

ML-4102 Data Literacy (Lecture with tutorials) – Hennig . . . . . . . . . . . . . . . . . . . . 481
Studienbereich Diverse Topics in Machine Learning 485

ML-4309 Data Compression with and without Deep Probabilistic Models (Lecture with tutorials)
– Bamler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 489
(verantwortlich) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 496
INFO-4382 Human-AI Interaction (Vorlesung, Übungen) – Kasneci . . . . . . . . . . . . . . . 497
ML-4530 Deep Learning for Vision and Graphics (Seminar) – Pons-Moll . . . . . . . . . . . . . 502
Williamson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 505
ML-4360 Computer Vision (Lecture with tutorials) – Andreas Geiger . . . . . . . . . . . . . . 517
ML-4101 Mathematics of Machine Learning (Lecture with tutorials) – von Luxburg, Hein . . . 521
ML-4320 Time Series (Lecture with tutorials) – Hennig, Tronarp . . . . . . . . . . . . . . . . 526
Maghsudi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 530
Stückler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 534
ML-4520 Ethics and Philosophy of Machine Learning (Seminar) – All lecturers in the computer
ML-4510 Praktikum Machine Learning (Practical Course) – All lecturers in the programme . . 541
ML-4998 Forschungsprojekt Machine Learning (Independent research project) – All professors in
Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 542
Studienbereich Computer Science 543

ML-4309 Data Compression with and without Deep Probabilistic Models (Lecture with tutorials)
– Bamler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 547
mann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 550
INFO-4316 Programming Ultra-Low Power Architectures (Praktikum ) – Bringmann . . . . . 556
Ruf, Bringmann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 566
INFO-4413 Parametrisierte Algorithmen (Vorlesung, Übung) – Dorn . . . . . . . . . . . . . . 576
INFO-4417 Parametrisierte Algorithmen und Komplexität (Vorlesung, Übungen) – Dorn . . . . 579

ML-4520 Ethics and Philosophy of Machine Learning (Seminar) – All lecturers in the computer
(verantwortlich) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 590
ML-4360 Computer Vision (Lecture with tutorials) – Andreas Geiger . . . . . . . . . . . . . . 593
INFO-4141 Implementierung Relationaler Datenbanksysteme (DB2) (Vorlesung, Übungen) – Grust 596
INFO-4147 Declarative Database Languages (Vorlesung, Übungen) – Grust . . . . . . . . . . . 599
INFO-4149 Spezielle Kapitel zu Datenbanksystemen (Vorlesung, Übungen) – Grust . . . . . . . 601
pen) ) – Kasneci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 614
INFO-4412 Algorithmen und Komplexität (Vorlesung, Übungen) – Kaufmann . . . . . . . . . 617
INFO-4419 Spezielle Themen der Algorithmik (Vorlesung, Übungen) – Kaufmann . . . . . . . 618
INFO-4432 Diskrete Optimierung (Vorlesung, Übungen) – Kaufmann, Lange . . . . . . . . . . 619
INFO-4653 Kombinatorische Algorithmen (Seminar) – Kaufmann . . . . . . . . . . . . . . . . 621
bacher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 623
Maghsudi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 639
INFO-4352 Pentesting (Vorlesung) – Schreiber (Syss), Kontakt: Menth . . . . . . . . . . . . 642

INFO-4342 Netzwerksicherheit II (Vorlesung, Übung ) – Menth . . . . . . . . . . . . . . . . 645
INFO-4343 Netzwerksicherheit III (Praktikum) (Praktikum) – Menth . . . . . . . . . . . . . 646
INFO-4344 Kommunikationsnetze (Praktikum) (Praktikum ) – Menth . . . . . . . . . . . . . 647
INFO-4350 Spezielle Kapitel zu Kommunikationsnetzen (Vorlesung ) – Menth . . . . . . . . . 654
INFO-4354 Public Cloud Computing (Vorlesung, Übung ) – Hüttner (itdesign), Kontakt: Menth 655
INFO-4353 Ausgewählte Themen zur Computersicherheit (Vorlesung) – Bündgen (IBM), Kon-
takt: Menth . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 656
INFO-4244 Programmiersprachen und Programmiertechniken (Seminar ) – Ostermann . . . . . 662
INFO-4246 Programmieren mit Dependent Types (Praktikum ) – Ostermann . . . . . . . . . . 664
INFO-4248 Interaktives Beweisen von Theoremen (Vorlesung, Übungen) – Ostermann . . . . . 665
INFO-4249 Spezielle Kapitel zu Programmiersprachen (Vorlesung ) – Ostermann . . . . . . . . 666
INFO-4481 Theorie von Programmiersprachen (Seminar ) – Ostermann . . . . . . . . . . . . . 667
antwortlich) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 673
MEDI-4599 Spezielle Kapitel Medienproduktion (Seminar) – Schilling (verantwortlich, Durch-
führung durch externe Dozenten aus Medien und Firmen) . . . . . . . . . . . . . . . . 677
INFO-4191 Neuronal Computing (Vorlesung ) – Rosenstiel . . . . . . . . . . . . . . . . . . . 678
INFO-4151 Angewandte Statistik II (Vorlesung mit Übungen ) – Wannek . . . . . . . . . . . 684
INFO-4183 Evolutionäre Algorithmen (Vorlesung, Übungen ) – Zell . . . . . . . . . . . . . . 687
INFO-4184 Evolutionäre Algorithmen (Praktikum ) – Zell . . . . . . . . . . . . . . . . . . . 688

ML-4998 Forschungsprojekt Machine Learning (Independent research project) – All professors in
Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 696
ML-4491 Statistisches maschinelles Lernen (Lecture with tutorials) – von Luxburg . . . . . . . 701
INFO-4372 Verifikation Eingebetteter Systeme (Praktikum ) – Rosenstiel, Kropf . . . . . . . 709
senstiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 710
Stückler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 717
Vorbemerkung
Dieses Modulverzeichnis stellt einen Anhang zum Modulhandbuch der Masterstudiengänge Informatik,
Bioinformatik/Bioinformatics, Medieninformatik und Medizininformatik/Medical Informatics des Fach-
bereichs Informatik der Eberhard Karls Universität Tübingen dar.
Dieses Verzeichnis ordnet die Lehrveranstaltungen des Fachbereichs (Module) jeweils den Studiengängen
und – innerhalb der Studiengänge – thematisch organisierten Studienbereichen zu. Details zu diesen
Studienbereichen finden sich im Modulhandbuch.
Eine aktualisierte Version des Modulverzeichnisses wird von der Studienkommission Informatik jeweils
zu Beginn eines Semesters zusammengestellt.
17
18 VORBEMERKUNG
Studienbereich INFO-PRAK
Kennziffer: Titel der Veranstaltung: Lehrform(en)

INFO-4311 Modellierung und Analyse Eingebetteter Systeme Vorlesung, Übungen
Modeling and Analysis of Embedded Systems
ECTS-Punkte 6
Arbeitsaufwand
-Kontaktzeit Arbeitsaufwand Kontaktzeit Selbststudium
-Selbststudium 180 h 60 h / 4 SWS 120 h
Veranstaltungsdauer 1 Semester
Häufigkeit
jedes Wintersemester
des Angebots
Unterrichtssprache Deutsch
Prüfungsform Mündliche Prüfung (bei großer Teilnehmerzahl Klausur), Übungspunkte kön-
nen als Notenbonus in die Bewertung der Prüfung eingehen
Inhalt Eingebettete Systeme sind fundamentaler Bestandteil in vielzähligen techni-
schen 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 Industrieautoma-
tisierung und im Bereich Internet-of-Things (IoT). Die damit verbundenen
umfangreichen Anforderungen an eingebettete Systeme mit den vielfältigen
Abhängigkeiten zwischen Software und Hardware erfordern anwendungsspe-
zifische Entwurfsverfahren für eingebettete Software. In diesem Modul werden
Modellierungs-, Analyse- und Implementierungstechniken vorgestellt, die früh-
zeitig das Zusammenspiel der Software mit der zugrundeliegenden Hardware-
Architektur hinsichtlich Performanz, Energieeffizienz, Zuverlässigkeit und funk-
tionaler Sicherheit berücksichtigen. Es werden die aktuellen Forschungs- und
Entwicklungstrends im Entwurf eingebetteter Systeme aufgezeigt, um die Stu-
dierenden frühzeitig an ein Thema mit hoher Industrierelevanz heranzuführen,
wobei sowohl theoretisches Basiswissen als auch domänenspezifische Anwen-
dungskompetenzen vermittelt werden.
19
20 STUDIENBEREICH INFO-PRAK
(noch INFO-4311)
Qualifikationsziele 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, Prio-
ritäteninversion, Kommunikationsaufwand sowie der Einflüsse der Hardware-
Architektur und können diese auf unterschiedliche praktische Problemstellun-
gen 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von Status

Leistungspunkten /
Benotung SWS
LP
Vorlesung V o 2 4 MP 30 b 100
Übung Ü o 2 2
Verwendbarkeit INFO-PRAK INFO-TECH INFO-INFO MEDI-MMT MEDI-INFO MEDI-
(Module) APPL
Teilnahme- keine
voraussetzungen
Dozent Bringmann
Literatur • 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 Foundati-
ons 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.
21

INFO-4331 Anwendungen der Multimediatechnik Vorlesung, Übungen
Applications in Multimedia Technology
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl), Übungspunkte
können als Bonuspunkte in die Klausurwertung eingehen
Inhalt Der Fokus dieses Moduls liegt auf den spezifischen Eigenschaften von Multi-
mediadaten und -diensten sowie deren besonderen Anforderungen hinsichtlich
Transport und Verarbeitung. Zentrale Fragestellungen hierbei sind Art und
Eigenschaften eingesetzter Übertragungsnetzwerke sowie die Definition und Si-
cherstellung geforderter Dienstgütemerkmale und erforderlicher Synchronisati-
on von verteilten Multimediaobjekten. Multimediadaten erfordern darüber hin-
aus spezielle Berücksichtigung auf Betriebssystemebene, welche im Rahmen der
Vorlesung diskutiert und erläutert werden. Ein weiterer Fokus liegt auf geeigne-
ten Beschreibungsverfahren zur Erstellung und Programmierung von Multime-
diadaten sowie Verfahren zur Inhaltsanalyse und Weiterverarbeitung existieren-
der Multimediadaten im Rahmen von Multimedia-Datenbanken und Medien-
servern. Von besonderem Interesse sind hierbei Aspekte der Mensch/Maschine-
Interaktion, Benutzbarkeit sowie subjektives Empfinden und Ästhetik.
Qualifikationsziele Die Studierenden kennen fortgeschrittene Techniken aus dem Bereich multi-
medialer Medien, insbesondere vor dem Hintergrund wissenschaftlicher Frage-
stellungen (QoS, Inhaltsanalyse, Speicherung, breitbandige Vernetzung). Sie
verstehen die Funktionsweisen und Möglichkeiten dieser Technologien und sind
in der Lage, diese in Wissenschaft und Praxis problemadäquat anzuwenden.
Durch die begleitenden Übungen haben die Studierenden ihr Verantwortungs-
bewusstsein und ihre Kooperations- und Kommunikationsfähigkeit gestärkt.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Vorlesung V o 2 4 K 60 b 100
Übung Ü o 2 2
(Module) APPL
Teilnahme- INFO-3321
voraussetzungen
Dozent Bringmann
(noch INFO-4331)
Literatur • K. D. Tönnies: Grundlagen der Bildverarbeitung; Pearson Studium, 2005.
• W. Burger, M.Burge: Digitale Bildverarbeitung: Eine algorithmische Ein-

führung mit Java; Springer Vieweg, 3. Auflage 2015.
• R. Malaka, A. Butz H. Hußmann: Medieninformatik - Eine Einführung;
Pearson Studium, 2009.
• M. Müller: Information Retrieval for Music and Motion; Springer-Verlag,
2007.
• R. Steinmetz: Multimedia-Technologie; Springer-Verlag, 3. Auflage, 2000.
23

INFO-4222 Software-Qualität in Theorie und industrieller Vorlesung, Übungen
Praxis
Software Quality in Theory and Industrial Prac-
tice
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jedes Sommersemester
des Angebots
Prüfungsform Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)
Inhalt Die meisten industriellen Systeme sind ohne Software nicht mehr vorstell-
bar. Gerade auch in sicherheitsrelevanten Bereichen, wie z.B. dem Automobil-
oder Flugzeugbau, kommen zunehmend Softwaresysteme zum Einsatz. Klas-
sische hardware-dominierte Systeme werden von software-dominierten Syste-
men 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 stei-
gende Systemkomplexität machen die Softwareentwicklung zu einer komple-
xen 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, De-
buggen und Verifizieren von Software-Systeme beschrieben. Themenschwer-
punkte sind unter anderem: Qualitätsmanagement, funktionsorientiertes Te-
sten, Abdeckungsanalyse-Verfahren (Coverage-Verfahren), Input Space Parti-
tioning, spezielle Testtechniken, Software-Messung, Debugging, formale Techni-
ken, Prüfstrategien und Prüfen von eingebetteter Software. Die Vorlesung um-
fasst 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. Weiter-
hin 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.
Qualifikationsziele Die Studierenden kennen grundlegende Prinzipien und Arbeitstechniken zur
Sicherstellung von hoher Software-Qualität und können diese kritisch hinter-
fragen. 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.
(noch INFO-4222)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
Verwendbarkeit INFO-TECH INFO-INFO MEDI-MMT MEDI-INFO MEDI-APPL
(Module)
Teilnahme- keine
voraussetzungen
Dozent Kropf, Ruf, Bringmann
Literatur • Liggesmeyer, P.: Software-Qualität: Testen, Analysieren und Verifizieren
von Software
• Ammann, P; Offutt, J.: Introduction to Software Testing

25

ML-4420 Efficient Machine Learning in Hardware Lecture
Efficient Machine Learning in Hardware
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
regularly in the summer, every two years
des Angebots
Unterrichtssprache English
Prüfungsform Oral exam
Inhalt The recent breakthroughs in using deep neural networks for a large variety of
machine learning applications have been strongly influenced by the availability
of high performance computing platforms. In contrast to its biological origin,
however, high performance of artificial neural networks critically relies on much
higher energy demands. While the average energy consumption of the entire
human brain is comparable to that of a laptop computer (i.e. 20W), artificial
intelligence often resorts to large HPCs with several orders of magnitude higher
energy demand. This lecture will discuss this problem and show solutions on
how to build energy and resource efficient architectures for machine learning
in hardware. In this context, the following topics will be addressed:
• Hardware architectures for machine learning: GPU, FPGA, SIMD ar-

chitectures, domain-specific architectures, custom accelerators, in/near
memory computing, training vs. inference architectures
• Energy-efficient machine learning
• Optimized mapping of deep neural networks to hardware and pipelining
techniques
• Word length optimization (binary, ternary, integer, floating point)
• Scalable application specific architectures
• New switching devices to implement neural networks (Memristors, PCM)
• Neuromorphic computing
Qualifikationsziele The students gain in-depth knowledge about the challenges associated with
energy-efficient machine learning hardware and respective state-of-the-art so-
lutions. They can compare different hardware architectures regarding the trade-
off between energy consumption, complexity, computational speed and the spe-
cificity of their applicability. The students learn what kinds of hardware archi-
tectures are used for machine learning, understand the reasons why a particular
architecture is suitable for a particular application, and can efficiently imple-
ment machine learning algorithms in hardware.
Verwendbarkeit INFO-TECH INFO-INFO MEDI-INFO MEDI-APPL
(Module)
Teilnahme- Knowledge about foundations in machine learning
voraussetzungen
(noch ML-4420)
Dozent Bringmann
Literatur Will be announced in the first lecture
27

INFO-4194 Verhalten und Lernen Vorlesung, Übung
Behavior and Learning
ECTS-Punkte 6
Arbeitsaufwand
Veranstaltungsdauer ein Semester
Häufigkeit
unregelmäßig
des Angebots
Unterrichtssprache Englisch
Prüfungsform Klausur (bei geringer Teilnehmerzahl mündliche Prüfung)
Inhalt This lecture builds on the available knowledge how animals and humans plan,
decide on, and control their behavior and how they progressively optimize and
adapt their behavior over time. Accordingly, algorithms are introduced for be-
havioral decision making, control, optimization, and adaptation. In particular,
the lecture introduces spatial representations for behavioral control, forward-
inverse control models, including the learning of such representations and mo-
dels. Also the encoding and the learning of motor control primitives and motor
complexes is considered. Last but not least, self-motivated artificial systems
are considered that strive to maintain internal homeostasis and to maximize
information gain.
Qualifikationsziele Students know how intelligent behavior can be generated and learned in artifici-
al systems. They can apply reinforcement learning (RL), including hierarchical
RL, factored RL, and actor-critic approaches to the appropriate problems. Mo-
reover, they are aware of the contrast between model-free and model-based RL
approaches. They know about dynamic motion primitives and know how to op-
timize them. Moreover, they know about Gaussian Mixture Models, including
how to learn and optimize them. They can implement information-gain dri-
ven and self-motivated behavior and are aware of the exploration-exploitation
dilemma. Moreover, they are aware of model-predictive control, of options to
learn suitable model-predictive structures, and of options to suitably abstract
such structures. Finally, they know how sensorimotor-grounded spatiotemporal
representations can be learned, stored as episodic memory units, and can be
abstracted into cognitive maps, enabling model-based RL.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3 0
Verwendbarkeit INFO-PRAK INFO-INFO MEDI-HCI MEDI-INFO MEDI-APPL
(Module)
Teilnahme- Introductory course about machine learning, artificial neural networks, robo-
voraussetzungen tics, or artificial intelligence is required.
(noch INFO-4194)
Dozent Butz
Literatur Will be supplied (book chapters and papers in English)
29

INFO-4210 Rekurrente und Generative Neuronale Netze Vorlesung, Übung
Recurrent and Generative Artificial Neural Net-
works
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung)
Inhalt Advanced ANN topics. First, revisiting backpropagation and backpropagati-
on through time; then: Advanced Recurrent Neural Networks (LSTM, GRU);
Very Deep Learning and Generative Adversarial Networks; Spatial and Tempo-
ral Convolution; Reservoir Computing; Neuroevolution; Attention and Routing
Networks; Autoencoders and Restricted Boltzmann Machines; Gain Fields and
Switching Networks; Latent Space Visualization techniques; Generative Infe-
rence
Qualifikationsziele Students know about and how to apply generative and typically recurrent ar-
tificial neural networks in various domains including data classification, image
recognition, language processing, spatially-invariant recognition, spatial trans-
formations, and spatial mappings. They can apply complex, generative artificial
neural networks from scratch as well as with available tools. They know how to
optimize weights and network structures by means of gradient descent as well
as by alternative methods. They can use complex recurrent network structures
to selectively process aspects of the data. They know how to apply generati-
ve networks as model-predictive neural controllers and as well as long-range
temporal predictors. They can combine retrospective latent state and motor
inference techniques with prospective motor control.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3 0
Verwendbarkeit INFO-PRAK INFO-INFO MEDI-VIS MEDI-INFO MEDI-APPL
(Module)
Teilnahme- Knowledge about machine learning, artificial neural networks, deep learning,
voraussetzungen or artificial intelligence is required.
Dozent Butz
Literatur Will be supplied (book chapters and paper in English)

INFO-4211 Avatars in Virtuellen Realitäten Praktikum
Avatars in Virtual Realities
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Final Project Presentation and Report
Inhalt In this project-oriented practical course, students learn how to design reali-
stic, interesting, behaving avatars in virtual realities. Typically the focus lies
in developing user interfaces, and new options for interacting with the VR
and acting upon objects or other entities within the VR. Alternatively, expe-
rimental setups will be programmed and optimized in order to run real-world
psychological and evaluative experiments in which users control avatars in VR.
Qualifikationsziele Students know how to work with virtual realities (VRs) and how to develop
animated, autonomous avatars in these environments. They are able to create
and use suitable interfaces to enable users to effectively interact with VRs and
control avatars within.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Übung Ü o 4 6 H b 100
Verwendbarkeit INFO-PRAK INFO-INFO MEDI-HCI MEDI-MMT MEDI-PRAX MEDI-
(Module) INFO MEDI-APPL
Teilnahme- Solid Knowledge in Programming. General knowledge about simulation soft-
voraussetzungen ware.
Dozent Butz
Literatur keine
31

INFO-4212 Künstliche Neuronale Netze Praktikum
Artificial Neural Networks
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Programming enhanced functionalities in ANN Software, evaluating perfor-
mance, analyzing the system.
Qualifikationsziele Know how to work with, implement, and enhance complex artificial neural
networks..
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-PRAK INFO-INFO MEDI-VIS MEDI-PRAX MEDI-INFO MEDI-
(Module) APPL
Teilnahme- Solid Knowledge in Programming. Knowledge about artificial neural networks
voraussetzungen or machine learning.
Dozent Butz
Literatur keine

INFO-4213 Projekt mit Künstlichen Neuronalen Netzen Praktikum
Advanced Artificial Neural Networks Project
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Working with ANN Software, evaluating performance, & analyzing the system.
Qualifikationsziele Know how to evaluate, program, and analyze artificial neural networks.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Dozent Butz
Literatur keine
33

INFO-4214 Kognitive Modellierung Vorlesung, Übung
Cognitive Modeling
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Cognitive models covering learning, action and perception are presented and
discussed, including descriptive, qualitative, quantitative and neural models. In
addition, parameter optimization as well as techniques to compare models and
to interpret and evaluate model parameters are introduced. All techniques are
shown in the context of concrete models of cognitive processes. Moreover, the
necessary statistical methods are introduced in a practical, application-oriented
manner.
Qualifikationsziele Students know the most important principles and techniques of cognitive mo-
deling. They know how to model cognitive processes, mechanisms, and learning
at different levels of complexity. They can apply various cognitive models and
modeling approaches in a goal-directed manner. Moreover, they can evalua-
te, compare, and contrast different modeling approaches as well as modeling
results. They are able to judge whether a model is falsifiable and they know
how to validate and interpret cognitive models. Finally, they can use statistical
methods to quantitatively compare different cognitive models.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3 0
(Module)
Teilnahme- Introductory course knowledge about machine learning, artificial neural net-
voraussetzungen works, robotics, cognitive architectures, or artificial intelligence is required.
Dozent Butz
Literatur Book: S. Lewandowsky & S. Farrell (2011). Computational Modeling in Cogni-
tion. Additional papers and book chapters will be supplied.

ML-4310 Data Mining and Probabilistic Reasoning Lecture with tutorials
Data Mining and Probabilistic Reasoning
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
regularly in the winter term
des Angebots
Prüfungsform Written test (in case of a small number of participants: oral tests)
Inhalt The lecture gives an introduction into the basics of probability theory, stati-
stics, information theory, data (pre-)processing and indexing techniques, graph
representations and link analysis, classification, clustering and topic models,
probabilistic inference in graphical models.
Qualifikationsziele (1) The students acquire extensive knowledge in theory and application of
methods from the field of data science.
(2) The students acquire various data science techniques for conceptual thin-
king, problem formalization and problem solving.
(3) The students are introduced to challenging research questions from the field
of data science.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Lecture L o 1 2 W 90 g 100
Tutorial T o 1 1
Verwendbarkeit INFO-PRAK INFO-INFO MEDI-INFO MEDI-APPL
(Module)
Teilnahme-
voraussetzungen
Dozent Gjergji Kasneci
35

ML-4103 Deep Learning Lecture with tutorials
Deep Learning
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Regularly once a year
des Angebots
Prüfungsform Written exam (in case of a small number of participants: oral exam)
Inhalt Within the last decade, deep neural networks have emerged as an indispensable
tool in many areas of artificial intelligence including computer vision, compu-
ter graphics, natural language processing, speech recognition and robotics. This
course will introduce the (practical and theoretical) principles of deep neural
networks and give an overview over the most established training and regulari-
zation techniques. The lecture will further discuss the most important network
variants, including convolutional neural networks, generative neural networks,
recurrent neural networks and deep reinforcement learning. Furthermore, the
course will give an overview over the most important architectures (hourglass
networks, skip connections, dense connections, dilated convolutions, permuta-
tion invariant networks, siamese networks, etc.). In addition, applications from
various fields will be presented throughout the course. The tutorials will dee-
pen the understanding of deep neural networks by implementing, training and
applying them using modern deep learning frameworks.
Qualifikationsziele Students gain an understanding of the theoretical and practical concepts of
deep neural networks including optimization, inference, architectures and app-
lications. After this course, students should be able to develop and train deep
neural networks, reproduce research results and conduct original research in
this area.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Lecture L o 2 3 wt/ot 90 g 100

Tutorial T o 2 3
Verwendbarkeit INFO-PRAK INFO-THEO INFO-INFO MEDI-INFO MEDI-APPL
(Module)
Teilnahme- Basic math (linear algebra & analysis, probability and information theory) and
voraussetzungen coding knowledge (variables, functions, loops, classes, algorithms). Experience
in Python is recommended.
Dozent Geiger, Zell
Literatur Related literature will be listed throughout the lecture.

INFO-4141 Implementierung Relationaler Datenbanksysteme Vorlesung, Übungen
(DB2)
Implementation of Relational Database Systems
(DB2)
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Unterrichtssprache Deutsch, Englisch
Prüfungsform Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung), Übungen können als
Bonuspunkte in die Klausur einfließen.
Inhalt Internas von PostgreSQL und MonetDB, Sekundärspeicherzugriff und Daten-
layout, Indexstrukturen (B+-Bäume, Hashes), multidimensionale Indexstruk-
turen, Sortierverfahren auf Sekundärspeichern, Anfrageauswertung, Plangene-
rierung und -optimierung für SQL, Transaktionen (ACID-Prinzip)
Qualifikationsziele Die Rolle und Relevanz der Interna eines Datenbanksystems werden verdeut-
licht und analysiert. Über das gesamte Semester hinweg stellen wir PostgreS-
QL und MonetDB gegenüber, sodass die Teilnehmer die Eignung disk- und
hauptspeicher-basierter Datenbanktechnologie für konkrete Applikationen ein-
schätzen können. Die Studierenden wissen diese neuen Kenntnisse mit den Kon-
zepten der Vorlesung “DB1” zu verknüpfen. Die Studierenden verstehen, welche
grundlegenden Parameter und Algorithmen einen effizienten Datenbankbetrieb
ermöglichen und können diese für konkrete Anwendungsfälle optimieren. Da-
bei wird das Thema in einer Tiefe behandelt, die den Studierenden Lese- und
Lernkompetenz vermittelt sowie Disziplin und Präzision trainiert. Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3
(Module)
Teilnahme- –
voraussetzungen
Dozent Grust
37
(noch INFO-4141)
Literatur
• Ramakrishnan / Gehrke: Database Management Systems
• Heuer / Saake: Datenbanken: Implementierungstechniken
• Relationale Datenbanksysteme (Software und Manuals): PostgreSQL,

MonetDB
• Klassische und aktuelle Forschungsartikel zum Thema

INFO-4142 Datenbanksysteme und moderne CPU- Vorlesung, Übungen
Architekturen
Database Systems and Modern CPU Architec-
ture
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt CPU-Architekturen, Pipelining, Parallelität, multi-skalare CPUs, Pipelining
und Anfrageauswertung, CPU-Caches, cache-bewusste Datenbankarchitektur,
Hauptspeicherdatenbanken (Internas und praktischer Einsatz)
Qualifikationsziele Die Studierenden verstehen ein Datenbanksystem als Synthese von CPU-
/Rechnerarchitektur und eigentlicher Datenbankarchitektur. Bestehende Da-
tenbankarchitekturen 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3
(Module) APPL
Teilnahme- INFO-4141 Implementation of Relational Database Systems (DB2)
voraussetzungen
Dozent Grust
Literatur
• 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
39

INFO-4147 Declarative Database Languages Vorlesung, Übungen
Declarative Database Languages
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Semantik und interne Repräsentation von SQL (z.B. Comprehensions), Com-
pilation von SQL, Datenbanksprachen für nicht-relationale Daten, neue Para-
digmen für datenintensives Programmieren, Interaktion von Datenbanken und
Programmierumgebungen, Compilation von Programmiersprachenkonstruktu-
en zur Ausführung auf Datenbanksystemen
Qualifikationsziele Die Studierenden kennen Compilationstechniken für die behandelten Daten-
banksprachen. Bezüge zum klassischen Compilerbau und die Notwendigkeit
neuer Übersetzungsverfahren werden erkannt. Die Studierenden kennen den
zentralen Begriff des Impedance Mismatch, der das gesamte Themenfeld be-
stimmt. Die resultierende Problematik wird analysiert und alternative Lösungs-
ansätze 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 Tie-
fe behandelt, die den Studierenden Lese- und Lernkompetenz vermittelt sowie
Disziplin und Präzision trainiert.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung V o 2 3
(Module)
Teilnahme- INF3131 Introduction to Relational Database Systems (DB1), Compilerbau -
voraussetzungen Grundlagen (empfohlen)
Dozent Grust
(noch INFO-4147)
Literatur
• Compiler / Interpreter und Datenbanksysteme (Software und Manuals)
• Literatur zu deklarativen und funktionalen Programmiersprachen

41

INFO-4149 Spezielle Kapitel zu Datenbanksystemen Vorlesung, Übungen
Selected Topics in Database Systems
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung), Übungspunkte kön-
nen als Bonuspunkte in die Klausur einfließen.
Inhalt Wechselnde vertiefte Themen aus den Teilgebieten des Forschungsfeldes Da-
tenbanksysteme. Einsatz von Datenbanksystemen zur Realisierung anspruchs-
voller Applikationen (Advanced SQL).
Qualifikationsziele 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 Erstel-
lung wissenschaftlicher Arbeiten insbesondere in Teilgebieten des Forschungs-
feldes Datenbanksysteme vorbereitet. Die Studierenden können sich gezielt auf
Master-Arbeiten und Forschungsprojekte vorbereiten.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- INF3131 Introduction to Relational Database Systems (DB1)
voraussetzungen
Dozent Grust
Literatur Klassische und aktuelle Forschungsliteratur zum Themengebiet.

ML-4102 Data Literacy Lecture with tutorials
Data Literacy
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt This course equips students with concepts and tools that should be familiar to
anyone working with (large) data. Based on practical experiments and examp-
les, frequently encountered pitfalls and problems are discussed alongside best
practices. We encounter basic statistical notions and problems of bias, testing
and experimental design. Foundational methods of machine learning and stati-
stical data analysis are employed to employ these ideas in practice. We will also
discuss best practices for scientific data presentation and documentation—how
to make expressive figures and tables and perform reproducible experiments—
and explore ethical and technical considerations in the context of fairness and
transparency.
Apart from mathmatical derivations, the exercises put a focus on practical
programming. In particular, they contain implementations of some content of
the lectures.
Qualifikationsziele Students develop a sensitivity for common problems and misconceptions in
empirical work with data. They understand the mathematical, epistemological,
ethical, technical and social challenges surrounding the use of data, and know
best practices to address them. They also collect a concrete box of software tools
to collect, document, explore, visualize, and draw conclusions from structured,
large, small, corrupted and expensive data.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
Teilnahme- only basic math and coding skills as provided by the BSc Computer Science.
voraussetzungen
Dozent Hennig
Literatur Literature will be listed at the beginning of the semester.
43

ML-4202 Probabilistic Inference and Learning Lecture with tutorials
Probabilistic Inference and Learning
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt Probabilistic inference is a foundation of scientific reasoning, statistics, and
machine learning. The lecture course begins with a general introduction to ba-
sic principles (rules of probability theory, graphical models), then covers the
probabilistic view on many standard settings, like supervised regression and
classification, and unsupervised dimensionality reduction and clustering. In a
parallel thread through the lecture, we will also encounter a number of popu-
lar algorithms for inference in probabilistic models, including exact inference
in Gaussian models, sampling, and free-energy methods. At specific points,
connections and differences to non-probabilistic frameworks will be made.
the lectures.
Qualifikationsziele Students gain an intuitive, as well as a mathematical and algorithmic under-
standing of probabilistic reasoning. They acquire a mental toolbox of proba-
bilistic models for various problem classes, along with the algorithms required
for their concrete implementation. Over the course of the lecture, they also
become proficient in the fundamental concept of uncertainty, and the philoso-
phical challenges and pitfalls associated with it. They are empowered to build,
analyse, and use their own probabilistic models for concrete use cases.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
Teilnahme- Standard undergraduate knowledge of mathematics is required, to the extent
voraussetzungen that is provided, for example, by the course on Mathematics for Machine Lear-
ning (ML 4101).
Dozent Hennig, Macke

BIO-4242 Advanced Java in Bioinformatics Lecture and tutorials
Advanced Java in Bioinformatics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Prüfungsform Programming project
Inhalt In this course, we study the latest features of Java to address challenging pro-
gramming problems in bioinformatics. Topics include JavaFx, two- and third-
dimensional graphics, properties and bindings, animation, concurrent program-
ming and webprogramming. We will build a full-featured, interactive bioinfor-
matics program.
Qualifikationsziele The students are able to design and implement a fully featured bioinformatics
program. They are able to analyze a computational problem and to develop
an appropriate solution. They are aware of both the possibilities and the limi-
tations of the application of Java to solve computational tasks. They are able
to analyse problems on a scientific level and summarise them in writing. In
particular, a high degree of intrinsic motivation and personal responsibility is
encouraged.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-PRAK INFO-INFO BIO-BIO MEDI-INFO MEDI-APPL MEDZ-RES
(Module) MEDZ-BIOMED
Teilnahme- BIOINF4110 Sequence Bioinformatics
voraussetzungen
Dozent Huson
Literatur Programming and bioinformatics literature
45

BIO-4311 Mikrobiomanalyse Lecture, Tutorials
Microbiome analysis
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Prüfungsform Written or oral exam
Inhalt This course provides an in-depth introduction to microbiome analysis. To-
pics include: Sequencing technologies. Community profiling using the SSU rR-
NA gene. Community profiling using shotgun sequencing. Alignment-free and
alignment-based taxonomic profiling. Functional analysis and profiling. Sample
comparison and time-series analysis.
Qualifikationsziele The students are familiar with recent bioinformatics findings on microbiome
analysis. They can formulate the challenges of microbiome analysis for bio-
informatics. They know algorithms for taxonomic and functional analysis of
microbiome sequencing data, statistical methods for comparison and methods
for community profiling using 16S sequences. Students can analyse microbio-
me sequencing data and perform profiling and comparison. They are aware of
both the possibilities and the limitations of different methods in this subfield
of bioinformatics. They are able to analyse problems on a scientific level and
summarise them in writing. In particular, a high degree of intrinsic motivation
and personal responsibility is encouraged.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 2
Teilnahme- BIO-4110 Sequence Bioinformatics
voraussetzungen
Dozent Huson
Literatur Lecture notes and scientific publications

INFO-4380 Wahrnehmungsbasierte Mensch-Maschine Inter- Vorlesung
aktion
Gaze-based Human-Computer Interaction
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Jedes zweite Jahr im Sommersemester
des Angebots
Prüfungsform Schriftliche Prüfung (bei kleiner Anzahl der Teilnehmer*innen ggf. mündliche
Prüfung)
Inhalt Themenbereiche: Vertiefende Themen im Bereich der visueller Wahrnehmung
(Fixationen, Sakkaden, Blickmuster), Mechanismen visueller Aufmerksamkeit,
Messung von Blickbewegungen (Eye-Tracking), Analyse von Eye-Tracking Da-
ten mit maschinellen Lernverfahren, Blickbasierte Ansteuerung von Compu-
tersystemen, Nutzung von Blickinformationen für interaktive Systeme (inkl.
Anwendungen in der virtuellen (VR) und augmentierten Realität (AR)).
Qualifikationsziele Die Studierenden beherrschen theoretische Methoden des blickbasierte Inter-
aktion und können diese problemorientiert anwenden. Sie sind in der Lage,
im Studium erworbene Fachkenntnisse und Forschungsmethoden in einem Pro-
jekt 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Vorlesung V O 2 3 K 90 b 100
Übung/Praktikum Ü, P O 2 3
Verwendbarkeit INFO-PRAK INFO-TECH INFO-INFO MEDI-HCI MEDI-INFO MEDI-
(Module) APPL
Teilnahme- -
voraussetzungen
Dozent Kasneci
Literatur Vorlesungsfolien, zusätzliche Literatur wird bekanntgegeben
47

MEDI-4410 Multimodale Mensch-Maschine-Interaktion Vorlesung, Übungen
Multimodal Human-Computer Interaction
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Unterrichtssprache Deutsch/Englisch
Prüfungsform Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung) 70 % , Übungen 30 %
Inhalt Sprachdialoge und Techniken zur Spracherkennung und Sprachsynthese, Klan-
gerzeugung, Audio und Haptik, Multitouch-Gesten und deren Erkennung, Hap-
tik und Kraftrückmeldung, blickbasierte Ansteuerung
Qualifikationsziele Die Studierenden lernen Grundlagen der multimodalen Mensch-Maschine-
Interaktion kennen. Sie beherrschen Grundkenntnisse des Entwurfs von Benut-
zerschnittstellen unter der Integration verschiedener Eingabetechniken. Neben
klassischer Interaktionsmöglichkeiten beherrschen die Studierenden Grundme-
chanismen der sprachbasierten Ansteuerung, perceptualen Benutzerschnittstel-
len und gestenbasierten Ansteuerung multimedialer Systeme.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Vorlesung V O 3 4.5 K 90 b 100

Übung Ü O 1 1.5
Verwendbarkeit INFO-PRAK INFO-INFO MEDI-MMT MEDI-INFO MEDI-APPL
(Module)
Teilnahme- -
voraussetzungen
Dozent Kasneci
Literatur Folienmaterial wird zum Download bereitgestellt. Weiterführende Literatur
wird in der Vorlesung bekannt gegeben.

