Modulhandbuch
Informatik Master (Master of Science (M.Sc.))
Informatik Master (Master of Science (M.Sc.))
SPO 2015
Sommersemester 2024
Stand 03.04.2024
Sommersemester 2024
Stand 03.04.2024
KIT-Fakultät für Informatik
Der Studienplan definiert über die abstrakten Regelungen der Prüfungsordnung hinausgehende Details des Master-Studiengangs Informatik am Karlsruher Institut für Technologie (KIT). Um Studienanfängerinnen und -anfängern wie auch bereits Studierenden die Studienplanung zu erleichtern, dient der Studienplan als Empfehlung, um das Studium optimal zu strukturieren. So können u. a. persönliche Fähigkeiten der Studierenden in Form von Wahlpflichtfächern, Ergänzungsfächern wie auch Schlüssel- und überfachliche Qualifikationen von Anfang an berücksichtigt werden und Pflichtveranstaltungen, abgestimmt auf deren Turnus (WS/SS), in den individuellen Studienplan von Beginn an aufgenommen werden.
Im Masterstudium Informatik werden die im Bachelorstudium erworbenen wissenschaftlichen Qualifikationen weiter vertieft und ergänzt; die Studierenden erwerben die Befähigung zur wissenschaftlichen Arbeit. Der Studiengang zeichnet sich durch eine große Vielfalt des Lehrangebots aus. Er verbindet eine fundierte und zugleich breit angelegte Ausbildung mit einer Spezialisierung in mindestens zwei der vielen Gebiete der Informatik (z.B. Theoretische Informatik, Algorithmentechnik, Systemarchitektur, Telematik, Parallelverarbeitung, Informationssysteme, Entwurf eingebetteter Systeme und Rechnerarchitektur, Computergraphik, Kryptographie und Sicherheit, Softwaretechnik und Übersetzerbau, Anthropomatik und Kognitive Systeme, Robotik und Automation).
Den Kern des Studiums bilden zwei Vertiefungsfächer. Der Umfang eines Vertiefungsfachs, in dem eine Spezialisierung in einem Gebiet der Informatik stattfindet, ist nicht begrenzt. Für die Breite der Ausbildung sorgt eine Vielfalt an Wahlmodulen. Das Studium wird ergänzt durch Inhalte aus einem anderen Fachgebiet (Ergänzungsfach) sowie durch die Vermittlung sozialer Kompetenz und Teamfähigkeit (als Überfachliche Qualifikationen).
Absolventinnen/Absolventen des Masterstudiengangs Informatik verfügen insbesondere über die folgenden Kompetenzen:
Sie sind in der Lage, die wissenschaftlichen Erkenntnisse und Methoden der Informatik selbstständig anzuwenden und fortzuentwickeln, sowie ihre Bedeutung und Reichweite für die Lösung komplexer wissenschaftlicher und gesellschaftlicher Problemstellungen zu bewerten. Sie können sowohl innerhalb der Informatik wie auch in benachbarten Fachgebieten komplexe anwendungsbezogene und forschungsorientierte Aufgaben erfolgreich bewältigen.
Sie können Themen der Informatik in Wort und Schrift darstellen, vermitteln und mit Informatikern wie Fachfremden überzeugend diskutieren.
Sie können in Teams interdisziplinär arbeiten sowie Team- und Projektarbeit planen und organisieren.
Sie kennen die gesellschaftliche Relevanz von Informatik und können entsprechend verantwortungsvoll handeln.
Sie können sich auf neue Technologien einstellen und ihr Wissen auf zukünftige Entwicklungen übertragen.
Die KIT-Fakultät für Informatik bietet ab dem Wintersemester 2017 / 2018 neun verschiedene Profile im Masterstudium Informatik an. Wenn die von einem Profil geforderten Veranstaltungen erfolgreich absolviert werden, wird am Ende des Studiums zusätzlich zum Masterzeugnis ein Zertifikat über die besonderen, im Profil erworbenen Kenntnisse verliehen. Zum Beispiel „Master Informatik mit Profil IT-Sicherheit“.
Profile sind als Strukturierung des Masterstudiums zu sehen und erfordern keinen Mehraufwand. Ein Masterstudium ohne Profile mit selbst gewählten Vertiefungsfächern ist weiterhin möglich und vollkommen gleichwertig. Die Prüfungsordnung für das Masterstudium gilt unverändert auch für ein Masterstudium mit Profil.
Eine Übersicht über Profile und die dazugehörigen Richtlinien und Bedingungen befindet sich unter: http://www.informatik.kit.edu/9378.php.
Wesentliche Merkmale des neuen Systems im Zuge des Bologna-Prozesses ergeben sich in der modularisierten Struktur des Studiengangs. So können mehrere Lehrveranstaltungen zu einem Modul gebündelt werden. Ein Modul kann allerdings auch aus nur einer Lehrveranstaltung bestehen. Module selbst werden wiederum in folgende Fächer eingeordnet:
Im Master-Studiengang Informatik besteht weiterhin eine Differenzierung zwischen Stamm- und Wahlmodulen. Stammmodule dienen der Grundlagenvermittlung für die Vertiefungsfächer. Wahlmodule sind ihrem Namen entsprechend für Studierende aus dem Angebot des jeweiligen Semesters frei wählbar. Die Vertiefungsfächer können aus 12 Vertiefungsfächern gewählt werden (s. Abschnitt Aufbau des Studiengangs).
Um die Transparenz bezüglich der durch den Studierenden erbrachten Leistung zu gewährleisten, werden Studien- und Prüfungsleistungen mit Leistungspunkten (LP), den so genannten ECTS-Punkten, bewertet. Diese sind im Modulhandbuch einzelnen Teilleistungen sowie Modulen zugeordnet und weisen durch ihre Höhe einerseits auf die Gewichtung einer Teilleistung in einem Modul und andererseits auf den mit der Veranstaltung verbundenen Arbeitsaufwand hin. Dabei entspricht ein Leistungspunkt einem Aufwand von ca. 30 Arbeitsstunden für einen durchschnittlichen Studierenden. Werden durch die belegten Studien- und Prüfungsleistungen in einem Modul mehr LP als dem Modul zugeordnet sind erreicht, so werden die überschüssigen LP auf die Modulgröße abgeschnitten. Die Note des Moduls berechnet sich mit Berücksichtigung aller im Modul erbrachten LP. Für die Abschlussnote werden die überschüssigen LP allerdings nicht berücksichtigt. Weitere Details zur Berechnung der Master-Abschlussnote werden auf der Fakultätswebseite (https://www.informatik.kit.edu/faq-wiki/doku.php) veröffentlicht.
In den Modulen wird durch diverse Erfolgskontrollen am Ende der Veranstaltung/-en überprüft, ob der Lerninhalt beherrscht wird. Diese Erfolgskontrollen können benotet (Prüfungsleistungen) in schriftlicher oder mündlicher Form, wie auch als Erfolgskontrolle anderer Art oder unbenotet (Studienleistungen) stattfinden (nähere Erläuterungen hierzu finden sich in der Studien- und Prüfungsordnung § 4). In jedem Modul werden Teilleistungen definiert. Diese sind abstrakte Beschreibungen der Erfolgskontrolle (Prüfungs- oder Studienleistungen). Die Lehrveranstaltungen, die im Modul geprüft werden, werden mit einer oder mehreren Teilleistungen verknüpft.
Im Abschnitt Aufbau des Studiengangs werden die einzelnen Module mit den darin zu erreichenden Leistungspunkte und die Zuordnung der Module zu den jeweiligen Fächern detailliert beschrieben. Die daraus resultierenden Möglichkeiten, Module untereinander zu kombinieren, werden somit veranschaulicht. Da die Module sowie deren innere Struktur in Form von einzelnen Lehrveranstaltungen variieren, gibt das Modulhandbuch nähere Auskunft über die Teilleistungen, Prüfungsbedingungen, Inhalte sowie die Gewichtung hinsichtlich der ECTS-Punkte in einem Modul. Der Studienplan hingegen dient der Grobstruktur hinsichtlich des Studienaufbaus. Er ist in seiner Aussage bezüglich der temporalen Ordnung der meisten Module exemplarisch und nicht bindend. Um jedoch die durch die Prüfungsordnung vorgegebenen Fristen einhalten zu können, ist es entscheidend, den Empfehlungen des Plans zu folgen.
Module sind dynamische Konstrukte, in denen es regelmäßig zu Aktualisierungen und somit Änderungen kommt. In manchen Fällen werden Module nicht mehr angeboten, manchmal ändern sich die darin angebotenen Teilleistungen und die damit verbundenen Lehrveranstaltungen und/oder Voraussetzungen/ Bedingungen.
Wenn auch für die Studierenden immer das Modulhandbuch des aktuellen Semesters verbindlich ist, so gilt im Änderungsfall grundsätzlich Vertrauensschutz. Ein Studierender hat einen Anspruch darauf, ein Modul in derselben Form abzuschließen, in der er es begonnen hat. Der Schutz bezieht sich nur auf die Möglichkeit, die Prüfung für das Modul weiterhin für eine gewisse Zeit ablegen zu können, nicht aber auf das Angebot der Lehrveranstaltung während des Semesters. Änderungen werden rechtzeitig im Modulhandbuch angekündigt. Für Pflichtmodule werden i.d.R. großzügige Übergangsregelungen festgelegt. Im Wahlbereich besteht meist die Möglichkeit andere Module zu wählen bzw. Prüfungen abzulegen, um den Abschluss zu erlangen. Wenn ein Modul begonnen wurde, aber nicht mehr beendet werden kann, sollte ISS kontaktiert werden.
Teilleistungen werden i.d.R. nur dann versioniert, wenn sich die Erfolgskontrolle ändert. Auch werden i.d.R. Übergangsregelungen definiert.
Das Masterstudium Informatik besteht aus zwei Studienjahren mit jeweils zwei Semestern. Alle darin prüfbaren Module haben die Leistungsstufe 4, welches die höchste Stufe der Anforderungen im Bachelor-/Masterstudium darstellt. Charakteristisch für das Masterstudium ist, dass keine Pflichtveranstaltungen existieren, sondern für das gesamte Studium eine große Wahlfreiheit besteht.
Die An- und Abmeldung zu Modul(teil)prüfungen erfolgt in den Bachelor-/Master-Studiengängen online über das Studierendenportal. Die An- und Abmeldefristen werden rechtzeitig in den Lehrveranstaltungen und/oder auf den Webseiten der Prüfer bekanntgegeben. Studierende werden dazu aufgefordert, sich vor dem Prüfungstermin zu vergewissern, dass sie im System tatsächlich den Status „angemeldet“ haben (z.B. Ausdruck der Anmeldung). In Zweifelsfällen sollte der Informatik Studiengangservice (ISS) (E-Mail: beratung-informatik@informatik.kit.edu) kontaktiert werden. Die Teilnahme an einer Prüfung ohne Online-Anmeldung ist nicht gestattet!
Grundsätzlich kann jede Erfolgskontrolle (mündlicher, schriftlicher oder anderer Art) einmal wiederholt werden. Im Falle einer schriftlichen Prüfung erfolgt nach zweimaligem Nichtbestehen zeitnah (in der Regel im selben Prüfungszeitraum) eine mündliche Nachprüfung. In dieser können nur noch die Noten „ausreichend“ (4,0) oder „nicht ausreichend“ (5,0) vergeben werden. Ist eine Prüfung endgültig nicht bestanden, so gilt der Prüfungsanspruch im Fach Informatik und für alle artverwandten Studiengänge als verloren. Eine Teilnahme an weiteren Prüfungen ist nicht möglich. Durch Genehmigung eines Antrags auf Zweitwiederholung können weitere Prüfungen unter Vorbehalt (http://www.informatik.kit.edu/faq-info.php) abgelegt werden. Der Studierende bekommt diese aber im Erfolgsfall erst angerechnet, wenn die endgültig nicht bestandene Prüfung bestanden wurde. Der Prüfungsanspruch gilt erst dann als wiederhergestellt, wenn die nicht bestandene Prüfung bestanden ist. Studienleistungen (unbenotete Erfolgskontrolle) können beliebig wiederholt werden, falls in der Modul- oder Teillleistungsbeschreibung keine weiteren Regelungen vorgesehen sind. Der Zweitwiederholungsantrag ist bei dem Informatik Studiengangservice (ISS) schriftlich einzureichen.
Die Anmeldung zu Prüfungen erfolgt i.d.R. über den Studienablaufplan: Studierende müssen im Studierendenportal in ihrem persönlichen Studienablaufplan zuvor die für die Prüfung passenden Module und Teilleistungen wählen.
Hilfe bei Problemen mit dem Studium, Anträgen aller Art oder auch einfach bei Fragen zur Studienplanung wird von der KIT-Fakultät für Informatik durch den Informatik Studiengangservice (ISS), E-Mail: beratung-informatik@informatik.kit.edu, angeboten. Der ISS ist offizieller Ansprechpartner und erteilt verbindliche Auskünfte.
Aber auch die Fachschaft der KIT-Fakultät für Informatik bietet eine qualifizierte Beratung an. Hier können beispielsweise Detailfragen zur Formulierung von Härtefallanträgen geklärt werden. Darüber hinaus können bei der Fachschaft alte Klausuren und Prüfungsprotokolle erworben werden.
Viele Fragen werden durch unsere FAQ beantwortet: https://www.informatik.kit.edu/faq-wiki/doku.php.
Im Laufe des 4-semestrigen Studiums müssen für den erfolgreichen Abschluss insgesamt 120 Leistungspunkte erbracht werden. Die Leistungspunkte werden überwiegend in den verschiedenen Modulen der einzelnen Fächer erzielt, aber auch in der am Ende des Studiums angefertigten Masterarbeit, die mit 30 Leistungspunkten angerechnet wird. Hier sei noch angemerkt, dass die Verteilung der zu erwerbenden Leistungspunkte gleichmäßig auf die einzelnen Semester erfolgen sollte.
Im Folgenden wird ein Überblick über das Masterstudium gegeben (s. Abbildung 1). Die Module des Masterstudiengangs sind Stammmodule, vertiefende Module, Ergänzungsfachmodule und überfachliche Module (Überfachliche Qualifikationen). Alle Stammmodule und vertiefenden Module können entweder einem Vertiefungsfach oder dem Wahlbereich zugeordnet werden.
Stammmodule vermitteln erweiterte Grundlagen aus sehr spezifischen Bereichen der Informatik. Mindestens vier davon müssen im Rahmen des Masterstudiums absolviert werden. Zu den vertiefenden Modulen zählen alle weiterführenden Veranstaltungen der KIT-Fakultät für Informatik. Hierzu gehören auch Seminare und Praktika.
Das Studium soll so geplant werden, dass über alle Fächer 120 LP erreicht werden. Die variablen Leistungspunkte in den einzelnen Fächern dienen der Flexibilisierung des Studiums und nicht der Erbringung von Mehrleistungen. Dafür stehen die Zusatzleistungen zur Verfügung.
Wahl- und Vertiefungsmodule enthalten weiterführende Veranstaltungen. Hierzu zählen nicht nur Vorlesungen, sondern auch Seminare und Praktika. Wahl- und Vertiefungsmodule werden i.d.R. atomar aufgebaut, das heißt, es wird lediglich eine Teilleistung (bzw. eine Lehrveranstaltung) darin angeboten. Es kommt jedoch auch vor, dass über ein Modul ein Praktikum an die Teilnahme an eine inhaltlich passende Vorlesung gekoppelt wird.
Grundsätzlich können Wahlmodule immer entweder dem Wahlbereich oder einem Vertiefungsfach zugeordnet werden. Die Fächer sowie die Randbedingungen für den Vertiefungs- und Wahlbereich werden in den folgenden Abschnitten erläutert.
Eine ausführliche Tabelle der Vertiefungsfächer mit den darin prüfbaren Modulen befindet sich im Abschnitt Aufbau des Studiengangs.
Stammmodule bestehen aus weiterführenden Veranstaltungen, die inhaltlich wichtige Basisthemen der Informatik abdecken. Aus diesem Grund sind die Stammmodule sowohl im Bachelor- als auch im Masterstudium angesiedelt. Während im Bachelorstudium die Stammmodule für das dritte Studienjahr empfohlen werden, sind sie im Masterstudium als Orientierungshilfe bei der Entscheidung für die Vertiefungsfächer gedacht und somit für das erste Studienjahr empfohlen. Es ist zu beachten, dass im Masterstudiengang Informatik mindestens vier Stammmodule erbracht werden müssen, die noch nicht im Rahmen des Bachelorstudiums geprüft wurden. Dies gilt auch für Studienanfängerinnen und -anfänger, die ihren Bachelorabschluss an einer anderen Unversität gemacht haben. Ausschlaggebend ist hier die inhaltliche Äquivalenz.