MEDI-4411 Multimodale Mensch-Maschine-Interaktion Praktikum (Projekte in
Multimodal Human-Computer Interaction kleinen Gruppen)
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Jährlich im Sommersemester
des Angebots
Prüfungsform Präsentation und Ausarbeitung des Projektes
Inhalt Es werden die effiziente Implementierung und die Umsetzung von Algorith-
men aus den unterschiedlichen Bereichen der Informatik oder angrenzender
Fachbereiche für effiziente multimodale Interaktion mit Computersystemen ge-
nutzt. Weiterhin wird die Analyse von rechenintensiver Modalitätsinformation
(Gesten, Bewegung, Sprache, Blickinformation) und die damit verbundenen
Herausforderungen wie Echtzeitverarbeitung, Synchronisation, Nutzerfeedback
behandelt. Neben der Programmierung steht auch das Messen und Verglei-
chen der Performanz verschiedener, moderner Modalitäten und ihre Eignung
für Interaktion in praktischen Anwendungen im Fokus.
Qualifikationsziele Die Studierenden können selbständig (in kleinen Gruppen) die praktische Nut-
zung verschiedener Modalitäten bewerten, implementieren und durchführen.
Sie sind in der Lage, allgemeine Ansätze und Methoden aus dem Bereich mul-
timodaler Interaktion auf Problemfelder der Informatik zu übertragen und si-
tuationsangemessen anzuwenden. Sie sind in der Lage, die erworbene prakti-
schen Kenntnisse in einem Projekt umzusetzen und auf die industrielle Praxis
anzuwenden
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Praktikum P O 3 6 H b 100
(Module)
Teilnahme- MEDI-4410 Multimodale Mensch-Maschine Interaktion
voraussetzungen
Dozent Kasneci
Literatur Fachliteratur und Entwicklungsumgebung wird zur Verfügung gestellt
49

INFO-4314 Programmieren mobiler Eingebetteter Systeme Praktikum
Programming of Mobile Embedded Systems
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt Im Rahmen dieses Moduls werden praktische Erfahrungen beim Entwurf und
Programmieren von mobilen eingebetteten Systemen (ES) vermittelt. Die Teil-
nehmenden sollen in Teams von bis zu drei Studierenden und in drei Gruppen
eine Plattform für ein kleines Netzwerk entwickeln. Das Netzwerk besteht aus
den folgenden festen und mobilen Knoten, die drahtlos mittels der Bluetooth-
Technologie miteinander kommunizieren: Ein in der Programmiersprache C
programmierbarer Sensor/Aktorknoten mit einem AVR-Prozessor. Ein pro-
grammierbares mobiles Telefon mit Bluetooth-Fähigkeit, programmierbar in
Java2ME. Ein PC als fester Knoten mit Bluetooth-Hardware, zu programmie-
ren in Java2SE. Die Studierenden erhalten ein Lastenheft des zu entwickelnden
Systems und erstellen selbstständig unter Anleitung die gesamte Entwicklungs-
dokumentation. Die Studierenden lernen ein Client/Server-System zu entwer-
fen, zu programmieren und zu debuggen. Während des Praktikums werden
die Studierenden von erfahrenen Tutoren unterstützt. Das Praktikum ist stark
strukturiert. Wöchentlich werden nach einem vorgegebenen Zeitplan Aufgaben
verteilt, deren Lösungen termingerecht vorgeführt werden müssen.
Qualifikationsziele Die Studierenden können systematisch Software für Eingebettete Systeme ent-
wickeln. Sie kennen den gesamten Entwicklungsablauf von der Spezifikation,
über die Entwicklung bis hin zu Debugging und Dokumentation. Die Stu-
dierenden können erprobte Entwicklungsumgebungen wie Eclipse, Netbeans,
Subversion und das Team-Kommunikationssystem TRAC benutzen. Das Prak-
tikum wird in kleinen Gruppen absolviert. Auf Teamarbeit, Kommunikation
innerhalb und zwischen den einzelnen Gruppen, systematisches Problemlösen
und Einhalten von Terminen wird Wert gelegt. Dies fördert Selbstbewusstsein,
Selbstvermarktungsfähigkeit und Konfliktfähigkeit der Studierenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Praktikum P o 3 6 H b 100
(Module) APPL
(noch INFO-4314)
Teilnahme- keine
voraussetzungen
Dozent Bringmann
Literatur
• M. Sauter. Grundkurs Mobile Kommunikationssysteme
• Kumar et al. Java Programming with Bluetooth
• Internet-Hilfen für die Entwicklungssysteme Eclipse und Netbeans
51

INFO-4520 Netzwerkalgorithmen Praktikum in kleinen
Network Algorithms Gruppen
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Unterrichtssprache Deutsch oder Englisch
Prüfungsform Abnahme des Praktikumsprojekts im Verlauf des Semesters, dabei fließen
sowohl die Präsentation als auch die Ausarbeitung in die Note ein.
Inhalt Dieses Praktikum vertieft einzelne praktische Aspekte von Netzwerkalgorith-
men, wie sie in entsprechenden Veranstaltungen, z. B. Methoden der Algorith-
mik, Algorithmen und Komplexität, oder Diskrete Optimierung, angesprochen
werden.
Qualifikationsziele Die Studierenden können mehrere der Methoden softwaretechnisch umsetzen.
Diese Umsetzung erstreckt sich von Anforderungsanalyse, über Design und Im-
plementierung bis hin zu Text und Dokumentation.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-PRAK INFO-THEO INFO-INFO MEDI-WEB MEDI-MMT MEDI-
(Module) PRAX MEDI-INFO MEDI-APPL
Teilnahme- keine
voraussetzungen
Dozent Kaufmann
Literatur Originalliteratur wird bekanntgegeben

BIO-4120 Struktur- und Systembioinformatik Vorlesung, Übungen
Bioinformatics of Structures and Systems
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform 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
Inhalt Schwerpunktmäßig werden in der Vorlesung die Themen RNA-Struktur und
-Strukturvorhersage, Proteinstrukturen und deren Modellierung, Proteinstruk-
turvorhersage, Methoden und Konzepte der Systembiologie, Algorithmen für
die Analyse von Expressionsdaten und Biologische Netzwerke (Konzepte, Infe-
renz, 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 forschungsbe-
zogene Anwendungen. Projektarbeit zu forschungsbezogenen Themen ist in die
Vorlesung eingebettet.
Qualifikationsziele Die Studierenden können struktur- und systembiologische Probleme abstrahie-
ren und formalisieren. Sie kennen kompetente Anwendungen gängiger Verfah-
ren und Werkzeuge der Struktur- und Systembioinformatik und können diese
auf biologische Daten anwenden. Sie haben ihre Sprachkompetenz (Englisch)
in Hörverstehen, Schrift und Präsentation verstärkt.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Vorlesung V O 4 6 M 30 b 100
Übung Ü O 2 3
Verwendbarkeit INFO-PRAK INFO-INFO MEDI-INFO MEDI-APPL MEDZ-BIOINFO
(Module) MEDZ-RES
Teilnahme- -
voraussetzungen
Dozent Kohlbacher
Literatur Folien zur Vorlesung Branden, Tooze: Introduction to Protein Structure, Gar-
land Science, 1998 Andrew Leach: Molecular Modeling. Principles and Appli-
cations, Prentice Hall, 2nd ed., 2001
53

BIO-4352 Computational Proteomics and Metabolomics Vorlesung, Übungen, Pro-
Computational Proteomics and Metabolomics jekt
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Vermittlung des aktuellen Stands der Forschung der Bioinformatikanwendun-
gen in der Proteomik und Metabolomik mit einem Schwerpunkt auf der Analyse
von massenspektrometrischen Daten. Themen sind u.a. Biologische Fragestel-
lungen, Experimentelle Techniken, Datenbanksuche, De-novo-Sequenzierung,
Proteininferenz, Quantifizierung von Peptiden und Metabolite, Identifizierung
von Metaboliten.
Qualifikationsziele Die Studierenden kennen die aktuellen Forschungsstandards im Bereich der
Proteomik und Metabolomik und können bekannte Bioinformatik-Techniken
auf Probleme in diesen Gebieten transferieren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Teilnahme- -
voraussetzungen
Dozent Kohlbacher
Literatur Originalarbeiten und zusätzliche Materialien werden ausgegeben.

BIO-4371 Structure-Based Drug Design Vorlesung, Übungen, Pro-
Structure-Based Drug Design jekt
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
regelmäßig
des Angebots
Prüfungsform Oral exam or, in case of too many students, written exam. 50% of the achievable
points from the assignments and the project, individually, are required for exam
admission. Points achieved in excess of 50% serve as a bonus for the final exam.
Inhalt Starting with a broad introduction of the pharmaceutical drug development
process, the lecture conveys key concepts of structure-based computer-aided
drug design (CADD). Required basics on pharmaceutical key concepts are dis-
cussed followed by basic concepts for modeling of 3D structures (ligands and
proteins). In the second part key physicochemical interactions between prote-
ins and ligands are presented, forming the basis to discuss strategies to predict
protein-ligand binding with a strong focus on algorithms for protein-ligand
docking. Finally, the challenging task of estimating binding affinities between
proteins and ligands in silico is introduced, leading to the discussion of scoring
functions, which are developed und used for that purpose.
Qualifikationsziele Students have a working knowledge on the pharmaceutical development pro-
cess. They are familiar with protein and ligand structures, with standard me-
thods to resolve them experimentally, with methods to model 3D structures,
and are able to identify relevant physicochemical interactions between them.
They have detailed knowledge of algorithmic techniques to predict protein-
ligand binding (docking and scoring). The students are able to implement me-
thods to work with protein-ligand structures and to develop simple CADD
tools. Project work strengthened their ability to work in a team and to write
down and to present scientific work.
Teilnahme- No formal requirements. Basic knowledge of protein structure, organic che-
voraussetzungen mistry, and programming skills in Python are recommended.
Dozent Kohlbacher
Literatur Lecture slides and additional materials will be provided digitally. Basic know-
ledge 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
55

BIO-4372 Cheminformatics Vorlesung, Übungen, Pro-
Cheminformatics jekt
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Starting with an overview of its main application area, namely drug design, the
lecture teaches how computer science methods can be used to work with chemi-
cal data, strongly focusing on small organic molecules (compounds). Represen-
tation of compounds (graphs, line notations, file formats) is followed by most
important ways of topological comparison (identity, substructure, similarity).
Relevant applications of topological similarity are introduced (searching, cluste-
ring, library generation). Quantitative Structure-Activity Relationship (QSAR)
is introduced as the cheminformatics branch for predictive modeling of chemical
properties. Finally, the prediction of 3D-structures from topology and similarity
methods for compounds with 3D coordinates are introduced.
Qualifikationsziele Students know how different kinds of chemical data can be handled with com-
puters, how to represent and to analyse that data with methods from computer
science, and they have an overview of the main application area drug design.
Having understood the fundamental SSimilar Property Principlethey are ab-
le to handle and to analyse experimental screening data and to implement
and apply ligand-based screening methods. Students have a solid knowledge on
standard tools and software libraries for cheminformatics. Project work strengt-
hened their ability to work in a team and to write down and to present scientific
work.
Teilnahme- No formal requirements. Basic knowledge of organic chemistry, graph theory,
voraussetzungen and programming skills in Python are recommended.
Dozent Kohlbacher
ledge of organic chemistry, graph theory, and programming skills in Python are
recommended.
Recommended textbooks: 1) Leach A., Gillet V. An Introduction To Chemoin-
formatics", Springer 2007 2) Faulon J.-L., Bender A. (Eds.) "Handbook Of Che-
moinformatics Algorithms", CRC Press 2010 3) Engel T., Gasteiger J. (Eds.)
Chemoinformatics", Wiley-VCH 2018 4) Optional: Klebe G. "Wirkstoffdesign",
Springer 2009

BIO4364 Visualization of Biological Data Vorlesung, Übungen
Visualization of Biological Data
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Regelmäßig (meist im Wintersemester)
des Angebots
Prüfungsform Mündliche Prüfung (bei großer Teilnehmerzahl Klausur)
Inhalt As biological datasets increase in size and complexity, we are moving more and
more from an hypothesis-driven research paradigm to a data-driven one. As a
result, the visual exploration of that data has become even more crucial than in
the past. The aim of this lecture is to familiarize the participants with modern
methodologies of Information Visualization and Visual Analytics. Information
Visualization is concerned with methods for the visualization of abstract data
that has no inherent spatial structure (the visualization of spatial data is co-
vered in INF3145 - Scientific Visualization). The lecture imparts how to apply
these methods to biological data using practical examples and provides hands-
on training during the tutorials. Questions such as ‘what is data visualization’,
‘what is visual analytics’, and ‘how can we visualise (biological) data to gain
insight in them, so that hypotheses can be generated or explored and further
targeted analyses can be defined’ are discussed. No prior knowledge of biology
is required, that is, the lecture is also suitable for students from other fields
such as computer science or media/medical informatics.
Qualifikationsziele Students understand the visual analysis process. They know basic methods of
information visualization and the ‘do’s’ and ‘don’ts’ of visualization. The know
methods to visualize diverse biological data like genomics or transcriptomics
data. They are able to chose suitable visualizations based on the type of data
and the given analysis task. The students will be able to design and develop
complex, interactive visual analytics applications in small teams.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
Verwendbarkeit INFO-PRAK INFO-INFO BIO-BIO MEDI-VIS MEDI-INFO MEDI-APPL
Teilnahme- -
voraussetzungen
Dozent Krone, Nieselt
57
(noch BIO4364)
Literatur Lecture slides will be provided for download. Tamara Munzner ‘Visualization
Analysis and Design’, A K Peters, 2014. Nature Methods Supplement ‘Visua-
lizing biological data’, various Nature Methods ‘Points of View’ articles.

INFO-4167 Computergrafik Praktikum
Computer Graphics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsform Projekt, Präsentation und Ausarbeitung
Inhalt Implementierung von fortgeschrittenen Anwendungen und Programmen im
Umfeld der Computergrafik / Computer Vision
Qualifikationsziele 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 kön-
nen selbständig in Gruppen Programmierprojekte planen und durchführen,
bei denen für GPUs entwickelte Programmiersprachen, Ein- und Ausgabe-
Hardware und geeignete Bibliotheken eingesetzt werden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Seminar S O 4 6 H b 100
Verwendbarkeit INFO-PRAK INFO-TECH INFO-INFO MEDI-VIS MEDI-PRAX MEDI-
Teilnahme- Advanced Image Synthesis, Displays, Computational Photography oder Mas-
voraussetzungen sively Parallel Computing
Dozent Lensch
Literatur Entwicklungsumgebung wird zur Verfügung gestellt
59

INFO-4173 Massively Parallel Computing Vorlesung, Übungen
Massively Parallel Computing
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsform Mündliche Prüfung (bei großer Teilnehmerzahl Klausur), durch erfolgreiche
Übungen kann ein Notenbonus erarbeitet werden.
Inhalt 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 Lösun-
gen zu entwickeln, werden entsprechende Herangehensweisen und Komplexi-
tätsanalysen vermittelt.
Qualifikationsziele Ein aktueller Trend aller Chip-Hersteller ist es, mehr und mehr Recheneinhei-
ten auf einem Chip zu integrieren, z.B. mit mehreren hundert Prozessoren auf
einer Grafikkarte. Um diese Architekturen effizient zu nutzen, müssen geeigne-
te 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 ent-
wickeln, um ein möglichst schnelle massiv-parallele Implementierung zu erar-
beiten. (3) Sie sind in der Lage, durch Profiling ihre Programme hinsichtlich der
Speicherbandbreite, der Auslastung der GPU und der Register zu optimieren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Vorlesung V O 2 3 MP 25 b 100
Übung Ü O 2 3
Verwendbarkeit INFO-PRAK INFO-TECH INFO-INFO MEDI-VIS MEDI-MMT MEDI-INFO
(Module) MEDI-APPL MEDI-PRAX MEDZ-MEDTECH
Teilnahme- -
voraussetzungen
Dozent Lensch
(noch INFO-4173)
Literatur 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 bereitge-
stellt
61

INFO-4174 Massively Parallel Computing Praktikum
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Fachbereiche auf massiv-parallelen Architekturen vermittelt. Weiterhin wird
die Programmierung von massiv-parallelen Rechnersystemen GPU, und die da-
mit verbundenen Herausforderungen wie Speicherverwaltung, Branching, Syn-
chronisation behandelt. Neben der Programmierung von GPUs steht auch das
Messen und Vergleichen der Performanz paralleler Anwendungen im Fokus.
Qualifikationsziele Die Studierenden können selbständig (in kleinen Gruppen) die Umsetzung re-
chenintensiver Aufgaben auf massiv-parallelen Rechnern planen, implementie-
ren und durchführen. Sie sind in der Lage, die Laufzeit von parallelen Anwen-
dungen zu messen und zu analysieren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-PRAK INFO-TECH INFO-INFO MEDI-VIS MEDI-MMT MEDI-
Teilnahme- INFO-4173 Massively Parallel Computing (auch parallel)
voraussetzungen
Dozent Lensch
Literatur Entwicklungsumgebung wird zur Verfügung gestellt, NVIDIA CUDA page

INFO-4175 Rendering Vorlesung, Übungen
Rendering
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform mündliche Prüfung (bei großer Teilnehmerzahl Klausur), durch erfolgreiche
Übungsteilnahme kann ein Notenbonus erreicht werden
Inhalt 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 Me-
thoden zum Echtzeitrendering.
Qualifikationsziele Die Studierenden erwerben vertiefende Kenntnisse in den Bereichen Monte
Carlo-Approximation und globale Beleuchtungssimulation. Die Studierenden
werdeb 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Verwendbarkeit INFO-PRAK INFO-INFO MEDI-HCI MEDI-VIS MEDI-INFO MEDI-APPL
(Module)
Teilnahme- Grundkenntnisse im Bereich Computergrafik
voraussetzungen
Dozent Lensch
Literatur Pharr, Humphreys: Physically Based Rendering, Morgan Kaufmann, 2004 Du-
tré et al.: Advanced Global Illumination, A.K. Peters, 2006 Vorlesungsfolien
werden bereitgestellt
63

INFO-4176 Computational Photography Vorlesung, Übungen
Computational Photography
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Es werden vertiefende Lehrinhalte der digitalen Fotografie, der Hardware so-
wie der anschließenden Bildrekonstruktion und -verarbeitung vermittelt und
geübt. Die Veranstaltung behandelt grundlegende und fortgeschrittene Theo-
rie und Algorithmen der Bildrekonstruktion, des Denoising, der Dekonvolu-
tion, der 3D-Bilderfassung, der Computertomographie oder des Compressive
Sensings. Gleichzeitig werden verschiedene Aufnahmesystem, Kamerasensoren,
aktive Beleuchtung und multi-Kamerasysteme abgedeckt und die neuen Bild-
aufnahmemodalitäten behandelt, die damit ermöglicht werden.
Qualifikationsziele Die Studierenden erwerben vertiefende Kenntnisse in den Bereichen digitale
Fotografie, Computational Imaging, und bildbasierten Verfahren. Die Studie-
renden 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Verwendbarkeit INFO-PRAK INFO-TECH INFO-INFO MEDI-VIS MEDI-INFO MEDI-APPL
(Module) MEDZ-MEDTECH
voraussetzungen
Dozent Lensch
Literatur Vorlesungsfolien werden bereitgestellt

INFO-4178 Displays Vorlesung, Übungen
Displays
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Es werden vertiefende Lehrinhalte in dem Bereich Displays vermittelt und ge-
übt. 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.
Qualifikationsziele Die Studierenden erwerben vertiefende Kenntnisse über aktuelle Display-
Technologien. Die Studierenden sollen in die Lage versetzt werden, die be-
handelten Techniken zu analysieren und Alternativen bewerten zu können. Sie
können eigenständig Problemstellungen bewerten, und in Projekten eigene Lö-
sungen und Implementierungen entwickeln.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Verwendbarkeit INFO-PRAK INFO-TECH INFO-INFO MEDI-HCI MEDI-VIS MEDI-MMT
(Module) MEDI-INFO MEDI-APPL
voraussetzungen
Dozent Lensch
Literatur Aktuelle Veröffentlichungen im Bereich Displays, Vorlesungsfolien werden be-
reitgestellt
65

INFO-4197 Intelligent Systems – Learning Vorlesung, Übungen
Intelligent Systems – Learning
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung) - wird in der Vorlesung
bekannt gegeben
Inhalt Probabilistische Grundlagen; parametrische und nichtparametrische Regressi-
on, Filtering und Klassifikation; graphische Modelle; Anwendung numerischer
Optimierung und stochastischer Integration; approximative Inferenzmethoden;
Clustering und Matrixfaktorisierung.
Qualifikationsziele Die Studierenden erreichen ein fundamentales Verständnis probabilistischer In-
ferenz und der numerischen und algorithmischen Ansprüche ihrer Implemen-
tierung in konkreten Problemstellungen. Sie verstehen eine Reihe von algebrai-
schen und approximativen Ansätzen moderner angewandter Inferenzmethoden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Verwendbarkeit INFO-PRAK INFO-THEO INFO-INFO MEDI-HCI MEDI-INFO MEDI-
(Module) APPL
Teilnahme- -
voraussetzungen
Dozent Hennig, Lensch (verantwortlich)

INFO-4345 Modellierung und Simulation I Vorlesung, Übung
Modeling and Simulation I
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur, Übungsleistungen können als Bonuspunkte in die Klausur einfließen.
Inhalt Statistische Grundlagen (Teil 1), Einführung in die Simulationstechnik, Vertei-
lungsfunktionen (Teil 1), Aufbereitung von Stichproben, statistische Grundla-
gen (Teil 2), statistische Auswertung von Simulationen, stochastische Prozesse,
zeitdiskrete Markovketten, zeitkontinuierliche Markovketten; die Vorlesungs-
inhalte werden im Rahmen der Übung in die Praxis umgesetzt, insbesondere
wird in mehreren aufeinanderfolgenden Übungen ein einfacher Simulator ge-
baut. Schwerpunkt sind die Modellierung von Problemen aus unterschiedlichen
Kontexten durch geeignete Verteilungsfunktionen sowie durch Markovketten
sowie die dazugehörigen, mathematischen Grundlagen.
Qualifikationsziele Die Studierenden können technische Systeme in ihrer Konzeptionsphase mit an-
spruchsvollen Methoden modellieren und untersuchen und somit Forschung und
Entwicklung effizient mitgestalten. Sie haben tiefgehende, praktische Kenntnis-
se 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 vorhersa-
gen. Sie sind in der Lage die erworbenen Kenntnisse in neuen Kontexten zu
übertragen und anzuwenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Vorlesung V o 3 4.5 K 60 b 100

Übung Ü o 1 1.5
Verwendbarkeit INFO-THEO INFO-PRAK INFO-INFO MEDI-INFO MEDI-APPL
(Module)
Teilnahme- keine
voraussetzungen
Dozent Menth
Literatur keine
67

INFO-4346 Modellierung und Simulation II Vorlesung, Übung
Modeling and Simulation II
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur oder mündliche Prüfung bei kleiner Teilnehmerzahl, Übungsleistungen
können als Bonuspunkte in die Klausur einfließen.
Inhalt Verteilungsfunktionen (Teil 2), Mehrdimensionale Zufallsstrukturen, Design
von Experimenten, Signifikanztests von Hypothesen und ihre Anwendungen,
Untersuchung von Messdaten, zeitabhängige Statistiken, Möglichkeit und Gren-
zen von Modellbildung und Simulation, Zufallszahlenerzeugung; die Vorlesung
vermittelt die theoretischen Grundlagen und in der Übung werden die Vorle-
sungsinhalte durch Programmieraufgaben anhand von Praxisbeispielen umge-
setzt.
Qualifikationsziele 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 ge-
gebene Problemstellungen geeignet sind. Durch das erworbene, mathematische
Verständnis können sie erlernte Werkzeuge für neue Problemstellungen in ge-
eigneter Weise abändern.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
Teilnahme- INFO-4345 Modellierung und Simulation I
voraussetzungen
Dozent Menth
Literatur keine

INFO-4241 Programmiersprachen II Vorlesung, Übungen
Programming Languages II
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
etwa alle zwei Jahre
des Angebots
Unterrichtssprache Englisch, falls alle Teilnehmer es verstehen Deutsch
Prüfungsform Written or oral examination. Participation in exercises is required for exam
participation.
Inhalt This lecture is about the semantics and type systems of modern programming
languages. We discuss the foundations of programming languages using formal
semantics (such as small-step operational semantics), formal type systems and
their properties, and different variants of typed lambda calculi that constitute
the foundation for modern type systems.
Qualifikationsziele Students will be able to discuss and analyze modern programming languages in
terms of the properties of their theoretical foundations. They will understand
the design space and tradeoffs of type systems for these languages.
(Module)
Teilnahme- Programming Languages I is helpful, but not required.
voraussetzungen
Dozent Ostermann
Literatur Benjamin C. Pierce. Types and Programming Languages. MIT Press, 2003.
69

INFO-4245 Softwareprojektleitung Praktikum
Software Project Management
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform Benotete Berichte und Präsentationen sowie der Erfolg bei der Teamleitung
gehen in die Note ein.
Inhalt In diesem Praktikum werden Sie im Rahmen des “Tübinger Softwareprojekts”
eine Gruppe von Studierenden bei der Durchführung eines Softwareprojekts lei-
ten. Dazu gehört sowohl das Management des Projekts wie auch die technische
Leitung, die Aspekte wie Workflow Configuration, Social Coding, Quality Ma-
nagement, Continuous Integration und Testing umfasst. Durch spezielle Schu-
lungen, auch von unseren Industriepartnern,in den oben angeführten Aspekten
werden wir Sie auf diese Aufgabe vorbereiten.
Dieses Praktikum erstreckt sich über ein volles Jahr.
Qualifikationsziele Die Teilnehmer sind in der Lage, eine kleine Gruppe von Softwareentwicklern
anzuleiten und die technische und organisatorische Leitung eines mittelgroßen
Softwareprojekts zu übernehmen.
(Module) APPL
Teilnahme- Erfahrungen mit einem größeren Softwareprojekt sind sehr hilfreich.
voraussetzungen
Dozent Ostermann
Literatur Alle Materialien werden bereitgestellt.

INFO-4246 Programmieren mit Dependent Types Praktikum
Programming with Dependent Types
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmaessig
des Angebots
Unterrichtssprache Deutsch oder Englisch, je nach Teilnehmern
Prüfungsform Project 50 %, Presentation and Documentation 50 %
Inhalt Dependent types are types that can depend on values: arrays of length 25, 20-
by-20 matrices, or integers larger than -3. Agda and Idris are two dependently
typed languages. Dependent types are good for many things -— from elimi-
nating ArrayIndexOutOfBoundsException to mechanically verified programs
and proving mathematical theorems -— yet the idea itself originates from the
foundational crisis of mathematics at the turn of the 19th century. Dependent
types carry their own coding patterns and caveats. In this seminar, we learn to
program effectively with dependent types: How to make hard things possible,
how to not make simple things hard, and a bit of how things work under the
hood.
Qualifikationsziele The students can use a dependently-typed language such as Agda or Coq and
use dependent types to express and prove non-trivial program properties.
(Module)
Teilnahme- Participation in Programming Languages I, II or III is helpful but not required..
voraussetzungen
Dozent Ostermann
Literatur wird bekannt gegeben
71

INFO-4248 Interaktives Beweisen von Theoremen Vorlesung, Übungen
Interactive Theorem Proving
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Unterrichtssprache Englisch, falls alle Teilnehmer es verstehen, ansonsten Deutsch
participation.
Inhalt This course is an introduction to interactive theorem programming and advan-
ced functional programming, mostly using the Coq proof assistant.
This course is for students interested in:
1. The foundational theories of mathematics, most notably type theory and
logic
2. Practical interactive theorem proving in a state-of-the-art proof assistant

3. Advanced functional programming languages and their relation to con-
structive mathematics via the “Curry-Howard Isomorphism”
4. Program verification and “certified programming”
5. Programming Language Semantics
Qualifikationsziele Students will be able to write programs and prove theorems in the Coq proof as-
sistant. Students understand the theoretical underpinnings of interactive theo-
rem provers and get basic insights into the semantics and formal properties of
programming languages.
(Module)
Teilnahme- A background in functional programming is helpful. Experience with mathe-
voraussetzungen matical proofs is helpful.
Dozent Ostermann
Literatur Volume 1 and 2 of the “Software Foundations” series available at https://
softwarefoundations.cis.upenn.edu/.
A. Chlipala, Certified Programming with Dependent Types, MIT Press

INFO-4161 Bildverarbeitung II (3D-Computer-Vision) Vorlesung, Übung
Image Processing II (3D-Computer-Vision)
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform Klausur (bei geringer Teilnehmerzahl mündliche Prüfung), Note kann durch
Übungspunkte verbessert werden (Bonus). Mindestpunktzahl in den Übungen
erforderlich für Zulassung zur Prüfung.
Inhalt Themen sind u.a.: Extraktion von Feature-Punkten, Korrelation und Matching,
Epipolar Constraint, Fundamental Matrix, Berechnung der Kamerapositionen,
Image Warping, Optical flow und Dense Correspondence Matching
Qualifikationsziele Die Studierenden kennen die grundlegenden Verfahren zur Rekonstruktion von
3D Szenen aus Bildern und Video-Aufnahmen und können diese implementie-
ren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
Verwendbarkeit INFO-PRAK INFO-INFO MEDI-VIS MEDI-INFO MEDI-APPL MEDZ-
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
Dozent Schilling
Literatur Vorlesungsfolien werden zum Download bereitgestellt
73

INFO-4162 Bildverarbeitung II (3D-Computer-Vision) Praktikum
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform Projekt incl. Präsentation und Ausarbeitung
Inhalt Implementierung von Programmen aus dem Bereich der Computer-Vision
Qualifikationsziele Die Studierenden können selbständig (in kleinen Gruppen) Programme zur
Lösung einfacher Probleme der 3D-Rekonstruktion aus Bildern planen und er-
stellen und dabei ihre theoretischen Kenntnisse anwenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Praktikum P o 4 6 H,R 30 b 100

(Module) MEDTECH
Teilnahme- INFO-4161 Bildverarbeitung II (3D-Computer-Vision)
voraussetzungen
Dozent Schilling

INFO-4170 Geometrische Modellierung und Simulation Vorlesung, Übungen
Geometric Modelling and Simulation
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Generierung von Polygonnetzen, Punktdatenverarbeitung (Laserscanning, Re-
gistrierung,. . . ) Punktbasierte Repräsentationen, effiziente Netzdatenstruktu-
ren, Netzkompression, remeshing, hierarchische Strukturen, Netzvereinfachung
Qualifikationsziele Die Studierenden kennen die grundlegenden Methoden und Algorithmen zur
Optimierung, Verarbeitung und Speicherung geometrischer Daten. Sie sind in
der Lage, aktuelle Algorithmen zur Geometrieverarbeitung zu implementieren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
Dozent Schilling (verantwortlich)
Literatur Eigene Materialien und Vorlesungsfolien werden zum Download bereitgestellt
75

INFO-4172 Virtual Reality Vorlesung, Übungen
Virtual Reality
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Szenengraphen, Stereo (HW, SW), Tracking (HW, SW), Beschleuni-
gungstechniken (LOD; Culling), Kollisionsdetektion, Haptik, Sound, GPU-
Programmierung
Qualifikationsziele Die Studierenden kennen Hard- und Softwarekomponenten aktueller VR-
Systeme und haben ein breites Wissen über Algorithmen aus den Bereichen
Erfassung, Simulation und Rendering die für VR-Systeme relevant sind. Sie
sind fähig, Komponenten eines VR-Systems zu implementieren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
Dozent Schilling
Literatur keine

INFO-4179 Spezielle Kapitel der Graphischen Datenverarbei- Vorlesung, Übungen
tung
Special Topics in Computer Graphics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Spezielle Themen aus dem Bereich der Graphischen Datenverarbeitung.
Qualifikationsziele Die Studierenden erwerben vertiefende Kenntnisse in speziellen Gebieten der
Graphischen Datenverarbeitung, die z.B. für Promotionsprojekte im Arbeits-
bereich wichtig sind. Sie können neu Ansätze einordnen und bewerten. Sie sind
in der Lage, in dem speziellen Gebiet eigenständig neue Algorithmen zu ent-
wickeln und zu implementieren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
77

INFO-4187 Bildverarbeitung, Maschinelles Lernen und Com- Praktikum
puter Vision
Image Processing, Machine Learning and Com-
puter Vision
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Inhalt Implementierung von Problemlösungen mit Algorithmen aus den Bereichen
Bildverarbeitung, Maschinelles Lernen und Computer Vision
Qualifikationsziele Die Studierenden können selbständig (in kleinen Gruppen) geeignete Algorith-
men und Verfahren aus den Bereichen Bildverarbeitung, Maschinelles Lernen
und Computer Vision zur Lösung konkreter Problemstellungen einsetzen und
Verfahren aus den verschiedenen Bereichen kombinieren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module) APPL MEDZ-MEDTECH
Teilnahme- INFO-4161 Bildverarbeitung II (3D-Computer-Vision) oder INF3151 Grundla-
voraussetzungen gen des Maschinellen Lernens (auch parallel)
Dozent Schilling

INFO-4191 Neuronal Computing Vorlesung
Neuronal Computing
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt Im Rahmen des Moduls Neuronal Computing soll eines der am besten orga-
nisierten und effizientesten Systeme zum Rechner vorgestellt werden: das bio-
logische neuronale Netz. In einem ersten Schritt sollen Verfahren zur Kom-
munikation mit diesem Rechnersystem aufgezeigt werden. Ausgehend von der
Informationstheorie werden Verfahren zur Aufnahme von Nervensignalen und
deren Signalverarbeitung behandelt. Zunächst werden verschieden Methoden
zur Aufnahme von Nervensignalen und der damit entstehenden Probleme aus
Sicht der Signalverarbeitung behandelt. Danach werden Verfahren zur Signal-
verarbeitung von Nervensignalen (Spike sorter etc.) vorgestellt. Insbesonde-
re wird dabei auf die derzeit gängigen Verfahren wie z.B. das JPSH (Joint
Peri-Stimulus Histogram) oder ISC (Inca-SOM-Clusot) eingegangen. Die Ver-
anstaltung gliedert sich in Informationstheorie, Neurone als Rechner, Vernetzte
Neurone, Aufnahmetechniken, Signalverarbeitung von Nervensignalen, Modu-
lar/Population Coding, Unitary Events Analysis und Anwendungen.
Qualifikationsziele Die Studierenden besitzen basierend auf aktuellen Veröffentlichungen einen tie-
fen wissenschaftlichen Einblick in Neuronal Computing. Sie können die Er-
kenntnisse aus biologischen Systemen und der Medizin direkt in den Bereich
der Informatik transferieren. Diese Transferleistung bedingt einen hohen Grad
an Lese- und Lernkompetenz und ein hohes Engagement zur selbstständigen
wissenschaftlichen Informationsbeschaffung.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-INFO MEDI-MMT MEDI-INFO MEDI-APPL
(Module)
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel
Literatur aktuelle Veröffentlichungen
79

MEDI-4310 Fortgeschrittene Web-Entwicklung Vorlesung, Übung
Advanced Web-Engineering
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Inhalt dieses Moduls sind Methoden und Techniken zur Entwicklung komple-
xer Web-Applikationen. Hierzu werden zum einen Java-basiert die Möglichkei-
ten von JEE behandelt, zunächst die grundlegenden Ansätze der Servlets und
JSP, weiterführend dann EJB, JSF und Hypernate. Ergänzend hierzu werden
die Möglichkeiten des dotnet-Frameworks basierend auf C# behandelt. Neben
der reinen Entwicklung fortgeschrittener Web-Applikationen werden auch de-
ren Betrieb in den entsprechenden Server-Strukturen sowie die Beurteilung der
Ansätze bezüglich Stabilität, Performance und Entwicklungsaufwand behan-
delt.
Qualifikationsziele Die Studierenden besitzen Kenntnisse in den Techniken zur Entwicklung fort-
geschrittener Web-Anwendungen insbesondere in JEE-Framework und dotnet.
Sie sind in der Lage, eigenständig fortgeschrittene Web-Applikationen zu kon-
zipieren und zu implementieren und dabei verschiedene Design-Patterns zu
beurteilen und aktiv umzusetzen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP
Fortgeschrittene V O 4 6 K 90 b 100
Web-Entwicklung
Verwendbarkeit INFO-PRAK INFO-INFO MEDI-WEB MEDI-INFO MEDI-APPL
(Module)
Teilnahme- –
voraussetzungen
Dozent Walter
Literatur T. Walter: Kompendium der Web-Programmierung, Springer, 2008

MEDI-4320 Fortgeschrittene Medienanwendungen im Netz Vorlesung, Seminar
Advanced media application in the internet
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Unregelmäßig
des Angebots
Prüfungsform Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung) 80 %, Übungen 20 %
Inhalt Verfahren der digitalen Audio- und Video-Erzeugung, Detektoren, physika-
lische Grundlagen, Sampling, Kodierungsverfahren, Hardware beschleunig-
te Kodierung, Multimedia Übertragungsprotokolle, IP-basierte Multimedia-
Übertragungsprotokolle, Sicherheit bei der Übertragung von Mediendaten,
Grundlagen der Media-Player, Integration von Audio und Video in Web-
Applikationen - WebRTC, Web-Sockets, html5. Medien-Containerformate -
mp3, mp4. Praxiskomponenten: Videokonferenzen im täglichen Einsatz, der
Hörsaal als Videostudio, das realtime und on demand Medienserversystem der
Universität Tübingen TIMMS.
Qualifikationsziele Die Studierenden sollen grundlegende und fortgeschrittene Konzepte und Ver-
fahren der Erzeugung, der Kodierung, der Übertragung und der rechnergestütz-
ten Darstellung von Audio- und Video-Information verstehen und erlernen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Status
SWS
LP
Vergabe von Grundkenntnisse V O 4 6 K 90 b 100

Leistungspunkten / der Protokolle des
Benotung Internet-Protokol-
Stacks und der
Netzwerkprogram-
mierung, Grund-
kenntnisse einer
objektorientierten
Programmierspra-
che
(Module)
Teilnahme- -
voraussetzungen
Dozent Abele
Literatur Wechselnd
81