Grundsätzlich werden Stammmodule wie Wahlmodule behandelt und können in den Vertiefungsfächern oder dem Wahlbereich angerechnet werden. Dabei ist auf die jeweilige Zuordnung zum Vertiefungsgebiet im Modulhandbuch zu achten.
Stammmodule werden entweder jedes Winter- oder jedes Sommersemester angeboten. Dies kann im Allgemeinen für vertiefende Veranstaltungen des Wahlbereichs nicht garantiert werden (Der Turnus kann auch unregelmäßig sein). Die Liste der Stammmodule ist der Abbildung 2 zu entnehmen.
Im Masterstudium müssen zwei Vertiefungsfächer mit jeweils mindestens 15 Leistungspunkten erbracht werden. Grundsätzlich ist die Anrechnung eines Moduls für ein bestimmtes Vertiefungsfach nur möglich, wenn im Modulhandbuch die entsprechende Zuordnung des Moduls zu dem Fach gegeben ist. Einen Überblick über die Vertiefungsfächer und die Zuordnung der Module zu den Vertiefungsfächer gibt Abschnitt Aufbau des Studiengangs.
Ein Vertiefungsfach ist automatisch gewählt, sobald die erste Prüfung in einem Modul des Vertiefungsfaches abgelegt wurde. Diese Wahl kann mit einem Antrag auf Umbuchung geändert werden (s. auch https://www.informatik.kit.edu/faq-wiki/doku.php).
Wie zuvor erwähnt, zählen auch Praktikums- und Seminarmodule zu den Modulen, die in Vertiefungsfächern angerechnet werden können.
In jedem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden. Ausnahme bilden die Vertiefungsfächer Telematik und Systemarchitektur : In den Vertiefungsfächern Telematik und Systemarchitektur müssen jeweils mind. 8 LP aus Vorlesungen (keine Stammvorlesung) erbracht werden. Anstelle mehrerer mündlicher Prüfungen zu Modulen eines Vertiefungsfachs kann eine modulübergreifende Prüfung zu diesen Modulen durchgeführt werden. Darüber entscheidet der/die Prüfer/in.
Insgesamt können in einem Vertiefungsfach bis zu 52 LP erbracht werden, jedoch können insgesamt im Studium nicht mehr als 120 LP absolviert werden.
Im Rahmen des Masterstudiums ist ein Wahlbereich zu absolvieren. Die Leistungspunkte des Wahlbereichs sind variabel und hängen davon ab, wie viele Leistungspunkte in den anderen Fächern erbracht wurden. Maximal stehen für den Wahlbereich 49 LP zur Verfügung (120 LP abzüglich der Pflichtleistungen in den anderen Fächern sowie der Masterarbeit).
Alle Module aus den Vertiefungsfächern können im Wahlbereich gewählt werden. Bei der Auswahl sollte allerdings darauf geachtet werden, dass für die gewünschten Vertiefungsfächer noch ausreichend viele Module im Angebot sind.
Folgende Randbedingungen müssen beachtet werden:
Diese Leistungen können sowohl in Vertiefungsfächern als auch im Wahlfach angerechnet werden. Module aus de Ergänzungsfach werden hierzu nicht berücksichtigt (s. auch. Abbildung 1).
Im Rahmen der Seminare müssen Studierende sich mit dem ILIAS-Kurs zur guten Wissenschaftlichen Praxis auseinandersetzen: „Onlinekurs: Gute wissenschaftliche Praxis“. Dafür sind 3 Stunden vorgesehen. Unabhängig davon bietet das House of Competence das Absolvieren des Kurses mit 1 LP an. Studierende können diese Leistung als Schlüsselqualifikation erbringen.
Das Ergänzungsfach soll Kenntnisse in einem der vielen Anwendungsgebiete der Informatik vermitteln. Die Informatik auch außerhalb des Kernbereichs kennengelernt zu haben, ist für die weitere berufliche Entwicklung von eminenter Bedeutung.
Im Master-Studiengang werden im Rahmen des Ergänzungsfachs Module von fast allen KIT-Fakultäten des KIT angeboten. Somit ist gewährleistet, dass für fast jede denkbare Informatikanwendung ein passendes Ergänzungsfach zur Verfügung steht.
Das Ergänzungsfach kann aus einem oder mehreren Modulen bestehen. Es sind Module im Umfang von insgesamt 9 – 18 LP zu wählen. Die variable Anzahl von Leistungspunkten ermöglicht dem Studierenden eine möglichst verschnittfreie Auswahl seiner Ergänzungsfachmodule. Eine Liste der Ergänzungsfächer und die darin enthaltenen Module befindet sich im Abschnitt 3.5.
Je nach Ausprägung des Ergänzungsfaches kann es vorkommen, dass die Mindestanzahl der Leistungspunkte, die erreicht werden kann bzw. muss, über 9 LP liegt.
Im Masterstudiengang kann auf formlosen Antrag an den zuständigen Prüfungsaussschuss auch ein anderes Fach zum Ergänzungsfach gewählt werden. Dabei ist dem Antrag eine Übersicht über alle abzulegenden Prüfungen und deren LP beizulegen. Die Prüfungsübersicht muss von einem Prüfer oder einer Prüferin, die/der für eine der beantragten Prüfungen zuständig ist, als konsistent und möglich unterzeichnet werden. Details und Ausnahmen sind dem FAQ zu entnehmen: https://www.informatik.kit.edu/faq-wiki/doku.php.
Teil des Studiums ist auch der Erwerb von Überfachlichen Qualifikationen im Umfang von 2 – 6 Leistungspunkten. Zu diesem Bereich zählen überfachliche Veranstaltungen zu gesellschaftlichen Themen, fachwissenschaftliche Ergänzungsangebote, welche die Anwendung des Fachwissens im Arbeitsalltag vermitteln, Kompetenztrainings zur gezielten Schulung von Soft Skills sowie Fremdsprachentrainings.
Im Modul „Überfachliche Qualifikationen“ können alle Veranstaltungen des House of Competence (HoC), des Zentrums für angewandte Kulturwissenschaften (ZAK) (mit Ausnahme der Informatikveranstaltungen und Veranstaltungen aus dem Ergänzungsfach) und des Sprachenzentrums (SpZ) (mit Ausnahme von Deutschkursen und Kursen in der Muttersprache), aber auch spezielle fakultätsinterne Angebote belegt werden. In dem hier integrierten Modulhandbuch werden deswegen im Gegensatz zu den fakultätsinternen Lehrveranstaltungen die einzelnen Lehrveranstaltungen des HoC, ZAK und SpZ nicht aufgeführt.
Auf Fachebene werden Schlüsselqualifikationen als nicht benotete Leistungen im Studium eingerechnet. Leistungen werden mit oder ohne Note verbucht (so, wie bescheinigt), der Bereich Überfachliche Qualifikationen wird aber im Studienablaufplan nur mit bestanden / nicht bestanden ausgewiesen. Für den Abschluss werden somit nur die Leistungspunkte (und nicht die Noten) berücksichtigt.
Teilnahmebescheinigungen werden nicht angerechnet. Um die Leistungen anrechnen zu können, muss eine Erfolgskontrolle durchgeführt und deren Ergebnis bescheinigt werden.
Im Master-Studiengang Informatik können bis zu 30 Leistungspunkte durch Zusatzleistungen erbracht werden. Diese zählen, was den Umfang und die Note betrifft, nicht zum Master-Abschluss.
| Pflichtbestandteile | |
|---|---|
| Masterarbeit | 30 |
| Vertiefungsfach 1 | 15-52 |
| Vertiefungsfach 2 | 15-52 |
| Wahlbereich Informatik | 12-49 |
| Ergänzungsfach | 9-18 |
| Überfachliche Qualifikationen | 2-6 |
| Pflichtbestandteile | ||
|---|---|---|
| M-INFO-101892 | Modul Masterarbeit | 30 |
| Vertiefungsfach 1 (Wahl: 1 Bestandteil) | |
|---|---|
| Theoretische Grundlagen | 15-52 |
| Algorithmentechnik | 15-52 |
| Kryptographie und Sicherheit | 15-52 |
| Parallelverarbeitung | 15-52 |
| Softwaretechnik und Übersetzerbau | 15-52 |
| Entwurf eingebetteter Systeme und Rechnerarchitektur | 15-52 |
| Telematik | 15-52 |
| Informationssysteme | 15-52 |
| Computergrafik und Geometrieverarbeitung | 15-52 |
| Robotik und Automation | 15-52 |
| Anthropomatik und Kognitive Systeme | 15-52 |
| Systemarchitektur | 15-52 |
Vertiefungsfach Koordinatoren: Prof. B. Beckert, Prof. P. Sanders
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. P. Sanders
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. J. Müller-Quade
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. W. Karl
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
| Wahl Parallelverarbeitung (Wahl: mindestens 1 Bestandteil sowie zwischen 15 und 52 LP) | ||
|---|---|---|
| M-INFO-100749 | Introduction to Bioinformatics for Computer Scientists | 3 |
| M-INFO-100796 | Parallele Algorithmen | 5 |
| M-INFO-100808 | Parallelrechner und Parallelprogrammierung | 4 |
| M-INFO-100818 | Rechnerstrukturen | 6 |
| M-INFO-100750 | Seminar: Hot Topics in Bioinformatics | 3 |
| M-INFO-101573 | Hands-on Bioinformatics Practical | 3 |
| M-INFO-100761 | Verteiltes Rechnen | 4 |
| M-INFO-103506 | Praktikum: Effizientes paralleles C++ | 6 |
| M-INFO-105330 | Seminar: Scalable Parallel Graph Algorithms | 4 |
| M-INFO-105868 | Skalierbare Methoden der künstlichen Intelligenz | 4 |
| M-INFO-105888 | Seminar: Advanced Topics in High Performance Computing, Data Management and Analytics | 4 |
| M-INFO-106086 | Seminar: Algorithm Engineering | 4 |
Vertiefungsfach Koordinatoren: Prof. A. Koziolek, Prof. R. Reussner
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. J. Henkel, Prof. W. Karl
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. S. Abeck, Prof. H. Hartenstein, Prof. M. Zitterbart
In diesem Vertiefungsfach müssen mind. 8 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. K. Böhm
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
| Wahl Informationssysteme (Wahl: mindestens 1 Bestandteil sowie zwischen 15 und 52 LP) | ||
|---|---|---|
| M-INFO-100780 | Datenbankeinsatz | 5 |
| M-INFO-101662 | Datenbank-Praktikum | 4 |
| M-INFO-101794 | Seminar Informationssysteme | 3 |
| M-INFO-104045 | Datenschutz von Anonymisierung bis Zugriffskontrolle | 3 |
| M-INFO-105632 | Praktikum: Data Science | 6 |
| M-INFO-105724 | Datenbankfunktionalität in der Cloud | 5 |
| M-INFO-106312 | Praktikum: Datenbankkonzepte und -technologie für die Wissenschaften | 4 |
| M-INFO-106329 | Praktikum: Data Science für die Wissenschaften | 6 |
| M-INFO-105037 | Praxis der Forschung (Projekt, 1. Semester) | 10 |
| M-INFO-105038 | Praxis der Forschung (Projekt, 2. Semester) | 10 |
| M-INFO-106505 | Data Science | 8 |
Vertiefungsfach Koordinatoren: Prof. C. Dachsbacher, Prof. H. Prautzsch
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. T. Asfour
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. R. Stiefelhagen
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. F. Bellosa
In diesem Vertiefungsfach müssen mind. 8 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
| Wahl Systemarchitektur (Wahl: mindestens 1 Bestandteil sowie zwischen 15 und 52 LP) | ||
|---|---|---|
| M-INFO-100804 | Power Management | 3 |
| M-INFO-100807 | Low Power Design | 3 |
| M-INFO-100818 | Rechnerstrukturen | 6 |
| M-INFO-100822 | Heterogene parallele Rechensysteme | 3 |
| M-INFO-100849 | Seminar Betriebssysteme für Fortgeschrittene | 6 |
| M-INFO-100867 | Virtuelle Systeme | 3 |
| M-INFO-101542 | Power Management Praktikum | 3 |
| M-INFO-102998 | Softwarepraktikum Parallele Numerik | 6 |
| M-INFO-103062 | Seminar Ausgewählte Kapitel der Rechnerarchitektur | 3 |
| M-INFO-104072 | Projektpraktikum Heterogeneous Computing | 6 |
| M-INFO-105037 | Praxis der Forschung (Projekt, 1. Semester) | 10 |
| M-INFO-105038 | Praxis der Forschung (Projekt, 2. Semester) | 10 |
| M-INFO-101540 | Seminar: Betriebssysteme | 3 |
| Vertiefungsfach 2 (Wahl: 1 Bestandteil) | |
|---|---|
| Theoretische Grundlagen | 15-52 |
| Algorithmentechnik | 15-52 |
| Kryptographie und Sicherheit | 15-52 |
| Parallelverarbeitung | 15-52 |
| Softwaretechnik und Übersetzerbau | 15-52 |
| Entwurf eingebetteter Systeme und Rechnerarchitektur | 15-52 |
| Telematik | 15-52 |
| Informationssysteme | 15-52 |
| Computergrafik und Geometrieverarbeitung | 15-52 |
| Robotik und Automation | 15-52 |
| Anthropomatik und Kognitive Systeme | 15-52 |
| Systemarchitektur | 15-52 |
Vertiefungsfach Koordinatoren: Prof. B. Beckert, Prof. P. Sanders
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. P. Sanders
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. J. Müller-Quade
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. W. Karl
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
| Wahl Parallelverarbeitung (Wahl: mindestens 1 Bestandteil sowie zwischen 15 und 52 LP) | ||
|---|---|---|
| M-INFO-100749 | Introduction to Bioinformatics for Computer Scientists | 3 |
| M-INFO-100796 | Parallele Algorithmen | 5 |
| M-INFO-100808 | Parallelrechner und Parallelprogrammierung | 4 |
| M-INFO-100818 | Rechnerstrukturen | 6 |
| M-INFO-100750 | Seminar: Hot Topics in Bioinformatics | 3 |
| M-INFO-101573 | Hands-on Bioinformatics Practical | 3 |
| M-INFO-100761 | Verteiltes Rechnen | 4 |
| M-INFO-103506 | Praktikum: Effizientes paralleles C++ | 6 |
| M-INFO-105330 | Seminar: Scalable Parallel Graph Algorithms | 4 |
| M-INFO-105868 | Skalierbare Methoden der künstlichen Intelligenz | 4 |
| M-INFO-105888 | Seminar: Advanced Topics in High Performance Computing, Data Management and Analytics | 4 |
| M-INFO-106086 | Seminar: Algorithm Engineering | 4 |
Vertiefungsfach Koordinatoren: Prof. A. Koziolek, Prof. R. Reussner
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. J. Henkel, Prof. W. Karl
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. S. Abeck, Prof. H. Hartenstein, Prof. M. Zitterbart
In diesem Vertiefungsfach müssen mind. 8 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. K. Böhm
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
| Wahl Informationssysteme (Wahl: mindestens 1 Bestandteil sowie zwischen 15 und 52 LP) | ||
|---|---|---|
| M-INFO-100780 | Datenbankeinsatz | 5 |
| M-INFO-101662 | Datenbank-Praktikum | 4 |
| M-INFO-101794 | Seminar Informationssysteme | 3 |
| M-INFO-104045 | Datenschutz von Anonymisierung bis Zugriffskontrolle | 3 |
| M-INFO-105632 | Praktikum: Data Science | 6 |
| M-INFO-105724 | Datenbankfunktionalität in der Cloud | 5 |
| M-INFO-106312 | Praktikum: Datenbankkonzepte und -technologie für die Wissenschaften | 4 |
| M-INFO-106329 | Praktikum: Data Science für die Wissenschaften | 6 |
| M-INFO-105037 | Praxis der Forschung (Projekt, 1. Semester) | 10 |
| M-INFO-105038 | Praxis der Forschung (Projekt, 2. Semester) | 10 |
| M-INFO-106505 | Data Science | 8 |
Vertiefungsfach Koordinatoren: Prof. C. Dachsbacher, Prof. H. Prautzsch
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. T. Asfour
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. R. Stiefelhagen
In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
Vertiefungsfach Koordinatoren: Prof. F. Bellosa
In diesem Vertiefungsfach müssen mind. 8 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.