MEDI-4330 Digitale Fotografie für das Web Vorlesung, Übung
Digital photography for the web
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Inhalt dieses Moduls zunächst die Prinzipien der analogen und der digita-
len Fotografie. Dazu zählen insbesondere die physikalischen und chemischen
Grundlagen. Hierauf aufbauend wird die Digitalisierung des Bildes und dazu
die verschiedenen möglichen Formate für das Web sowie die grundlegende Bild-
bearbeitung behandelt. Die Auflösung des Bayer-Mosaics für die Farbgebung
wird diskutiert. Digitale Wasserzeichen (robuste und zerbrechliche) und Prä-
sentationsformen im Web sind Themen des Moduls, ebenso rechtliche Aspekte.
Qualifikationsziele Die Studierenden verstehen die physikalischen Prinzipien der analogen und be-
sonders der digitalen Fotografie und können die gängigen Techniken umsetzen.
Die Bildbearbeitung allgemein und speziell für die Zielplattform Web ist ih-
nen aktiv vertraut, ebenso die algorithmische Auflösung des Bayer-Mosaics.
Grundsätzliche rechtliche Fragen (Urheberrecht, Bildnisrecht) können von ih-
nen beantwortet werden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP
Digitale Fotografie V O 4 6 K 90 b 100

für das Web
(Module)
Teilnahme- –
voraussetzungen
Dozent Walter
Literatur T. Walter: MediaFotografie, Springer, 2005

MEDI-4399 Spezielle Kapitel Web und Internet Vorlesung, Übungen
Selected topics in web and internet
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Unregelmäßig
des Angebots
Inhalt Wechselnde Themen aus dem Bereich der Web-Entwicklung und Multimedia.
(Präsenz)Übungen werden in kleinen Gruppen abgehalten,
Qualifikationsziele Kompetenzen: Die Studierenden besitzen in einem speziellen Gebiet der Web-
Entwicklung und Multimedia aus der aktuellen Forschung und Entwicklung
vertiefte Kenntnisse und Fähigkeiten. Sie können diese Fähigkeiten konzeptio-
nell und in der Implementierung aktiv umsetzen. Sie können ihre Lösungen
aktiv präsentieren
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP
Spezielle Kapitel V O 3 6 K 90 b 100

Web und Internet
(Module)
Teilnahme- -
voraussetzungen
Dozent Walter
Literatur Aktuelle Literatur, die in der Veranstaltung bekannt gegeben wird.
83

INFO-4151 Angewandte Statistik II Vorlesung mit Übungen
Applied statistics II
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
alle zwei Jahre
des Angebots
Unterrichtssprache deutsch
Prüfungsform Klausur
Inhalt Aufbauend auf Angewandte Statistik I werden komplexere statistische Metho-
den behandelt: Generalisierte Lineare Modelle (GLM), Hauptkomponentenana-
lyse (PCA), Unabhängigkeitsanalyse (ICA) und Bayes-Statistik. Der Schwer-
punkt liegt auf der praktischen Anwendung aller Methoden und deren Imple-
mentation in der Programmiersprache Python (mit den Modulen statsmodels,
scipy.stats, sklearn und pystan) und der Darstellung der Ergebnisse in Note-
books.
Qualifikationsziele Die Studenten sollen weiterführende statistische Methoden kennen-, anwenden
und in Software implementieren lernen. Die Unterschiede zwischen frequenti-
stischer und Bayes-Statistik werden hinterfragt. Angeeignetes Wissen und Er-
fahrung soll die Studenten in die Lage versetzen, Versuche selbst planen und
auswerten zu können und dabei typische Fehler zu vermeiden. In der Literatur
dargestellte Ergebnisse werden kritisch hinterfragt.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Modulbestandteil V+Ü f 4 6 K 90 b 100

(Module)
Teilnahme- Mathematische Grundlagen (Analysis, lineare Algebra), Angewandte Statistik
voraussetzungen I
Dozent Wannek
Literatur Wird in der Vorlesung bekannt gegeben

INFO-4181 Mustererkennung und Maschinelles Lernen Vorlesung, Übungen
Pattern Recognition and Machine Learning
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Wird zu Beginn der Vorlesung bekanntgegeben
Inhalt Das Modul behandelt die ersten Kapitel des u.g. Lehrbuchs von Ch. Bishop:
Einführung in maschinelles Lernen, Wahrscheinlichkeitsverteilungen, Lineare
Modelle für Regression, Lineare Modelle für Klassifikation, Neuronale Netz-
werke (kurz), Kernel-Methoden, Mixture-Models und EM-Algorithmen.
Qualifikationsziele Die Studierenden erwerben Wissen über maschinelles Lernen auf moderner sta-
tistischer Basis. Sie kennen math.-statistische Herangehensweisen für die Lö-
sung von Mustererkennungsproblemen und können diese in Übungsaufgaben
anwenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
Dozent Zell
Literatur Ch. Bishop: Pattern Recognition and Machine Learning, Springer-Verlag;
Skript in englischer Sprache
85

INFO-4182 Neural Networks Vorlesung mit Übungen
Neural Networks
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Das Modul beschreibt künstliche Neuronale Netze aus moderner statistischer
Sicht und lehnt sich dabei an das Lehrbuch von Ch. Bishop: Introduction to the
Theory of Neural Networks an. Die Präsentation ist mathematisch anspruchs-
voller als die Bachelor-Vorlesung “Einführung in Neuronale Netze”.
Qualifikationsziele Die Studierenden erwerben fundiertes Wissen über die Theorie künstlicher neu-
ronaler Netze auf moderner statistischer Basis. Sie kennen verschiedene Netz-
modelle und ihre Eignung für Mustererkennungsprobleme und können diese auf
reale Mustererkennungsprobleme anwenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
Dozent Zell
Literatur Ch. Bishop: Introduction to the Theory of Neural Networks; Skript und Lehr-
buch in englischer Sprache

INFO-4183 Evolutionäre Algorithmen Vorlesung, Übungen
Evolutionary Algorithms
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform wird zu Beginn der Vorlesung bekanntgegeben
Inhalt Gliederung und Systematik heuristischer Optimierungsverfahren, Genetische
Algorithmen, Classifier Systeme, Genetisches Programmieren, Evolutionsstra-
tegien, Multikriterielle Optimierung, Schwarm-Algorithmen. In den begleiten-
den Übungen vertiefen Teilnehmer die Theorie bzw. lösen einfache Optimie-
rungsprobleme mit dem Optimierungssystem EvA2 und eigenen Programmen.
Qualifikationsziele Die Studierenden kennen die Theorie und Anwendung moderner evolutionärer
Algorithmen (Genetische Algorithmen, Evolutionsstrategien, Genetisches Pro-
grammieren, Schwarm-Algorithmen etc.). Sie können die für das jeweilige Pro-
blem optimalen Algorithmen auswählen und damit Optimierungsprobleme lö-
sen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- -
voraussetzungen
Dozent Zell
Literatur Skriptum zur Vorlesung
87

INFO-4184 Evolutionäre Algorithmen Praktikum
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Wird zu Beginn des Praktikums bekanntgegeben
Inhalt Die Studierenden machen sich in Teams von ca. drei Studierenden mit dem
evolutionären Optimierungssystem EvA2 und seinen Optimierungsverfahren
vertraut und lösen anschließend ein reales komplexes Optimierungsproblem im
Team
Qualifikationsziele Die Studierenden besitzen Grundlagenwissen über evolutionäre Algorithmen
aus der Vorlesung und können diese an einem größeren realen Problem anwen-
den. Sie beherrschen Problemanalyse, Teamarbeit, Zeiteinteilung, Dokumenta-
tion und Vortragstechnik.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Praktikum P o 4 6 H+MP 30 b 100

(Module)
Teilnahme- INFO-4183 Evolutionäre Algorithmen
voraussetzungen
Dozent Zell
Literatur Wird in der Vorbesprechung ausgeteilt.

INFO-4361 Mobile Roboter Vorlesung, Übungen
Mobile Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Das Modul Mobile Roboter konzentriert sich insbesondere auf radgetriebene
Roboter und Flugroboter: Einführung, mathematische Grundlagen, Kinema-
tische Modellierung radgetriebener mobiler Roboter, Sensoren für mobile Ro-
boter, Mapping, Lokalisierung, Navigation mobiler Roboter, Modellierung von
Flugrobotern
Qualifikationsziele Die Studierenden haben Wissen über mobile Roboter erworben. Sie können
die Kinematik mobiler Roboter zu beschreiben. Sie kennen Algorithmen zur
Selbstlokalisation, Navigation, Suche und Pfadplanung. Weiterhin kennen sie
Sensoren für mobile Roboter und ihre Eigenschaften und kennen deren Vor-
und Nachteile für verschiedene Aufgaben.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) APPL
Teilnahme- keine
voraussetzungen
Dozent Zell
Literatur Skriptum Mobile Roboter (Zell), weitere Lit. wird zu Beginn der Vorlesung
bekanntgegeben
89

INFO-4362 Mobile Roboter Praktikum
Mobile Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Unter Verwendung von Outdoor-Robotern auf Basis von 1/10 Modell-
Monstertrucks mit Kamera, Sonarsensoren und Laserscanner werden Aufgaben
wie Wandverfolgung, Regelung, Folgeverhalten, Selbstlokalisation, Kartenauf-
bau oder Suchalgorithmen auf mobilen Robotern implementiert. Die letzte Auf-
gabe hat meist Wettbewerbscharakter zwischen den Teams.
Qualifikationsziele Die Studierenden können in kleinen Gruppen Probleme der Sensorik, Rege-
lung, Selbstlokalisation und Navigation von mobilen Robotern selbstständig
erarbeiten. Sie haben Kompetenzen in den Bereichen Problemlösungsverhal-
ten, Teamfähigkeit, Zeiteinteilung, Programmierfähigkeiten und Präsentations-
fähigkeit erworben.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP
Praktikum Mobile V O 4 6 K 90 b 100

Roboter
(Module) APPL
Teilnahme- INF4361 Mobile Roboter (auch parallel)
voraussetzungen
Dozent Zell
Literatur Literatur wird zu Beginn des Praktikums bekanntgegeben bzw. im Praktikum
ausgeteilt

INFO-4364 Flugroboter Praktikum
Flying Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
mindestens jährlich, evtl. jedes Semester
des Angebots
Inhalt Unter Verwendung von 6+2 neu aufgebauten Flugrobotern (Quadrocoptern)
mit RGBD-Kamera, Onboard-PC Odroid XU4 und Autopilot-Hardware Pix-
hawk sowie einem stationären IR-Tracking-System werden Aufgaben wie ein-
fache Flugregelung, autonomes Hoovern, Starten und Landen, visuelle Odo-
metrie, etc. implementiert. Die meisten Aufgaben werden zuerst in einem Si-
mulationssystem, dann mit realen Quadrokoptern in einem durch Fangnetze
abgetrennten Bereich des großen Roboterlabors realisiert.
Qualifikationsziele Die Studierenden entwickeln und implementieren in kleinen Gruppen selbst-
ständig Algorithmen zur Sensordatenauswertung, Flugregelung, Selbstlokalisa-
tion und visuellen Odometrie von Flugrobotern. Sie erwerben Kompetenzen
in den Bereichen Problemlösungsverhalten, Teamfähigkeit, Zeiteinteilung, Pro-
grammierfähigkeit und Präsentationsfähigkeit.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- INF4361 Mobile Roboter
voraussetzungen
Dozent Zell
ausgeteilt
91

INFO-4365 Deep Convolutional Neural Networks Praktikum
Deep Convolutional Neural Networks
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Unter Verwendung moderner CUDA-basierter Systeme (PCs mit Nvidia-
Graphikprozessoren sowie CUDA-workstations mit 4 GeForce Titan X Gra-
phikkarten) und moderner Software zum Training tiefer neuronaler Netze, wie
Caffe, CNTK oder Torch werden Probleme des maschinellen Lernens tiefer neu-
ronaler Netze zur Klassifikation von Bildern, Objekterkennung in Bildern und
Segmentation von Objekten untersucht. Hierbei werden allgemein verfügbare
Benchmark-Datensätze wie NIST, Imageview etc. verwendet, aber auch Daten-
banken von RGB-D Bildern (Bildern mit Tiefeninformationen, wie von der MS
Kinect).
Qualifikationsziele Die Studierenden können in kleinen Gruppen Probleme der Programmierung,
der Datenvorverarbeitung, Strukturauswahl der neuronalen Netze, Training,
Validierung und des Tests von tiefen neuronalen Netzen selbstständig erarbei-
ten. Sie haben Kompetenzen in den Bereichen Problemlösungsverhalten, Team-
fähigkeit, Zeiteinteilung, Programmierfähigkeiten und Präsentationsfähigkeit
erworben.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
LP
Benotung
Praktikum De- V O 4 6 K 90 b 100
ep Convolutional
Neural Networks
(Module)
Teilnahme- INF3154 Einführung in Neuronale Netze
voraussetzungen
Dozent Zell
ausgeteilt

ML-4302 Statistical Learning Theory Lecture with Tutorials
Statistical Learning Theory
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Irregularly
des Angebots
Prüfungsform Written exam (in case of a small number of participants: oral exams)
Inhalt Part 1: basic results in statistical learning theory:
• Statistical setup, estimation and approximation error, consistency
• Negative results: No free lunch theorem, slow rates of convergence

• Consistency of k nearest neighbor algorithms and partitioning algorithms
• Concentration inequalities
• Simple generalization bounds, for example with shattering coefficients

and VC dimension
• Advanced generalization bounds, for example using Rademacher comple-
xities, algorithmic stability, sample compression.
• Regularization and its consistency
Part 2: advanced results in statistical learning theory. This part of the lecture
changes, depending on the interests of the audience and the current state of
the art in the field and covers some of the recent results on learning theory. It
could cover topics like online learning, theory of unsupervised learning, theory
of deep learning, etc.
Qualifikationsziele Students get to know the standard tools and approaches in statistical learning
theory. They understand positive and negative results in learning theory, in
particular what are the fundamental limitations of machine learning, and which
properties are important to make a machine learning algorithm work.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
Teilnahme- Students need to know the contents of the basic math classes, in particular
voraussetzungen linear algebra and probability theory.
93
(noch ML-4302)
Dozent Ulrike von Luxburg
Literatur The literature for this lecture will be provided at the beginning of the semester.

INFO-4322 Enterprise Computing Praktikum
Enterprise Computing
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsform Ausarbeitung und Präsentation der Praktikumsaufgaben
Inhalt Dateiverwaltung unter TSO, Entwicklung eines COBOL-Batch- Programmes,
VSAM-Dateiorganisation, DB2
Qualifikationsziele Die Studierenden sind in der Lage, das im Modul Enterprise Computing er-
lernte Wissen anzuwenden und entsprechend zu vertiefen und selbstständig zu
erweitern. Sie können entsprechend praktische Probleme durchschauen, analy-
sieren und lösen. Damit sind die Studierenden am Ende ihres Studiums in der
Lage, Aufgaben in der industriellen Praxis ergebnisorientiert und kompetent zu
bearbeiten. Die im Rahmen dieses Moduls gestellten Aufgaben werden in klei-
nen Gruppen bearbeitet. Dies trainiert neben Kooperations-, Kommunikations-
und Konfliktfähigkeiten auch Selbstdisziplin und Verantwortungsbewusstsein.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) APPL
voraussetzungen
Dozent Kreißig
95
(noch INFO-4322)
Literatur
• Herrmann, Paul ; Spruth, Wilhelm G.: Einführung in z/OS und OS/390 :
Web-Services und Internet-Anwendungen für Mainframes. 3. Aufl. Mün-
chen : Oldenbourg Wissenschaftsverlag, 2012. – ISBN 978-3-48670428-0
• Teuffel, Michael ; Vaupel, Robert: Das Betriebssystem z/OS und die zSe-
ries : Die Darstellung eines modernen Großrechnersystems. München :
Oldenbourg Wissenschaftsverlag, 2004. – ISBN 978-3-48627528-5
• W. Greis. Die IBM-Mainframe-Architektur. Open Source Press, 2005,
ISBN 3-937514-05-8.
• Zack, William H.: Windows 2000 and Mainframe Integration. New York
: Macmillan Technical Publishing, 1999. – ISBN 978-1- 57870-200-8
• Ben-Natan, Ron ; Sasson, Ori: IBM WebSphere Starter Kit. New York :
McGraw-Hill Professional, 2000. – ISBN 978-0-07-212407- 1
• Lawson, Susan ; Luksetich, Daniel: DB2 10 for z/OS Database Admini-

stration : Certification Study Guide. Ketchum : MC Press, 2012. – ISBN
978-1-58347-369-6
• IBM Redbooks (http://www.redbooks.ibm.com)

INFO-4324 Enterprise Computing – Anwendungen Praktikum
Enterprise Computing – Applications
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt COBOL unter CICS, CICS Transaction Gateway, IBM Rational Developer for
z Systems, Java Remote Method Invocation
Qualifikationsziele Die Studierenden sind in der Lage, das im Modul Enterprise Computing erlernte
Wissen anzuwenden, entsprechend zu vertiefen und selbstständig zu erweitern.
Sie können praktische Probleme durchschauen, analysieren und lösen. Damit
sind die Studierenden am Ende ihres Studiums in der Lage, Aufgaben in der in-
dustriellen Praxis ergebnisorientiert und kompetent zu bearbeiten. Die im Rah-
men dieses Moduls gestellten Aufgaben werden in kleinen Gruppen bearbeitet.
Dies trainiert neben Kooperations-, Kommunikations- und Konfliktfähigkeiten
auch Selbstdisziplin und Verantwortungsbewusstsein.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-PRAK INFO-TECH INFO-INFO MEDI-HCI MEDI-MMT MEDI-INFO
(Module) MEDI-APPL
voraussetzungen
Dozent Kreißig
97
(noch INFO-4324)
Literatur
• Teuffel, Michael: TSO : Time Sharing Option im Betriebssystem z/OS

MVS. 7. Aufl. München : Oldenbourg Wissenschaftsverlag, 2001. – ISBN
978-3-48625560-7
• Horswill, John: Designing and Programming CICS Applications. Seba-
stopol : O’Reilly /& Associates, 2000. – ISBN 978-1-56592- 676-9
• IBM Redbooks: http://www.redbooks.ibm.com/

INFO-4373 Modellbasierte Verifikation in Forschung und in- Vorlesung
dustrieller Praxis
FIXME
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform FIXME
Inhalt FIXME
Qualifikationsziele FIXME
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Vorlesung V o FIXMEFIXMEFIXME FIXMEFIXMEFIXME

Übung Ü o FIXMEFIXME
Verwendbarkeit INFO-PRAK INFO-TECH INFO-INFO MEDI-INFO MEDI-APPL
(Module)
Teilnahme- FIXME
voraussetzungen
Dozent Rosenstiel
Literatur FIXME
99

INFO-4390 Visuelle Wahrnehmungs- und Lernverfahren in Lecture, Tutorial
der Robotik
Visual Perception and Learning for Robotics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Prüfungsform Written exam (or oral exam if low number of participants) - will be announced
in the lecture
Inhalt
• Introduction to robot types and • Probabilistic state estimation

sensors • Visual simultaneous localization
• Image formation and mapping
• Two-view geometry • Visual-inertial odometry
• Deep learning basics • Event-based vision
• Image motion and optical flow • 3D object detection and tracking
• Keypoints and descriptors • Learning-based planning and
• Camera motion estimation control from images
Qualifikationsziele (1) Students can phrase a robotic visual perception problem as algebraic, pro-
babilistic state estimation or machine learning problem and can select an ap-
propriate algorithm for solving it.
(2) Students are able to implement a set of robotic visual perception and lear-
ning algorithms and analyze their behavior.
(3) Students can explain the challenges in robotic visual perception and learning
and assess and characterize new methods.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Status
SWS
Vergabe von
LP
Leistungspunkten /
Benotung Vorlesung V O 2 3 K 90 b 100
(oder (oder
MP) 30
bei
MP)
Übung Ü O 2 3
(Module) APPL
(noch INFO-4390)
Teilnahme- Recommended to attend deep learning course before. Basic programming skills
voraussetzungen in python required.
Dozent Stückler
Literatur Lecture slides will be provided. Further literature will be announced in the
lecture. Recommended textbooks:
- An Invitation to 3-D Vision by Yi Ma, Stefano Soatto, Jana Košecká, S.
Shankar Sastry
- R. Szeliski’s book on Computer Vision: Algorithms and Applications
- K. Murphy’s book on Machine Learning: A Probabilistic Perspective
- Deep Learning by Goodfellow, Bengio and Courville https://www.
deeplearningbook.org
Studienbereich INFO-THEO

ML-4503 Explainable Machine Learning Seminar
Explainable Machine Learning
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
regularly in the winter semester
des Angebots
Prüfungsform Oral Presentation (about 30 minutes) and written elaboration (approx. 10 pa-
ges), leading the discussion once
Inhalt
• In this seminar, we will discuss research papers related to explainable
machine learning focusing on generating visual and textual explanations
for classification decision of machine learning models.
• From a methodological perspective, we will discuss about popular per-
ceptual modules of machine learning models, integrated attention me-
chanisms as well as memory based natural language processing methods
tailored towards explanation generation.
• General knowledge on Statistical • General knowledge on Computer

Machine Learning Vision
• General knowledge on Deep • General knowledge on Natural
Learning Language Processing is a plus
Qualifikationsziele Students are able to read and reflect upon current research papers in this
research area. They can critically assess the contributions of such a paper.
They can present current research results to other students and researchers
and can lead research discussions. The form of learning used in the seminar is
intended to help the students to develop self-confidence (presentation) and the
ability to criticise and communicate (in the subsequent discussion).
101
102 STUDIENBEREICH INFO-THEO
(noch ML-4503)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Seminar S o 2 3 wo 30 g 100
Verwendbarkeit INFO-THEO INFO-INFO MEDI-INFO MEDI-APPL
(Module)
Teilnahme-
voraussetzungen
Dozent Akata
Literatur Will be announced in the first meeting
103

ML-4505 Learning with Limited Labeled Data Seminar
Learning with Limited Labeled Data
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsform Two oral presentations based on a paper selected from a set of suggested rese-
arch papers (approx. 15 minutes each).
Inhalt
• In this seminar, we will discuss research papers related to visual lear-
ning with limited labeled data, including deep learning methods for zero-
shot and few-shot learning, semi-supervised learning, unsupervised pre-
training, and self-supervised learning.
• From a methodological perspective, we will discuss popular zero-shot lear-
ning and few-shot learning methods and applications, as well as different
families of semi-supervised and unsupervised learning models, such as
consistency regularization, self-training, and deep generative models.
• General knowledge on Statistical Learning

Machine Learning • General knowledge on Computer
• General knowledge on Deep Vision
research area. They can critically assess the contributions of such a paper. They
can present current research results to other students and researchers and can
participate to research discussions. The form of learning used in the seminar is
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Akata
(noch ML-4505)
105

INFO-4413 Parametrisierte Algorithmen Vorlesung, Übung
Parameterized Algorithms
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur, bei geringer Teilnehmerzahl mündliche Prüfung
Inhalt Dieses Modul gibt eine Einführung in die Theorie der parametrisierten Al-
gorithmen 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. Datenredukti-
on und Problemkerne, Tiefenbeschränkte Suchbäume, Dynamisches Program-
mieren, 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.
Qualifikationsziele 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 be-
stimmen. 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 verschiede-
nen 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, Approximationsalgo-
rithmen, Randomisierte Algorithmen einordnen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
(noch INFO-4413)
Teilnahme- keine
voraussetzungen
Dozent Dorn
Literatur Rolf Niedermeier: Invitation to Fixed-Parameter Algorithms, Oxford Universi-
ty Press. Rodney G. Downey, Michael R. Fellows: Parameterized Complexity,
Springer-Verlag, 1999. Jörg Flum, Martin Grohe: Parameterized Complexity
Theory, Springer-Verlag, 2006.
107

INFO-4414 Parametrisierte Algorithmen Seminar
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Wird bekanntgegeben.
Inhalt Das Seminar beinhaltet das Erarbeiten von schriftlichen Quellen zu Themen
aus dem Bereich der Parametrisierten Algorithmen und Komplexität unter Be-
treuung. Präsentation und das schritliche Zusammenfassen schließen den Se-
minarbeitrag jeweils ab. Aktive Teilnahme an den einzelnen Sitzungen ist ein
wichtiger Bestandteil des Seminars.
Qualifikationsziele 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 ver-
treten. Neben der mündlichen Präsentation können sie das erarbeitete Thema
schriftlich darlegen und zusammenfassen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Seminar S o 3 2 R 60 b 100
Verwendbarkeit INFO-THEO INFO-INFO MEDI-INFO MEDI-APPL MEDZ-SEM
(Module)
Teilnahme- INFO-4413 oder INFO-4417
voraussetzungen
Dozent Dorn
Literatur Rolf Niedermeier: Invitation to Fixed-Parameter Algorithms, Oxford University
Press, und Weitere (wechselnd).

INFO-4417 Parametrisierte Algorithmen und Komplexität Vorlesung, Übungen
Parameterized Algorithms and Complexity
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Dieses Modul gibt eine erweiterte Einführung in die Theorie der parametrisier-
ten Algorithmen und der parametrisierten Komplexitätstheorie. Der Schwer-
punkt liegt dabei auf unterschiedlichen Methoden und Techniken zur Entwick-
lung von parametrisierten Algorithmen. In diesem Modul wird in Lösungs-
ansätze für NP-vollständige Probleme, Parametrisierte Algorithmen und Pro-
blemkerne eingeführt. Verschiedene Methoden und Techniken, wie z. B. Da-
tenreduktion und Problemkerne, Tiefenbeschränkte Suchbäume, Dynamisches
Programmieren, Baumzerlegungen, Iterative Kompression, Farbkodierung und
Lineare Programmierung, werden vorgestellt. Aus dem Bereich der Parametri-
sierten 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 vor-
gestellt.
diese an das Problem angepasst anwenden. Sie sind in der Lage, einen parame-
trisierten Algorithmus kritisch zu bewerten. Sie erkennen Vor- und Nachteile
dieses Ansatzes und können ihn in den Kontext anderer Methoden zur Lö-
sung NP-vollständiger Probleme wie Heuristiken, Approximationsalgorithmen,
Randomisierte Algorithmen einordnen. Zusätzlich sind die Studierenden mit
Fragestellungen der aktuellen Forschung vertraut und kennen Anwendungsbei-
spiele und Fallstudien.
109
(noch INFO-4417)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3
(Module)
Teilnahme- keine
voraussetzungen
Dozent Dorn
Press, 2006.
Rodney G. Downey, Michael R. Fellows: Parameterized Complexity, Springer-
Verlag, 1999.
Jörg Flum, Martin Grohe: Parameterized Complexity Theory, Springer-Verlag,
2006.

INFO-4451 Kryptologie Vorlesung
Cryptology
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur, bei kleiner Teilnehmerzahl mündliche Prüfung
Inhalt Themen sind u.a. Symmetrische Verschlüsselungsverfahren, Block- und Strom-
chiffren, Pseudozufallsfolgen und Einwegfunktionen, Public-Key-Verfahren,
Hashfunktionen, Signaturen und Authentifizierung, Zero-Knowledge-Beweise,
Protokolle für kryptographische Anwendungen und Secret Sharing Schemes.
Qualifikationsziele Die Studierenden kennen die wichtigsten kryptographischen Verfahren, ihre
theoretische Fundierung und ihre Anwendungsmöglichkeiten. Sie kennen An-
griffsarten auf kryptographische Verfahren und Protokolle und können die (re-
lative) Sicherheit von Chiffren beurteilen. Durch die Bearbeitung ausgewählter
Beispiele besitzen sie Fähigkeiten in der Modellierung, Analyse und Klassifika-
tion von Problemen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-THEO INFO-INFO MEDI-WEB MEDI-INFO MEDI-APPL
(Module)
Teilnahme-
voraussetzungen
Dozent Dorn
Literatur Stinson: Cryptography - Theory and Practice, Chapman & Hall (2006)
111

INFO-4452 Codierungstheorie Vorlesung, Übungen
Coding Theory
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Themen sind u.a. Informationstheoretische Grundlagen, Satz von Shannon, Li-
neare Codes, Eigenschaften und Konstruktionen, Perfekte Codes, Reed-Muller-
Codes und Majoritäts-Decodierung, Zyklische Codes, Reed-Solomon-Codes,
Anwendungen und Decodierung, LDPC-Codes und Faltungscodes.
Qualifikationsziele Die Studierenden kennen die wichtigsten Klassen von Codes und geeignete
Dekodierverfahren. Sie sind in der Lage, Codes hinsichtlich Fehlerkorrekturei-
genschaften, Redundanzgröße und Dekodiereffizienz zu beurteilen und dement-
sprechend Anwendungsbereiche zu bestimmen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
Teilnahme-
voraussetzungen
Dozent Dorn
Literatur Friedrichs: Kanalcodierung, Springer (1996)

INFO-4472 Computational Social Choice Vorlesung
Computational Social Choice
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Computational Social Choice ist ein junges, interdisziplinäres Fachgebiet an der
Schnittstelle zwischen Sozialwahltheorie und Informatik, in dem Mechanismen
zur kollektiven Entscheidungsfindung wie beispielsweise Wahlsysteme oder Zu-
teilungsprotokolle untersucht werden. Einerseits werden die in der Informatik
entwickelten Methoden wie Algorithmen, Protokolle und Komplexitätstheorie
auf Sozialwahlmechanismen wie Wahlen oder gerechtes Teilen angewandt, an-
dererseits werden umgekehrt Konzepte aus der Sozialwahltheorie in der Infor-
matik betrachtet und tragen dort zur Lösung von Problemen bei.
Die Veranstaltung gibt eine Einführung in die klassische Sozialwahltheorie
und die Computational Social Choice. Behandelt werden u.a. Wahlsysteme
und -probleme, Präferenzaggregation, gerechtes Teilen, Matchingprobleme, die
unter komplexitätstheoretischen, algorithmischen und spieltheoretischen Ge-
sichtspunkten analysiert werden.
Qualifikationsziele Die Studierenden kennen die grundlegenden Konzepten und Fragestellungen
der Sozialwahltheorie. Sie sind in der Lage, Mechanismen formal zu beschrei-
ben, zu analysieren und kritisch zu bewerten, und sind mit den Aussagen und
Beweisen bekannter Theoreme aus der Sozialwahltheorie sowie Fragestellungen
der aktuellen Forschung vertraut.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-THEO INFO-INFO MEDI-HCI MEDI-INFO MEDI-APPL
(Module)
Teilnahme- keine
voraussetzungen
Dozent Dorn
113
(noch INFO-4472)
Literatur Einführung in Computational Social Choice. Individuelle Strategien und kollek-
tive Entscheidungen beim Spielen, Wählen und Teilen. J. Rothe, D. Baumeister,
C. Lindner, I. Rothe. Spektrum Akademischer Verlag, 2011
Handbook of Computational Social Choice. F. Brandt, V. Conitzer, U. Endriss,
J. Lang, and A. Procaccia (eds.), Cambridge University Press, 2016

INFO-4475 Computational Social Choice Seminar
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Das Seminar beinhaltet das Erarbeiten von schriftlichen Quellen zu Themen aus
dem Bereich der Computational Social Choice unter Betreuung. Präsentation
und das schritliche Zusammenfassen schließen den Seminarbeitrag jeweils ab.
Aktive Teilnahme an den einzelnen Sitzungen ist ein wichtiger Bestandteil des
Seminars.
dem Bereich der Computational Social Choice aus schriftlicher Quelle selb-
ständig 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 zusam-
menfassen. Die Teilnehmer sind in der Lage, ihren Kommilitonen im Rahmen
ihrer Präsentation ein wertschätzendes Feedback zu geben.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-THEO INFO-INFO MEDI-HCI MEDI-INFO MEDI-APPL MEDZ-SEM
(Module)
Teilnahme- keine
voraussetzungen
Dozent Dorn
Literatur Wechselnd, wird bekanntgegeben.
115

ML-4340 Self-Driving Cars Lecture with tutorials
Self-Driving Cars
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsform Written exam
Inhalt Within the last years, driverless cars have emerged as one of the major work-
horses in the field of artificial intelligence. Given the large number of traffic
fatalities, the limited mobility of elderly and handicapped people as well as
the increasing problem of traffic jams and congestion, self-driving cars pro-
mise a solution to one of our societies most important problems: the future
of mobility. However, making a car drive on its own in largely unconstrained
environments requires a set of algorithmic skills that rival human cognition,
thus rendering the task very hard. This course will cover the most dominant
paradigms of self-driving cars: modular pipeline-based approaches as well as
deep-learning based end-to-end driving techniques. Topics include camera, li-
dar and radar-based perception, localization, navigation, path planning, vehicle
modeling/control, imitation learning and reinfocement learning. The tutorials
will deepen the acquired knowledge through the implementation of several de-
ep learning based approaches to perception and sensori-motor control in the
context of autonomous driving. Towards this goal, we will build upon existing
simulation environments and established deep learning frameworks.
Qualifikationsziele Students develop an understanding of the capabilities and limitations of stateof-
the-art autonomous driving solutions. They gain a basic understanding of the
entire system comprising perception, learning and vehicle control. In addition,
they are able to implement and train simple models for sensori-motor control.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Lecture L o 4 6 wt 90 g 100
Tutorial T o 2 3
(Module)
Teilnahme- Basic math (linear algebra, probabilities) and coding (Python) skills. Experi-
voraussetzungen ence with deep learning (e.g., course “Deep Learning”). Experience in PyTorch
is recommended.
Dozent Andreas Geiger
(noch ML-4340)
117

ML-4303 Convex and Nonconvex Optimization Lecture with tutorials
Convex and Nonconvex Optimization
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Inhalt Convex optimization problems arise quite naturally in many application areas
like signal processing, machine learning, image processing, communication and
networks and finance etc.
The course will give an introduction into convex analysis, the theory of convex
optimization such as duality theory, algorithms for solving convex optimiza-
tion problems such as interior point methods but also the basic methods in
general nonlinear unconstrained minimization, and recent first-order methods
in non-smooth convex optimization. We will also cover related non-convex pro-
blems such as d.c. (difference of convex) programming, biconvex optimization
problems and hard combinatorial problems and their relaxations into convex
problems. While the emphasis is given on mathematical and algorithmic foun-
dations, several example applications together with their modeling as optimi-
zation problems will be discussed.
The course requires a good background in linear algebra and multivariate cal-
culus, but no prior knowledge in optimization is required.
Qualifikationsziele Students learn the foundations of convex analysis and how to formulate and
transform optimization problems. After the lecture they know a variety of me-
thods for solving convex and non-convex optimization problems and have gui-
delines which method to choose for which problem.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
voraussetzungen linear algebra and multivariate calculus. No prior background in optimization
is required.
Dozent Hein
(noch ML-4303)
Literatur The lecture does not follow a specific book. The literature for this lecture will
be provided at the beginning of the semester.
119

ML-4101 Mathematics of Machine Learning Lecture with tutorials
Mathematics of Machine Learning
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
every year
des Angebots
Inhalt The lecture will repeat and introduce basic notions of mathematics used in
machine learning
• Calculus: multivariate calculus (gradient and Hessian), Taylor expansion
etc.
• Linear Algebra: eigenvectors, eigenvalues (including variational charac-
terization), singular value decomposition and best low rank approxima-
tion, inverse and pseudo-inverse, norms, basic algorithms and their com-
plexity (solving linear equations, matrix inversion, eigenvectors (power
method)) etc.
• Probability: discrete and continuous probability measures (and mixed
ones), basic notions, generation of random variables, conditional expec-
tation and independence, law of large numbers and concentration inequa-
lities for rates of convergence, central limit theorem etc.
• Statistics: parametric and non-parametric tests
• Optimization: Lagrangian and dual optimization problem, popular op-
timization techniques and their properties
• Optional: basic functional analysis and approximation theory, curse of
dimensionality
Qualifikationsziele Students learn the mathematical foundations for the latter machine learning
courses. In particular,
• they know multivariate calculus and linear algebra as needed in machine
learning lectures
• they can apply probability and statistics and are able to prove basic
properties
• they have an overview of existing optimization techniques and are able
to reformulate equivalent constrained optimization problems
(noch ML-4101)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Lecture L o 2 3 W 90 b 100
Tutorial T o 2 3
(Module)
Teilnahme- Students need to have basic knowledge in analysis and linear algebra on the
voraussetzungen level of the bachelor lectures “Mathematik für Informatiker I-III”
Dozent von Luxburg, Hein
121

ML-4201 Statistical Machine Learning Lecture with tutorials
Statistical Machine Learning
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt The focus of this lecture is on algorithmic and theoretical aspects of statistical
machine learning. We will cover many of the standard algorithms, learn about
the general principles for building good machine learning algorithms, and ana-
lyze their theoretical and statistical properties. The following topics will be
covered: Supervised machine learning, for example linear methods; regulariza-
tion; SVMs; kernel methods. Bayesian decision theory, loss functions,
Unsupervised learning problems, for example dimension reduction, kernel PCA,
multi-dimensional scaling, manifold methods; spectral clustering and spectral
graph theory.
Introduction to statistical learning theory: no free lunch theorem; generalization
bounds; VC dimension; universal consistency;
Evaluation and comparison of machine learning algorithms.
Advanced topics in statistical learning, for example low rank matrix completion,
compressed sensing, ranking, online learning.
Qualifikationsziele Students get to know the most important classes of statistical machine lear-
ning algorithms. They understand why certain algorithms work well and others
don’t. They can evaluate and compare the results of different learning algo-
rithms. They can model machine learning applications and get a feeling for
common pitfalls. They can judge machine learning algorithms from a theoreti-
cal point of view.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
Dozent Hein, von Luxburg

ML-4301 Numerical Algorithms of Machine Learning Lecture with tutorials
Numerical Algorithms of Machine Learning
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Inhalt The computational cost of machine learning is almost entirely caused by nu-
merical computations: Optimization for training and fitting of point estimates;
integration for marginalization and conditioning in probabilistic models; simu-
lation, i.e. the solution of differential equations for predictions of the future,
and linear algebra as the base case of all of the above. These tasks are often
solved with “black-box” tools, but those who want to build highly performant,
scalable, professional solutions need to know how these tools worn and adapt
them to the specific task. This course introduces basic and advanced tools for
the aforementioned tasks. It develops a holistic view of computation in the
context of, and within the conceptual framework of machine learning, moving
from classic concepts to recent developments.
the lectures.
Qualifikationsziele Students develop both an intuitive and mathematical understanding of nume-
rical methods for optimization, integration, linear algebra, and the solution of
differential equation. They know how to adapt the tools to the challenges of
the task at hand, such as high dimensionality, stochasticity in computation,
numerical stability, non-convexity, efficient tuning of algorithmic parameters,
and uncertainty calibration for imprecise computation. Experience in the de-
sign and use of numerical tools is a highly sought-after skill in industry, and
distinguishes the expert engineer from the amateur user.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
123
(noch ML-4301)
Teilnahme- Linear algebra is a core theme. Knowledge of probabilistic machine learning
voraussetzungen is valuable for this course. Prior experience with numerical analysis is helpful
but not required. The practical parts use python and various recent python
libraries.
Dozent Hennig