| Wahl Systemarchitektur (Wahl: mindestens 1 Bestandteil sowie zwischen 15 und 52 LP) | ||
|---|---|---|
| M-INFO-100804 | Power Management | 3 |
| M-INFO-100807 | Low Power Design | 3 |
| M-INFO-100818 | Rechnerstrukturen | 6 |
| M-INFO-100822 | Heterogene parallele Rechensysteme | 3 |
| M-INFO-100849 | Seminar Betriebssysteme für Fortgeschrittene | 6 |
| M-INFO-100867 | Virtuelle Systeme | 3 |
| M-INFO-101542 | Power Management Praktikum | 3 |
| M-INFO-102998 | Softwarepraktikum Parallele Numerik | 6 |
| M-INFO-103062 | Seminar Ausgewählte Kapitel der Rechnerarchitektur | 3 |
| M-INFO-104072 | Projektpraktikum Heterogeneous Computing | 6 |
| M-INFO-105037 | Praxis der Forschung (Projekt, 1. Semester) | 10 |
| M-INFO-105038 | Praxis der Forschung (Projekt, 2. Semester) | 10 |
| M-INFO-101540 | Seminar: Betriebssysteme | 3 |
Im Wahlbereich müssen mind. 12 LP gewählt werden.
| Ergänzungsfach (Wahl: 1 Bestandteil) | |
|---|---|
| Recht | 9-18 |
| Mathematik | 9-18 |
| Experimentalphysik | 15 |
| Theoretische Physik | 9-18 |
| Informationsmanagement im Ingenieurwesen | 9-18 |
| Elektro- und Informationstechnik | 9-18 |
| Biologie | 9-18 |
| Soziologie | 9-18 |
| Medienkunst | 9-18 |
| Betriebswirtschaftslehre | 9-18 |
| Volkswirtschaftslehre | 9-18 |
| Operations Research | 9-18 |
| Verkehrswesen | 9-18 |
| Mathematik für Daten-Intensives Rechnen | 9-18 |
| Betriebswirtschaftslehre für dataintensives Rechnen | 9-18 |
| Materialwissenschaften für dataintensives Rechnen | 9-18 |
| Automation und Energienetze | 9-18 |
| Gesellschaftliche Aspekte | 9-18 |
| Philosophie | 9-18 |
| Meteorologie | 14 |
Ansprechpartner Dr. Matz, yvonne.matz@kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-INFO-101215 | Recht des geistigen Eigentums | 9 |
| M-INFO-101216 | Recht der Wirtschaftsunternehmen | 9 |
| M-INFO-101217 | Öffentliches Wirtschaftsrecht | 9 |
Ansprechpartner Dr. Kühnlein, stefan.kuehnlein@kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-MATH-101315 | Algebra | 9 |
| M-MATH-101317 | Differentialgeometrie | 9 |
| M-MATH-101320 | Funktionalanalysis | 9 |
| M-MATH-101336 | Graphentheorie | 9 |
| M-MATH-101338 | Paralleles Rechnen | 5 |
| M-MATH-101724 | Algebraische Geometrie | 9 |
| M-MATH-101725 | Algebraische Zahlentheorie | 9 |
| M-MATH-103164 | Analysis 4 | 9 |
| M-MATH-102950 | Kombinatorik | 9 |
| M-MATH-103709 | Numerische Lineare Algebra für das wissenschaftliche Rechnen auf Hochleistungsrechnern | 5 |
Ansprechpartner Dr. Haberland, hagen.haberland@kit.edu
| Praktikum Klassische Physik I oder II (Wahl: 1 Bestandteil sowie 6 LP) | ||
|---|---|---|
| M-PHYS-101353 | Praktikum Klassische Physik I | 6 |
| M-PHYS-101354 | Praktikum Klassische Physik II | 6 |
| Wahlpflichtblock 9 LP (Wahl: 9 LP) | ||
| M-PHYS-101705 | Moderne Experimentalphysik II, Moleküle und Festkörper | 9 |
| M-PHYS-101927 | Fundamentals of Optics and Photonics | 9 |
| M-PHYS-102114 | Teilchenphysik I | 9 |
Ansprechpartner Prof. Steinhauser, Matthias.Steinhauser@kit.edu
| Pflichtbestandteile | ||
|---|---|---|
| M-PHYS-101664 | Moderne Theoretische Physik für Lehramt | 9 |
| Wahlblock (Wahl: zwischen 0 und 1 Bestandteilen sowie zwischen 0 und 9 LP) | ||
| M-PHYS-101708 | Moderne Theoretische Physik II, Quantenmechanik II | 6 |
| M-PHYS-101709 | Moderne Theoretische Physik III, Statistische Physik | 8 |
| M-PHYS-101933 | Computational Photonics, with ext. Exercises | 8 |
| M-PHYS-102277 | Theoretical Optics | 6 |
| M-PHYS-103089 | Computational Photonics, without ext. Exercises | 6 |
Ansprechpartnerin Prof. Ovtcharova, jivka.ovtcharova@kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-MACH-102404 | Informationsmanagement im Ingenieurwesen | 10 |
Ansprechpartner Prof. Kluwe, mathias.kluwe@kit.edu
Ansprechpartner Prof. Kämper, joerg.kaemper@kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-CHEMBIO-101957 | Ergänzungsfach Biologie | 9 |
Ansprechpartner Dr. Haupt, andreas.haupt@kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-GEISTSOZ-103736 | Methoden empirischer Sozialforschung | 9 |
| M-GEISTSOZ-103737 | Empirische Sozialforschung | 9 |
Ansprechpartner Prof. Bielicky, Frau Siewerdt, Tel. 0721 8203-2367
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-INFO-102288 | Medienkunst | 18 |
| M-INFO-103147 | Medienkunst Modell "kleines Nebenfach" | 14 |
Ansprechparter Herr Hilser, pruefungssekretariat@wiwi.kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-WIWI-101409 | Electronic Markets | 9 |
| M-WIWI-101410 | Business & Service Engineering | 9 |
| M-WIWI-101412 | Industrielle Produktion III | 9 |
| M-WIWI-101446 | Market Engineering | 9 |
| M-WIWI-101448 | Service Management | 9 |
| M-WIWI-101451 | Energiewirtschaft und Energiemärkte | 9 |
| M-WIWI-101452 | Energiewirtschaft und Technologie | 9 |
| M-WIWI-101482 | Finance 1 | 9 |
| M-WIWI-101483 | Finance 2 | 9 |
| M-WIWI-101488 | Entrepreneurship (EnTechnon) | 9 |
| M-WIWI-101503 | Service Design Thinking | 9 |
| M-WIWI-101506 | Service Analytics | 9 |
| M-WIWI-101507 | Innovationsmanagement | 9 |
| M-WIWI-101471 | Industrielle Produktion II | 9 |
| M-WIWI-105032 | Data Science for Finance | 9 |
| M-WIWI-105659 | Advanced Machine Learning and Data Science | 9 |
| M-WIWI-105661 | Data Science: Intelligente, adaptive und lernende Informationsdienste | 9 |
| M-WIWI-106292 | Human-Centered Information Systems | 9 |
| M-WIWI-106258 | Digital Marketing | 9 |
Ansprechparter Herr Hilser, pruefungssekretariat@wiwi.kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-WIWI-101453 | Angewandte strategische Entscheidungen | 9 |
| M-WIWI-101500 | Microeconomic Theory | 9 |
| M-WIWI-101502 | Ökonomische Theorie und ihre Anwendung in Finance | 9 |
| M-WIWI-101504 | Collective Decision Making | 9 |
Ansprechparter Herr Hilser, pruefungssekretariat@wiwi.kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-WIWI-101473 | Mathematische Optimierung | 9 |
| M-WIWI-103289 | Stochastische Optimierung | 9 |
| M-WIWI-102832 | Operations Research im Supply Chain Management | 9 |
Ansprechpartner Prof. Vortisch, peter.vortisch@kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-BGU-102963 | Verkehrswesen für Informatik I | 9 |
| M-BGU-102964 | Verkehrswesen für Informatik II | 18 |
Ansprechpatner Prof. Hug, daniel.hug@kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-MATH-102889 | Einführung in das Wissenschaftliche Rechnen | 9 |
| M-MATH-102906 | Generalisierte Regressionsmodelle | 5 |
| M-MATH-102910 | Nichtparametrische Statistik | 5 |
| M-MATH-102911 | Zeitreihenanalyse | 5 |
| M-MATH-102929 | Mathematische Modellierung und Simulation in der Praxis | 5 |
| M-MATH-102939 | Extremwerttheorie | 5 |
| M-MATH-102956 | Vorhersagen: Theorie und Praxis | 9 |
| M-MATH-103219 | Optimierungstheorie | 9 |
| M-MATH-103220 | Statistik | 10 |
| M-MATH-103709 | Numerische Lineare Algebra für das wissenschaftliche Rechnen auf Hochleistungsrechnern | 5 |
Ansprechpartner Prof. Mädche, alexander.maedche@kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-INFO-104199 | Betriebswirtschaftslehre für dataintensives Rechnen | 18 |
Ansprechpartnerin Prof. Nestler, britta.nestler@kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-INFO-104200 | Materialwissenschaften für dataintensives Rechnen | 18 |
Ansprechpartner Prof. Hagenmeyer, veit.hagenmeyer@kit.edu
| Wahlbereich (Wahl: zwischen 9 und 18 LP) | ||
|---|---|---|
| M-ETIT-102181 | Systemdynamik und Regelungstechnik | 6 |
| M-MACH-102564 | Mess- und Regelungstechnik | 7 |
| M-ETIT-102310 | Optimale Regelung und Schätzung | 3 |
| M-ETIT-101845 | Lineare Elektrische Netze | 7 |
| M-ETIT-100534 | Energieübertragung und Netzregelung | 5 |
| M-INFO-105955 | Praktikum: Smart Energy System Lab | 6 |
Ansprechpartner Prof. Dreier, Dr. Matz, yvonne.matz@kit.edu
| Wahlbereich (Wahl: mindestens 1 Bestandteil sowie zwischen 9 und 18 LP) | ||
|---|---|---|
| M-INFO-104808 | Gesellschaftliche Aspekte | 18 |
Ansprechpartner Dr. Link, h.link@kit.edu
| Pflicht (Wahl: 1 Bestandteil) | ||
|---|---|---|
| M-GEISTSOZ-103430 | Einführung in die Philosophie | 14 |
| M-GEISTSOZ-104500 | Einführung in die Philosophie (Euklid) | 10 |
| Wahlpflichtfach (Wahl: höchstens 1 Bestandteil) | ||
| M-GEISTSOZ-104507 | Praktische Philosophie I | 11 |
| M-GEISTSOZ-104509 | Theoretische Philosophie I | 11 |
| M-GEISTSOZ-100614 | Ars Rationalis | 10 |
| Wahlbereich (Wahl: 14 LP) | ||
|---|---|---|
| M-PHYS-104577 | Selected Topics in Meteorology (Second Major, graded) | 14 |
| Wahl Überfachliche Qualifikationen (Wahl: zwischen 2 und 6 LP) | ||
|---|---|---|
| M-INFO-102835 | Schlüsselqualifikationen | 6 |
| M-INFO-105033 | Praxis der Forschung (Methoden, 1. Semester) | 2 |
| M-INFO-105034 | Praxis der Forschung (Methoden, 2. Semester) | 2 |
| Verantwortung: |
Prof. Dr. Hannes Hartenstein
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Kryptographie und Sicherheit
Vertiefungsfach 1 / Telematik Vertiefungsfach 2 / Kryptographie und Sicherheit Vertiefungsfach 2 / Telematik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-112775 | Access Control Systems: Models and Technology | 5 | Hartenstein |
See Partial Achievements (Teilleistung).
See Partial Achievements (Teilleistung).
Access control systems are everywhere and the backbone of secure services as they incorporate who is and who is not authorized: think of operating systems, information systems, banking, vehicles, robotics, cryptocurrencies, or decentralized applications as examples. The course starts with current challenges of access control in the era of hyperconnectivity, i.e., in cyber-physical or decentralized systems. Based on the derived needs for next generation access control, we first study how to specify access control and analyze strengths and weaknesses of various approaches. We then focus on up-to-date proposals, like IoT and AI access control. We look at current cryptographic access control aspects, blockchains and cryptocurrencies, and trusted execution environments. We also discuss the ethical dimension of access management. Students prepare for lecture and exercise sessions by studying previously announced literature and by preparation of exercises that are jointly discussed in the sessions.
Lecture workload:
Σ = 150h = 5 ECTS
Basics according to the lectures "IT Security Management for Networked Systems" and "Telematics" are recommended.
| Verantwortung: |
Prof. Dr. Maxim Ulrich
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-WIWI-111305 | Advanced Machine Learning and Data Science | 9 | Ulrich |
Due to the professor’s research sabbatical, the BSc module “Financial Data Science” and MSc module “Foundations for Advanced Financial -Quant and -Machine Learning Research” and the MSc module “Advanced Machine Learning and Data Science” along with the respective examinations will not be offered in SS2023. Bachelor and Master thesis projects are not affected and will be supervised.
Die Erfolgskontrolle erfolgt in Form einer Prüfungsleistung anderer Art. Die Abschlussnote wird auf der Grundlage der Zwischenpräsentationen während des Projekts, der Qualität der Implementierung, der schriftlichen Abschlussarbeit und einer Endpräsentation bewertet.
siehe T-WIWI-106193 "Advanced Machine Learning and Data Science".
Nach einem erfolgreichen Projekt können die Studierenden:
Der Kurs richtet sich an Studenten mit einem Hauptfach in Data Science und/oder Machine Learning und/oder Quantitative Finance. Er bietet den Studierenden die Möglichkeit, praktische Kenntnisse über neue Entwicklungen im Spannungsfeld Finanzmärkte, Datenwissenschaft und des maschinellen Lernens zu erwerben. Das Ergebnis des Projekts soll nicht nur eine schriftliche Ausarbeitung sein, sondern die Implementierung von Methoden oder die Entwicklung eines Algorithmus im Bereich des maschinellen Lernens und der Datenwissenschaft. Typischerweise stammen Problemstellung und Daten aus Forschung und Innovation im Bereich des quantitativen Asset- und Risikomanagements.
Gesamtaufwand für 9 Leistungspunkte: ca. 270 Stunden, die sich auf folgende Teile aufteilen: Kommunikation: Austausch während des Projekts: 30 h, Abschlusspräsentation: 10 h; Durchführung und Abschlussarbeit: Vorbereitung vor der Entwicklung (Problemanalyse und Lösungsentwurf): 70 h, Umsetzung der Lösung: 110 h, Tests und Qualitätssicherung: 50 h.
Keine
| Verantwortung: |
PD Dr. Stefan Kühnlein
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Mathematik |
| Bestandteil von: |
Ergänzungsfach / Mathematik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-MATH-102253 | Algebra | 9 | Kühnlein, Sauer |
Die Modulprüfung erfolgt in Form einer mündlichen Gesamtprüfung (ca. 30 min.)
Keine
Absolventinnen und Absolventen können
Die Modulnote ist die Note der mündlichen Prüfung.
Gesamter Arbeitsaufwand: 240 Stunden
Präsenzzeit: 90 Stunden
Selbststudium: 150 Stunden
Das Modul "Einführung in Algebra und Zahlentheorie" sollte bereits belegt worden sein.
| Verantwortung: |
PD Dr. Stefan Kühnlein
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Mathematik |
| Bestandteil von: |
Ergänzungsfach / Mathematik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-MATH-103340 | Algebraische Geometrie | 9 | Herrlich, Kühnlein |
Die Modulprüfung erfolgt in Form einer mündlichen Gesamtprüfung von ca. 30 Minuten Dauer.
Keine
Absolventen und Absolventinnen können
• grundlegende Konzepte der Theorie der algebraischen Varietäten nennen und erörtern,
• Hilfsmittel aus der Algebra, insbesondere der Theorie der Polynomringe, auf geometrische Fragestellungen anwenden,
• wichtige Resultate der klassischen algebraischen Geometrie erläutern und auf Beispiele anwenden,
• und sind darauf vorbereitet, Forschungsarbeiten aus der algebraischen Geometrie zu lesen und eine Abschlussarbeit in diesem Bereich zu schreiben.
• Hilbertscher Nullstellensatz
• affine und projektive Varietäten
• Morphismen und rationale Abbildungen
• nichtsinguläre Varietäten
• algebraische Kurven
• Satz von Riemann-Roch
Die Modulnote ist die Note der mündlichen Prüfung.
Gesamter Arbeitsaufwand: 240 Stunden
Präsenzzeit: 90 Stunden
Selbststudium: 150 Stunden
Folgende Module sollten bereits belegt worden sein:
Einführung in Algebra und Zahlentheorie
Algebra
| Verantwortung: |
PD Dr. Stefan Kühnlein
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Mathematik |
| Bestandteil von: |
Ergänzungsfach / Mathematik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-MATH-103346 | Algebraische Zahlentheorie | 9 | Herrlich, Kühnlein |
Die Modulprüfung erfolgt in Form einer mündlichen Gesamtprüfung (ca. 30 min.)
Keine
Absolventinnen und Absolventen
Die Modulnote ist die Note der mündlichen Prüfung.