ML-4320 Time Series Lecture with tutorials
Time Series
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Inhalt A time series is an extremely wide-spread type of empirical data: a (potentially
multivariate) set of observations that evolves over a univariate and thus orde-
red index space—time. Examples include stock prices, inventory levels, sports
statistics, sensor readings in scientific equipment, cars and machinery, and ma-
ny more. Time series often require real-time processing, and can potentially be
infinitely long. But their univariate domain also allows for a crucial property
of the model: Markovianity, the ability to locally store all aspects of the model
necessary for inference in a time-local memory of fixed and finite size. This
course introduces a range of models and algorithms for efficient and flexible
inference in time series. Starting from famous concepts from the areas of si-
gnal processing and control, we will move to recent and contemporary models
for structured, high-dimensional, non-linear and irregular time series. Alongsi-
de data and models, efficient algorithms for approximate inference are a core
focus.
the lectures.
Qualifikationsziele Students develop an understanding for key algorithmic and modelling challen-
ges in the analysis of, and practical inference with time-ordered processes and
data. They can implement and debug basic and advanced models for such data,
including for production-level, large-scale applications, and for areas demanding
high quality predictions, such as scientific analysis. Apart from mathmatical
derivations, the exercises put a focus on practical programming. In particular,
they contain implementations of some content of the lectures.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Lecture L o 2 3 wo 90 g 100
Tutorial T o 2 3
(Module)
125
(noch ML-4320)
Teilnahme- Knowledge of the material provided in the course Probabilistic Machine Lear-
voraussetzungen ning (ML-4202) is required.f
Dozent Hennig, Tronarp

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
the lectures.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
ning (ML 4101).
127

INFO-4412 Algorithmen und Komplexität Vorlesung, Übungen
Algorithms and Complexity
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Themen sind u.a. Matching, MinCostFlow, Lineares Programmieren, Approxi-
mationsschemata, Netzwerkanalyse, Algorithmische Geometrie, Komplexitäts-
fragen wie z.B. Untere Schranken.
Qualifikationsziele Die Studierenden vertiefen ihre Kenntnisse über algorithmische Techniken in
verschiedenen Problemfeldern. Dazu gehören die Anwendung von komplexen
Graphalgorithmen, die Beherrschung von Strategien zur Netzwerkanlayse so-
wie die Fähigkeit, Näherungsmethoden anzuwenden und selbst zu entwickeln.
Im Bereich Komplexitätsfragen können die Studierenden Probleme nach ih-
rem Schwierigkeitsgrad beurteilen und diese Beurteilungen mittels der erlernten
Techniken auch beweisen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übungen Ü o 2 3
(Module)
Teilnahme- keine
voraussetzungen
Dozent Kaufmann
Literatur Raghavan, Magnati, Orlin: Network Algorithms
Mehlhorn, Näher: LEDA - A platform for combinatorial and geometric compu-
tation
Papadimitriou, Steiglitz: Combinatorial optimization : algorithms and comple-
xity

INFO-4419 Spezielle Themen der Algorithmik Vorlesung, Übungen
Advanced Topics in Algorithmics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Das Modul beinhaltet vertiefende Veranstaltungen aus den Bereichen Algorith-
mik, die die grundlegenden Module dieses Bereiches ergänzen. Es richtet sich
vor allem an Studierende, die speziell Kenntnisse in diesem Bereich erwerben
wollen.
Qualifikationsziele Die Studierenden sind in der Lage spezielle Themen der Algorithmik einzu-
ordnen 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übungen Ü O 2 3
(Module)
Teilnahme- keine
voraussetzungen
Dozent Kaufmann
tation
xity
129

INFO-4432 Diskrete Optimierung Vorlesung, Übungen
Discrete Optimization
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
zwei-jährlich im Sommersemester
des Angebots
Bonus in die Endnote mit einfließen
Inhalt 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
Qualifikationsziele Die Studierenden kennen einige wichtige Algorithmen der linearen, ganzzahli-
gen und kombinatorischen Optimierung sowie die zugrunde liegenden theore-
tischen Methoden. Sie sind in der Lage, die Verfahren hinsichtlich ihrer Kom-
plexität 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übungen Ü O 1 1.5
(Module)
Teilnahme- keine
voraussetzungen
Dozent Kaufmann, Lange
Literatur Nemhauser, Wolsey: Integer and Combinatorial Optimization, Wiley (1999)
Skript zur Vorlesung

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
werden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Teilnahme- keine
voraussetzungen
Dozent Kaufmann
131

INFO-4653 Kombinatorische Algorithmen Seminar
Combinatorial Algorithms
ECTS-Punkte 3
Arbeitsaufwand
-Selbststudium 9h 30 h / 2 SWS 60 h
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Die Endnote bestimmt sich aus Vortrag, Ausarbeitung und Beteiligung an den
Diskussionen.
aus den Bereichen Effizienten Algorithmen unter Betreuung. Präsentation und
das schriftliche Zusammenfassen schließen den Seminarbeitrag jeweils ab. Ak-
tive Teilnahme an den einzelnen Sitzungen ist ein wichtiger Bestandteil des
Seminars.
Qualifikationsziele Die Studierenden können einen erweiterten und komplexen Sachverhalt aus dem
Bereich Kombinatorische Algorithmen aus schriftlicher Quelle selbständig er-
arbeiten, 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Kaufmann
Literatur wechselnd

ML-4502 Machine learning methods for scientific discovery Seminar
Machine learning methods for scientific discovery
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Prüfungsform Oral presentation, written report
Inhalt In this seminar, we will discuss current and classical research papers which
describe machine learning methods for applications in the natural sciences.
From a methodological perspective, a particular focus will be on ‘simulation-
based inference approaches’, as these provide a bridge between data-driven
machine learning methods, and theory-driven scientific modelling, as well as on
latent-variable models for inferring dynamical systems from data.
lead research discussions. They can summarize and evaluate the results of a
paper in form of a written research report.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-THEO INFO-INFO MEDI-INFO
(Module)
Teilnahme- Basic knowledge probabilistic machine learning
voraussetzungen
Dozent Macke
133

ML-4601 Introduction to Game Theory with Application Lecture
to Multi-Agent Systems
Introduction to Game Theory with Application
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsform Written Exam
Inhalt This module is about game theory and mechanism design, with an emphasis on
applications in different domains. The students study the essential concepts in
game theory such as equilibrium, belief, best-response dynamics, and the like.
Besides, they learn about strategic- and extensive form games, achieving equi-
librium in repeated games, games with incomplete and imperfect information.
Also, they obtain knowledge regarding other topics such as the Nash bargai-
ning solution, auctions, and computational models of human decision-making.
In brief, the students obtain broad knowledge about different branches of game
theory such as competitive-, cooperative-, and behavioral game theory, in addi-
tion to studying detailed mathematical results, e.g., regarding the existence and
uniqueness of equilibrium in well-known scenarios. Besides theoretical founda-
tions, the students become familiar with the connection between game theory
and distributed control, and they gain experience in modeling and solving dif-
ferent applied problems using game theory.
Qualifikationsziele After the lectures, the students have a broad and profound knowledge of es-
sential concepts of game theory. Therefore, they can identify the problems in
the applied domains that can be modeled based on game theory. The students
possess the ability to solve such problems by using the mathematical tools that
they have learned in this module. Besides, they have a high level of proficiency
in selecting, reading, analyzing, and criticizing scientific results, preparing tech-
nical presentations, holding talks, and participating in discussions. Finally, the
students are independent learners and can expand their knowledge to advanced
levels in various topics of game theory.
(Module)
Teilnahme-
voraussetzungen
Dozent Maghsudi
(noch ML-4601)
Literatur
• Mas-Colell and M.D. Whinston, and J.R. Green, Microeconomic Theory,
Oxford University Press, 1995
• Ozduglar, Game Theory with Engineering Application, MIT OpenCour-

seWare, 2009
• Fudenberg and D. Levine, The Theory of Learning in Games, MIT Press,
1998
• Fudenberg and J. Tirole, Game Theory, MIT Press, 1991
• Vijay, Auction Theory, Harvard University Press, 2008

135

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
bekannt gegeben
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module) APPL
Teilnahme- -
voraussetzungen

ML-4350 Reinforcement Learning Lecture, Tutorial
Reinforcement Learning
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Prüfungsform Oral presentation and written project report
Inhalt
• Introduction to Machine Lear- tion and control

ning • Value Function Approximation
• Supervised Learning and Opti- • Policy Gradient
mization
• Deep RL, control in continuous
• Intro Reinforcement Learning state-action domains
(RL) and Markov Decision Pro- • Optimal Control and Model-
cesses based RL
• Dynamic Programming, predic- • Advanced topics in RL
Qualifikationsziele ) Students can phrase a problem in the reinforcement learning framework and
can select an appropriate algorithm for solving it.
(2) Students are able to implement a set of deep reinforcement learning algo-
rithms and analyse their behavior.
(3) Students can explain the challenges in reinforcement learning and assess
and characterize new reinforcement learning methods.
(Module)
Teilnahme- Recommended to attend basic Machine learning class before.
voraussetzungen
Dozent Martius
Literatur Reinforcement learning by Sutton and Barto http://incompleteideas.net/
book/bookdraft2017nov5.pdf
Pattern Recognition and Machine Learning by C.M. Bishop, Chap. 3 and 5
Deep Learning by Goodfellow, Bengio and Courville https://www.
137

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
Teilnahme- keine
voraussetzungen
Dozent Menth
Literatur keine

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
setzt.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
voraussetzungen
Dozent Menth
Literatur keine
139

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
participation.
(Module)
voraussetzungen
Dozent Ostermann

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
(Module) APPL
voraussetzungen
Dozent Ostermann
141

Neural Networks
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
Dozent Zell

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Kinect).
erworben.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
LP
Benotung
ep Convolutional
Neural Networks
(Module)
voraussetzungen
Dozent Zell
ausgeteilt
143

INFO-4366 Advanced Topics in Neural Networks Seminar
Advanced Topics in Neural Networks
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Wird zu Beginn des Seminars bekanntgegeben
Inhalt The seminar deals with yearly changing topics of artificial neural networks, e.g.
deep convolutional neural networks, recurrent neural networks, neural networks
for image classification or image segmentation, neural network for control, hy-
brid classical - neural systems, etc.
Qualifikationsziele Die Studierenden können ein Thema aus dem Bereich Mobile Roboter wissen-
schaftlich analysieren, vortragen und in einer Abhandlung ausarbeiten.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP
Advanced Topics in V O 3 6 K 90 b 100

Neural Networks
(Module)
Teilnahme- keine
voraussetzungen
Dozent Zell
Literatur Literatur wird in der Vorbesprechung angegeben.

ML-4380 Advanced Topics in Machine Learning Vorlesung, Übungen
Advanced Topics in Machine Learning
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung), erfolgreiche Übungs-
teilnahme wird als Klausurvoraussetzung angesehen, eine Bonierung entschei-
det der Dozent.
Inhalt Das Modul vermittelt eine Übersicht über fortgeschrittene Konzepte und An-
wendungen des maschinellen Lernens. Spezifische Themen umfassen die s.g.
Kernmethoden für Extraktion und Analyse von nichtlinearen Merkmalen aus
komplexen Daten, Optimierungsverfahren für extrem große Datenmengen,
Lernmethoden für sequentielle und strukturierte Daten sowie Sicherheits- und
Vertraulichkeitsaspekte der Datenanalyse.
Qualifikationsziele Die Studierenden besitzen Grundlagenwissen über maschinelles Lernen auf mo-
derner statistischer Basis. Sie kennen math.-statistische Herangehensweisen für
die Lösung von Mustererkennungsproblemen und können diese in Übungsauf-
gaben anwenden. Eine weitere Voraussetzung sind fundierte mathematische
Kenntnisse, insbesondere in Linearer Algebra, Statistik und Analyse.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Machine Learning
(Module)
Teilnahme- -
voraussetzungen
Dozent -
Literatur J. Shawe-Taylor and N. Cristianini: Kernel Methods for Pattern Analysis. Cam-
bridge University Press, 2004. Skript in englischer Sprache
145

INFO-4492 Spezielle Themen der Lerntheorie Lecture, Tutorials
Special Topics in Learning Theory
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Unterrichtssprache English or German, depending on the participants
Inhalt In this module we discuss advanced results and approaches in learning theory
and current research results in the area of machine learning in general.
Qualifikationsziele Students get to know about advanced results in learning theory. They can judge
whether an algorithm is well designed, both from an algorithmic and statistical
point of view. They understand about the fundamental limitations of machine
learning. They can reflect current research questions. After this module they
are well-prepared to write a master thesis in the area of learning theory.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Lecture L o 2 3 K 90 b 100
Tutorial T o 2 3
(Module)
Teilnahme- Solid knowledge in maths (linear algebra, probability theory); Basic knowledge
voraussetzungen in machine learning
Dozent von Luxburg
Literatur will be announced in the lecture

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Irregularly
des Angebots


and VC dimension
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
147
(noch ML-4302)

ML-4491 Statistisches maschinelles Lernen Lecture with tutorials
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Inhalt Important note: This lecture has been renamed, it is identical to the lecture that
previously was called “Machine Learning: Algorithms and Theory”. The focus
of this lecture is on algorithmic and theoretical aspects of machine learning. We
will cover many of the standard algorithms, learn about the general principles
for building good machine learning algorithms, and analyze their theoretical
properties. The following topics will be covered: Supervised learning problems:
Linear methods; regularization; SVMs; kernel methods. Unsupervised learning
problems: Dimension reduction, kernel PCA, multi-dimensional scaling, mani-
fold methods; spectral clustering and spectral graph theory. Bayesian decision
theory, loss functions, feature selection, evaluation and comparison of algo-
rithms. Online algorithms. Learning theory: no free lunch theorem; generali-
zation bounds; VC dimension; universal consistency; Theorem of Stone. The
following topics are NOT going to be covered, there exist alternative lectures:
neural networks / deep networks, graphical models, Bayesian approaches to
machine learning, reinforcement learning.
Qualifikationsziele Students get to know the most important classes of modern machine learning al-
gorithms. They understand why certain algorithms work well and others don’t.
They can evaluate and compare the results of different learning algorithms.
They can model machine learning applications and get a feeling for common
pitfalls. They can judge machine learning algorithms from a theoretical point
of view.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
Dozent von Luxburg
149
(noch ML-4491)
Literatur Will be announced in the lecture.
Studienbereich INFO-TECH

INFO-4312 Entwurf und Synthese Eingebetteter Systeme Vorlesung, Übungen
Design and Synthesis of Embedded Systems
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt 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 Mo-
dul werden die spezifischen Hardware-Aspekte von Eingebetteten Syste-
men behandelt. Themen sind: IC-Technologien für Eingebettete Systeme,
Hardware-Entwurfsmethoden, Modellierungskonzepte und Simulationsmetho-
den mit Hardwarebeschreibungssprachen. Ferner werden die Kommunikation
zwischen Prozessen und Modulen innerhalb eines Chips behandelt, verschiede-
ne 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 themati-
siert. Anschließend werden die Konzepte der Architektursynthese (High-Level-
Synthese) mit den grundlegenden Algorithmen zur taktzyklengenauen Ablauf-
planung und Ressourcen-Bindung vorgestellt. Mit Hilfe von Hardwarebeschrei-
bungssprachen 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.
151
152 STUDIENBEREICH INFO-TECH
(noch INFO-4312)
Qualifikationsziele 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 Hardware-
beschreibungssprachen und der automatisierten Schaltungssynthese im digita-
len Hardware-Entwurf. Die Übungen werden von den Studierenden in kleinen
Gruppen selbstständig bearbeitet und durch Vorführung der erzielten Ergeb-
nisse Selbstbewusstsein, rhetorische Fähigkeiten und Kritikfähigkeit trainiert.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
Dozent Bringmann
Literatur
• O. Bringmann, W. Lange, M. Bogdan: Eingebettete Systeme: Entwurf,
Auflage, 2018.
• 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.
153

INFO-4313 Eingebettete Systeme Seminar
Embedded Systems
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
regularly in the summer term
des Angebots
Prüfungsform Oral presentation and written report
Inhalt Embedded systems have become a fundamental part of many technical systems
and are already integral part of everyday life, e.g. in mobile communications,
medical technology, consumer electronics, smart homes and autonomous vehic-
les as well as in industrial automation and Internet of Things (IoT). The mani-
fold dependencies between software and the underlying hardware architecture
require a holistic approach in design, analysis, and verification of embedded sy-
stems. This seminar examines modelling, analysis and verification approaches
for distributed embedded systems, highlights the latest research trends in com-
puter architecture and machine learning, and discusses their applicability in
future embedded systems. The students choose a seminar topic from the given
topic list, examine the topic in substance, and present the elaborated content
by an oral seminar presentation and a written report.
Qualifikationsziele Students are able to read, reflect, and examine the topic in substance upon cur-
rent research papers in the area of embedded systems and can critically assess
the contributions of a paper. They can present current research results to other
students and researchers and can lead research discussions. They can summa-
rize and evaluate the results of research papers in form of a oral presentation
and a written report.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Seminar S o 2 3 H+R 30 b 100

Verwendbarkeit INFO-INFO MEDI-MMT MEDI-INFO MEDI-APPL MEDZ-SEM
(Module)
Teilnahme- none
voraussetzungen
Dozent Bringmann
Literatur Will be announced in the pre-lecture meeting.

INFO-4315 Advanced Topics in Embedded Systems Vorlesung
Advanced Topics in Embedded Systems
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
regularly in the summer term (block course)
des Angebots
Prüfungsform Oral exam (written exam in case of a large number of participants)
Inhalt This lecture discusses current topics and trends in embedded system research
with special focus on design, analysis and verification of embedded systems and
Systems-on-Chip (SoCs). The lecture starts with an introduction into embed-
ded systems architectures and electronic system level design. Then, the latest
developments in analysis of non-functional properties like timing, power dis-
sipation, and energy consumption are discussed. The lectures on verification
addresses cyber-physical systems, safety verification, and robustness optimiza-
tion of machine-learning based embedded systems. The lecture finally covers
advanced hardware architectures for low-power implementation of deep lear-
ning approaches in hardware. Between the lectures, practical exercises in form
of programming assignments will take place. The lecturers will present the
relevant basics as well as recent research results in each topic.
Qualifikationsziele Participants will acquire in-depth knowledge to different aspects in embedded
systems as well as the necessary skills to design, analyse, and verify embed-
ded systems under safety constraints. They will gain hands-on experience in
embedded system design in order to avoid common pitfalls. The students will
get a deeper practical understanding by working on topic-specific programming
assignments.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
SWS
Leistungspunkten /
LP
Benotung
Übungen Ü o 2 2
(Module)
Teilnahme- Prerequisites are the lectures “Entwurf und Synthese Eingebetteter Systeme”
voraussetzungen or “Modellierung und Analyse Eingebetteter Systeme”
Dozent Bringmann
Literatur Will be announced during the first lecture.
155

INFO-4316 Programming Ultra-Low Power Architectures Praktikum
Programming Ultra-Low Power Architectures
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt Dieses Modul bietet eine Einführung in die praktische Arbeit mit Mikrocontrol-
lern. Hierfür wird die auf einem 32-bit ARM Cortex-M0+ Prozessor basierende
FRDM-KL25Z Entwicklungsplattform verwendet. Nach einer kurzen Einfüh-
rung in die verwendete Plattform, werden in Zweierteams praktische Aufga-
ben gelöst. Die Praktikumsaufgaben umfassen die folgenden Themenbereiche:
Einführung in die Programmierung von Mikrocontrollern, Ausführungszeit von
Anwendungen, Leistungsanalyse und -optimierung sowie Speicheranforderun-
gen
Qualifikationsziele Die Studierenden können systematisch Software für Eingebettete Systeme un-
ter Berücksichtigung von elektrischen Leistungsaufnahme und des Energiever-
brauchs entwickeln. Sie kennen den gesamten Entwicklungsablauf von der Spe-
zifikation, über die Entwicklung bis hin zu Debugging und Dokumentation.
Ferner sind die Studierenden in der Lage moderne Techniken des Software-
gestützten dynamischen Power-Managements bis hin zur Programmierung von
Ultra-Low-Power-Anwendungen anzuwenden. Auf Teamarbeit, Kommunikati-
on innerhalb der Gruppen und zwischen den einzelnen Gruppen, systemati-
sches Problemlösen und Einhalten von Terminen wird Wert gelegt. Dies för-
dert Selbstbewusstsein, Selbstvermarktungsfähigkeit und Konfliktfähigkeit der
Studierenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Bringmann
Literatur Literatur wird zu Beginn des Praktikums bekanntgegeben.

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) APPL
voraussetzungen
Dozent Bringmann
157
(noch INFO-4331)

2007.

INFO-4317 Parallele Rechnerarchitekturen Vorlesung, Übungen
Parallel Computer Architectures
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt 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 Lei-
stungssteigerung ausgenutzt werden kann. Das Modul umfasst dabei u.a.
die folgenden Themen: Parallelismus auf Maschinenbefehlsebene: Superskalar-
technik, spekulative Ausführung, Sprungvorhersage, VLIW-Prinzip, mehrfä-
dige Befehlsausführung. Moderne Parallelrechnerkonzepte, speichergekoppelte
Parallelrechner, symmetrische Multiprozessoren, Multiprozessoren mit verteil-
tem gemeinsamem Speicher, nachrichtenorientierte Parallelrechner, Multicore-
Architekturen, Cache-Kohärenzprotokolle, Leistungsbewertung von Parallel-
rechensystemen, parallele Programmiermodelle, Verbindungsnetze (Topologie,
Routing), heterogene Systemarchitekturen und GPGPUs.
Qualifikationsziele Die Studierenden besitzen erweiterte fachliche Kompetenzen im Bereich moder-
ner Rechnerarchitekturen mit Fokus auf Parallelarchitekturen, Verbindungs-
netzwerke und heterogene Systeme. Sie kennen die Vor- und Nachteile der ver-
schiedenen Parallelarchitekturen sowie die bei der Programmierung derartiger
Systeme auftretenden Schwierigkeiten. Dies befähigt die Studierenden entspre-
chende Programmierkonzepte für parallele Architekturen situationsadäquat an-
zuwenden. In den Übungen erwerben die Teilnehmenden ein weitergehendes
Verständnis für die Komplexität paralleler Vorgänge und die daraus resultieren-
den Schwierigkeiten. Durch die selbstständige Bearbeitung in kleinen Gruppen
werden Teamfähigkeit und Führungsqualitäten in besonderem Maße gefördert.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
voraussetzungen
159
(noch INFO-4317)
Dozent Bringmann
Literatur • 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.

INFO-4318 Advanced Computer Architecture Praktikum
Advanced Computer Architecture
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig im Sommersemester
des Angebots
Inhalt Das Praktikum behandelt aktuelle Forschungsfragen der Rechnerarchitektur
anhand praktischer Aufgabestellungen. Hierzu gehören Praktikumsaufgaben zu
folgenden Themen: Simulative Bewertung von Rechnerarchitekturen, Mikroar-
chitektur und Befehlssätze, Sprungvorhersagen und spekulative Ausführung,
Caches und Cachekohärenz, Speicherorganisation und Verbindungsnetzwerke
sowie Unterstützung von Betriebssystemen durch die Rechnerarchitektur. Zu-
sätzlich bildet ein eigenständig erarbeitetes Forschungsprojekt den Abschluss
des Praktikums .
Qualifikationsziele Dieses Praktikum versetzt die Studierenden in die Lage, aktueller Forschungs-
fragen aus dem Bereich der Rechnerarchitektur zu bewerten und neue Frage-
stellungen selbständig zu bearbeiten. Durch den praktischen Umgang mit Par-
allelarchitekturen 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 bear-
beitet. Dies trainiert neben Team-, Kommunikations- und Konfliktfähigkeiten
auch das Verantwortungsbewusstsein der Studierenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Bringmann
161
(noch INFO-4318)

Praxis
tice
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
163
(noch INFO-4222)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
von Software


ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots

techniques
(Module)
voraussetzungen
165
(noch ML-4420)
Dozent Bringmann

Architekturen
ture
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3
(Module) APPL
voraussetzungen
Dozent Grust
Literatur

167

aktion
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfung)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
(Module) APPL
Teilnahme- -
voraussetzungen
Dozent Kasneci

INFO-4381 Advanced Topics in Human-Computer Interacti- Seminar
on
Advanced Topics in Human-Computer Interacti-
on
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Oral presentation of at least 30 minutes and written report (essay at least 8
pages)
Inhalt This seminar covers current and varying topics from research and application
in the field of (multimodal) human-machine interaction.
Qualifikationsziele Students will read and reflect upon current research in the area of human-
computer interaction. They can present current research results to other stu-
dents and researchers as well as lead research discussions. They can summarize
and evaluate the results of a paper in the form of a written research report.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Seminar S o 2 3 tp 30 g 100
Verwendbarkeit INFO-TECH INFO-INFO MEDI-HCI MEDI-PRAX MEDI-INFO MEDI-
(Module) APPL MEDZ-SEM
Teilnahme- none
voraussetzungen
Dozent Kasneci
Literatur keine
169

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) APPL
(noch INFO-4314)
Teilnahme- keine
voraussetzungen
Dozent Bringmann
Literatur
171

INFO-4321 Enterprise Computing - Grundlagen Vorlesung
Enterprise Computing - Foundation
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt Die Veranstaltung vermittelt den Studierenden einen Überblick über die IT
Systeme und Einrichtungen, mit denen große Unternehmen und staatliche
Organisationen ihren täglichen EDV Betrieb meistern. Der Inhalt des Mo-
duls basiert im Wesentlichen auf dem Einsatz moderner Großrechner und
der eingesetzten Mainframe Technologie. Im Detail behandelt die Veranstal-
tung die folgenden Themen: Überblick, Verarbeitungsgrundlagen, z-Systems
Architektur und Hardware, Firmware und RAS, z/OS-Betriebssystem, Ein-
/Ausgabeverarbeitung, Datenorganisation, Virtualisierung und System Ma-
nagement, Unix und Linux auf z-Systems, Clustering und Sysplex, IT-
Infrastruktur.
Qualifikationsziele Die Studierenden beherrschen die erlernten Systemstrukturen und Rechnerar-
chitekturen, wie sie von großen Unternehmen eingesetzt werden und können
diese problemorientiert anwenden. Damit sind die Studierenden in der Lage,
die Vor- und Nachteile dieser IT-Methoden auch auf neue Szenarien in der in-
dustriellen Praxis situationsadäquat anzuwenden und kompetent zu erweitern.
Außerdem können die Studierenden die notwendigen Systementscheidungen be-
gründen und präsentieren. Insgesamt sind die Studierenden in der Lage, die Vor-
und Nachteile dieser IT-Methoden auch auf neue Szenarien in der industriellen
Praxis situationsadäquat anzuwenden und kompetent zu erweitern.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Kreißig, Schmidt
(noch INFO-4321)
Literatur
• U. Kebschull, P. Herrmann, W.G. Spruth. Einführung in z/OS und
OS/390. 2. Auflage, Oldenbourg 2004, ISBN 3-486-27393-0.
• M. Teuffel, R. Vaupel. Das Betriebssystem z/OS und die zSeries. Olden-

bourg 2004., ISBN 3-486-27528-3
ISBN 3-937514-05-8.
• W. Zack. Windows 2000 and Mainframe Integration. Macmillan Technical
Publishing, 1999., ISBN 978-1-57870-200-8
• M. Teuffel. TSO : Time Sharing Option im Betriebssystem z/OS MVS.
7. Aufl. München : Oldenbourg Wissenschaftsverlag, 2001. – ISBN 978-
3-48625560-7

978-1-58347-369-6
• S.G. Sloan, A.K. Hernandez. An Introduction to DB2 for OS/390. Pren-
tice Hall, 2001.
• IBM Redbooks (http://www.redbooks.ibm.com).

173

INFO-4323 Enterprise Computing – Anwendungen Vorlesung
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt Die Veranstaltung vermittelt den Studierenden einen Überblick über das An-
wendungsspektrum und die dafür notwendigen Middleware Services, mit denen
große Unternehmen und staatliche Organisationen ihre vielfältigen Kundenan-
forderungen erfüllen. Der Schwerpunkt dieser Veranstaltungen ist die Beschrei-
bung der verschiedenen Softwarekomponenten und ihr Zusammenspiel. Im De-
tail behandelt die Veranstaltung die folgenden Themen: Industrielle Großrech-
neranwendung und Transaktionsverarbeitung, CICS, Mainframe Datenbank-
managementsystem, Systemkommunikation, Analytics und BigData, Secure
Container und Blockchain, Workload Management, Java auf Mainframes, Web
Application Server, Software Entwicklung in großen Unternehmen.
Qualifikationsziele Die Studierenden erlernen die Voraussetzungen für den Betrieb komplexer
Softwareumgebungen und Anwendungen, mit denen großen Unternehmen und
staatliche Institutionen ihren täglichen Betrieb bewerkstelligen. Damit sind sie
in der Lage, diese Softwareumgebungen zu analysieren und mögliche Erweite-
rungen und Ergänzungen zu definieren. Darüber hinaus können die Studieren-
den diese Konzepte gegenüber Entscheidungsträgern darstellen und bewerten.
Insgesamt sind die Studierenden in der Lage, die Vor- und Nachteile dieser
IT-Methoden auch auf neue Szenarien in der industriellen Praxis situationsad-
äquat anzuwenden und kompetent zu erweitern.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-TECH INFO-INFO MEDI-HCI MEDI-MMT MEDI-INFO MEDI-APPL
(Module)
Teilnahme- keine
voraussetzungen
(noch INFO-4323)
Literatur

978-3-48625560-7
stopol : O’Reilly & Associates, 2000. – ISBN 978-1-56592- 676-9
175

Computer Graphics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Dozent Lensch

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Teilnahme- -
voraussetzungen
Dozent Lensch
177
(noch INFO-4173)
stellt

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
voraussetzungen
Dozent Lensch
179

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
voraussetzungen
Dozent Lensch

Displays
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
voraussetzungen
Dozent Lensch
reitgestellt
181

INFO-4341 Netzwerksicherheit I Vorlesung, Übung
Network Security I
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Die Vorlesung behandelt folgende Inhalte. Principles of Network Security, Cryp-
tographic 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 er-
worbenen Kenntnisse an praktischen Beispielen illustriert und vertieft.
Qualifikationsziele Die Studierenden haben ein umfangreiches und tiefgehendes Verständnis über
Netzwerksicherheit. Sie sind im Stande ihre erworbenenen Fähigkeiten zur Pro-
blemlösung 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 wissen-
schaftlichem Niveau auszutauschen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
Verwendbarkeit INFO-TECH INFO-INFO MEDI-WEB MEDI-INFO MEDI-APPL
(Module)
Teilnahme- INF3331 Grundlagen des Internets (oder äquivalente Kenntnisse), INFO-4348
voraussetzungen Communication Technologies (oder äquivalente Kenntnisse) sind hilfreich
Dozent Menth
Literatur keine

INFO-4342 Netzwerksicherheit II Vorlesung, Übung
Network Security II
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Die Vorlesung behandelt folgende Inhalte. Layer-2 Security, Perimeter Securi-
ty, Anonymization, Blockchain, Advanced Topics; die Vorlesung wird begleitet
von einem umfangreichen Übungsbetrieb, der die erworbenen Kenntnisse an
praktischen Beispielen illustriert und vertieft.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 1 1
(Module)
Teilnahme- INFO-4341 Network Security I
voraussetzungen
Dozent Menth
Literatur keine
183

INFO-4343 Netzwerksicherheit III (Praktikum) Praktikum
Network Security III (Lab)
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig, Blockveranstaltung in der vorlesungsfreien Zeit
des Angebots
Prüfungsform Benotete Praktikumsversuche bestehend aus Theorie und Praxis mit abschlie-
ßender Klausur oder mündlicher Prüfung
Inhalt Einführende Vorlesungseinheiten zu jedem Versuch, praktische Übungen zu-
hause zum Kennenlernen der Experimentierumgebung (Linux-Kommandozeile,
Basisbefehle für Netzadministration, Mitschneiden von Verkehr) sowie benotete
Präsenzübungen im Experimentallabor zu folgenden Themen: Netzwerksicher-
heit, Angriffe und Angriffssabwehr, VPN, fortgeschrittene Routingverfahren,
WLAN, ausgewählte Anwendungsprotokolle.
Qualifikationsziele Die Studierenden vertiefen ihre praktischen Kenntnisse zu Kommuniktionsnet-
zen wesentlich, insbesondere um praktische, Sicherheits-relevante Aspekte. Sie
können sich selbständig neues Wissen und Können aneignen und ihre Fähigkei-
ten 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Vergabe von Berechnung

Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Praktikum P o 4 6 mP+mP/K
30 b 100
(Module)
Teilnahme- INF3331 Grundlagen des Internets, INFO-4341 Network Security I, INFO-4342
voraussetzungen Network Security II; die Teilnehmerzahl ist begrenzt.
Dozent Menth
Literatur keine

INFO-4344 Kommunikationsnetze (Praktikum) Praktikum
Communication Networks Lab
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Unterrichtssprache Deutsch (Besprechungen) und Englisch (Unterlagen)
Prüfungsform Benotete Praktikumsversuche sowie eine mündliche oder schriftliche Abschlus-
sprüfung.
Basisbefehle für Netzadministration, Mitschneiden von Verkehr) sowie benote-
te Präsenzübungen im Experimentallabor zu fortgeschrittenen Themen. Wech-
selnde Themen zu aktuellen Kommunikationstechnologien.
zen wesentlich, insbesondere zu den vermittelten Themen. Sie können sehr an-
spruchsvolle Konfigurationen von Rechnernetzen selbständig durchführen und
Eigenschaften von fortgeschrittenen Protokollen experimentell evaluieren. Sie
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
30 b 100
(Module)
Teilnahme- INF3331 Grundlagen des Internets sowie praktische Kenntnisse in dem Gebiet;
voraussetzungen die Teilnehmerzahl ist begrenzt.
Dozent Menth
Literatur keine
185

INFO-4347 Network Softwarization Vorlesung, Übung
Network Softwarization
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
können als Bonuspunkte in die Klausur einfließen
Inhalt Die Vorlesung gibt einen Überblick über relevante Technologien im Bereich Net-
work Softwarization. Dazu gehören Software-Defined Networking mittels Open-
Flow, Data Plane Programming mittels P4 sowie Virtualisierungstechniken und
Network Function Virtualization. Zusätzlich werden aktuelle Forschungsthe-
men besprochen. Die Veranstaltung wird durch praktische Übungsprojekte be-
gleitet, in denen die Studierenden die erlernten Technologien anwenden und
anspruchsvolle Programmieraufgaben lösen.
Qualifikationsziele Die Studierenden haben Kenntnisse und Fertigkeiten auf dem neusten Stand
des Wissens hinsichtlich Network Softwarization und Einblick in Forschungsthe-
men 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 wissenschaftli-
chem Niveau auszutauschen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 1 1
(Module)
Teilnahme- INF3331 Grundlagen des Internets, INFO-4348 Communication Technologies
voraussetzungen (empfohlen), INFO-4341 Network Security I (empfohlen), INFO-4342 Network
Security II (empfohlen)
Dozent Menth und Mitarbeiter
Literatur keine

INFO-4348 Kommunikationstechnologien 1 Vorlesung, Übung
Communication Technologies 1
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt 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 IP-
Layers. Themen sind:
Daten und Signale, Umwandlung von Daten in digitale Signale, Modulation von
digitalen 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
Qualifikationsziele 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, Ide-
en, 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 Spezi-
albereichen erworben und können ihre Fähigkeiten zur Problemlösung auch in
neuen und unvertrauten Situationen anwenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
Teilnahme- INF3331 Grundlagen des Internets (oder äquivalente Kenntnisse)
voraussetzungen
Dozent Menth
Literatur keine
187

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Optische Kommunikationsnetze, ATM, Frame Relay, MPLS, WLAN, Blue-
tooth, LoRaWAN, Mobilfunk, Telefon, DSL, Kabel, Voice-over-IP
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 1 1
(Module)
Teilnahme- INFO-4348 Communication Technologies 1
voraussetzungen
Dozent Menth
Literatur keine

INFO-4351 Kommunikationsnetze (Seminar) Seminar
Communication Networks (Seminar)
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
in the field of communication networks.
Qualifikationsziele Students are able to read, reflect, and examine the topic in substance upon
current research papers in the area of communication networks. They can cri-
tically assess the contributions of a paper. They can present current research
results to other students and researchers, and can lead research discussions.
They can summarize and evaluate the results of research papers in form of a
oral presentation and a written report.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Verwendbarkeit INFO-TECH INFO-INFO MEDI-WEB MEDI-INFO MEDI-APPL MEDZ-
(Module) SEM
Teilnahme- INF4348 Communication Technologies oder eine andere Master-Vorlesung des
voraussetzungen Lehrstuhls Kommunikationsnetze
Dozent Menth
Literatur keine
189

INFO-4350 Spezielle Kapitel zu Kommunikationsnetzen Vorlesung
Selected Topics in Communication Networks
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur oder mündliche Prüfung bei kleiner Teilnehmerzahl
Inhalt Wechselnde vertiefte Themen aus den Teilgebieten des Forschungsfeldes Kom-
munikationsnetze.
Qualifikationsziele Die Studierenden besitzen vertiefte Kenntnisse im Bereich der Kommunikati-
onsnetze. 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 eigen-
ständige 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme-
voraussetzungen
Dozent Menth
Literatur keine

INFO-4354 Public Cloud Computing Vorlesung, Übung
Public Cloud Computing
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Die Vorlesung vermittelt fortgeschrittene Kenntnisse in Containertechnolo-
gie, 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 Com-
puting, 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.
Qualifikationsziele Die Studierenden besitzen fortgeschrittene, aktuelle Kenntnisse im Bereich Pu-
blic Cloud Computing. Sie können sich selbständig neues Wissen und Kön-
nen 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 überneh-
men.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 1 1
(Module)
Teilnahme- INF3331 Grundlagen des Internets, INFO-4341 Network Security I (empfohlen)
voraussetzungen
Dozent Hüttner (itdesign), Kontakt: Menth
Literatur keine
191

Mobile Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Flugrobotern
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) APPL
Teilnahme- keine
voraussetzungen
Dozent Zell
bekanntgegeben

Mobile Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Roboter
(Module) APPL
voraussetzungen
Dozent Zell
ausgeteilt
193

INFO-4363 Advanced Topics in Mobile Robots Seminar
Advanced Topics in Mobile Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Das Seminar umfasst jährlich wechselnde fortgeschrittene Themen der mobilen
Robotik, z.B. Roboterkinematik, Moderne probabilistische Verfahren der Navi-
gation und Selbstlokalisation, Kartierung (Mapping), Pfadplanung bei beweg-
lichen Hindernissen, Roboterformationen, Simultane Lokalisierung und Kartie-
rung (SLAM), Visuelle Selbstlokalisation, Sensorfusion mit versch. Sensoren.
Im Unterschied zum ähnlichen genannten Proseminar sind die Themenstellun-
gen, Algorithmen und math./physikal. Beschreibungen anspruchsvoller und die
Behandlung tiefergehender.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

mobile Robots
(Module)
Teilnahme- -
voraussetzungen
Dozent Zell

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) APPL
voraussetzungen
Dozent Kreißig
195
(noch INFO-4322)
Literatur
ISBN 3-937514-05-8.

978-1-58347-369-6

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) MEDI-APPL
voraussetzungen
Dozent Kreißig
197
(noch INFO-4324)
Literatur

978-3-48625560-7

INFO-4371 Verifikation Eingebetteter Systeme Vorlesung, Übungen
Verification of Embedded Systems
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Der Entwurf moderner datenverarbeitender HW/SW-Systeme stellt eine immer
größer werdende Herausforderung für die Systementwickler dar. Wachsender
Zeitdruck, höhere Anforderungen an die Korrektheit und steigende Systemkom-
plexität machen den Systementwurf zu einer sehr komplexen Aufgabe. Erschwe-
rend kommt hinzu, dass diese Systeme oft heterogen arbeiten, das bedeutet,
dass sowohl Hardware- als auch Softwarekomponenten gemeinsam eingesetzt
werden. Diese Faktoren führen dazu, dass man nach neuen Konzepten und Be-
schreibungsmitteln sucht, um eingebettete HW/SW-Systeme oder SoC-Designs
(system-on-chip) bereits auf hohen Abstraktionsebenen zu beschreiben, zu ve-
rifizieren (z.B. durch Simulation) und automatisch zu synthetisieren (d.h. HW-
und Codedesign). In dieser Vorlesung werden die Grundlagen für die Verifikati-
on eingebetteter Systeme beschrieben: Verifikationszyklus, Systembeschreibun-
gen und Modelle, Datenstrukturen zur Repräsentation von Systemzuständen,
Eigenschaftsspezifikationssprachen (LTL, CTL, PSL). Simulation, Äquivalenz-
prüfung, symbolische Modellprüfung/Simulation, zeitbegrenzte Modellprüfung
mit SAT-Methoden, semiformale Ansätze und kombinierte Techniken.
Qualifikationsziele Die Studierenden kennen die industriellen Anforderungen an die Qualität ein-
gebetteter Systeme. Sie haben Einblick in industrielle Verifikationsabläufe und
aktuelle wissenschaftliche Forschung. Sie trainieren den Umgang mit, System-
beschreibungen und Modellen, Werkzeugen zur Beschreibung und Simulation,
Eigenschaftssprachen (CTL, LTL und PSL), Simulationstechniken (Hardware
und Software), binären Entscheidungsdiagrammen und endlichen Automaten.
Die angebotenen Übungen dienen einerseits der fachlichen Vertiefung des In-
halts, vermitteln andererseits durch die Forderung nach selbsttätiger Arbeit
und Aneignung von Wissen der Weiterentwicklung personeller Kompetenzen,
wie beispielsweise Genauigkeit und persönliches Engagement.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
199
(noch INFO-4371)
(Module)
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel, Kropf
Literatur Thomas Kropf: Introduction to Formal Hardware Verification; Springer Verlag.

dustrieller Praxis
FIXME
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform FIXME
Inhalt FIXME
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

(Module)
Teilnahme- FIXME
voraussetzungen
Dozent Rosenstiel
Literatur FIXME
201

der Robotik
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
in the lecture
Inhalt

Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Status
SWS
Vergabe von
LP
Leistungspunkten /
(oder (oder
MP) 30
bei
MP)
Übung Ü O 2 3
(Module) APPL
(noch INFO-4390)
Dozent Stückler
Shankar Sastry
Weitere Veranstaltungen
Studienbereich INFO-INFO

INFO-4399 Spezielle Kapitel der Technischen Informatik Seminar
Advanced Topics in Computer Engineering
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Präsentation
Inhalt Dieses Modul befasst sich mit aktuellen Themen aus dem Bereich der techni-
schen Informatik. Diese werden anhand aktueller Literatur aus Forschung und
Industrie an die Studierenden heran gebracht. Das Modul richtet sich vor allem
an Studierende, die erweiterte Kenntnisse in diesem Bereich erwerben wollen.
Qualifikationsziele Die Studierenden sind in der Lage aktuelle Themengebiete der technischen
Informatik zu erkennen, zu beschreiben und zu bewerten. Durch eigenverant-
wortliche Bearbeitung der Themen haben sie Selbstdisziplin sowie Lese- und
Lernkompetenz der Studierenden trainiert. Moderationskompetenz, Rhetorik
und Kritikfähigkeit der Studierenden werden in besonderem Maße durch die
Präsentation des Themas vor fachkundigem Publikum verbessert.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- keine
voraussetzungen
203
204 WEITERE VERANSTALTUNGEN STUDIENBEREICH INFO-INFO
(noch INFO-4399)
Dozent Bringmann, Rosenstiel
Literatur Aktuelle Literatur, die in der Vorbesprechung bekannt gegeben wird.
205

INFO-4999 Seminar zu ausgewählten Themen in der prakti- Seminar
schen Informatik
Seminar selected topics in practical computer
science
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
regularly in the winter/summer
des Angebots
Inhalt In this module we discuss advanced topics in the area of practical computer
science.
Qualifikationsziele Students get to know current topics in the area of practical computer science.
Students will be able to acquire knowledge about state-of-the-art topics in
practical computer science through comprehensive literature search. Students
will not only have improved their study and reading skills, but will also have
enhanced their capability of working independently. The teaching method in
this seminar aims at boosting the students’ confidence (oral presentation), and
at enhancing their communication skills and enabling them to accept criticism
(discussion session following their presentation.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit
(Module)
Teilnahme-
voraussetzungen
Dozent All lecturers in the computer science department
Literatur Will be handed out in the course

INFO-4250 Informationsverarbeitung in Wahrnehmung & Seminar
Handlung
Information Processing for Perception and Action
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Unterrichtssprache Deutsch, English
Prüfungsform Wird zu Beginn des Semesters bekanntgegeben / Will be announced at begin-
ning of semester
Inhalt Humans as well as complex technical systems process sensory information to
interact with the environment. These actions have consequences which (again)
create sensory events that can be processed and used to improve the interaction
with the environment. We will discuss advanced topics of this full ’perception–
action’ loop; in humans as well as in technical systems. A special focus will be
on the experimental literature from the Cognitive– and Neurosciences and on
advanced statistical methods.
Qualifikationsziele Students will know current views on biological information processing and on
the interaction of humans with technical systems. They will also learn and un-
derstand advanced statistical and empirical methods that were used to generate
this knowledge. This expertise will help them to apply their knowledge in in-
terdisciplinary working environements, whenever empirical studies on human
performance and actions are required.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Seminar S f 2 3 tp 45 g 100
Verwendbarkeit INFO-INFO MEDI-HCI MEDI-INFO MEDI-APPL MEDZ-SEM
(Module)
Teilnahme- No formal requirements, but students should have a good background in sta-
voraussetzungen tistics and should have attended introductory/mid–level courses in Cognitive
Science/Neuroscience.
Dozent Franz
Literatur Wird zu Beginn des Semesters bekanntgegeben / Will be announced at begin-
ning of semester
207

INFO-4177 Intelligent Systems – Computer Vision Vorlesung, Übungen
Intelligent Systems – Computer Vision
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
bekannt gegeben
Inhalt Graphische Modelle; Bayesian Belief Networks; Markov RandomFields; Con-
ditional Random Fields; Lernen von strukturierten Variablen; Bayesianische
Entscheidungstheorie; Loss-basiertes Lernen; Parameterlernen in Graphischen
Modellen; Strukturierte Support Vector Maschinen; exakte und approximati-
ve Inferenzmethoden; Anwendungen in der Bildverarbeitung; Segmentierung;
Human Pose Estimation; Bildentrauschen; Stereo; Objekterkennung
Qualifikationsziele Die Studierenden lernen, wie komplizierte statistische Zusammenhänge mit Hil-
fe 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 auto-
matisch einzustellen und die erreichte Performance zu evaluieren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module)
Teilnahme- -
voraussetzungen
Dozent Gehler, Lensch (verantwortlich)

INFO-4663 Advanced Topics in Database Systems Seminar
Advanced Topics in Database Systems
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Das Seminar beinhaltet das Erarbeiten von Quellen unter Betreuung zu weiter-
führenden Themen aus dem Bereich der Datenbanktechnologie. Die Präsenta-
tion und das schriftliche Zusammenfassen schließen den Seminarbeitrag jeweils
ab. Aktive Teilnahme an den einzelnen Sitzungen ist ein wichtiger Bestandteil
des Seminars.
Qualifikationsziele Die Studierenden können einen erweiterten und komplexen Sachverhalt des
Gebietes Datenbanksysteme aus (englischen) Original-Quellen selbständig er-
Diskussion vor einem Plenum vertreten. Der Einsatz verschiedener Präsentati-
onstechniken wird abgewogen, trainiert und im Plenum praktiziert. Als Zuhörer
sind die Teilnehmer in der Lage, ihren Kommilitonen zu inhaltlichen und forma-
len Aspekten der Präsentation kritisches aber faires Feedback zu geben. Neben
der mündlichen Präsentation können sie das erarbeitete Thema schriftlich dar-
legen und in Form eines kurzen wissenschaftlichen Artikels zusammenfassen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Verwendbarkeit INFO-INFO MEDI-INFO MEDI-APPL MEDZ-SEM
(Module)
voraussetzungen
Dozent Grust
Literatur Wechselnde Original-Literatur aus dem Forschungsfeld der Datenbanksysteme
209

INFO-4664 Data and Business Analytics Seminar
Data and Business Analytics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Prüfungsform Vortrag 40 %, Ausarbeitung 40 %, Beteiligung an den Diskussionen 20 %
Inhalt
Qualifikationsziele
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP
Data and Business V O 3 6 K 90 b 100

Analytics
(Module)
Teilnahme-
voraussetzungen
Dozent Huber
Literatur

BIO-4381 Systemimmunologie Seminar
Systems Immunology
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Schriftliche Ausarbeitung und darauf basierende Präsentation
Inhalt Systemimmunologie verknüpft die Methoden der modernen Systembiologie mit
Anwendungen in der Immunologie. In diesem aktuellen Forschungsgebiet kom-
men neben Hochdurchsatzdaten aus der Immunologie auch Techniken der ma-
thematischen 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 Forschungs-
arbeiten zur Anwendung dieser Methoden in der Immunologie erarbeitet und
damit ein Überblick über dieses sehr aktuelle Forschungsfeld vermittelt.
Qualifikationsziele Die Studierenden besitzen einen Überblick über das Gebiet der Systemimmun-
biologie. Sie können bekannte Bioinformatik-Techniken auf Probleme der Im-
munologie anwenden. Sie haben ihre englische Sprach- und Präsentationskom-
petenz vertieft.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Seminar S o 3 2 H,R - b 100

Verwendbarkeit INFO-INFO BIO-SEM BIO-BIO MEDI-INFO MEDI-APPL MEDZ-SEM
(Module)
Teilnahme- -
voraussetzungen
Dozent Kohlbacher
Literatur Originalarbeiten und zusätzliche Materialien werden im Seminar ausgegeben.
211

INFO-4244 Programmiersprachen und Programmiertechni- Seminar
ken
Programming Languages and Techniques
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmaessig
des Angebots
Prüfungsform Wird noch bekannt gegeben.
aus dem Bereich der Programmierung und Programmiersprachen. Präsentation
und das schriftliche Zusammenfassen schließen den Seminarbeitrag jeweils ab.
Seminars.
dem Bereich der Programmiertechniken aus schriftlicher Quelle selbständig er-
(Module)
Teilnahme- Teilnahme an Programmiersprachen I, II und/oder III sind von Vorteil aber
voraussetzungen nicht notwendig.
Dozent Ostermann

INFO-4481 Theorie von Programmiersprachen Seminar
Topics in Programming Language Theory
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmaessig
des Angebots
aus dem Bereich der Theorie der Programmiersprachen. Präsentation und das
schriftliche Zusammenfassen schließen den Seminarbeitrag jeweils ab. Aktive
Teilnahme an den einzelnen Sitzungen ist ein wichtiger Bestandteil des Semi-
nars.
Bereich der Programmiersprachentheorie aus schriftlicher Quelle selbständig er-
(Module)
Teilnahme- Teilnahme an Programmiersprachen I und II sind von Vorteil.
voraussetzungen
Dozent Ostermann
213

INFO-4374 Software Quality Seminar
Software Quality
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt Die Zuverlässigkeit, Sicherheit, Korrektheit und Robustheit von eingebette-
ten Systemen wird immer wichtiger. Immer wieder treten Fehler auf, darun-
ter auch kritische, die auf gedanklich-logische Irrtümer in Spezifikation und
Implementierung des Systems zurückzuführen sind. Dabei spielen Hardwa-
re und Software eine ebenso wichtige Rolle wie die verwendeten Hardware-
Beschreibungssprachen und Programmiersprachen. Zur Vermeidung von Feh-
lern werden oft Einschränkungen an die verwendeten Sprachen festgelegt, um
dynamische Fehlfunktionen zu verhindern, aber auch, um die Analyse und Ve-
rifikation zu vereinfachen. Die Techniken reichen dabei von der statischen Ana-
lyse von Systemen, Programmen und Spezifikationen hinsichtlich der verschie-
densten Fragestellungen bis hin zu mehr und mehr Kombinationen aus ma-
schinellen Beweissystemen und Model-Checkern. Neben Fehlervermeidung ist
auch Fehlertoleranz (z.B. durch Redundanz, Mehrfachauslegung) für Software
ein interessanter Ansatz. Techniken, wie Laufzeitprüfung, Beobachterprozes-
se, Monitoring, Konsistenzprüfung werden eingesetzt. Mehr und mehr stehen
Qualitätsprüfung und die Garantie von Eigenschaften der Systeme im Vorder-
grund. Ein Beispiel wäre z.B. die Zertifizierung sicherheitsrelevanter Systeme.
In diesem Zusammenhang sind auch Bibliotheken, Werkzeuge, Compiler, Sy-
stemkomponenten, Fremdsoftware von Bedeutung, für die die Hersteller eben-
falls verantwortlich sind. Die Beherrschung dieser komplexen Zusammenhänge
ist nicht nur für Systeme relevant, von denen Gefahr für Leib und Leben von
Menschen ausgeht, sondern auch bei wirtschaftlichem Gefahrenpotential, z.B.
im Bereich der Security. Ziel dieses Seminars ist es einen Einblick in die Theo-
rie der eingebetteten System-Verifikation und die aktuellen, in der Forschung
entwickelten, Tools zu geben, ohne den Fokus auf die heute eingesetzten indu-
striellen Methoden zu verlieren.
Qualifikationsziele Die Studierenden können wissenschaftliche Literatur recherchieren und haben
Lese- und Lernkompetenz erworben. Sie können ein Thema strukturiert aufbe-
reiten sowie schriftlich und in Form eines Vortrags präsentieren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(noch INFO-4374)
(Module)
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel
Literatur aktuelle Veröffentlichungen aus Industrie und Forschung
215

INFO-4661 Technische Informatik Seminar
Computer Engineering
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Inhalt Wechselnde Themen zu Technologien und Methoden aus dem forschungsorien-
tierten, wissenschaftlichen Umfeld der Technischen Informatik. Bitte Ankündi-
gungen und Aushänge beachten.
Qualifikationsziele Die Studierenden können einen komplexen, wissenschaftlichen Sachverhalt aus
schriftlichen Quellen verstehen, aufarbeiten und selbständig in Form eines Vor-
trags mit Diskussion präsentieren und in einer selbst erstellten wohl struktu-
rierten Ausarbeitung zusammenfassen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Verwendbarkeit INFO-TECH INFO-INFO MEDI-MMT MEDI-INFO MEDI-APPL MEDZ-
(Module) SEM
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel
Literatur wird in der Vorbesprechung bekannt gegeben

INFO-4493 Lerntheorie Seminar
Learning Theory
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Oral presentation, written report.
Inhalt In this seminar we discuss current research papers in the area of machine lear-
ning theory, in the form of student’s presentations and guided discussions.
Qualifikationsziele Students are able to read and reflect upon current research papers in the area
of learning theory. They can critically assess the contributions of such a paper.
They can present current research results to other students and researchers and
can lead research discussions. They can summarize and evaluate the results of
a paper in form of a written research report.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- Basic knowledge in machine learning.
voraussetzungen
Dozent von Luxburg
217

ML-4501 Seminar Maschinelles Lernen Seminar
Machine Learning Seminar
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt In this module we discuss advanced results and approaches in machine learning
theory and application and current research results in the area of machine
learning in general.
Qualifikationsziele Students get to know about advanced results in machine learning theory and
applications. They can judge for example whether an algorithm is well desi-
gned, both from an algorithmic and statistical point of view. They understand
about the fundamental limitations of machine learning. They can reflect current
research questions. Students will be able to acquire knowledge about current
findings through comprehensive literature search. They will know the import-
ance of current topics in the area of machine learning, and will be aware that
there are still many open questions. Students will not only have improved their
study and reading skills, but will also have enhanced their capability of working
independently. The teaching method in this seminar aims at boosting the stu-
dents’ confidence (oral presentation), and at enhancing their communication
skills and enabling them to accept criticism (discussion session following their
presentation. After this module they are well-prepared to write a master thesis
in the area of machine learning.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-INFO MEDI-INFO MEDI-APPL
(Module)
Teilnahme-
voraussetzungen

ML-4410 Neuronale Datenanalyse Lecture, Tutorial
Neural Data Analysis
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsform Written report and cumulative oral exam
Inhalt In recent years experimental methods to record brain activity have been revo-
lutionized. As the complexity of the data acquired in neuroscience increases,
neural data analysis becomes ever more important: The complex multidimen-
sional signals recorded with e.g. multielectrode arrays or two-photon imaging
can no longer be interpreted by eye, but rigorous data analytic techniques are
needed.
In this course we will cover a selection of topics related to the analysis of
different kinds of neural data based on concepts of machine learning: time
series analysis, spike sorting, spike triggered average/covariance, dimensionality
reduction techniques and information theory. The focus will be on applying
state-of-the-art concepts in hands-on data analysis of real data sets.
Qualifikationsziele 1) In this course students will acquire knowledge of basic and advanced techni-
ques necessary to analyze discrete (spike trains) and continuous (cellular vol-
tage/calcium signals, LFP, EEG) neural signals. (2) Students will implement
important techniques (Filtering, MoG, STA, etc) and evaluate them on artifi-
cial and real data. (3) Students will learn how to work with real neural data
and cope with the challenges this brings about.
(Module)
Teilnahme- Some knowledge of basic neuroscience is helpful, but not a must.
voraussetzungen
Dozent Berens
Literatur Emery N Brown, Robert E Kass, und Partha P Mitra, „Multiple neural spike
train data analysis: state-of-the-art and future challenges“, Nat Neurosci 7, Nr.
5 (Mai 2004): 456-461.
Robert E. Kass, Valérie Ventura, und Emery N. Brown, „Statistical Issues in
the Analysis of Neuronal Data“, Journal of Neurophysiology 94, Nr. 1 (Juli 1,
2005): 8 -25.
Dayan and Abbott: Theoretical Neuroscience. MIT Press.
Rieke, Warland, Ruyter van Stevenik and Bialek: Spikes – Exploring the neural
code. MIT Press.
219

Software Quality
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(noch INFO-4374)
(Module)
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel
221

MEDZ-4710 Data Privacy Seminar
Data Privacy
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Prüfungsform Oral Presentation and written report
Inhalt This seminar covers current research topics in the field of data privacy and their
applications. Topics include (but are not limited to) social network privacy,
machine learning privacy, and biomedical data privacy.
Qualifikationsziele Students will learn, summarize, and present state-of-the-art scientific papers in
data privacy. They can critically assess the contributions of a paper. They can
present current research results to other students and researchers, and can lead
research discussions. They can summarize and evaluate the results of research
papers in form of a oral presentation and a written report.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Seminar S o 2 3 R, H 30 b 100
(Module)
Teilnahme- -
voraussetzungen
Dozent Akgün
Literatur Will be announced in a preparatory meeting at the start of the semester.

INFO-4998 Forschungsprojekt Informatik Forschungsprojekt
Research Project Computer Science
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Prüfungsform Vortrag und schriftlicher Projektbericht
Inhalt Das Forschungsprojekt dient der Vertiefung des theoretischen und praktischen
Wissens in einem spezifischen Bereich der Praktischen / Theoretischen / Tech-
nischen Informatik. Studierende arbeiten an einem Forschungsprojekt des the-
matischen Schwerpunktes der Arbeitsgruppe mit und sind im Idealfall an der
Erstellung einer wissenschaftlichen Publikation im Themenbereich beteiligt.
Qualifikationsziele Die Studierenden
• bekommen Einblick in wissenschaftliches Arbeiten,
• erlernen wie man selbständig einer Forschungsfrage nachgeht,

• lernen selbständig wissenschaftliche Literatur für die zu bearbeitende Fra-
gestellung 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Forschungsprojekt F f 2 9 H,R b 100

Verwendbarkeit INFO-INFO MEDI-PRAX
(Module)
Teilnahme- —
voraussetzungen
Dozent Die Dozent*innen bzw. Arbeitsgruppenleiter*innen der Informatik
Literatur Wissenschaftliche Literatur/relevante Veröffentlichungen für das zu bearbeiten-
de Forschungsthema
Studienbereich BIO-SEQ

BIO-4110 Sequence Bioinformatics Lectures and tutorials
Sequence Bioinformatics
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
Every winter semester
des Angebots
Prüfungsform Klausur oder mündliche Prüfung
Inhalt This course covers sequence-based bioinformatics and evolution. The main to-
pics are pairwise alignment, BLAST and related heuristics, suffix trees and
their applications, sequence assembly, multiple alignment, hidden Markov mo-
dels, gene finding, motif finding, machine learning methods, models of DNA
evolution, phylogeny, whole genome phylogeny, computational methods in ge-
nomics, and metagenomics.
Qualifikationsziele The first aim of this course is to introduce students to advanced concepts and
methods in bioinformatics, focusing on algorithmic, computational and mathe-
matical aspects. The second aim of this course is to enable students to apply
advanced methods to problems in molecular biology and related fields. After ta-
king this class, students will have a good understanding of the most important
approaches in sequence-based bioinformatics, will know which problems can be
addressed by the methods and will know how to apply such methods.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übungen Ü o 2 3
Verwendbarkeit MEDZ-BIOINFO MEDZ-RES
(Module)
223
224 STUDIENBEREICH BIO-SEQ
(noch BIO-4110)
Teilnahme- -
voraussetzungen
Dozent Huson
Studienbereich BIO-STRUC

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
225
226 STUDIENBEREICH BIO-STRUC
(noch BIO-4120)
(Module) MEDZ-RES
Teilnahme- -
voraussetzungen
Dozent Kohlbacher
Studienbereich BIO-SEM

BIO-4322 Metagenomics Seminar
Metagenomics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
annually
des Angebots
Prüfungsform Presentation (about 30 minutes) and written elaboration (approx. 10 pages),
leading the discussion once.
Inhalt In this seminar, we look at current research topics in the area of microbiome
analysis, such as metagenomics, meta-transcriptomics and meta-proteomics.
We will focus, to a degree, on the human microbiome. We provide a number of
topics and associated publications to choose from and each participant delivers
an oral presentation and a writeup of their chosen topic.
Qualifikationsziele The students can independently work with supervision on a challenging topic
through systematic research. They summarize, assess, classify and scientifically
correctly represent and present concepts and methods in the context of micro-
biome analysis. On the one hand, students will obtain an overview of modern
knowledge in the field of microbiome analysis. On the other hand, students will
know that there are still many open research questions in this field. By studying
current articles, the students have not only improved their reading and learning
skills, but also their personal responsibility. The form of learning used in the se-
minar is intended to help the students to develop self-confidence (presentation)
and the ability to criticise and communicate (subsequent discussion).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Seminar S o 2 3 R,H b 100
227
228 STUDIENBEREICH BIO-SEM
(noch BIO-4322)
Verwendbarkeit BIO-SEM BIO-BIO MEDZ-SEM
(Module)
voraussetzungen
Dozent Huson
Literatur Scientific publications
229

BIO-4362 Algorithms in Bioinformatics Seminar
Algorithms in Bioinformatics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
annually
des Angebots
leading the discussion once
Inhalt In this seminar we look at current research topics in bioinformatics, for example,
fast alignment methods or single sequencing assembly. We provide a number of
through systematic research. Students gain experience in giving a technical
presentation and producing a technical writeup in bioinformatics. They sum-
marize, assess, classify, scientifically correctly represent and present concepts
and methods of algorithms in bioinformatics. On the one hand, the students
will get an overview of the state of the art of algorithms in bionformatics. On
the other hand, they will know that there are still many open research questions
in this field. By studying current articles, the students have not only impro-
ved their reading and learning skills, but also their personal responsibility. The
form of learning used in the seminar is intended to help the students to deve-
lop self-confidence (presentation) and the ability to criticise and communicate
(subsequent discussion). Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o 2 3 R b 100
Seminar S o H
(Module)
voraussetzungen
Dozent Huson

Systems Immunology
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
petenz vertieft.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- -
voraussetzungen
Dozent Kohlbacher
231

BIO-4393 Mathematische Methoden in der (medizinischen) Seminar
Systembiologie
Mathematical Methods in (Medical) Systems Bio-
logy
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Dieses Seminar konzentriert sich auf die Schlüsselkonzepte von rechnergestütz-
ten, mathematischen und statistischen Modellen, die bei Krebserkrankungen
und in der Krebsmedizin verwendet werden, und hilft den Studierenden zu ler-
nen, wie mathematische Modelle uns helfen, den Fortschritt von Krebs zu ver-
stehen. Die in diesem Seminar verwendeten Fachartikel liefern den biologischen
Hintergrund und beschreiben die Entwicklung sowohl klassischer mathemati-
scher 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 spie-
len, und mit den Auswirkungen von Änderungen dieser Parameter umzugehen,
um zu erörtern, wie diese in Bezug auf Behandlung, Prävention oder Poli-
tikgestaltung 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 wissen-
schaftlichen Zeitschriften vermittelt. Das Seminar ist nützlich für Studierende,
die experimentelle Techniken als Ansatz im Labor verwenden und die rechnerge-
stützte Modellierung als Werkzeug einsetzen wollen, um ein tieferes Verständnis
von Experimenten zu gewinnen.
Qualifikationsziele 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 komple-
xer biologischer Systeme unter Verwendung mathematischer und wissen-
schaftlicher Fähigkeiten durch wissenschaftliche Publikationen.
• Kenntnisse und Verständnis dafür haben, wie mathematische Modelle zel-
lulärer Prozesse und biochemischer Reaktionen formuliert und ihre Mo-
dellparameter 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.
(noch BIO-4393)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
S o 2 3 H - b 100
Verwendbarkeit BIO-SEM BIO-BIO MEDZ-SEM MEDZ-MEDTECH
(Module)
Teilnahme- Mathematik I - III
voraussetzungen
Dozent Mostolizadeh
233

BIO-4331 Advances in Computational Transcriptomics Lecture, Tutorials
Advances in Computational Transcriptomics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
once a year
des Angebots
Prüfungsform Written exam (oral exam for small number of participants)
Inhalt Functional genomics, i.e. the interpretation of a genome to determine the bio-
logical function of genes and gene interactions, is one of the most important
fields in modern biology. Today, next-generationßequencing technologies are in-
creasingly being used to measure the expression of thousands of genes simulta-
neously. This results in new challenges for bioinformatics, both algorithmically
and software-wise. In the lecture the following topics will be discussed among
others: NGS technologies, in particular RNA-Seq and ChIP-Seq technologies,
fast to ultrafast alignment methods of short reads, mapping-based and de novo
’assembly’ of genomes and transcriptomes, peak calling, splicing and gene mo-
dels, motif search, differential expression, visualization of NGS data and other
current topics. In the exercises, especially scientific work and scientific wri-
ting is encouraged. The exercises are also supplemented with blended learning
methods
Qualifikationsziele The students are familiar with the new bioinformatics findings on expression
analysis and the newer sequencing technologies. They can formulate the chal-
lenges of the new technologies for bioinformatics. They know algorithms for
the quantification of expression data, statistical methods and machine learning
procedures for the calculation of differential expression and classification as well
as methods for the analysis of expression data in a network context. Students
can analyse real microarray experiments as well as RNA-Seq experiments and
have deepened their R knowledge. The students are aware of the possibilities
but also the limitations of different methods in this subfield of bioinformatics.
They are able to analyse problems on a scientific level and summarise them
in writing. In particular, a high degree of intrinsic motivation and personal
responsibility is encouraged.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
Verwendbarkeit INFO-INFO BIO-BIO MEDI-INFO MEDI-APPL MEDZ-BIOMED
(Module)
(noch BIO-4331)
Teilnahme- BIOINF3331 recommended
voraussetzungen
Dozent Nieselt
Literatur Own lecture notes and selected articles
235

BIO-4373 Bioinformatik und Maschinelles Lernen Seminar
Bioinformatics and Machine Learning
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Inhalt In this seminar, machine learning approaches with applications to bioinfor-
matics will be discussed. These can be, among others, the following: super-
vised classification; deep learning in bioinformatics, support vector machines
for classification; dimension reduction methods; probabilistic graphical models;
applications to the fields of genomics, transcriptomics, evolution, systems bio-
logy, text mining and other topics supplemented by current research will be
discussed.
through systematic research They summarize, assess, classify, scientifically cor-
rectly represent and present concepts and methods of machine learning that
are applied to bioinformatics problems. On the one hand, students will get an
overview of modern knowledge in the field of machine learning and their im-
portance for various questions in bioinformatics. On the other hand, students
will know that there are still many open research questions in this field. By
studying current articles, the students have not only improved their reading
and learning skills, but also their personal responsibility. The form of learning
used in the seminar is intended to help the students to develop self-confidence
(presentation) and the ability to criticise and communicate (subsequent discus-
sion).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o H
(Module)
Teilnahme- -
voraussetzungen
Dozent Nieselt
Literatur Articles / scientific publications for each individual topic

MEDZ-4520 Biomedical Informatics Methods for Infection Re- Seminar
search
Biomedical Informatics Methods for Infection Re-
search
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Prüfungsform Talk and report
Inhalt This seminar covers different aspects of biomedical informatics methods for
infection research. This includes computer science methods to support research
in the following areas:
• Pathogen-host interactions
• Diversity of pathogens and its relevance for human infections
• Analysis of viral epitopes
• Support for vaccine development
• Predicting drug resistance
• Assessing the efficacy of combination drug therapies
Qualifikationsziele Successful students know the most important terms, theories and methods in
the field of fighting infections with computer science methods and know how
to critically reflect on them.
(Module)
Teilnahme- recommended: Machine learning: theory and algorithms or Introduction to Sta-
voraussetzungen tistical Machine Learning for Bioinfos and Medicine Infos
Dozent Pfeifer
Literatur The papers will be announced at the first meeting.
237

BIO-4104 Ausgewählte Themen in der Bioinformatik Seminar
Selected Topics in Bioinformatics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt In this module we discuss advanced topic in the area of bioinformatics.
Qualifikationsziele Students get to know about advanced topics in bioinformatics theory and appli-
cations. They can judge for example whether an algorithm is well designed, both
from an algorithmic and statistical point of view. They understand about the
fundamental limitations of the presented approached. They can reflect current
ance of current topics in the area of bioinformatics, and will be aware that
presentation.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme-
voraussetzungen

Data Privacy
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- -
voraussetzungen
Dozent Akgün
Studienbereich BIO-BIO

BIO-4382 Machine Learning for Single Cell Biology Vorlesung, Übungen
Machine Learning for Single Cell Biology
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform Mündliche Prüfung
Inhalt Single-cell technologies in conjunction with machine learning approaches are
transforming the life sciences and the understanding of complex diseases like
cancer. This lecture provides an introduction into (1) the biological and medical
questions that can be uniquely addressed by such single-cell approaches, (2)
state-of-the-art single-cell technologies such as high dimensional mass-/flow
cytometry, multi-omic and/or spatial single-cell sequencing/imaging, and (3)
(un-)supervised machine learning and dynamic modeling approaches to address
afore questions on the basis of high dimensional single-cell data.
Qualifikationsziele
• Overview state-of-the-art single-cell technologies
• Translation of biological/medical research questions into machine lear-

ning problems
• Unsupervised/Supervised/Weakly-supervised machine learning models
for characterization of cellular composition of tissues and their association
with health/disease states
• Dynamic models for cellular systems
Verwendbarkeit Master Bioinformatik, Medizininformatik, Machine Learning, Molekulare Me-

(Module) dizin
Teilnahme- Programmierkenntnisse Python
voraussetzungen
239
240 STUDIENBEREICH BIO-BIO
(noch BIO-4382)
Dozent Claassen
Literatur TBD
241

BIO-4998 Forschungsprojekt Bioinformatik Forschungsprojekt
Research Project Bioinformatics
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
each semester
des Angebots
Prüfungsform Presentation and written report (either as a scientific paper or as a report
(15-20 pages)
Inhalt The research project aims to deepen theoretical and practical knowledge in a
specific area of bioinformatics. Students participate in a research project with
the thematic focus of the research group.
Qualifikationsziele The students
• gain insight into scientific work,
• learn how to independently pursue a research question,
• learn to independently identify and compile scientific literature for the
research question to be worked on,
• are able to work in a team in a scientific international environment,
• deepen their problem-solving skills.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Verwendbarkeit BIO-BIO
(Module)
Teilnahme- Exzellente akademische Noten im Master Bioinformatik. Es gibt nur wenige
voraussetzungen Forschungsprojekte, die semesterweise angeboten werden. Eine schriftliche Be-
werbung, incl. Motivationsschreiben, CV und Transcript of Records sind an
den Arbeitsgruppenleiter des angebotenen Forschungsprojektes zu schicken.
Dozent Die Dozent*innen bzw. Arbeitsgruppenleiter*innen der Bio- oder Medizinin-
formatik
Literatur Wissenschaftliche Literatur/Veröffentlichungen relevant für das zu bearbeiten-
de Forschungsthema

BIO-4103 Gruppenprojekt Bioinformatik Small Team project
Group Project Bioinformatics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
each Semester
des Angebots
Prüfungsform Schriftliche Ausarbeitung
Inhalt The group project serves to deepen the knowledge in a specific area of bioinfor-
matics that have been introduced in either of the two lectures “Sequence Bio-
informatics” (BIO-4110) oder “Structure and Systems Bioinformatics” (BIO-
4120). Students work in small groups (4 students) and work on a project with
the thematic focus of either of the lectures. The project topics encompass algo-
rithmic problems, literature investigations, or application of tools to biological
data. The idea is to apply gained knowledge to real biological data/tasks. Stu-
dent have the opportunity to suggest a topic.
• are able to work in a team,
(Module)
Teilnahme- BIO-4110 oder BIO-4120
voraussetzungen
Dozent Die Dozenten bzw. Arbeitsgruppenleiter einer der beiden Pflichtvorlesungen
de Thema
243

BIO-4394 Systembiologie II Vorlesung mit Übungen
Systems Biology II
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl), Übungsschein als
Prüfungsvoraussetzung. Übungspunkte können als Bonuspunkte in die Klau-
surwertung eingehen.
Inhalt Diese anwendungsorientierte Veranstaltung vermittelt wesentliche Kenntnisse
zur dynamischen Modellierung biologischer Systeme. Dadurch erschließen sich
zahlreiche Anwendungsgebiete, wie die Optimierung biotechnologischer Prozes-
se, personalisierte Medizin, präklinische Studien und zum Verständnis aktueller
systembiologischer Forschung. Darüber hinaus erlernen die Studierenden, mit
der auf der Programmiersprache Python basierenden Programmierumgebung
Tellurium zu arbeiten, die die deklarative systembiologische Modellierungsspra-
che Antimony mit sich bringt.
Die Studierenden lernen die grundlegende Herangehensweise zur Erstellung bio-
chemischer Reaktionsmodelle sowie Konzepte zur Analyse dynamischer Netz-
werkzustände. Datenquellen und Repräsentationsformen für die Modelle wer-
den behandelt. Um plausible Modelle zu erhalten, liegt ein Schwerpunkt auf
physikalischen Randbedingungen und impliziten Annahmen, wie die Masse-
nerhaltung, 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 Ener-
gieerhaltung, der Einfluss von Kofaktoren und Redoxpotentialen, sowie Regu-
lationsmechanismen in biochemischen Systemen betrachtet. Studierende ler-
nen, wie durch die Schätzung von Größenordnungen zellulärer Komponenten
die Korrektheit von Simulationsergebnissen eingestuft werden kann. Die Stu-
dierenden erhalten einen Überblick über für die Simulation relevante numeri-
sche Methoden und lernen, Modelle dynamisch zu simulieren. Für die Analyse
von Simulationsergebnissen werden geeignete graphische Repräsentationsfor-
men besprochen. Abschließend werden die gelernten Prinzipien auf ausgewähl-
te 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.
(noch BIO-4394)
• das Erstellen von Modellen biochemischer Reaktionsnetzwerke,
• die Simulation und Analyse der dynamischen Antworten dieser Modelle,

• sowie grundlegende Programmiertechniken zur Lösung von Problemen
der Systembiologie.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von Lehrform
Status
Leistungspunkten /
SWS
Benotung
LP
V f 2 3 K 90 b 100
Ü f 2 3
Verwendbarkeit BIO-BIO MEDZ-RES MEDZ-BIOMED
(Module)
Teilnahme- –
voraussetzungen
Dozent Dräger
Literatur
1. Bernhard Ø. Palsson 2011. Systems Biology: Simulation of Dynamic Net-
work 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.
245

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
matics program.
encouraged.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
voraussetzungen
Dozent Huson

Microbiome analysis
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 2
voraussetzungen
Dozent Huson
247

Metagenomics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
annually
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
voraussetzungen
Dozent Huson

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
annually
des Angebots
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o H
(Module)
voraussetzungen
Dozent Huson
249

BIO-4399 Advanced Topics in Bioinformatics Lectures and tutorials
Advanced Topics in Bioinformatics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Prüfungsform Written exam or oral exam
Inhalt In this course, we explore new and important developments in bioinformatics.
This can be driven by new technologies, new biological questions with a compu-
tational angle, or new methodologies. Typically, in the first third of the course
we will cover the background and introductory material. We then study the
new developments in detail in the second third of the course. In the final third,
we discuss open problems and possible solutions.
Qualifikationsziele The students are familiar with an advanced topic in bioinformatics. They can
formulate the main challenges in that topic. They can analyse data that arises
in that topic. They are aware of both the possibilities and the limitations of
different methods in the topic. They are able to analyse problems on a scientific
level and summarise them in writing. In particular, a high degree of intrinsic
motivation and personal responsibility is encouraged.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Vorlesung V f 2 4 K 90 b 100
Übung Ü f 2 2
(Module)
voraussetzungen
Dozent Huson
Literatur Lecture notes and scientifict publications

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
von Metaboliten.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Teilnahme- -
voraussetzungen
Dozent Kohlbacher
251

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
regelmäßig
des Angebots
Dozent Kohlbacher
are recommended.