Gesamter Arbeitsaufwand: 240 Stunden
Präsenzzeit: 90 Stunden
Selbststudium: 150 Stunden
Die Inhalte des Moduls „Algebra“ werden dringend empfohlen.
| Verantwortung: |
Prof. Dr. Peter Sanders
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Algorithmentechnik
Vertiefungsfach 2 / Algorithmentechnik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101332 | Algorithm Engineering | 4 | Sanders |
| T-INFO-111856 | Algorithm Engineering Übung | 1 | Sanders |
Siehe Teilleistung
Siehe Teilleistung
Die Studierenden erwerben ein systematisches Verständnis algorithmischer Fragestellungen und Lösungsansätze im Bereich Algorithm Engineering, das auf dem bestehenden Wissen im Themenbereich Algorithmik aufbaut. Außerdem kann er/sie erlernte Techniken auf verwandte Fragestellungen anwenden und aktuelle Forschungsthemen im Bereich Algorithm Engineering interpretieren und nachvollziehen.
Nach erfolgreicher Teilnahme an der Lehrveranstaltung können die Studierenden
Die oben angegebenen Fertigkeiten werden vor allem anhand von konkreten Beispielen gelehrt. In der Vergangenheit waren das zum Beispiel die folgenden Themen aus dem Bereich grundlegender Algorithmen und Datenstrukturen:
dabei geht es jeweils um die besten bekannten praktischen und theoretischen Verfahren. Diese weichen meist erheblich von den in Anfängervorlesungen gelehrten Verfahren ab.
Vorlesung und Übung mit 3 SWS, 5 LP
5 LP entspricht ca. 150 Arbeitsstunden, davon
ca. 45 Std. Besuch der Vorlesung und Übung bzw. Blockseminar,
ca. 25 Std. Vor- und Nachbereitung,
ca. 40 Std. Bearbeitung der Übungsblätter / Vorbereitung Minisemiar
ca. 40 Std. Prüfungsvorbereitung
| Verantwortung: |
TT-Prof. Dr. Thomas Bläsius
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Algorithmentechnik
Vertiefungsfach 2 / Algorithmentechnik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-100002 | Algorithmen für Routenplanung | 5 | Bläsius |
Siehe Teilleistung
Siehe Teilleistung
Die Teilnehmer beherrschen die Methodik des Algorithm Engineering und insbesondere ihre Anwendung im Bereich Routenplanung. Sie kennen algorithmische Problemstellungen, die sich in verschiedenen praktischen Anwendungen der Routenplanung in Transportnetzwerken ergeben. Sie sind in der Lage, diese Probleme zu identifizieren und verstehen es, die auftretenden Fragestellungen auf ihren algorithmischen Kern zu reduzieren und anschließend effizient zu lösen. Sie sind in der Lage, dabei Wissen aus den Bereichen der Graphentheorie und der Algorithmik praktisch umzusetzen. Zudem kennen die Teilnehmer verschiedene Techniken, die in der Praxis genutzt werden, um effiziente Verfahren zur Routenplanung zu implementieren. Sie kennen Verfahren zur Routenberechnung in Straßennetzen, öffentlichen Verkehrsnetzwerken sowie multimodalen Netzwerken. Studierende sind in der Lage, auch für komplexere Szenarien, wie etwa der zeitabhängigen Routenplanung, in der Praxis effizient umsetzbare Verfahren zu identifizieren und analysieren. Sie können theoretische und experimentelle Ergebnisse interpretieren und untereinander vergleichen.
Studierende sind außerdem in der Lage, neue Problemstellungen im Bereich der Routenplanung mit Methoden des Algorithm Engineering zu analysieren und Algorithmen unter Berücksichtigung moderner Rechnerarchitektur zu entwerfen, sowie aussagekräftige experimentelle Evaluationen zu planen und auszuwerten. Auf der Ebene der Modellierung sind sie in der Lage, verschiedene Modellierungsansätze zu entwickeln und deren Interpretationen zu beurteilen und zu vergleichen. Die Teilnehmer können zudem die vorgestellten Methoden und Techniken autonom auf verwandte Fragestellungen anwenden.
Optimale Routen in Verkehrsnetzen zu bestimmen ist ein alltägliches Problem. Wurden früher Reiserouten mit Hilfe von Karten am Küchentisch geplant, ist heute die computergestützte Routenplanung in weiten Teilen der Bevölkerung etabliert: Die beste Eisenbahnverbindung ermittelt man im Internet, für Routenplanung in Straßennetzen benutzt man häufig mobile Endgeräte.
Ein Ansatz, um die besten Verbindungen in solchen Netzen computergestützt zu finden, stammt aus der Graphentheorie. Man modelliert das Netzwerk als Graphen und berechnet darin einen kürzesten Weg, eine mögliche Route. Legt man Reisezeiten als Metrik zu Grunde, ist die so berechnete Route die beweisbar schnellste
Verbindung. Dijkstra's Algorithmus aus dem Jahre 1959 löst dieses Problem zwar beweisbar optimal, allerdings sind Verkehrsnetze so groß (das Straßennetzwerk von West- und Mittel-Europa besteht aus ca. 45 Millionen Abschnitten), dass der klassische Ansatz von Dijsktra zu lange für eine Anfrage braucht. Aus diesem Grund ist die Entwicklung von Beschleunigungstechniken für Dijkstra's Algorithmus Gegenstand aktueller Forschung. Dabei handelt es sich um zweistufige Verfahren, die in einem Vorverarbeitungsschritt das Netzwerk mit Zusatzinformationen anreichern, um anschließend die Berechnung von kürzesten Wegen zu beschleunigen.
Diese Vorlesung gibt einen Überblick über aktuelle Algorithmen zur effizienten Routenplanung und vertieft einige von den Algorithmen.
Vorlesung mit 3 SWS, 5 LP
5 LP entspricht ca. 150 Arbeitsstunden, davon
ca. 45 Std. Vorlesungsbesuch,
ca. 60 Std. Nachbereitung und Bearbeitung der Übungsaufgaben,
ca. 45 Std. Prüfungsvorbereitung
Siehe Teilleistung
| Verantwortung: |
Prof. Dr. Peter Sanders
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 1 / Algorithmentechnik Vertiefungsfach 2 / Theoretische Grundlagen Vertiefungsfach 2 / Algorithmentechnik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-102020 | Algorithmen II | 6 | Sanders |
Siehe Teilleistung.
Siehe Teilleistung.
Der/die Studierende besitzt einen vertieften Einblick in die theoretischen und praktischen Aspekte der Algorithmik und kann algorithmische Probleme in verschiedenen Anwendungsgebieten identifizieren und formal formulieren. Außerdem kennt er/sie weiterführende Algorithmen und Datenstrukturen aus den Bereichen Graphenalgorithmen, Algorithmische Geometrie, String-Matching,
Algebraische Algorithmen, Kombinatorische Optimierung und Algorithmen für externen Speicher. Er/Sie kann unbekannte Algorithmen eigenständig verstehen, sie den genannten Gebieten zuordnen, sie anwenden, ihre Laufzeit bestimmen, sie beurteilen sowie geeignete
Algorithmen für gegebene Anwendungen auswählen. Darüber hinaus ist der/die Studierende in der Lage bestehende Algorithmen auf verwandte Problemstellungen zu übertragen.
Neben Algorithmen für konkrete Problemstellungen kennt der/die Studierende fortgeschrittene Techniken des algorithmischen Entwurfs. Dies umfasst parametrisierte Algorithmen, approximierende Algorithmen, Online-Algorithmen, randomisierte Algorithmen, parallele Algorithmen, lineare Programmierung, sowie Techniken des Algorithm Engenieering. Für gegebene Algorithmen kann der/die Studierende eingesetzte Techniken identifizieren und damit diese Algorithmen besser verstehen. Darüber hinaus kann er für eine gegebene Problemstellung geeignete Techniken auswählen und sie nutzen, um eigene Algorithmen zu entwerfen.
Dieses Modul soll Studierenden die grundlegenden theoretischen und praktischen Aspekte der Algorithmentechnik vermitteln. Es werden generelle Methoden zum Entwurf und der Analyse von Algorithmen für grundlegende algorithmische Probleme vermittelt sowie die Grundzüge allgemeiner algorithmischer Methoden wie Approximationsalgorithmen, Lineare Programmierung, Randomisierte Algorithmen, Parallele Algorithmen und parametrisierte Algorithmen behandelt.
Vorlesung mit 3 SWS + 1 SWS Übung.