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
work.
Dozent Kohlbacher
recommended.
Springer 2009
253

Systems Immunology
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
petenz vertieft.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- -
voraussetzungen
Dozent Kohlbacher

Systembiologie
logy
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots

255
(noch BIO-4393)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
S o 2 3 H - b 100
(Module)
voraussetzungen
Dozent Mostolizadeh

BIO-4376 Datenmanagement in der Biomedizinischen For- Vorlesung, Seminar
schung
Biomedical Data Management
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform Mündliche Prüfung oder Klausur bei hoher Teilnehmerzahl, erfolgreiche Teil-
nahme am Seminar ist Prüfungsvoraussetzung
Inhalt Themen sind die verschiedenen Technologien der Quantitativen Biolo-
gie/Biomedizin (z.B. Omics-Technologien, Hochdurchsatz-Screening und Bild-
gebung), Methoden zur Prozessierung und Analyse von Hochdurchsatzdaten
(Bioinformatik Workflows) und Standardisierung von Datenaustauschforma-
ten. Desweiteren beschäftigt sich das Modul mit Daten- und Metadatenmo-
dellen, sowie Datenspeicherung (verschiedene Ansätze) und generellen Konzep-
ten 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.
Qualifikationsziele Die Studierenden beherrschen einfache und multivariate statistische Verfahren,
sowie datengetriebene Ansätze für die Verwaltung und Analyse von biome-
dizinischen Hochdurchsatz und Bildgebungsdaten. Sie sind in der Lage, For-
schungsinfrastrukturen zu konzipieren und Auswerteroutinen auf verschiede-
nen 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 konzipie-
ren, 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 interdis-
ziplinär diskutieren. Die Studierenden können auch die Stärken und Schwächen
qualitativer und quantitativer datengetriebener Forschung beurteilen und die
methodische Qualität der Veröffentlichungen kritisch bewerten.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S O 2 3 50
257
(noch BIO-4376)
(Module)
Teilnahme-
voraussetzungen
Dozent Nahnsen
Literatur keine

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
once a year
des Angebots
methods
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
259
(noch BIO-4331)
voraussetzungen
Dozent Nieselt

BIO-4363 RNA Bioinformatics Seminar
RNA Bioinformatics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Inhalt In this seminar, current topics related to computer-aided RNA bioinforma-
tics will be discussed. These can be, among others, the following: Folding:
RNA structure, thermodynamics, basic folding; RNA Abstract shapes; Com-
parative Structure Prediction: structure comparison, alignment folding, consen-
sus shapes; Structure Comparison: structure metrics, tree alignment, multiple
structure alignment; RNA gene prediction: prediction from models, predicti-
on from folding, prediction from comparisons; miRNAs: miRNA prediction,
miRNA target prediction; Stochastic Models: HMMs, SCFGs, model training;
3D-Modelling; Cofolding; RNA Motifs and other topics supplemented by cur-
rent research.
and methods of bioinformatic RNA biology. On the one hand, the students will
get an overview of modern knowledge in the field of bioinformatic RNA biology
and thus the importance of this subfield of bioinformatics. On the other hand,
they will know that there are still many open research questions in this field.
By studying current articles, the students have not only improved their reading
sion).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o H
(Module)
261
(noch BIO-4363)
Teilnahme- -
voraussetzungen
Dozent Nieselt

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
discussed.
sion).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o H
(Module)
Teilnahme- -
voraussetzungen
Dozent Nieselt
263

MEDZ-4110 Advanced Medical Informatics Lecture, Tutorial
Advanced Medical Informatics
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
once per year
des Angebots
Prüfungsform Oral Exam
Inhalt This lecture comprises different areas of Medical Informatics. The focus is on
data integration, medical data privacy, artificial intelligence and data mining
for health data, and treatment decision support systems. Specific topics are:
• statistical machine learning basics
• state-of-the-art in decision support systems and beyond
• differential privacy
• k-anonymity
• privacy-preserving record linkage
• federated learning approaches and GO-FAIR
• genome privacy
• FHIR
• openEHR
• data warehouses and no-SQL data bases
• map reduce
Qualifikationsziele The students are capable of explaining the most important terms, methods and
theories of clinical decision support systems, medical data privacy, and data
integration and analysis. They are enabled to decide which type of methods fit
to which kind of data sets. The students can critically reflect on shortcomings
of state-of-the-art methods to potentially come up with ideas for extending or
improving the methods.
Verwendbarkeit
(Module)
Teilnahme- recommended: Grundlagen der Medizininformatik
voraussetzungen
Dozent Pfeifer
Literatur Eta S. Berner: Clinical Decision Support Systems - Theory and Practice, A.
Gkoulalas-Divanis and G. Loukides: Medical Data Privacy Handbook, P. Lake
and P. Crowther: Concise guide to databases

search
search
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
(Module)
Dozent Pfeifer
265

MEDZ-4991 Medical Data Science Lecture, Tutorial
Medical Data Science
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
once per year
des Angebots
Inhalt This lecture comprises different areas of Medical Data Science. Data Science or
statistical machine learning methods have the potential to transform personal
health care over the coming years. Advances in the technologies have generated
large biological data sets. In order to gain insights that can then be used to
improve preventive care or treatment of patients, these big data have to be
stored in a way that enables fast querying of relevant characteristics of the data
and consequently building statistical models that represent the dependencies
between variables. These models can then be utilized to derive new biomedical
principals, provide evidence for or against certain hypotheses, and to assist
medical professionals in their decision process. Specific topics are:
• Gaining new insights from medical data

• Modeling uncertainty in medical data science models
• Making medical findings available through interpretable decision support
systems
Method-wise, the lecture introduces methods for GWAS analyses (e.g., LMMs),
methods for sequence analysis (e.g., kernel methods), methods for “small n
problems” (e.g., domain adaptation, transfer learning, and multitask learning),
methods for data integration (advanced unsupervised learning methods), me-
thods for learning probabilistic Machine Learning models (e.g., graphical mo-
dels), methods for large data sets (e.g., deep learning models).
theories in the data science area with focus on the analysis of biomedical data.
They are enabled to decide which type of methods fit to which kind of data sets.
The students can critically reflect on shortcomings of state-of-the-art methods
to potentially come up with ideas for extending or improving the methods.
(noch MEDZ-4991)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
Verwendbarkeit INFO-INFO BIO-BIO MEDI-INFO MEDI-APPL MEDZ-BIOMED MEDZ-
(Module) MEDTECH
Dozent Pfeifer
Literatur Trevor Hastie, Robert Tibshirani, Jerome Friedman: The Elements of Statisti-
cal Learning, Springer Series in Statistics.
Further books will be announced in the first lecture.
267

BIO-4104 Ausgewählte Themen in der Bioinformatik Seminar
Selected Topics in Bioinformatics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt In this module we discuss advanced topic in the area of bioinformatics.
Qualifikationsziele Students get to know about advanced topics in bioinformatics theory and appli-
cations. They can judge for example whether an algorithm is well designed, both
from an algorithmic and statistical point of view. They understand about the
fundamental limitations of the presented approached. They can reflect current
ance of current topics in the area of bioinformatics, and will be aware that
presentation.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme-
voraussetzungen

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
Teilnahme- -
voraussetzungen
269
(noch BIO4364)
Studienbereich BIO-PRAK

BIO-4240 Bioinformatics Tools Practical course
Bioinformatics Tools
ECTS-Punkte 3
Arbeitsaufwand
Veranstaltungsdauer Two week block course Semester
Häufigkeit
every semester
des Angebots
Prüfungsform The final grade is based on performance, a written report on each day of the
practical course, and one or two short oral presentations.
Inhalt In this practical course, students work on a mini research project in the area of
genomics, metagenomics or phylogenetics. Working in teams, the participants
use state-of-the-art bioinformatics tools to address a series of typical computa-
tional questions. During the course, students read up on different methods and
introduce the methods to each other in short presentations.
Qualifikationsziele Students will gain practical experience in application of bioinformatics software
for analyzing NGS data in the context of genomics, metagenomics or phylo-
genetics. They will be able to use libraries and frameworks, and will acquire
knowledge or extend their knowledge of Java and Python. By working together
in groups, students obtain teamwork and collaboration skills, and they will
learn about project organization and presentation techniques. Students will
know about the strengths and weaknesses and about the limitations of various
methods for molecular sequence data, and will be able to describe and evaluate
these methods.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Praktikum P O 3 3 R,H b 100

Verwendbarkeit BIO-PRAK
(Module)
271
272 STUDIENBEREICH BIO-PRAK
(noch BIO-4240)
Teilnahme- BIO-4110
voraussetzungen
Dozent Huson
273

BIO-4220 Integrative Bioinformatik Block course with written
Integrative Bioinformatics report
ECTS-Punkte 3
Arbeitsaufwand
Veranstaltungsdauer Blockpraktikum Semester
Häufigkeit
jedes Semester
des Angebots
Prüfungsform A written report is to be submitted after the course. Performance during the
course will also be integrated into the final grade.
Inhalt The basics of modelling biological data and integration of heterogeneous da-
tasets are conveyed and applied on concrete examples in this practical course.
Using the scripting language Python the data is parsed and consolidated in a
database. Biologically relevant, demonstrative analyses are performed on this
integrated data. Data integration, exploration, visualization, statistical tests
and machine learning are applied on a dataset of genomic, transcriptomic, me-
tabolomic and phenomic data from genetically equal samples.
Qualifikationsziele (1)The students learn how to parse and integrate heterogeneous biological data
into databases. (2) They learn how to perform statistical analyses on biological
data and to summarize and illustrate their results visually. (3) They learn how
to interpret the results of integrative analyses and report on these results in a
concise manner.
Modulnote (%)
Prüfungsdauer
Prüfungsform

Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Praktikum P o 3 3 H,R - b 100

Verwendbarkeit BIO-PRAK
(Module)
Teilnahme- BIO-4120
voraussetzungen
Dozent Kohlbacher
Literatur Will be supplied during the course.

BIO-4230 Angewandter strukturbasierter Wirkstoffentwurf Blockpraktikum
Applied Structure-Based Drug Design
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Prüfungsform Schriftliche Praktikumsausarbeitung inklusive einer Projektpräsentation
Inhalt Dieses Modul beschäftigt sich mit der praktischen Anwendung grundlegen-
der Techniken und Werkzeuge des computergestützten Wirkstoffentwurfs. Da-
zu werden die Programmpakete BALLView, VMD, Glide, Prime und Model-
ler eingesetzt. Zunächst steht dabei die Aufbereitung und Visualisierung von
3D-Strukturen im Vordergrund. Außerdem werden spezifische intramolekula-
re 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 ra-
tionaler strukturbasierter Wirkstoffentwurf im Mittelpunkt.
Qualifikationsziele (1) Die Studierenden können grundlegend mit Standardwerkzeugen des struk-
turbasierten Wirkstoffentwurfs umgehen, (2) sind mit dem praktischen Umgang
mit Protein- und Ligandenstrukturen vertraut und (3) sie können die Ergebnis-
se dieser Werkzeuge und Techniken interpretieren und kritisch bezüglich ihrer
Relevanz beurteilen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Verwendbarkeit BIO-PRAK MEDZ-RES MEDZ-BIOMED
(Module)
Teilnahme- BIO-4371 (empfohlen)
voraussetzungen
Dozent Kohlbacher
Literatur Materialien werden zur Verfügung gestellt.
275

BIO-4210 Practical Transcriptomics Practical course
Practical Transcriptomics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
Offered at irregular intervals
des Angebots
Inhalt The focus is on the practical analysis of so-called next generation sequencing
data. Students learn the use of tools for evaluating this data. This practical
course uses real-life data; the focus is on the entire process of evaluating ex-
perimental data, from quality analyses to in-depth statistical analyses; various
methods are compared. Topics include de-novo assembly, expression count cal-
culation, normalization and clustering, machine learning methods and their
application to expression data, statistical methods for calculating differential
expressions, visualization methods, and enrichment methods.
Qualifikationsziele Students will gain practical experience in designing and programming bioin-
formatics software for analyzing NGS data. They will be able to use libraries
and frameworks, and will acquire knowledge or extend their knowledge of Java
or C++ and R. By working together in groups, students obtain teamwork and
collaboration skills, and they will learn about project organization and pre-
sentation techniques. Students will know about the strengths and weaknesses
and about the limitations of various methods for evaluating high-throughput
transcriptomic data, and will be able to describe and evaluate these methods. Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Practical course P c 3 3 H.R b 100

Verwendbarkeit -
(Module)
Teilnahme- BIOINF4110, BIOINF4120, BIOINF4331 Advances in Computational Tran-
voraussetzungen scriptomics (recommended), BIOINF3331 Expression Bioinformatik (recom-
mended)
Dozent Nieselt
Literatur Will be provided at the beginning of the course, if necessary.
Studienbereich MEDI-HCI

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
information gain.
277
278 STUDIENBEREICH MEDI-HCI
(noch INFO-4194)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3 0
(Module)
Dozent Butz
279

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Dozent Butz
Literatur keine

Cognitive Modeling
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
manner.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3 0
(Module)
Dozent Butz
281

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Dorn
(noch INFO-4472)
283

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Seminars.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Dorn

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Seminars.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Dorn
285

Handlung
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
ning of semester
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Dozent Franz
ning of semester

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Inhalt
Qualifikationsziele
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Analytics
(Module)
Teilnahme-
voraussetzungen
Dozent Huber
Literatur
287

aktion
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfung)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
(Module) APPL
Teilnahme- -
voraussetzungen
Dozent Kasneci

on
on
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
pages)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Teilnahme- none
voraussetzungen
Dozent Kasneci
Literatur keine
289

INFO-4382 Human-AI Interaction Vorlesung, Übungen
Human-AI Interaction
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Sommersemester
des Angebots
Prüfungsform Mündliche Prüfung 70 % , Übungen 30 %
Inhalt The use of AI has advanced research and applications in many domains, ma-
king thus our interaction with AI systems ubiquitous (e.g., recommendation
systems, intelligent online search, decision support systems, any many mo-
re). In the process of design and development of AI-based technology, careful
and thorough consideration of the user experience and human aspects is foun-
dational to the acceptance and practical usage of such systems. Aim of this
course is to explore and critically discuss AI-systems at the intersection with
humans, learn different paradigms and methods on how to design interactive,
human-in-the-loop systems that achieve human-AI symbiosis, and introduce
to methodological and human aspects foundational to support interpretability,
transparence and trust in AI-based systems. In summary, this course bridges
the gap between Human-Computer Interaction and AI.
Qualifikationsziele Despite paper reading and related discussions, in the context of a course project,
you will work in groups to design and implement interactive systems with AI-
based components and learn to evaluate an interactive AI-based system. We
welcome Masters’ students and advanced undergraduates who have attended
at least one basic course on machine learning.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü O 1 1.5
(Module)
Teilnahme- -
voraussetzungen
Dozent Kasneci
Literatur Current papers and books will .

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü O 1 1.5
(Module)
Teilnahme- -
voraussetzungen
Dozent Kasneci
291

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
anzuwenden
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Kasneci

Rendering
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module)
voraussetzungen
Dozent Lensch
293

Displays
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
voraussetzungen
Dozent Lensch
reitgestellt

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
bekannt gegeben
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module) APPL
Teilnahme- -
voraussetzungen
Studienbereich MEDI-WEB

Cryptology
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
tion von Problemen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme-
voraussetzungen
Dozent Dorn
295
296 STUDIENBEREICH MEDI-WEB
(noch INFO-4451)
297

Coding Theory
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
Teilnahme-
voraussetzungen
Dozent Dorn

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
werden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Teilnahme- keine
voraussetzungen
Dozent Kaufmann
299

Network Security I
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
Dozent Menth
Literatur keine

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 1 1
(Module)
Literatur keine
301

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 1 1
(Module)
voraussetzungen
Dozent Menth
Literatur keine

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module) SEM
Dozent Menth
Literatur keine
303

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
delt.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP
Web-Entwicklung
(Module)
Teilnahme- –
voraussetzungen
Dozent Walter

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Status
SWS
LP

Stacks und der
Netzwerkprogram-
mierung, Grund-
kenntnisse einer
objektorientierten
Programmierspra-
che
(Module)
Teilnahme- -
voraussetzungen
Dozent Abele
Literatur Wechselnd
305

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

für das Web
(Module)
Teilnahme- –
voraussetzungen
Dozent Walter

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Unregelmäßig
des Angebots
aktiv präsentieren
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Web und Internet
(Module)
Teilnahme- -
voraussetzungen
Dozent Walter
Studienbereich MEDI-VIS

works
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
rence
307
308 STUDIENBEREICH MEDI-VIS
(noch INFO-4210)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3 0
(Module)
Dozent Butz
309

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
networks..
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) APPL
Dozent Butz
Literatur keine

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Dozent Butz
Literatur keine
311

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
bekannt gegeben
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module)
Teilnahme- -
voraussetzungen

Computer Graphics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Dozent Lensch
313

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Teilnahme- -
voraussetzungen
Dozent Lensch
(noch INFO-4173)
stellt
315

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
voraussetzungen
Dozent Lensch

Rendering
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module)
voraussetzungen
Dozent Lensch
317

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
voraussetzungen
Dozent Lensch

Displays
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
voraussetzungen
Dozent Lensch
reitgestellt
319

INFO-4168 Fortgeschrittene Themen aus Computergrafik, Seminar
Computer Vision und Maschinellem Lernen
Advanced Topics of Computer Graphics, Compu-
ter Vision and Machine Learning
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Prüfungsform Vortrag und Ausarbeitung
Inhalt Fortgeschrittene Themen aus dem Bereich der Graphischen Datenverarbeitung
und Computer Vision, Renderingalgorithmen, Renderinghardware, Computer
Vision und Patternerkennung, Klassifizierung, Modellierung, Lernverfahren in
der Computergrafik und Computer Vision.
Qualifikationsziele Die Studierenden können ein fortgeschrittenes Thema aus dem Bereich der
graphischen Datenverarbeitung anhand aktueller Konferenzbeiträge und Zeit-
schriftenartikel erarbeiten, vor der Gruppe präsentieren und diskutieren und
in einer schriftlichen Ausarbeitung das Wesentliche verständlich und korrekt
darstellen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Seminar S o 2 3 H b 100
Verwendbarkeit INFO-INFO MEDI-VIS MEDI-INFO MEDI-APPL MEDZ-SEM
(Module)
Teilnahme- -
voraussetzungen
Dozent Lensch, Schilling
Literatur Hängen von den aktuellen Themen ab und werden zur Verfügung gestellt

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
ren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
Dozent Schilling
321

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module) MEDTECH
voraussetzungen
Dozent Schilling

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
323

Virtual Reality
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Programmierung
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
Dozent Schilling
Literatur keine

tung
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
325

puter Vision
puter Vision
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Dozent Schilling

INFO-4192 Maschinelles Lernen und künstliche neuronale Seminar
Netze in der biomedizinischen Anwendung
Machine Learning and Artificial Neuronal Net-
works in Biomedical Applications
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Inhalt Im Seminar Maschinelles Lernen und Künstliche Neuronale Netze in der bio-
medizinischen Anwendung"werden aktuelle Themen aus der Signalverarbeitung
im Bereich der Verarbeitung von Nervensignalen (z.B.: Neuroprothetik oder
Brain-Computer-Interfaces), medizinischer Signalen (z.B.: fMRT oder MEG)
oder verwandten Bereichen sowie in diesen Bereichen verwendeten Algorith-
men der Signalverarbeitung bearbeitet.
Qualifikationsziele Die Studierenden können mittels Literaturrecherche, Lese- und Lernkompe-
tenz die strukturierte Aufbereitung eines Themas im Bereich des maschinellen
Lernens und der künstlichen Neuronalen Netze durchführen. Sie besitzen rhe-
torische Fähigkeiten, Kritikfähigkeit und können eine wissenschaftliche Ausar-
beitung erstellen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Verwendbarkeit INFO-INFO MEDI-INFO MEDI-APPL MEDZ-SEM MEDZ-MEDTECH
(Module)
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel
327

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
anwenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
Dozent Zell

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
Teilnahme- -
voraussetzungen
329
(noch BIO4364)
Studienbereich MEDI-MMT

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
331
332 STUDIENBEREICH MEDI-MMT
(noch INFO-4311)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von Status

Leistungspunkten /
Benotung SWS
LP
Übung Ü o 2 2
(Module) APPL
Teilnahme- keine
voraussetzungen
Dozent Bringmann
Auflage, 2018.
Auflage, 2018.
333

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
(noch INFO-4312)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
Dozent Bringmann
Literatur
Auflage, 2018.

Hill, 1994.
335

Embedded Systems
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- none
voraussetzungen
Dozent Bringmann

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
assignments.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
SWS
Leistungspunkten /
LP
Benotung
Übungen Ü o 2 2
(Module)
Dozent Bringmann
337

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) APPL
voraussetzungen
Dozent Bringmann
(noch INFO-4331)

2007.
339

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
voraussetzungen
(noch INFO-4317)
Dozent Bringmann

341

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
des Praktikums .
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Bringmann
(noch INFO-4318)
343

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- keine
voraussetzungen

Praxis
tice
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
345
(noch INFO-4222)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
von Software


ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots

techniques
(Module)
voraussetzungen
347
(noch ML-4420)
Dozent Bringmann

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Dozent Butz
Literatur keine
349

Architekturen
ture
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3
(Module) APPL
voraussetzungen
Dozent Grust
Literatur


ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü O 1 1.5
(Module)
Teilnahme- -
voraussetzungen
Dozent Kasneci
351

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
anzuwenden
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Kasneci

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
werden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Teilnahme- keine
voraussetzungen
Dozent Kaufmann
353

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Infrastruktur.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
(noch INFO-4321)
Literatur

bourg 2004., ISBN 3-486-27528-3
ISBN 3-937514-05-8.
Publishing, 1999., ISBN 978-1-57870-200-8
3-48625560-7

978-1-58347-369-6
tice Hall, 2001.

355

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
(noch INFO-4323)
Literatur

978-3-48625560-7
357

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Teilnahme- -
voraussetzungen
Dozent Lensch
(noch INFO-4173)
stellt
359

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
voraussetzungen
Dozent Lensch

Displays
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
voraussetzungen
Dozent Lensch
reitgestellt
361

search
search
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
(Module)
Dozent Pfeifer

Mobile Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Flugrobotern
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) APPL
Teilnahme- keine
voraussetzungen
Dozent Zell
bekanntgegeben
363

Mobile Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Roboter
(Module) APPL
voraussetzungen
Dozent Zell
ausgeteilt

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

mobile Robots
(Module)
Teilnahme- -
voraussetzungen
Dozent Zell
365

Flying Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
voraussetzungen
Dozent Zell
ausgeteilt

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) APPL
voraussetzungen
Dozent Kreißig
367
(noch INFO-4322)
Literatur
ISBN 3-937514-05-8.

978-1-58347-369-6

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) MEDI-APPL
voraussetzungen
Dozent Kreißig
369
(noch INFO-4324)
Literatur

978-3-48625560-7

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
371
(noch INFO-4371)
(Module)
Teilnahme- keine
voraussetzungen

INFO-4372 Verifikation Eingebetteter Systeme Praktikum
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Das Praktikum vertieft durch praktische Aufgaben u.a. folgende Themenge-
biete des Moduls Verifikation eingebetteter Systeme: Debugging, Systembe-
schreibungen und Modelle, Werkzeuge zur Beschreibung und Simulation, Ei-
genschaftssprachen, Simulationstechniken (Hardware und Software), Vergleich
unterschiedlicher Verifikationsansätze, zeitbegrenzte Modellprüfung mit SAT-
Methoden, semiformale Ansätze und kombinierte Techniken Die Aufgaben wer-
den von den Studierenden selbsttätig bearbeitet. Dazu sind auch weitergehende
Recherchen notwendig.
Qualifikationsziele Die Studierenden sind in der Lage, das im Modul Verifikation eingebetteter
Systeme Wissen anzuwenden und zu vertiefen. Sie können entsprechende prak-
tische Probleme durchschauen, analysieren und lösen. Damit sind die Studie-
renden am Ende ihres Studiums in der Lage, Aufgaben in der industriellen Pra-
xis ergebnisorientiert zu bearbeiten. Die im Rahmen dieses Moduls gestellten
Aufgaben werden in kleinen Gruppen bearbeitet. Dies trainiert neben Team-,
Kommunikations- und Konfliktfähigkeiten auch das Verantwortungsbewusst-
sein der Studierenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
373

Software Quality
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(noch INFO-4374)
(Module)
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel
375

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module) SEM
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel

der Robotik
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
in the lecture
Inhalt

Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Status
SWS
Vergabe von
LP
Leistungspunkten /
(oder (oder
MP) 30
bei
MP)
Übung Ü O 2 3
(Module) APPL
377
(noch INFO-4390)
Dozent Stückler
Shankar Sastry
Studienbereich MEDI-PRAX

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Dozent Butz
379
380 STUDIENBEREICH MEDI-PRAX
(noch INFO-4211)
Literatur keine
381

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
networks..
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) APPL
Dozent Butz
Literatur keine

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots

Team zu arbeiten,
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- —
voraussetzungen
de Forschungsthema
383

MEDI-4998 Forschungsprojekt Medieninformatik Forschungsprojekt
Research Project Media Informatics
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Prüfungsform Schriftliche Ausarbeitung und Vortrag
Wissens in einem spezifischen Bereich der Medieninformatik. Studierende arbei-
ten an einem Forschungsprojekt des thematischen Schwerpunktes der Arbeits-
gruppe mit und sind im Idealfall an der Erstellung einer wissenschaftlichen
Publikation im Themenbereich beteiligt.

Team zu arbeiten,
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Verwendbarkeit MEDI-PRAX
(Module)
Teilnahme-
voraussetzungen
Dozent Die Dozent*innen bzw. Arbeitsgruppenleiter*innen der Medieninformatik
de Forschungsthema

Computer Graphics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Dozent Lensch
385

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Teilnahme- -
voraussetzungen
Dozent Lensch
(noch INFO-4173)
stellt
387

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
voraussetzungen
Dozent Lensch

MEDI-4520 Projektmanagement Seminar
Project Management
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Referat, Hausarbeit
Inhalt Die Studierenden beschäftigen sich mit grundlegenden Fragestellungen des Pro-
jektmanagements wie: Zeit- und Ressourcenmanagement, Qualitätssicherung,
Formen der Projektorganisation, Projektstrukturplanung, Terminplanung, Ko-
stenplanung, Projektsteuerung und Controlling. Gemeinsam werden Erfolgsfak-
toren des Projektmanagements herausgearbeitet Als Leistungsnachweis planen
die Studierenden in Form einer Hausarbeit ein umfassendes IT-Projekt.
Qualifikationsziele Die Studierenden besitzen fortgeschrittene Kenntnisse über das IT-
Projektmanagement. Sie können Ressourcenplanungen aktiv entwickeln und
haben das Wissen, deren Umsetzung zu steuern.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Seminar S o 2 3 R,H 30 b 100

Verwendbarkeit MEDI-HCI MEDI-PRAX MEDZ-SEM
(Module)
Teilnahme- keine
voraussetzungen
Literatur Mangold: IT-Projektmanagement kompakt, Wieczorrek: Management von IT-
Projekten: Von der Planung zur Realisierung, Mayr: Projekt Engineering: In-
genieurmäßige Softwareentwicklung in Projektgruppen
389

MEDI-4511 Audiovisuelle Medien II (3D-Animation) Seminar
Audiovisual Media II (3D-Animation)
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Im Modul erlernen die Studierenden grundlegende Techniken der 3D-
Animation. Im Mittelpunkt stehen dabei 3D-Modellierung und Key-Frame-
Animation. Verwendet wird dabei gängige 3D-Animation-Software. Sehr pra-
xisnah erlernen die Studierenden anhand von eigenen Werkstücken in 3D die
Grundlagen des Animationsfilms und technischer Animationen. Der Leistungs-
nachweis besteht aus einem kurzem 3D-Animationsfilm, den die Studierenden
in Kleingruppen erstellen.
Qualifikationsziele Die Studierenden besitzen Kenntnisse in den grundlegenden 3D-
Animationstechniken, insbesondere 3D-Modellierung und Keyframe-
Animation. Sie können diese Kenntnisse aktiv mit gängiger 3D-Animations-
Software umsetzen. Diese Kenntnisse erwerben sich die Studierenden praxisnah
anhand eigener Werkstücke.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Verwendbarkeit INFO-INFO MEDI-PRAX MEDI-INFO MEDI-APPL
(Module)
Teilnahme- keine
voraussetzungen
Literatur Flavell: Beginning Blender: Open Source 3D Modeling, Animation, and Game
Design, Withrow: Secrets of Digital Animation: A Master Class in Innovative
Tools and Techniques

MEDI-4512 Audiovisuelle Medien III (Special Effects) Seminar
Audiovisual Media III (Special Effects)
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt In Seminarform erarbeiten und diskutieren die Studierenden anhand aktueller
Beispiele zentrale Spezialeffekte und Tricktechniken der Filmproduktionen. Zu-
gleich erlernen Sie grundlegende Spezialeffekte, die sie in Kleingruppen mittels
eines Kurzfilms umsetzen sollen. Beispiele der Effekte sind: Blues-/Greenscreen,
Overlay, Digital Matte, Miniatureffekte, Stop Motion.
Qualifikationsziele Die Studierenden besitzen Kenntnisse und vertieftes Verständnis über die
grundlegenden Spezialeffekte der Filmproduktion und kennen aktuelle Effekt-
techniken anhand einschlägiger, aktueller Beispiele.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- MEDI-4510 Audiovisuelle Medien I (Videoschnitt und Kameratechnik)
voraussetzungen
Literatur Fontaine: Adobe After Effects CS5: Das Praxisbuch zum Lernen und Nach-
schlagen, Giesen / Mulack: Special Visual Effects: Planung und Produktion,
Rickitt / Harryhausen: Special Effects: The History and Technique
391

MEDI-4599 Spezielle Kapitel Medienproduktion Seminar
Media Production
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Wechselnde Themen aus dem Bereich der Medienproduktion werden von ex-
ternen Dozenten aus Medien und Firmen vorgestellt und durch praktische Pro-
jekte eingeführt. Beispielhaft seien die Themen Typographie und Layout oder
Soundengineering genannt.
Qualifikationsziele Die Studierenden besitzen in einem speziellen Gebiet der Medienproduktion
vertiefte Kenntnisse und Fähigkeiten.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- keine
voraussetzungen
Dozent Schilling (verantwortlich, Durchführung durch externe Dozenten aus Medien
und Firmen)
Studienbereich MEDZ-BIOINFO

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übungen Ü o 2 3
(Module)
393
394 STUDIENBEREICH MEDZ-BIOINFO
(noch BIO-4110)
Teilnahme- -
voraussetzungen
Dozent Huson
395

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module) MEDZ-RES
Teilnahme- -
voraussetzungen
Dozent Kohlbacher
396 STUDIENBEREICH MEDZ-BIOINFO
Studienbereich MEDZ-RES

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übungen Ü o 2 3
(Module)
397
398 STUDIENBEREICH MEDZ-RES
(noch BIO-4110)
Teilnahme- -
voraussetzungen
Dozent Huson
399

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
matics program.
encouraged.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
voraussetzungen
Dozent Huson

BIO-4394 Systembiologie II Vorlesung mit Übungen
Systems Biology II
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl), Übungsschein als
Prüfungsvoraussetzung. Übungspunkte können als Bonuspunkte in die Klau-
surwertung eingehen.
Inhalt Diese anwendungsorientierte Veranstaltung vermittelt wesentliche Kenntnisse
zur dynamischen Modellierung biologischer Systeme. Dadurch erschließen sich
zahlreiche Anwendungsgebiete, wie die Optimierung biotechnologischer Prozes-
se, personalisierte Medizin, präklinische Studien und zum Verständnis aktueller
systembiologischer Forschung. Darüber hinaus erlernen die Studierenden, mit
der auf der Programmiersprache Python basierenden Programmierumgebung
Tellurium zu arbeiten, die die deklarative systembiologische Modellierungsspra-
che Antimony mit sich bringt.
Die Studierenden lernen die grundlegende Herangehensweise zur Erstellung bio-
chemischer Reaktionsmodelle sowie Konzepte zur Analyse dynamischer Netz-
werkzustände. Datenquellen und Repräsentationsformen für die Modelle wer-
den behandelt. Um plausible Modelle zu erhalten, liegt ein Schwerpunkt auf
physikalischen Randbedingungen und impliziten Annahmen, wie die Masse-
nerhaltung, 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 Ener-
gieerhaltung, der Einfluss von Kofaktoren und Redoxpotentialen, sowie Regu-
lationsmechanismen in biochemischen Systemen betrachtet. Studierende ler-
nen, wie durch die Schätzung von Größenordnungen zellulärer Komponenten
die Korrektheit von Simulationsergebnissen eingestuft werden kann. Die Stu-
dierenden erhalten einen Überblick über für die Simulation relevante numeri-
sche Methoden und lernen, Modelle dynamisch zu simulieren. Für die Analyse
von Simulationsergebnissen werden geeignete graphische Repräsentationsfor-
men besprochen. Abschließend werden die gelernten Prinzipien auf ausgewähl-
te 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.
401
(noch BIO-4394)
• das Erstellen von Modellen biochemischer Reaktionsnetzwerke,
• die Simulation und Analyse der dynamischen Antworten dieser Modelle,

• sowie grundlegende Programmiertechniken zur Lösung von Problemen
der Systembiologie.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von Lehrform
Status
Leistungspunkten /
SWS
Benotung
LP
V f 2 3 K 90 b 100
Ü f 2 3
(Module)
Teilnahme- –
voraussetzungen
Dozent Dräger
Literatur
1. Bernhard Ø. Palsson 2011. Systems Biology: Simulation of Dynamic Net-
work 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.

MEDZ-4998 Forschungsprojekt Medizininformatik Forschungsprojekt
Research Project Medical Informatics
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Prüfungsform Schriftliche Ausarbeitung und Vortrag
Wissens in einem spezifischen Bereich der Medizininformatik. Studierende ar-
beiten an einem Forschungsprojekt mit dem thematischen Schwerpunkt der
Arbeitsgruppe mit. Die Studierenden erwerben Kenntnisse im aktuellen For-
schungsumfeld der Medizininformatik und in der selbständigen Forschung ein-
schließlich der notwendigen Dokumentation und dem Umgang mit Forschungs-
primärdaten. Damit führt die Veranstaltung direkt auf eine forschungsbezogene
Masterarbeit hin.
Team zu arbeiten,

Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Verwendbarkeit MEDZ-RES
(Module)
Teilnahme- Exzellente akademische Noten im Master Medizininformatik. Es gibt nur weni-
voraussetzungen ge 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
403
(noch MEDZ-4998)
Dozent Die Dozent*innen bzw. Arbeitsgruppenleiter*innen der Medizin- oder Bioin-
formatik
de Forschungsthema

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übungen Ü o 2 3
(Module)
Teilnahme- -
voraussetzungen
Dozent Huson
405

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü f 2 2
(Module)
voraussetzungen
Dozent Huson

Microbiome analysis
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 2
voraussetzungen
Dozent Huson
407

Systembiologie
logy
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots

(noch BIO-4393)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
S o 2 3 H - b 100
(Module)
voraussetzungen
Dozent Mostolizadeh
409

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module) MEDZ-RES
Teilnahme- -
voraussetzungen
Dozent Kohlbacher

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
voraussetzungen
Dozent Kohlbacher
411

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
von Metaboliten.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Teilnahme- -
voraussetzungen
Dozent Kohlbacher

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
regelmäßig
des Angebots
Dozent Kohlbacher
are recommended.
413

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
work.
Dozent Kohlbacher
recommended.
Springer 2009

MEDZ-4320 Ausgewählte Themen der Medizinformatik Vorlesung, Übungen
Selected Topics in Medical Informatics
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform Mdl. Pr.
Inhalt Die Veranstaltung vertieft die Schnittstelle zwischen Medizin- und Bioinfor-
matik und bildet eine Kernveranstaltung in dem forschungsorientierten MSc
Medizininformatik.
Qualifikationsziele Die Studierenden erkennen die Verbindung von Medizin- und Bioinformatik
anhand aktueller Forschungsfelder.
Verwendbarkeit Biomedical Informatics
(Module)
Teilnahme- MEDZ-RES MEDZ-BIOMED
voraussetzungen
Dozent Dozenten der Medizininformatik
Literatur keine
415

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform Mdl. Pr. oder Klausur
Medizininformatik.
Verwendbarkeit MEDZ-RES MEDZ-BIOMED
(Module)
Teilnahme- –
voraussetzungen
Literatur keine
Studienbereich MEDZ-SEM

Embedded Systems
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
417
418 STUDIENBEREICH MEDZ-SEM
(noch INFO-4313)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- none
voraussetzungen
Dozent Bringmann
419

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Seminars.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Dorn

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Dorn
421

Systembiologie
logy
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots

(noch BIO-4393)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
S o 2 3 H - b 100
(Module)
voraussetzungen
Dozent Mostolizadeh
423

Handlung
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
ning of semester
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Dozent Franz
ning of semester

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
des Seminars.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
voraussetzungen
Dozent Grust
425

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Inhalt
Qualifikationsziele
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Analytics
(Module)
Teilnahme-
voraussetzungen
Dozent Huber
Literatur

Metagenomics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
annually
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
voraussetzungen
Dozent Huson
427

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
annually
des Angebots
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o H
(Module)
voraussetzungen
Dozent Huson

Systems Immunology
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
petenz vertieft.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- -
voraussetzungen
Dozent Kohlbacher
429

RNA Bioinformatics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
rent research.
sion).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o H
(Module)
(noch BIO-4363)
Teilnahme- -
voraussetzungen
Dozent Nieselt
431

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
discussed.
sion).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o H
(Module)
Teilnahme- -
voraussetzungen
Dozent Nieselt

search
search
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
(Module)
Dozent Pfeifer
433

MEDZ-4520 Computer Science Methods for Privacy Preserva- Seminar
tion and Personalized Medicine
Computer Science Methods for Privacy Preserva-
tion and Personalized Medicine
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Inhalt This seminar covers different aspects of computer science methods for privacy
preservation of medical data as well as for personalized medicine. This includes
computer science methods to support research in the following areas:
• Privacy-preserving machine learning

• Secure multiparty computation
• Decision support
the field of privacy preservation with computer science methods and know how
(Module)
Dozent Pfeifer

MEDZ-4520 Machine Learning for Health Seminar
Machine Learning for Health
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
usually in the winter term
des Angebots
Inhalt This seminar covers different state-of-the-art machine learning methods on bio-
medical data to answer medical questions of interest. This can include:
• Graphical model structure learning and causality in medicine
• Deep learning approaches in medicine
• Machine learning methods for small sample sizes
Verwendbarkeit INFO-PRAK INFO-INFO BIO-SEM BIO-BIO MEDI-INFO MEDI-APPL
(Module) MEDZ-SEM
Dozent Pfeifer
435

Data Privacy
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- -
voraussetzungen
Dozent Akgün
Studienbereich MEDZ-BIOMED

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform Mdl. Pr.
Medizininformatik.
Verwendbarkeit Biomedical Informatics
(Module)
Teilnahme- MEDZ-RES MEDZ-BIOMED
voraussetzungen
Literatur keine
437
438 STUDIENBEREICH MEDZ-BIOMED

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform Mdl. Pr. oder Klausur
Medizininformatik.
Verwendbarkeit MEDZ-RES MEDZ-BIOMED
(Module)
Teilnahme- –
voraussetzungen
Literatur keine
439

Systembiologie
logy
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots

(noch BIO-4393)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
S o 2 3 H - b 100
(Module)
voraussetzungen
Dozent Mostolizadeh
441

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
matics program.
encouraged.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
voraussetzungen
Dozent Huson

Microbiome analysis
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 2
voraussetzungen
Dozent Huson
443

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü f 2 2
(Module)
voraussetzungen
Dozent Huson

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
voraussetzungen
Dozent Kohlbacher
445

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
von Metaboliten.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Teilnahme- -
voraussetzungen
Dozent Kohlbacher

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
regelmäßig
des Angebots
Dozent Kohlbacher
are recommended.
447

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
work.
Dozent Kohlbacher
recommended.
Springer 2009

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
work.
Dozent Kohlbacher
recommended.
Springer 2009
449

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Verwendbarkeit -
(Module)
mended)
Dozent Nieselt

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
once a year
des Angebots
methods
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
451
(noch BIO-4331)
voraussetzungen
Dozent Nieselt

RNA Bioinformatics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
rent research.
sion).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o H
(Module)
453
(noch BIO-4363)
Teilnahme- -
voraussetzungen
Dozent Nieselt

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
discussed.
sion).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o H
(Module)
Teilnahme- -
voraussetzungen
Dozent Nieselt
455

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
once per year
des Angebots
• k-anonymity
• genome privacy
• FHIR
• openEHR
• map reduce
Verwendbarkeit
(Module)
voraussetzungen
Dozent Pfeifer

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
once per year
des Angebots

systems
457
(noch MEDZ-4991)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Dozent Pfeifer

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Qualifikationsziele
ning problems


(Module) dizin
voraussetzungen
Dozent Claassen
Literatur TBD
459

BIO-4103 Gruppenprojekt Bioinformatik Small Team project
Group Project Bioinformatics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
each Semester
des Angebots
Prüfungsform Schriftliche Ausarbeitung
Inhalt The group project serves to deepen the knowledge in a specific area of bioinfor-
matics that have been introduced in either of the two lectures “Sequence Bio-
informatics” (BIO-4110) oder “Structure and Systems Bioinformatics” (BIO-
4120). Students work in small groups (4 students) and work on a project with
the thematic focus of either of the lectures. The project topics encompass algo-
rithmic problems, literature investigations, or application of tools to biological
data. The idea is to apply gained knowledge to real biological data/tasks. Stu-
dent have the opportunity to suggest a topic.
• are able to work in a team,
(Module)
Teilnahme- BIO-4110 oder BIO-4120
voraussetzungen
Dozent Die Dozenten bzw. Arbeitsgruppenleiter einer der beiden Pflichtvorlesungen
de Thema

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
Teilnahme- -
voraussetzungen
461
(noch BIO4364)
Studienbereich MEDZ-MEDTECH

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- keine
voraussetzungen
463
464 STUDIENBEREICH MEDZ-MEDTECH
(noch INFO-4399)
465

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Teilnahme- -
voraussetzungen
Dozent Lensch
(noch INFO-4173)
stellt
467

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
voraussetzungen
Dozent Lensch

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
voraussetzungen
Dozent Lensch
469

Systembiologie
logy
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots

(noch BIO-4393)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
S o 2 3 H - b 100
(Module)
voraussetzungen
Dozent Mostolizadeh
471

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
once per year
des Angebots

systems
(noch MEDZ-4991)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Dozent Pfeifer
473

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
beitung erstellen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
ren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
Dozent Schilling
475

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module) MEDTECH
voraussetzungen
Dozent Schilling

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
477

Virtual Reality
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Programmierung
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
Dozent Schilling
Literatur keine

tung
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
479

puter Vision
puter Vision
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Dozent Schilling
Studienbereich Foundations of
Machine Learning

ML-4102 Data Literacy Lecture with tutorials
Data Literacy
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt This course equips students with concepts and tools that should be familiar to
anyone working with (large) data. Based on practical experiments and examp-
les, frequently encountered pitfalls and problems are discussed alongside best
practices. We encounter basic statistical notions and problems of bias, testing
and experimental design. Foundational methods of machine learning and stati-
stical data analysis are employed to employ these ideas in practice. We will also
discuss best practices for scientific data presentation and documentation—how
to make expressive figures and tables and perform reproducible experiments—
and explore ethical and technical considerations in the context of fairness and
transparency.
the lectures.
Qualifikationsziele Students develop a sensitivity for common problems and misconceptions in
empirical work with data. They understand the mathematical, epistemological,
ethical, technical and social challenges surrounding the use of data, and know
best practices to address them. They also collect a concrete box of software tools
to collect, document, explore, visualize, and draw conclusions from structured,
large, small, corrupted and expensive data.
481
482 STUDIENBEREICH FOUNDATIONS OF MACHINE LEARNING
(noch ML-4102)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
Teilnahme- only basic math and coding skills as provided by the BSc Computer Science.
voraussetzungen
Dozent Hennig
483

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
the lectures.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
ning (ML 4101).
484 STUDIENBEREICH FOUNDATIONS OF MACHINE LEARNING

Deep Learning
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
this area.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Tutorial T o 2 3
(Module)
Dozent Geiger, Zell
Studienbereich Diverse Topics in
Machine Learning

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt

485
486 STUDIENBEREICH DIVERSE TOPICS IN MACHINE LEARNING
(noch ML-4503)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme-
voraussetzungen
Dozent Akata
487

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt

Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Akata
(noch ML-4505)
489

ML-4309 Data Compression with and without Deep Pro- Lecture with tutorials
babilistic Models
Data Compression with and without Deep Pro-
babilistic Models
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsform In addition to solving weekly problem sets, students will be required to work
on individual course projects in small groups and under occasional supervision
by the lecturer or an assigned PhD student. Students will be graded based on
a writeup and a presentation of their course project in lieu of a final exam.
Inhalt This course unites concepts from probabilistic machine learning, information
theory, and source coding theory into practical methods for developing highly
effective compression codecs. Recently, established compression codecs (e.g.,
for images and videos) have been outperformed by a new class of codecs that
employ probabilistic machine learning models. This course will introduce the
information theoretical foundations of data compression. Students will then
learn some basic knowledge of deep probabilistic models, various entropy coding
algorithms, and how the two can be combined to develop and evaluate novel
compression codecs.
Qualifikationsziele From the theory side, students learn information theoretical bounds for lossless
compression and the concept of rate-distortion performance in lossy compres-
sion. They learn the general concept of entropy coding, specific instances of
entropy coding algorithms, and their respective advantages and disadvanta-
ges. In order to apply these concepts in practice, students learn some basic
concepts of (deep) probabilistic models and (approximate) Bayesian inference.
From the practical side, students learn about existing machine learning based
compression codecs and obtain hands-on experience in implementing, training,
and evaluating a new and practically usable codec
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Lecture L o 3 4.5 g
Tutorial T o 1 1.5
(Module)
(noch ML-4309)
Teilnahme- Students should have a sound understanding of multivariate calculus, some
voraussetzungen practical experience with the training of machine learning models, and profi-
ciency with Python and at least one compiled language (e.g., Rust, C, C++).
Parallel attendance of the course Probabilistic Machine Learningïs encouraged
but not strictly required.
Dozent Bamler
491

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
needed.
(Module)
voraussetzungen
Dozent Berens
5 (Mai 2004): 456-461.
2005): 8 -25.
code. MIT Press.

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots

techniques
(Module)
voraussetzungen
493
(noch ML-4420)
Dozent Bringmann

works
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
rence
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3 0
(Module)
Dozent Butz
495

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Dozent Butz
Literatur keine

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
bekannt gegeben
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module)
Teilnahme- -
voraussetzungen
497

INFO-4382 Human-AI Interaction Vorlesung, Übungen
Human-AI Interaction
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Sommersemester
des Angebots
Prüfungsform Mündliche Prüfung 70 % , Übungen 30 %
Inhalt The use of AI has advanced research and applications in many domains, ma-
king thus our interaction with AI systems ubiquitous (e.g., recommendation
systems, intelligent online search, decision support systems, any many mo-
re). In the process of design and development of AI-based technology, careful
and thorough consideration of the user experience and human aspects is foun-
dational to the acceptance and practical usage of such systems. Aim of this
course is to explore and critically discuss AI-systems at the intersection with
humans, learn different paradigms and methods on how to design interactive,
human-in-the-loop systems that achieve human-AI symbiosis, and introduce
to methodological and human aspects foundational to support interpretability,
transparence and trust in AI-based systems. In summary, this course bridges
the gap between Human-Computer Interaction and AI.
Qualifikationsziele Despite paper reading and related discussions, in the context of a course project,
you will work in groups to design and implement interactive systems with AI-
based components and learn to evaluate an interactive AI-based system. We
welcome Masters’ students and advanced undergraduates who have attended
at least one basic course on machine learning.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü O 1 1.5
(Module)
Teilnahme- -
voraussetzungen
Dozent Kasneci
Literatur Current papers and books will .

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
bekannt gegeben
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module) APPL
Teilnahme- -
voraussetzungen
499

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
once per year
des Angebots

systems
(noch MEDZ-4991)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Dozent Pfeifer
501

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
(Module) MEDZ-SEM
Dozent Pfeifer

ML-4530 Deep Learning for Vision and Graphics Seminar
Deep Learning for Vision and Graphics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Prüfungsform Oral presentation
Inhalt The fields of 3D computer vision and graphics have been revolutionized by deep
learning. For example, it is now possible to obtain detailed 3D reconstructions
of humans and objects from single images, generate photo-realistic renderings
of 3D scenes with neural networks, or manipulate and edit videos and images.
In this seminar, we will cover the most recent publications and advances in the
fields of neural rendering, 3D computer vision, 3D shape reconstruction, and
representation learning for 3D shapes.
and can lead research discussions.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- Programming skills, knowledge of linear algebra and calculus, numerical op-
voraussetzungen timization, probability theory. Prior participation in one of: Deep Learning,
Probabilistic ML, Mathematics for ML, Statistical ML is required.
Dozent Pons-Moll
503

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
Dozent von Luxburg

Learning Theory
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent von Luxburg
505

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
(noch ML-4710)
Inhalt The question of fairness is a hot topic in machine learning at present, and has
generated an already voluminous literature, and considerable controversy. The
purpose of this course is to investigate the problems of fairness in machine
learning systems, but to do so in a broader way than typically done. There
is a narrow internal version of fairness which entails coming up with various
mathematical objective functions to attain certain types of fairness, and then
devising algorithms to optimise these objectives. This is valuable, foundational,
and provides interesting insights into questions of ML that have nothing to do
with fairness. Some of this material will be reviewed in the first few lectures.
However these approaches tend to view ML in a rather narrow way, and more
importantly, they take a lot for granted. The majority of the course is conse-
quently designed to “go beyond fairness” in the narrow sense. It will do so by
examining machine learning from the general perspective of technology. There
is a substantial literature now on what technologies are, and how they impact
society. As well as reviewing some of this, in the specific context of machine
learning, I will also specifically examine the following questions and topics:
• Classical (conditional independence) based approaches to fair ML. Why

there must be a plurality of them, and how and why they are inconsistent.
Fairness/utility trade-offs.
• Fair ML as an aggregation problem, and the connection with coherent
measures of risk and other aggregation functionals
• Other information based harms: privacy as secrecy vs privacy as autono-

my The use of categorical labels in ML; where do they come from; what
baggage do they bring with them?
• More generally, what is the nature of data? Why data is not a set, is not a
fact, incontrovertible, value-free, and cannot be legitimately deracinated
(taken out of its context). What are the possible mathematical models of
data? What is presumed when we say the data is “drawn from a probabi-
lity distribution”. Is it indeed legitimate to presume this, and what might
be done if it is not legitimate. The connection to von Misean collectives,
and their connection to questions of fairness.
• How to construe ethics as a technological problem? What gets lost in

doing so? What gets added? What is a decision? Who “makes” a decision
and when is it made?
• Data and context; the journeys of data; in praise of black boxes; prove-
nance.
• The rhetoric of ML: what are the sorts of rational arguments that ML is
the raw material for, and is their use of ML adequately thought through
and justified? Warrants for the rhetoric of ML and warranting the entire
chain.
• In the light of these manifold difficulties and complexities, what is to be

done: controvertibility, auditability, contestability, transparency, scruta-
bility and other abstractions.
The course will be a mixture in roughly equal parts of technical (i.e. mathe-
matical) reasoning and more conceptual multidisciplinary reasoning. Both are
necessary to understand the impacts of machine learning on people and society.
There will be no focus on algorithms or coding.
507
(noch ML-4710)
Qualifikationsziele The student will learn to think about ethical matters arising in machine lear-
ning, rather than to present the one true answer to such ethical problems
(because it is does not exist).
(Module)
Teilnahme-
voraussetzungen
Dozent Williamson
Literatur be handed out in the course

Mobile Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Flugrobotern
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) APPL
Teilnahme- keine
voraussetzungen
Dozent Zell
bekanntgegeben
509

Mobile Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Roboter
(Module) APPL
voraussetzungen
Dozent Zell
ausgeteilt

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

mobile Robots
(Module)
Teilnahme- -
voraussetzungen
Dozent Zell
511

Flying Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
voraussetzungen
Dozent Zell
ausgeteilt

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Neural Networks
(Module)
Teilnahme- keine
voraussetzungen
Dozent Zell
513

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
of data science.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 1 1
(Module)
Teilnahme-
voraussetzungen

Self-Driving Cars
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
is recommended.
515
(noch ML-4340)

Deep Learning
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
this area.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Tutorial T o 2 3
(Module)
Dozent Geiger, Zell
517

ML-4360 Computer Vision Lecture with tutorials
Computer Vision
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt The goal of computer vision is to compute geometric and semantic properties of
the three-dimensional world from digital images. Problems in this field include
reconstructing the 3D shape of an object, determining how things are moving
and recognizing objects or scenes. This course will provide an introduction to
computer vision, with topics including image formation, camera models, came-
ra calibration, feature detection and matching, motion estimation, geometry
reconstruction, object detection and tracking, and scene understanding. Ap-
plications include building 3D maps, creating virtual avatars, image search,
organizing photo collections, human computer interaction, video surveillance,
self-driving cars, robotics, virtual and augmented reality, simulation, medical
imaging, and mobile computer vision. Modern computer vision relies heavily
on machine learning in particular deep learning and graphical models. This
course therefore assumes prior knowledge of deep learning (e.g., deep learning
lecture) and introduces the basic concepts of graphical models and structured
prediction where needed.
computer vision including image formation, camera models, feature detection,
multiple view geometry, 3D reconstruction, motion estimation, object recogni-
tion, scene understanding and structured prediction using deep neural networks
and graphical models. After this course, students should be able to understand
and apply the basic concepts of computer vision in practice, develop and train
computer vision models, reproduce research results and conduct original rese-
arch in this area.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
(noch ML-4360)
is recommended.
519

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
is required.
Dozent Hein
(noch ML-4303)
521

ML-4101 Mathematics of Machine Learning Lecture with tutorials
Mathematics of Machine Learning
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
every year
des Angebots
Inhalt The lecture will repeat and introduce basic notions of mathematics used in
machine learning
• Calculus: multivariate calculus (gradient and Hessian), Taylor expansion
etc.
• Linear Algebra: eigenvectors, eigenvalues (including variational charac-
terization), singular value decomposition and best low rank approxima-
tion, inverse and pseudo-inverse, norms, basic algorithms and their com-
plexity (solving linear equations, matrix inversion, eigenvectors (power
method)) etc.
• Probability: discrete and continuous probability measures (and mixed
ones), basic notions, generation of random variables, conditional expec-
tation and independence, law of large numbers and concentration inequa-
lities for rates of convergence, central limit theorem etc.
• Statistics: parametric and non-parametric tests
• Optimization: Lagrangian and dual optimization problem, popular op-
timization techniques and their properties
• Optional: basic functional analysis and approximation theory, curse of
dimensionality
Qualifikationsziele Students learn the mathematical foundations for the latter machine learning
courses. In particular,
• they know multivariate calculus and linear algebra as needed in machine
learning lectures
• they can apply probability and statistics and are able to prove basic
properties
• they have an overview of existing optimization techniques and are able
to reformulate equivalent constrained optimization problems
(noch ML-4101)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Lecture L o 2 3 W 90 b 100
Tutorial T o 2 3
(Module)
Teilnahme- Students need to have basic knowledge in analysis and linear algebra on the
voraussetzungen level of the bachelor lectures “Mathematik für Informatiker I-III”
Dozent von Luxburg, Hein
523

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
graph theory.
cal point of view.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
the lectures.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
525
(noch ML-4301)
libraries.
Dozent Hennig

ML-4320 Time Series Lecture with tutorials
Time Series
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Inhalt A time series is an extremely wide-spread type of empirical data: a (potentially
multivariate) set of observations that evolves over a univariate and thus orde-
red index space—time. Examples include stock prices, inventory levels, sports
statistics, sensor readings in scientific equipment, cars and machinery, and ma-
ny more. Time series often require real-time processing, and can potentially be
infinitely long. But their univariate domain also allows for a crucial property
of the model: Markovianity, the ability to locally store all aspects of the model
necessary for inference in a time-local memory of fixed and finite size. This
course introduces a range of models and algorithms for efficient and flexible
inference in time series. Starting from famous concepts from the areas of si-
gnal processing and control, we will move to recent and contemporary models
for structured, high-dimensional, non-linear and irregular time series. Alongsi-
de data and models, efficient algorithms for approximate inference are a core
focus.
the lectures.
Qualifikationsziele Students develop an understanding for key algorithmic and modelling challen-
ges in the analysis of, and practical inference with time-ordered processes and
data. They can implement and debug basic and advanced models for such data,
including for production-level, large-scale applications, and for areas demanding
high quality predictions, such as scientific analysis. Apart from mathmatical
derivations, the exercises put a focus on practical programming. In particular,
they contain implementations of some content of the lectures.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Lecture L o 2 3 wo 90 g 100
Tutorial T o 2 3
(Module)
527
(noch ML-4320)
Teilnahme- Knowledge of the material provided in the course Probabilistic Machine Lear-
voraussetzungen ning (ML-4202) is required.f
Dozent Hennig, Tronarp

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
the lectures.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
ning (ML 4101).
529

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Macke

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
(Module)
Teilnahme-
voraussetzungen
Dozent Maghsudi
531
(noch ML-4601)
Literatur

seWare, 2009
1998


ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
bekannt gegeben
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module) APPL
Teilnahme- -
voraussetzungen
533

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Inhalt

mization
cesses based RL
(Module)
voraussetzungen
Dozent Martius

der Robotik
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
in the lecture
Inhalt

Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Status
SWS
Vergabe von
LP
Leistungspunkten /
(oder (oder
MP) 30
bei
MP)
Übung Ü O 2 3
(Module) APPL
535
(noch INFO-4390)
Dozent Stückler
Shankar Sastry

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

mobile Robots
(Module)
Teilnahme- -
voraussetzungen
Dozent Zell
537

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Neural Networks
(Module)
Teilnahme- keine
voraussetzungen
Dozent Zell

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
det der Dozent.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Machine Learning
(Module)
Teilnahme- -
voraussetzungen
Dozent -
539

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme-
voraussetzungen

ML-4520 Ethics and Philosophy of Machine Learning Seminar
Ethics and Philosophy of Machine Learning
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt The fact that machine learning algorithms will play a central role in the process
of scientific discovery challenges our traditional understanding of the scientific
process and raises fundamental questions about concepts of scientific discovery
and the role of the scientists. On the other hand machine learning has impact on
different aspects of our society which raises ethical concerns. In this course, we
will discuss the impact, changes, and challenges to the scientific methodology
as well as society in general by machine learning from the perspective of both
the philosophy and ethics.
Qualifikationsziele Students can reflect current research questions in the area of philosophy and
ethics of machine learning. Students will be able to acquire knowledge about
current findings through comprehensive literature search. They will know the
importance of current topics in the course-relevant areas, and will be aware
that there are still many open questions. Students will not only have improved
their study and reading skills, but will also have enhanced their capability of
working independently. The teaching method in this seminar aims at boosting
the students’ confidence (oral presentation), and at enhancing their communi-
cation skills and enabling them to accept criticism (discussion session following
their presentation).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Verwendbarkeit INFO-INFO MEDI-INFO
(Module)
Teilnahme-
voraussetzungen
541

ML-4510 Praktikum Machine Learning Practical Course
Practical Machine Learning
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every semester
des Angebots
Prüfungsform Oral presentation, written report, lab journal
Inhalt The practical course consists of finishing assigned tasks in small teams, auto-
nomously or under supervision. Study and exam performance are usually eva-
luated based on active participation, a presentation of results and in written
reports.
Qualifikationsziele Students will gain practical experience in designing and programming methods
/ software /tools for ML. They will be able to use libraries and frameworks,
and will acquire knowledge or extend their knowledge of various programming
languages. By working together in groups, students obtain teamwork and colla-
boration skills, and they will learn about project organization and presentation
techniques. Students will know about the strengths and weaknesses and about
the limitations of various methods for evaluating complex and high-dimensional
data, and will be able to describe and evaluate these methods.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Practical P o 4 6 wo g 100
Verwendbarkeit
(Module)
Teilnahme-
voraussetzungen
Dozent All lecturers in the programme
Literatur -

ML-4998 Forschungsprojekt Machine Learning Independent research pro-
Research Project Machine Learning ject
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
each semester
des Angebots
Prüfungsform Essay
Inhalt The research project serves to deepen theoretical and practical knowledge in a
specific field of machine learning. Students are working on a research project
with the main focus of the research group.
• get an insight into scientific work,
• learn independently to identify and compile scientific literature for the

question to be worked on,
• are able to work in a team in an international scientific environment,
• deepen their problem-solving skills,
• can give a scientific lecture

Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Research Project R o 2 9 tp g 100

Verwendbarkeit
(Module)
Teilnahme- Excellent academic grades in Master Machine Learning. There are only a few
voraussetzungen research projects that are offered semester by semester. A written application,
including letter of motivation, CV and Transcript of Records should be sent to
the research group leader of the offered research project.
Dozent All professors in Machine learning
Literatur Scientific literature/publications relevant to the research topic to be addressed
Studienbereich Computer Science

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt

543
544 STUDIENBEREICH COMPUTER SCIENCE
(noch ML-4503)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme-
voraussetzungen
Dozent Akata
545

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt

Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Akata
(noch ML-4505)
547

ML-4309 Data Compression with and without Deep Pro- Lecture with tutorials
babilistic Models
Data Compression with and without Deep Pro-
babilistic Models
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsform In addition to solving weekly problem sets, students will be required to work
on individual course projects in small groups and under occasional supervision
by the lecturer or an assigned PhD student. Students will be graded based on
a writeup and a presentation of their course project in lieu of a final exam.
Inhalt This course unites concepts from probabilistic machine learning, information
theory, and source coding theory into practical methods for developing highly
effective compression codecs. Recently, established compression codecs (e.g.,
for images and videos) have been outperformed by a new class of codecs that
employ probabilistic machine learning models. This course will introduce the
information theoretical foundations of data compression. Students will then
learn some basic knowledge of deep probabilistic models, various entropy coding
algorithms, and how the two can be combined to develop and evaluate novel
compression codecs.
Qualifikationsziele From the theory side, students learn information theoretical bounds for lossless
compression and the concept of rate-distortion performance in lossy compres-
sion. They learn the general concept of entropy coding, specific instances of
entropy coding algorithms, and their respective advantages and disadvanta-
ges. In order to apply these concepts in practice, students learn some basic
concepts of (deep) probabilistic models and (approximate) Bayesian inference.
From the practical side, students learn about existing machine learning based
compression codecs and obtain hands-on experience in implementing, training,
and evaluating a new and practically usable codec
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Lecture L o 3 4.5 g
Tutorial T o 1 1.5
(Module)
(noch ML-4309)
Teilnahme- Students should have a sound understanding of multivariate calculus, some
voraussetzungen practical experience with the training of machine learning models, and profi-
ciency with Python and at least one compiled language (e.g., Rust, C, C++).
Parallel attendance of the course Probabilistic Machine Learningïs encouraged
but not strictly required.
Dozent Bamler
549

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
needed.
(Module)
voraussetzungen
Dozent Berens
5 (Mai 2004): 456-461.
2005): 8 -25.
code. MIT Press.

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
551
(noch INFO-4311)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) APPL
Teilnahme- keine
voraussetzungen
Dozent Bringmann
Auflage, 2018.
Auflage, 2018.

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
553
(noch INFO-4312)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
Dozent Bringmann
Literatur
Auflage, 2018.

Hill, 1994.

Embedded Systems
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- none
voraussetzungen
Dozent Bringmann
555

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
assignments.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
SWS
Leistungspunkten /
LP
Benotung
Übungen Ü o 2 2
(Module)
Dozent Bringmann

INFO-4316 Programming Ultra-Low Power Architectures Praktikum
Programming Ultra-Low Power Architectures
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt Dieses Modul bietet eine Einführung in die praktische Arbeit mit Mikrocontrol-
lern. Hierfür wird die auf einem 32-bit ARM Cortex-M0+ Prozessor basierende
FRDM-KL25Z Entwicklungsplattform verwendet. Nach einer kurzen Einfüh-
rung in die verwendete Plattform, werden in Zweierteams praktische Aufga-
ben gelöst. Die Praktikumsaufgaben umfassen die folgenden Themenbereiche:
Einführung in die Programmierung von Mikrocontrollern, Ausführungszeit von
Anwendungen, Leistungsanalyse und -optimierung sowie Speicheranforderun-
gen
Qualifikationsziele Die Studierenden können systematisch Software für Eingebettete Systeme un-
ter Berücksichtigung von elektrischen Leistungsaufnahme und des Energiever-
brauchs entwickeln. Sie kennen den gesamten Entwicklungsablauf von der Spe-
zifikation, über die Entwicklung bis hin zu Debugging und Dokumentation.
Ferner sind die Studierenden in der Lage moderne Techniken des Software-
gestützten dynamischen Power-Managements bis hin zur Programmierung von
Ultra-Low-Power-Anwendungen anzuwenden. Auf Teamarbeit, Kommunikati-
on innerhalb der Gruppen und zwischen den einzelnen Gruppen, systemati-
sches Problemlösen und Einhalten von Terminen wird Wert gelegt. Dies för-
dert Selbstbewusstsein, Selbstvermarktungsfähigkeit und Konfliktfähigkeit der
Studierenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Bringmann
Literatur Literatur wird zu Beginn des Praktikums bekanntgegeben.
557

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) APPL
voraussetzungen
Dozent Bringmann
(noch INFO-4331)

2007.
559

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
voraussetzungen
(noch INFO-4317)
Dozent Bringmann

561

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
des Praktikums .
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Bringmann
(noch INFO-4318)
563

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- keine
voraussetzungen

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots

techniques
(Module)
voraussetzungen
565
(noch ML-4420)
Dozent Bringmann

Praxis
tice
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
567
(noch INFO-4222)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
von Software


ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
information gain.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3 0
(Module)
569
(noch INFO-4194)
Dozent Butz

works
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
rence
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3 0
(Module)
Dozent Butz
571

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Dozent Butz
Literatur keine

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
networks..
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) APPL
Dozent Butz
Literatur keine
573

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Dozent Butz
Literatur keine

Cognitive Modeling
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
manner.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3 0
(Module)
Dozent Butz
575

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Qualifikationsziele
ning problems


(Module) dizin
voraussetzungen
Dozent Claassen
Literatur TBD

INFO-4413 Parametrisierte Algorithmen Vorlesung, Übung
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Dieses Modul gibt eine Einführung in die Theorie der parametrisierten Al-
gorithmen 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. Datenredukti-
on und Problemkerne, Tiefenbeschränkte Suchbäume, Dynamisches Program-
mieren, 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.
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, Approximationsalgo-
rithmen, Randomisierte Algorithmen einordnen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
577
(noch INFO-4413)
Teilnahme- keine
voraussetzungen
Dozent Dorn
Literatur Rolf Niedermeier: Invitation to Fixed-Parameter Algorithms, Oxford Universi-
ty Press. Rodney G. Downey, Michael R. Fellows: Parameterized Complexity,
Springer-Verlag, 1999. Jörg Flum, Martin Grohe: Parameterized Complexity
Theory, Springer-Verlag, 2006.

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Dorn
579

INFO-4417 Parametrisierte Algorithmen und Komplexität Vorlesung, Übungen
Parameterized Algorithms and Complexity
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Dieses Modul gibt eine erweiterte Einführung in die Theorie der parametrisier-
ten Algorithmen und der parametrisierten Komplexitätstheorie. Der Schwer-
punkt liegt dabei auf unterschiedlichen Methoden und Techniken zur Entwick-
lung von parametrisierten Algorithmen. In diesem Modul wird in Lösungs-
ansätze für NP-vollständige Probleme, Parametrisierte Algorithmen und Pro-
blemkerne eingeführt. Verschiedene Methoden und Techniken, wie z. B. Da-
tenreduktion und Problemkerne, Tiefenbeschränkte Suchbäume, Dynamisches
Programmieren, Baumzerlegungen, Iterative Kompression, Farbkodierung und
Lineare Programmierung, werden vorgestellt. Aus dem Bereich der Parametri-
sierten 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 vor-
gestellt.
diese an das Problem angepasst anwenden. Sie sind in der Lage, einen parame-
trisierten Algorithmus kritisch zu bewerten. Sie erkennen Vor- und Nachteile
dieses Ansatzes und können ihn in den Kontext anderer Methoden zur Lö-
sung NP-vollständiger Probleme wie Heuristiken, Approximationsalgorithmen,
Randomisierte Algorithmen einordnen. Zusätzlich sind die Studierenden mit
Fragestellungen der aktuellen Forschung vertraut und kennen Anwendungsbei-
spiele und Fallstudien.
(noch INFO-4417)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3
(Module)
Teilnahme- keine
voraussetzungen
Dozent Dorn
Press, 2006.
Rodney G. Downey, Michael R. Fellows: Parameterized Complexity, Springer-
Verlag, 1999.
Jörg Flum, Martin Grohe: Parameterized Complexity Theory, Springer-Verlag,
2006.
581

Cryptology
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
tion von Problemen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme-
voraussetzungen
Dozent Dorn

Coding Theory
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
Teilnahme-
voraussetzungen
Dozent Dorn
583

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Dorn
(noch INFO-4472)
585

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Seminars.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Dorn

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots

Team zu arbeiten,
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- —
voraussetzungen
de Forschungsthema
587

ML-4520 Ethics and Philosophy of Machine Learning Seminar
Ethics and Philosophy of Machine Learning
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt The fact that machine learning algorithms will play a central role in the process
of scientific discovery challenges our traditional understanding of the scientific
process and raises fundamental questions about concepts of scientific discovery
and the role of the scientists. On the other hand machine learning has impact on
different aspects of our society which raises ethical concerns. In this course, we
will discuss the impact, changes, and challenges to the scientific methodology
as well as society in general by machine learning from the perspective of both
the philosophy and ethics.
Qualifikationsziele Students can reflect current research questions in the area of philosophy and
ethics of machine learning. Students will be able to acquire knowledge about
current findings through comprehensive literature search. They will know the
importance of current topics in the course-relevant areas, and will be aware
that there are still many open questions. Students will not only have improved
their study and reading skills, but will also have enhanced their capability of
working independently. The teaching method in this seminar aims at boosting
the students’ confidence (oral presentation), and at enhancing their communi-
cation skills and enabling them to accept criticism (discussion session following
their presentation).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme-
voraussetzungen

Handlung
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
ning of semester
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Dozent Franz
ning of semester
589

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
of data science.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 1 1
(Module)
Teilnahme-
voraussetzungen

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
bekannt gegeben
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module)
Teilnahme- -
voraussetzungen
591

Self-Driving Cars
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
is recommended.
(noch ML-4340)
593

ML-4360 Computer Vision Lecture with tutorials
Computer Vision
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt The goal of computer vision is to compute geometric and semantic properties of
the three-dimensional world from digital images. Problems in this field include
reconstructing the 3D shape of an object, determining how things are moving
and recognizing objects or scenes. This course will provide an introduction to
computer vision, with topics including image formation, camera models, came-
ra calibration, feature detection and matching, motion estimation, geometry
reconstruction, object detection and tracking, and scene understanding. Ap-
plications include building 3D maps, creating virtual avatars, image search,
organizing photo collections, human computer interaction, video surveillance,
self-driving cars, robotics, virtual and augmented reality, simulation, medical
imaging, and mobile computer vision. Modern computer vision relies heavily
on machine learning in particular deep learning and graphical models. This
course therefore assumes prior knowledge of deep learning (e.g., deep learning
lecture) and introduces the basic concepts of graphical models and structured
prediction where needed.
computer vision including image formation, camera models, feature detection,
multiple view geometry, 3D reconstruction, motion estimation, object recogni-
tion, scene understanding and structured prediction using deep neural networks
and graphical models. After this course, students should be able to understand
and apply the basic concepts of computer vision in practice, develop and train
computer vision models, reproduce research results and conduct original rese-
arch in this area.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
(noch ML-4360)
is recommended.
595

Deep Learning
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
this area.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Tutorial T o 2 3
(Module)
Dozent Geiger, Zell

INFO-4141 Implementierung Relationaler Datenbanksysteme Vorlesung, Übungen
(DB2)
Implementation of Relational Database Systems
(DB2)
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Internas von PostgreSQL und MonetDB, Sekundärspeicherzugriff und Daten-
layout, Indexstrukturen (B+-Bäume, Hashes), multidimensionale Indexstruk-
turen, Sortierverfahren auf Sekundärspeichern, Anfrageauswertung, Plangene-
rierung und -optimierung für SQL, Transaktionen (ACID-Prinzip)
Qualifikationsziele Die Rolle und Relevanz der Interna eines Datenbanksystems werden verdeut-
licht und analysiert. Über das gesamte Semester hinweg stellen wir PostgreS-
QL und MonetDB gegenüber, sodass die Teilnehmer die Eignung disk- und
hauptspeicher-basierter Datenbanktechnologie für konkrete Applikationen ein-
schätzen können. Die Studierenden wissen diese neuen Kenntnisse mit den Kon-
zepten der Vorlesung “DB1” zu verknüpfen. Die Studierenden verstehen, welche
grundlegenden Parameter und Algorithmen einen effizienten Datenbankbetrieb
ermöglichen und können diese für konkrete Anwendungsfälle optimieren. Da-
bei wird das Thema in einer Tiefe behandelt, die den Studierenden Lese- und
Lernkompetenz vermittelt sowie Disziplin und Präzision trainiert. Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3
(Module)
Teilnahme- –
voraussetzungen
Dozent Grust
597
(noch INFO-4141)
Literatur
• Ramakrishnan / Gehrke: Database Management Systems
• Heuer / Saake: Datenbanken: Implementierungstechniken
• Relationale Datenbanksysteme (Software und Manuals): PostgreSQL,

MonetDB
• Klassische und aktuelle Forschungsartikel zum Thema

Architekturen
ture
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 3
(Module) APPL
voraussetzungen
Dozent Grust
Literatur

599

INFO-4147 Declarative Database Languages Vorlesung, Übungen
Declarative Database Languages
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Semantik und interne Repräsentation von SQL (z.B. Comprehensions), Com-
pilation von SQL, Datenbanksprachen für nicht-relationale Daten, neue Para-
digmen für datenintensives Programmieren, Interaktion von Datenbanken und
Programmierumgebungen, Compilation von Programmiersprachenkonstruktu-
en zur Ausführung auf Datenbanksystemen
Qualifikationsziele Die Studierenden kennen Compilationstechniken für die behandelten Daten-
banksprachen. Bezüge zum klassischen Compilerbau und die Notwendigkeit
neuer Übersetzungsverfahren werden erkannt. Die Studierenden kennen den
zentralen Begriff des Impedance Mismatch, der das gesamte Themenfeld be-
stimmt. Die resultierende Problematik wird analysiert und alternative Lösungs-
ansätze 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 Tie-
fe behandelt, die den Studierenden Lese- und Lernkompetenz vermittelt sowie
Disziplin und Präzision trainiert.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung V o 2 3
(Module)
Teilnahme- INF3131 Introduction to Relational Database Systems (DB1), Compilerbau -
voraussetzungen Grundlagen (empfohlen)
Dozent Grust
(noch INFO-4147)
Literatur
• Compiler / Interpreter und Datenbanksysteme (Software und Manuals)
• Literatur zu deklarativen und funktionalen Programmiersprachen

601

INFO-4149 Spezielle Kapitel zu Datenbanksystemen Vorlesung, Übungen
Selected Topics in Database Systems
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Klausur (bei kleiner Teilnehmerzahl mündliche Prüfung), Übungspunkte kön-
nen als Bonuspunkte in die Klausur einfließen.
Inhalt Wechselnde vertiefte Themen aus den Teilgebieten des Forschungsfeldes Da-
tenbanksysteme. Einsatz von Datenbanksystemen zur Realisierung anspruchs-
voller Applikationen (Advanced SQL).
Qualifikationsziele 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 Erstel-
lung wissenschaftlicher Arbeiten insbesondere in Teilgebieten des Forschungs-
feldes Datenbanksysteme vorbereitet. Die Studierenden können sich gezielt auf
Master-Arbeiten und Forschungsprojekte vorbereiten.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
voraussetzungen
Dozent Grust
Literatur Klassische und aktuelle Forschungsliteratur zum Themengebiet.

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
des Seminars.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
voraussetzungen
Dozent Grust
603

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
is required.
Dozent Hein
(noch ML-4303)
605

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
graph theory.
cal point of view.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
the lectures.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
607
(noch ML-4301)
libraries.
Dozent Hennig

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
the lectures.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
ning (ML 4101).
609

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
matics program.
encouraged.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
voraussetzungen
Dozent Huson

Microbiome analysis
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
every two years
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 2
voraussetzungen
Dozent Huson
611

aktion
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfung)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
(Module) APPL
Teilnahme- -
voraussetzungen
Dozent Kasneci

on
on
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
pages)
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Teilnahme- none
voraussetzungen
Dozent Kasneci
Literatur keine
613

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü O 1 1.5
(Module)
Teilnahme- -
voraussetzungen
Dozent Kasneci

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
anzuwenden
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Kasneci
615

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) APPL
(noch INFO-4314)
Teilnahme- keine
voraussetzungen
Dozent Bringmann
Literatur
617

INFO-4412 Algorithmen und Komplexität Vorlesung, Übungen
Algorithms and Complexity
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Themen sind u.a. Matching, MinCostFlow, Lineares Programmieren, Approxi-
mationsschemata, Netzwerkanalyse, Algorithmische Geometrie, Komplexitäts-
fragen wie z.B. Untere Schranken.
Qualifikationsziele Die Studierenden vertiefen ihre Kenntnisse über algorithmische Techniken in
verschiedenen Problemfeldern. Dazu gehören die Anwendung von komplexen
Graphalgorithmen, die Beherrschung von Strategien zur Netzwerkanlayse so-
wie die Fähigkeit, Näherungsmethoden anzuwenden und selbst zu entwickeln.
Im Bereich Komplexitätsfragen können die Studierenden Probleme nach ih-
rem Schwierigkeitsgrad beurteilen und diese Beurteilungen mittels der erlernten
Techniken auch beweisen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übungen Ü o 2 3
(Module)
Teilnahme- keine
voraussetzungen
Dozent Kaufmann
tation
xity

INFO-4419 Spezielle Themen der Algorithmik Vorlesung, Übungen
Advanced Topics in Algorithmics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Das Modul beinhaltet vertiefende Veranstaltungen aus den Bereichen Algorith-
mik, die die grundlegenden Module dieses Bereiches ergänzen. Es richtet sich
vor allem an Studierende, die speziell Kenntnisse in diesem Bereich erwerben
wollen.
Qualifikationsziele Die Studierenden sind in der Lage spezielle Themen der Algorithmik einzu-
ordnen 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übungen Ü O 2 3
(Module)
Teilnahme- keine
voraussetzungen
Dozent Kaufmann
tation
xity
619

INFO-4432 Diskrete Optimierung Vorlesung, Übungen
Discrete Optimization
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
zwei-jährlich im Sommersemester
des Angebots
Bonus in die Endnote mit einfließen
Inhalt 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
Qualifikationsziele Die Studierenden kennen einige wichtige Algorithmen der linearen, ganzzahli-
gen und kombinatorischen Optimierung sowie die zugrunde liegenden theore-
tischen Methoden. Sie sind in der Lage, die Verfahren hinsichtlich ihrer Kom-
plexität 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übungen Ü O 1 1.5
(Module)
Teilnahme- keine
voraussetzungen
Dozent Kaufmann, Lange
Literatur Nemhauser, Wolsey: Integer and Combinatorial Optimization, Wiley (1999)
Skript zur Vorlesung

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
werden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Teilnahme- keine
voraussetzungen
Dozent Kaufmann
621

INFO-4653 Kombinatorische Algorithmen Seminar
Combinatorial Algorithms
ECTS-Punkte 3
Arbeitsaufwand
-Selbststudium 9h 30 h / 2 SWS 60 h
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform Die Endnote bestimmt sich aus Vortrag, Ausarbeitung und Beteiligung an den
Diskussionen.
aus den Bereichen Effizienten Algorithmen unter Betreuung. Präsentation und
das schriftliche Zusammenfassen schließen den Seminarbeitrag jeweils ab. Ak-
tive Teilnahme an den einzelnen Sitzungen ist ein wichtiger Bestandteil des
Seminars.
Bereich Kombinatorische Algorithmen aus schriftlicher Quelle selbständig er-
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Kaufmann
Literatur wechselnd

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module) MEDZ-RES
Teilnahme- -
voraussetzungen
Dozent Kohlbacher
623

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
von Metaboliten.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Teilnahme- -
voraussetzungen
Dozent Kohlbacher

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
regelmäßig
des Angebots
Dozent Kohlbacher
are recommended.
625

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
work.
Dozent Kohlbacher
recommended.
Springer 2009

Systems Immunology
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
petenz vertieft.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- -
voraussetzungen
Dozent Kohlbacher
627

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Infrastruktur.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
(noch INFO-4321)
Literatur

bourg 2004., ISBN 3-486-27528-3
ISBN 3-937514-05-8.
Publishing, 1999., ISBN 978-1-57870-200-8
3-48625560-7

978-1-58347-369-6
tice Hall, 2001.

629

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
(noch INFO-4323)
Literatur

978-3-48625560-7
631

Computer Graphics
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Dozent Lensch

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
Teilnahme- -
voraussetzungen
Dozent Lensch
633
(noch INFO-4173)
stellt

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
voraussetzungen
Dozent Lensch
635

Rendering
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
(Module)
voraussetzungen
Dozent Lensch

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
voraussetzungen
Dozent Lensch
637

Displays
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü O 2 3
voraussetzungen
Dozent Lensch
reitgestellt

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent Macke
639

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
(Module)
Teilnahme-
voraussetzungen
Dozent Maghsudi
(noch ML-4601)
Literatur

seWare, 2009
1998

641

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Inhalt

mization
cesses based RL
(Module)
voraussetzungen
Dozent Martius

INFO-4352 Pentesting Vorlesung
Pentesting
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt Um Netzwerke oder Applikationen abzusichern, benötigt ein Administrator
oder Entwickler Kenntnisse über vorhandene Schwachstellen. Durch simulierte
Hacker-Angriffe, sogenannten Penetrationstests, lassen sich diese effizient auf-
decken. Neben theoretischen Grundlagen über die Planung und Durchführung
von Penetrationstests vermittelt diese Vorlesung tiefgehende praktische Kennt-
nisse moderner Angriffswerkzeuge, aktueller Schwachstellen und der Methodik
diese auszunutzen. Das Spektrum reicht dabei vom Footprinting"über den ei-
gentlichen Angriff bis zum Platzieren von Hintertüren in ein kompromittiertes
System. Vorlesung und Übungen finden als eng miteinander verzahnte Block-
veranstaltung statt.
Themen sind: Gestaltungsmöglichkeiten von Penetrationstests, Testmodule,
Abschätzung des Testaufwands, Bewertung von Ergebnissen und Dokumen-
tation, Nachverfolgung von Schwachstellen, ethische und rechtliche Aspek-
te, Penetration Testing Standards, Footprinting, Portscanning, Enumerati-
on, Sniffing, Angriffe gegen Verschlüsselung, häufige konfigurative Schwach-
stellen, methodische Sicherheitsanalyse von Web-Applikationen und typische
Schwachstellen von Web-Applikationen, Umgang mit Metasploit, Angriffe ge-
gen Windows-Netzwerke, Privilege Escalation, Backdoors, online- und offline-
Angriffe gegen Passwörter, Schwachstellenanalyse, Ausnutzung von Buffer-
Overflow-Schwachstellen.
Qualifikationsziele Die Studierenden vertiefen ihr Verständnis von IT-Systemen wesentlich und
werden in die Lage versetzt Sicherheitsschwachstellen zu erkennen und zu be-
heben. Sie haben die Fähigkeit die Kenntnisse auch in neuen, unvertrauten
Kontexten anzuwenden und sich selbständig neues Wissen anzueignen. Zudem
lernen sie ethische Aspekte adäquat einzubeziehen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
643
(noch INFO-4352)
voraussetzungen Network Security II
Dozent Schreiber (Syss), Kontakt: Menth
Literatur keine

Network Security I
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
Dozent Menth
Literatur keine
645

INFO-4342 Netzwerksicherheit II Vorlesung, Übung
Network Security II
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Die Vorlesung behandelt folgende Inhalte. Layer-2 Security, Perimeter Securi-
ty, Anonymization, Blockchain, Advanced Topics; die Vorlesung wird begleitet
von einem umfangreichen Übungsbetrieb, der die erworbenen Kenntnisse an
praktischen Beispielen illustriert und vertieft.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 1 1
(Module)
Teilnahme- INFO-4341 Network Security I
voraussetzungen
Dozent Menth
Literatur keine

INFO-4343 Netzwerksicherheit III (Praktikum) Praktikum
Network Security III (Lab)
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsform Benotete Praktikumsversuche bestehend aus Theorie und Praxis mit abschlie-
ßender Klausur oder mündlicher Prüfung
Basisbefehle für Netzadministration, Mitschneiden von Verkehr) sowie benotete
Präsenzübungen im Experimentallabor zu folgenden Themen: Netzwerksicher-
heit, Angriffe und Angriffssabwehr, VPN, fortgeschrittene Routingverfahren,
WLAN, ausgewählte Anwendungsprotokolle.
zen wesentlich, insbesondere um praktische, Sicherheits-relevante Aspekte. Sie
Modulnote (%)
Prüfungsdauer
Prüfungsform

Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
30 b 100
(Module)
voraussetzungen Network Security II; die Teilnehmerzahl ist begrenzt.
Dozent Menth
Literatur keine
647

INFO-4344 Kommunikationsnetze (Praktikum) Praktikum
Communication Networks Lab
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Unterrichtssprache Deutsch (Besprechungen) und Englisch (Unterlagen)
Prüfungsform Benotete Praktikumsversuche sowie eine mündliche oder schriftliche Abschlus-
sprüfung.
Basisbefehle für Netzadministration, Mitschneiden von Verkehr) sowie benote-
te Präsenzübungen im Experimentallabor zu fortgeschrittenen Themen. Wech-
selnde Themen zu aktuellen Kommunikationstechnologien.
zen wesentlich, insbesondere zu den vermittelten Themen. Sie können sehr an-
spruchsvolle Konfigurationen von Rechnernetzen selbständig durchführen und
Eigenschaften von fortgeschrittenen Protokollen experimentell evaluieren. Sie
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
30 b 100
(Module)
Teilnahme- INF3331 Grundlagen des Internets sowie praktische Kenntnisse in dem Gebiet;
voraussetzungen die Teilnehmerzahl ist begrenzt.
Dozent Menth
Literatur keine

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
Teilnahme- keine
voraussetzungen
Dozent Menth
Literatur keine
649

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
setzt.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
voraussetzungen
Dozent Menth
Literatur keine

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 1 1
(Module)
Literatur keine
651

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Daten und Signale, Umwandlung von Daten in digitale Signale, Modulation von
digitalen 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
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

Übung Ü o 1 1.5
(Module)
Teilnahme- INF3331 Grundlagen des Internets (oder äquivalente Kenntnisse)
voraussetzungen
Dozent Menth
Literatur keine

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 1 1
(Module)
voraussetzungen
Dozent Menth
Literatur keine
653

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module) SEM
Dozent Menth
Literatur keine

INFO-4350 Spezielle Kapitel zu Kommunikationsnetzen Vorlesung
Selected Topics in Communication Networks
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Wechselnde vertiefte Themen aus den Teilgebieten des Forschungsfeldes Kom-
munikationsnetze.
Qualifikationsziele Die Studierenden besitzen vertiefte Kenntnisse im Bereich der Kommunikati-
onsnetze. 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 eigen-
ständige 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.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme-
voraussetzungen
Dozent Menth
Literatur keine
655

INFO-4354 Public Cloud Computing Vorlesung, Übung
Public Cloud Computing
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Die Vorlesung vermittelt fortgeschrittene Kenntnisse in Containertechnolo-
gie, 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 Com-
puting, 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.
Qualifikationsziele Die Studierenden besitzen fortgeschrittene, aktuelle Kenntnisse im Bereich Pu-
blic Cloud Computing. Sie können sich selbständig neues Wissen und Kön-
nen 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 überneh-
men.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 1 1
(Module)
Teilnahme- INF3331 Grundlagen des Internets, INFO-4341 Network Security I (empfohlen)
voraussetzungen
Dozent Hüttner (itdesign), Kontakt: Menth
Literatur keine

INFO-4353 Ausgewählte Themen zur Computersicherheit Vorlesung
Selected Topics in Computer Security
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Die Vorlesung behandelt folgende Themen. Authentisierung und Autorisierung:
Theorie, Hardware-Konzepte und UNIX-Konzepte, Kryptographie: Verschlüs-
selung, MACs, Signaturen und Schlüsselverwaltung, der PKCS #11 Standard
und Hardware Security Modules (HSMs), Sicherheit in der Cloud, Confidential
Computing, Quanten-Computing
Qualifikationsziele Die Studierenden verfügen über fortgeschrittene Kenntnisse in der Computersi-
cherheit mit Hinsicht auf Hardware und Software. Sie verfügen über praxisrele-
vantes Spezialwissen (Grundprinzipien, nach denen ein Computer-System gesi-
chert werden kann, Sicherheitsstandards, kryptographisches API) und können
dieses auch zur Problemlösung in neuen und unvertrauten Kontexten anwen-
den. Sie sind in der Lage sich selbständig neues Wissen und Können anzueignen
und sich mit Fachvertretern über Informationen, Ideen, Probleme und Lösun-
gen auf wissenschaftlichem Niveau auszutauschen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Bündgen (IBM), Kontakt: Menth
Literatur
• C. Eckert: IT-Sicherheit, Oldenbourg Wissenschaftsverlag
• N. Ferguson, B. Schneier, T. Kohno: Cryptography Engineering, Wi-
ley 2010
657

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Verwendbarkeit -
(Module)
mended)
Dozent Nieselt

RNA Bioinformatics
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
rent research.
sion).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o H
(Module)
659
(noch BIO-4363)
Teilnahme- -
voraussetzungen
Dozent Nieselt

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
discussed.
sion).
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Seminar S o H
(Module)
Teilnahme- -
voraussetzungen
Dozent Nieselt
661

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
participation.
(Module)
voraussetzungen
Dozent Ostermann

INFO-4244 Programmiersprachen und Programmiertechni- Seminar
ken
Programming Languages and Techniques
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmaessig
des Angebots
aus dem Bereich der Programmierung und Programmiersprachen. Präsentation
und das schriftliche Zusammenfassen schließen den Seminarbeitrag jeweils ab.
Seminars.
dem Bereich der Programmiertechniken aus schriftlicher Quelle selbständig er-
(Module)
Teilnahme- Teilnahme an Programmiersprachen I, II und/oder III sind von Vorteil aber
voraussetzungen nicht notwendig.
Dozent Ostermann
663

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
(Module) APPL
voraussetzungen
Dozent Ostermann

INFO-4246 Programmieren mit Dependent Types Praktikum
Programming with Dependent Types
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmaessig
des Angebots
Prüfungsform Project 50 %, Presentation and Documentation 50 %
Inhalt Dependent types are types that can depend on values: arrays of length 25, 20-
by-20 matrices, or integers larger than -3. Agda and Idris are two dependently
typed languages. Dependent types are good for many things -— from elimi-
nating ArrayIndexOutOfBoundsException to mechanically verified programs
and proving mathematical theorems -— yet the idea itself originates from the
foundational crisis of mathematics at the turn of the 19th century. Dependent
types carry their own coding patterns and caveats. In this seminar, we learn to
program effectively with dependent types: How to make hard things possible,
how to not make simple things hard, and a bit of how things work under the
hood.
Qualifikationsziele The students can use a dependently-typed language such as Agda or Coq and
use dependent types to express and prove non-trivial program properties.
(Module)
Teilnahme- Participation in Programming Languages I, II or III is helpful but not required..
voraussetzungen
Dozent Ostermann
665

INFO-4248 Interaktives Beweisen von Theoremen Vorlesung, Übungen
Interactive Theorem Proving
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
des Angebots
Unterrichtssprache Englisch, falls alle Teilnehmer es verstehen, ansonsten Deutsch
participation.
Inhalt This course is an introduction to interactive theorem programming and advan-
ced functional programming, mostly using the Coq proof assistant.
This course is for students interested in:
1. The foundational theories of mathematics, most notably type theory and
logic
2. Practical interactive theorem proving in a state-of-the-art proof assistant

3. Advanced functional programming languages and their relation to con-
structive mathematics via the “Curry-Howard Isomorphism”
4. Program verification and “certified programming”
5. Programming Language Semantics
Qualifikationsziele Students will be able to write programs and prove theorems in the Coq proof as-
sistant. Students understand the theoretical underpinnings of interactive theo-
rem provers and get basic insights into the semantics and formal properties of
programming languages.
(Module)
Teilnahme- A background in functional programming is helpful. Experience with mathe-
voraussetzungen matical proofs is helpful.
Dozent Ostermann
Literatur Volume 1 and 2 of the “Software Foundations” series available at https://
softwarefoundations.cis.upenn.edu/.
A. Chlipala, Certified Programming with Dependent Types, MIT Press

INFO-4249 Spezielle Kapitel zu Programmiersprachen Vorlesung
Advanced Topics in Programming Languages
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmaessig
des Angebots
Prüfungsform Klausur (bei kleinerer Teilnehmerzahl mündliche Prüfung), Übungen können
als Bonuspunkte in die Klausur einfließen.
Inhalt Wechselnde vertiefte Themen aus den Teilgebieten des Forschungsfeldes Pro-
grammiersprachen.
Qualifikationsziele Die Studierenden besitzen Kenntnisse über die Forschungsmethodik im Be-
reich der Programmiersprachen. Sie sind für die Erstellung wissenschaftlicher
Arbeiten insbesondere in Teilgebieten dieses Forschungsfeldes vorbereitet. Die
Studierenden können sich gezielt auf Master-Arbeiten und Promotionsprojekte
vorbereiten.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
LP
Benotung
zu Programmier-
sprachen
(Module)
Teilnahme- —
voraussetzungen
Dozent Ostermann
667

INFO-4481 Theorie von Programmiersprachen Seminar
Topics in Programming Language Theory
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmaessig
des Angebots
aus dem Bereich der Theorie der Programmiersprachen. Präsentation und das
schriftliche Zusammenfassen schließen den Seminarbeitrag jeweils ab. Aktive
Teilnahme an den einzelnen Sitzungen ist ein wichtiger Bestandteil des Semi-
nars.
Bereich der Programmiersprachentheorie aus schriftlicher Quelle selbständig er-
(Module)
Teilnahme- Teilnahme an Programmiersprachen I und II sind von Vorteil.
voraussetzungen
Dozent Ostermann

ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
once per year
des Angebots
• k-anonymity
• genome privacy
• FHIR
• openEHR
• map reduce
Verwendbarkeit
(Module)
voraussetzungen
Dozent Pfeifer
669

search
search
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
(Module)
Dozent Pfeifer

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
(Module) MEDZ-SEM
Dozent Pfeifer
671

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
ren.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
Dozent Schilling

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module) MEDTECH
voraussetzungen
Dozent Schilling
673

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen

Virtual Reality
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Programmierung
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen
Dozent Schilling
Literatur keine
675

tung
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) MEDTECH
Teilnahme- keine
voraussetzungen

puter Vision
puter Vision
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

Dozent Schilling
677

MEDI-4599 Spezielle Kapitel Medienproduktion Seminar
Media Production
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Inhalt Wechselnde Themen aus dem Bereich der Medienproduktion werden von ex-
ternen Dozenten aus Medien und Firmen vorgestellt und durch praktische Pro-
jekte eingeführt. Beispielhaft seien die Themen Typographie und Layout oder
Soundengineering genannt.
Qualifikationsziele Die Studierenden besitzen in einem speziellen Gebiet der Medienproduktion
vertiefte Kenntnisse und Fähigkeiten.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- keine
voraussetzungen
Dozent Schilling (verantwortlich, Durchführung durch externe Dozenten aus Medien
und Firmen)

INFO-4191 Neuronal Computing Vorlesung
Neuronal Computing
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Inhalt Im Rahmen des Moduls Neuronal Computing soll eines der am besten orga-
nisierten und effizientesten Systeme zum Rechner vorgestellt werden: das bio-
logische neuronale Netz. In einem ersten Schritt sollen Verfahren zur Kom-
munikation mit diesem Rechnersystem aufgezeigt werden. Ausgehend von der
Informationstheorie werden Verfahren zur Aufnahme von Nervensignalen und
deren Signalverarbeitung behandelt. Zunächst werden verschieden Methoden
zur Aufnahme von Nervensignalen und der damit entstehenden Probleme aus
Sicht der Signalverarbeitung behandelt. Danach werden Verfahren zur Signal-
verarbeitung von Nervensignalen (Spike sorter etc.) vorgestellt. Insbesonde-
re wird dabei auf die derzeit gängigen Verfahren wie z.B. das JPSH (Joint
Peri-Stimulus Histogram) oder ISC (Inca-SOM-Clusot) eingegangen. Die Ver-
anstaltung gliedert sich in Informationstheorie, Neurone als Rechner, Vernetzte
Neurone, Aufnahmetechniken, Signalverarbeitung von Nervensignalen, Modu-
lar/Population Coding, Unitary Events Analysis und Anwendungen.
Qualifikationsziele Die Studierenden besitzen basierend auf aktuellen Veröffentlichungen einen tie-
fen wissenschaftlichen Einblick in Neuronal Computing. Sie können die Er-
kenntnisse aus biologischen Systemen und der Medizin direkt in den Bereich
der Informatik transferieren. Diese Transferleistung bedingt einen hohen Grad
an Lese- und Lernkompetenz und ein hohes Engagement zur selbstständigen
wissenschaftlichen Informationsbeschaffung.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel
679

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
beitung erstellen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
delt.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP
Web-Entwicklung
(Module)
Teilnahme- –
voraussetzungen
Dozent Walter
681

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Status
SWS
LP

Stacks und der
Netzwerkprogram-
mierung, Grund-
kenntnisse einer
objektorientierten
Programmierspra-
che
(Module)
Teilnahme- -
voraussetzungen
Dozent Abele
Literatur Wechselnd

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

für das Web
(Module)
Teilnahme- –
voraussetzungen
Dozent Walter
683

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Unregelmäßig
des Angebots
aktiv präsentieren
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Web und Internet
(Module)
Teilnahme- -
voraussetzungen
Dozent Walter

INFO-4151 Angewandte Statistik II Vorlesung mit Übungen
Applied statistics II
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
alle zwei Jahre
des Angebots
Inhalt Aufbauend auf Angewandte Statistik I werden komplexere statistische Metho-
den behandelt: Generalisierte Lineare Modelle (GLM), Hauptkomponentenana-
lyse (PCA), Unabhängigkeitsanalyse (ICA) und Bayes-Statistik. Der Schwer-
punkt liegt auf der praktischen Anwendung aller Methoden und deren Imple-
mentation in der Programmiersprache Python (mit den Modulen statsmodels,
scipy.stats, sklearn und pystan) und der Darstellung der Ergebnisse in Note-
books.
Qualifikationsziele Die Studenten sollen weiterführende statistische Methoden kennen-, anwenden
und in Software implementieren lernen. Die Unterschiede zwischen frequenti-
stischer und Bayes-Statistik werden hinterfragt. Angeeignetes Wissen und Er-
fahrung soll die Studenten in die Lage versetzen, Versuche selbst planen und
auswerten zu können und dabei typische Fehler zu vermeiden. In der Literatur
dargestellte Ergebnisse werden kritisch hinterfragt.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Modulbestandteil V+Ü f 4 6 K 90 b 100

(Module)
Teilnahme- Mathematische Grundlagen (Analysis, lineare Algebra), Angewandte Statistik
voraussetzungen I
Dozent Wannek
Literatur Wird in der Vorlesung bekannt gegeben
685

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
anwenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
Dozent Zell

Neural Networks
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- keine
voraussetzungen
Dozent Zell
687

INFO-4183 Evolutionäre Algorithmen Vorlesung, Übungen
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Prüfungsform wird zu Beginn der Vorlesung bekanntgegeben
Inhalt Gliederung und Systematik heuristischer Optimierungsverfahren, Genetische
Algorithmen, Classifier Systeme, Genetisches Programmieren, Evolutionsstra-
tegien, Multikriterielle Optimierung, Schwarm-Algorithmen. In den begleiten-
den Übungen vertiefen Teilnehmer die Theorie bzw. lösen einfache Optimie-
rungsprobleme mit dem Optimierungssystem EvA2 und eigenen Programmen.
Qualifikationsziele Die Studierenden kennen die Theorie und Anwendung moderner evolutionärer
Algorithmen (Genetische Algorithmen, Evolutionsstrategien, Genetisches Pro-
grammieren, Schwarm-Algorithmen etc.). Sie können die für das jeweilige Pro-
blem optimalen Algorithmen auswählen und damit Optimierungsprobleme lö-
sen.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module)
Teilnahme- -
voraussetzungen
Dozent Zell
Literatur Skriptum zur Vorlesung

INFO-4184 Evolutionäre Algorithmen Praktikum
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Die Studierenden machen sich in Teams von ca. drei Studierenden mit dem
evolutionären Optimierungssystem EvA2 und seinen Optimierungsverfahren
vertraut und lösen anschließend ein reales komplexes Optimierungsproblem im
Team
Qualifikationsziele Die Studierenden besitzen Grundlagenwissen über evolutionäre Algorithmen
aus der Vorlesung und können diese an einem größeren realen Problem anwen-
den. Sie beherrschen Problemanalyse, Teamarbeit, Zeiteinteilung, Dokumenta-
tion und Vortragstechnik.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
Teilnahme- INFO-4183 Evolutionäre Algorithmen
voraussetzungen
Dozent Zell
Literatur Wird in der Vorbesprechung ausgeteilt.
689

Mobile Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Flugrobotern
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(Module) APPL
Teilnahme- keine
voraussetzungen
Dozent Zell
bekanntgegeben

Mobile Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Roboter
(Module) APPL
voraussetzungen
Dozent Zell
ausgeteilt
691

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

mobile Robots
(Module)
Teilnahme- -
voraussetzungen
Dozent Zell

Flying Robots
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module)
voraussetzungen
Dozent Zell
ausgeteilt
693

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
jährlich
des Angebots
Kinect).
erworben.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
LP
Benotung
ep Convolutional
Neural Networks
(Module)
voraussetzungen
Dozent Zell
ausgeteilt

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
det der Dozent.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Vergabe von
Lehrform
Leistungspunkten /
Status
SWS
Benotung
LP

Machine Learning
(Module)
Teilnahme- -
voraussetzungen
Dozent -
695

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme-
voraussetzungen

ML-4998 Forschungsprojekt Machine Learning Independent research pro-
Research Project Machine Learning ject
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
each semester
des Angebots
Prüfungsform Essay
Inhalt The research project serves to deepen theoretical and practical knowledge in a
specific field of machine learning. Students are working on a research project
with the main focus of the research group.
• get an insight into scientific work,
• learn independently to identify and compile scientific literature for the

question to be worked on,
• are able to work in a team in an international scientific environment,
• deepen their problem-solving skills,
• can give a scientific lecture

Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
Research Project R o 2 9 tp g 100

Verwendbarkeit
(Module)
Teilnahme- Excellent academic grades in Master Machine Learning. There are only a few
voraussetzungen research projects that are offered semester by semester. A written application,
including letter of motivation, CV and Transcript of Records should be sent to
the research group leader of the offered research project.
Dozent All professors in Machine learning
Literatur Scientific literature/publications relevant to the research topic to be addressed
697

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
Dozent von Luxburg

Learning Theory
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen
Dozent von Luxburg
699

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
Irregularly
des Angebots


and VC dimension
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
(noch ML-4302)
701

ML-4491 Statistisches maschinelles Lernen Lecture with tutorials
ECTS-Punkte 9
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Inhalt Important note: This lecture has been renamed, it is identical to the lecture that
previously was called “Machine Learning: Algorithms and Theory”. The focus
of this lecture is on algorithmic and theoretical aspects of machine learning. We
will cover many of the standard algorithms, learn about the general principles
for building good machine learning algorithms, and analyze their theoretical
properties. The following topics will be covered: Supervised learning problems:
Linear methods; regularization; SVMs; kernel methods. Unsupervised learning
problems: Dimension reduction, kernel PCA, multi-dimensional scaling, mani-
fold methods; spectral clustering and spectral graph theory. Bayesian decision
theory, loss functions, feature selection, evaluation and comparison of algo-
rithms. Online algorithms. Learning theory: no free lunch theorem; generali-
zation bounds; VC dimension; universal consistency; Theorem of Stone. The
following topics are NOT going to be covered, there exist alternative lectures:
neural networks / deep networks, graphical models, Bayesian approaches to
machine learning, reinforcement learning.
Qualifikationsziele Students get to know the most important classes of modern machine learning al-
gorithms. They understand why certain algorithms work well and others don’t.
They can evaluate and compare the results of different learning algorithms.
They can model machine learning applications and get a feeling for common
pitfalls. They can judge machine learning algorithms from a theoretical point
of view.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Tutorial T o 2 3
(Module)
Dozent von Luxburg
(noch ML-4491)
Literatur Will be announced in the lecture.
703

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) APPL
voraussetzungen
Dozent Kreißig
(noch INFO-4322)
Literatur
ISBN 3-937514-05-8.

978-1-58347-369-6
705

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module) MEDI-APPL
voraussetzungen
Dozent Kreißig
(noch INFO-4324)
Literatur

978-3-48625560-7
707

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
(noch INFO-4371)
(Module)
Teilnahme- keine
voraussetzungen
709

INFO-4372 Verifikation Eingebetteter Systeme Praktikum
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Inhalt Das Praktikum vertieft durch praktische Aufgaben u.a. folgende Themenge-
biete des Moduls Verifikation eingebetteter Systeme: Debugging, Systembe-
schreibungen und Modelle, Werkzeuge zur Beschreibung und Simulation, Ei-
genschaftssprachen, Simulationstechniken (Hardware und Software), Vergleich
unterschiedlicher Verifikationsansätze, zeitbegrenzte Modellprüfung mit SAT-
Methoden, semiformale Ansätze und kombinierte Techniken Die Aufgaben wer-
den von den Studierenden selbsttätig bearbeitet. Dazu sind auch weitergehende
Recherchen notwendig.
Qualifikationsziele Die Studierenden sind in der Lage, das im Modul Verifikation eingebetteter
Systeme Wissen anzuwenden und zu vertiefen. Sie können entsprechende prak-
tische Probleme durchschauen, analysieren und lösen. Damit sind die Studie-
renden am Ende ihres Studiums in der Lage, Aufgaben in der industriellen Pra-
xis ergebnisorientiert zu bearbeiten. Die im Rahmen dieses Moduls gestellten
Aufgaben werden in kleinen Gruppen bearbeitet. Dies trainiert neben Team-,
Kommunikations- und Konfliktfähigkeiten auch das Verantwortungsbewusst-
sein der Studierenden.
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
voraussetzungen

dustrieller Praxis
FIXME
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
unregelmäßig
des Angebots
Prüfungsform FIXME
Inhalt FIXME
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP

(Module)
Teilnahme- FIXME
voraussetzungen
Dozent Rosenstiel
Literatur FIXME
711

Software Quality
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(noch INFO-4374)
(Module)
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel
713

ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
jedes Semester
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP

(Module) SEM
Teilnahme- keine
voraussetzungen
Dozent Rosenstiel

ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Vergabe von
Status
Leistungspunkten /
SWS
Benotung
LP
Übung Ü o 2 2
Teilnahme- -
voraussetzungen
715
(noch BIO4364)

Data Privacy
ECTS-Punkte 3
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Vergabe von
Benotung
Lehrform
Leistungspunkten /
Status
Benotung
SWS
LP
(Module)
Teilnahme- -
voraussetzungen
Dozent Akgün
717

der Robotik
ECTS-Punkte 6
Arbeitsaufwand
Häufigkeit
irregularly
des Angebots
in the lecture
Inhalt

Modulnote (%)
Prüfungsdauer
Prüfungsform
Berechnung
Benotung
Lehrform
Status
SWS
Vergabe von
LP
Leistungspunkten /
(oder (oder
MP) 30
bei
MP)
Übung Ü O 2 3
(Module) APPL
(noch INFO-4390)
Dozent Stückler
Shankar Sastry

Modulverzeichnis Master 20221024

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Modulverzeichnis Master 20221024

Hochgeladen von

Copyright:

Verfügbare Formate

Modulverzeichnis

zum Modulhandbuch der Masterstudiengänge

INFO-4197 Intelligent Systems – Learning (Vorlesung, Übungen ) – Hennig, Lensch (verantwortlich) 65

Studienbereich INFO-THEO 101

INFO-4412 Algorithmen und Komplexität (Vorlesung, Übungen) – Kaufmann . . . . . . . . . 127

Studienbereich INFO-TECH 151

INFO-4361 Mobile Roboter (Vorlesung, Übungen ) – Zell . . . . . . . . . . . . . . . . . . . 191

Weitere Veranstaltungen Studienbereich INFO-INFO 203

Studienbereich BIO-SEQ 223

Studienbereich BIO-STRUC 225

Studienbereich BIO-SEM 227

Studienbereich BIO-BIO 239

Studienbereich BIO-PRAK 271

Studienbereich MEDI-HCI 277

Studienbereich MEDI-WEB 295

Studienbereich MEDI-VIS 307

Studienbereich MEDI-MMT 331

MEDI-4410 Multimodale Mensch-Maschine-Interaktion (Vorlesung, Übungen ) – Kasneci . . . . 350

Studienbereich MEDI-PRAX 379

Studienbereich MEDZ-BIOINFO 393

Studienbereich MEDZ-RES 397

BIO-4230 Angewandter strukturbasierter Wirkstoffentwurf (Blockpraktikum ) – Kohlbacher . 410

Studienbereich MEDZ-SEM 417

Studienbereich MEDZ-BIOMED 437

BIO4364 Visualization of Biological Data (Vorlesung, Übungen ) – Krone, Nieselt . . . . . . . 460

Studienbereich MEDZ-MEDTECH 463

Studienbereich Foundations of Machine Learning 481

Studienbereich Diverse Topics in Machine Learning 485

Studienbereich Computer Science 543

INFO-4472 Computational Social Choice (Vorlesung) – Dorn . . . . . . . . . . . . . . . . . . 583

INFO-4341 Netzwerksicherheit I (Vorlesung, Übung ) – Menth . . . . . . . . . . . . . . . . . 644

ML-4380 Advanced Topics in Machine Learning (Vorlesung, Übungen ) – - . . . . . . . . . . 694

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Vergabe von Status

Kennziffer: Titel der Veranstaltung: Lehrform(en)

• W. Burger, M.Burge: Digitale Bildverarbeitung: Eine algorithmische Ein-

Kennziffer: Titel der Veranstaltung: Lehrform(en)

• Ammann, P; Offutt, J.: Introduction to Software Testing

Kennziffer: Titel der Veranstaltung: Lehrform(en)

• Hardware architectures for machine learning: GPU, FPGA, SIMD ar-

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Lecture L o 2 3 wt/ot 90 g 100

Kennziffer: Titel der Veranstaltung: Lehrform(en)

• Relationale Datenbanksysteme (Software und Manuals): PostgreSQL,

Kennziffer: Titel der Veranstaltung: Lehrform(en)

• Hennessy / Patterson: Computer Architecture - A Quantitative Approach

Kennziffer: Titel der Veranstaltung: Lehrform(en)

• Aktuelle Forschungsartikel zum Thema

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Kennziffer: Titel der Veranstaltung: Lehrform(en)

Vorlesung V O 3 4.5 K 90 b 100