6 LP entspricht ca. 180 Stunden
ca. 45 Std. Vorlesungsbesuch,
ca. 15 Std. Übungsbesuch,
ca. 90 Std. Nachbearbeitung und Bearbeitung der Übungsblätter
ca. 30 Std. Prüfungsvorbereitung
| Verantwortung: |
Dr. rer. nat. Torsten Ueckerdt
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 1 / Algorithmentechnik Vertiefungsfach 2 / Theoretische Grundlagen Vertiefungsfach 2 / Algorithmentechnik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-104390 | Algorithmen zur Visualisierung von Graphen | 5 | Ueckerdt |
Siehe Teilleistung.
Siehe Teilleistung.
Die Studierenden erwerben ein systematisches Verständnis algorithmischer Fragestellungen und Lösungsansätze im Bereich der Visualisierung von Graphen, das auf dem bestehenden Wissen in den Themenbereichen Graphentheorie und Algorithmik aufbaut.
Nach erfolgreicher Teilnahme an der Lehrveranstaltung können die Studierenden
• Begriffe, Strukturen und grundlegende Problemdefinitionen aus der Vorlesung erklären;
• Layoutalgorithmen für verschiedene Graphklassen exemplarisch ausführen, mathematisch präzise analysieren und die algorithmischen Eigenschaften beweisen;
• Komplexitätsresultate aus der Vorlesung erklären und eigenständig ähnliche Reduktionsbeweise für neue Layoutprobleme führen;
• auswählen, welche Algorithmen zur Lösung eines gegebenen Layoutproblems geeignet sind und diese ggf. den Anforderungen einer konkreten Problemstellung anpassen;
• unbekannte Visualisierungsprobleme aus Anwendungen des Graphenzeichnens analysieren, auf den algorithmischen Kern reduzieren und daraus ein abstraktes Modell erstellen; auf Basis der in der Vorlesung erlernten Konzepte und Techniken eigene Lösungen in diesem Modell entwerfen, analysieren und die algorithmischen Eigenschaften beweisen.
Netzwerke sind relational strukturierte Daten, die in zunehmendem Maße und in den unterschiedlichsten Anwendungsbereichen auftreten. Die Beispiele reichen von physischen Netzwerken, wie z.B. Transport- und Versorgungsnetzen, hin zu abstrakten Netzwerken, z.B. sozialen Netzwerken. Für die Untersuchung und das Verständnis von Netzwerken ist die Netzwerkvisualisierung ein grundlegendes Werkzeug.
Mathematisch lassen sich Netzwerke als Graphen modellieren und das Visualisierungsproblem lässt sich auf das algorithmische Kernproblem reduzieren, ein Layout des Graphen, d.h. geeignete Knoten- und Kantenpositionen in der Ebene, zu bestimmen. Dabei werden je nach Anwendung und Graphenklasse unterschiedliche Anforderungen an die Art der Zeichnung und die zu optimierenden Gütekriterien gestellt. Das Forschungsgebiet des Graphenzeichnens greift dabei auf Ansätze aus der klassischen Algorithmik, der Graphentheorie und der algorithmischen Geometrie zurück.
Im Laufe der Veranstaltung wird eine repräsentative Auswahl an Visualisierungsalgorithmen vorgestellt und vertieft.
| Verantwortung: |
TT-Prof. Dr. Thomas Bläsius
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 1 / Algorithmentechnik Vertiefungsfach 2 / Theoretische Grundlagen Vertiefungsfach 2 / Algorithmentechnik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-104429 | Algorithmische Geometrie | 6 | Bläsius |
Siehe Teilleistung.
Siehe Teilleistung.
Die Studierenden erwerben ein systematisches Verständnis von Fragestellungen und Lösungsansätzen im Bereich der algorithmischen Geometrie, das auf dem bestehenden Wissen in der Theoretischen Informatik und Algorithmik aufbaut. Nach erfolgreicher Teilnahme an der Lehrveranstaltung können die Studierenden
• Begriffe, Strukturen und grundlegende Problemdefinitionen aus der Vorlesung erklären
• geometrische Algorithmen exemplarisch ausführen, mathematisch präzise analysieren und ihre Eigenschaften beweisen
• auswählen, welche Algorithmen und Datenstrukturen zur Lösung eines gegebenen geometrischen Problems geeignet sind und diese ggf. einer konkreten Problemstellung anpassen
• unbekannte geometrische Probleme analysieren, auf den algorithmischen Kern reduzieren und daraus ein abstraktes Modell erstellen; auf Basis der in der Vorlesung erlernten Konzepte und Techniken eigene Lösungen in diesem Modell entwerfen, analysieren und die Eigenschaften beweisen.
Räumliche Daten werden in den unterschiedlichsten Bereichen der Informatik verarbeitet, z.B. in Computergrafik und Visualisierung, in geographischen Informationssystemen, in der Robotik usw. Die algorithmische Geometrie beschäftigt sich mit dem Entwurf und der Analyse geometrischer Algorithmen und Datenstrukturen. In diesem Modul werden häufig verwendete Techniken und Konzepte der algorithmischen Geometrie vorgestellt und anhand ausgewählter und anwendungsbezogener Fragestellungen vertieft.
Vorlesung mit Übung mit 4 SWS, 6 LP
6 LP entspricht ca. 180 Arbeitsstunden, davon
ca. 60 Std. Besuch der Vorlesung und Übung
ca. 30 Std. Vor- und Nachbereitung
ca. 60 Std. Bearbeitung der Übungsblätter
ca. 30 Std. Prüfungsvorbereitung
Grundkenntnisse über Algorithmen und Datenstrukturen (z.B. aus den Vorlesungen Algorithmen 1 + 2) werden erwartet.
| Verantwortung: |
Dr. rer. nat. Torsten Ueckerdt
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 1 / Algorithmentechnik Vertiefungsfach 2 / Theoretische Grundlagen Vertiefungsfach 2 / Algorithmentechnik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-103588 | Algorithmische Graphentheorie | 5 | Ueckerdt |
Siehe Teilleistung
Siehe Teilleistung
Die Studierenden kennen grundlegende Begriff der algorithmischen Graphentheorie und die in diesem Zusammenhang wichtigsten Graphklassen und deren Charakterisierungen, nämlich perfekte Graphen, chordale Graphen, Vergleichbarkeitsgraphen, sowie Intervall-, Split-, und Permutationsgraphen. Sie können zudem Algorithmen zur Erkennung dieser Graphen sowie zur Lösung grundlegender algorithmischer Probleme auf diesen Graphen exemplarisch ausführen und analysieren. Außerdem sind sie in der Lage in angewandten Fragestellungen Teilprobleme zu identifizieren, die sich mittels dieser Graphklassen ausdrücken lassen, sowie Algorithmen für neue, zu Problemen aus der Vorlesungen verwandte Problemstellungen auf diesen Graphklassen zu entwickeln.
Viele grundlegende, in vielen Kontexten auftauchende Problemstellungen, etwa Färbungsprobleme oder das Finden von unabhängigen Mengen und maximalen Cliquen, sind in allgemeinen Graphen NP-schwer. Häufig sind in Anwendungen vorkommende Instanzen dieser schwierigen Probleme aber wesentlich stärker strukturiert und lassen sich daher effizient lösen. In der Vorlesung werden zunächst perfekte Graphen sowie deren wichtigste Unterklasse, die chordalen Graphen, eingeführt und Algorithmen für diverse im allgemeinen NP-schwere Probleme auf chordalen Graphen vorstellt. Anschließend werden vertiefte Konzepte wie Vergleichbarkeitsgraphen besprochen, mit deren Hilfe sich diverse weitere Graphklassen (Intervall-, Split-, und Permutationsgraphen) charakterisieren und und erkennen lassen, sowie Werkzeuge zum Entwurf von spezialisierten Algorithmen für diese vorgestellt.
5 LP entspricht ca. 150 Arbeitsstunden, davon
ca. 45h Vorlesungsbesuch
ca. 60h Nachbereitung und Bearbeitung der Übungsaufgaben
ca. 45h Prüfungsvorbereitung
Siehe Teilleistung
| Verantwortung: |
Prof. Dr. Roland Schnaubelt
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Mathematik |
| Bestandteil von: |
Ergänzungsfach / Mathematik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-MATH-106286 | Analysis 4 - Prüfung | 9 | Frey, Herzog, Hundertmark, Lamm, Plum, Reichel, Schnaubelt, Tolksdorf |
Die Modulprüfung erfolgt in Form einer schriftlichen Gesamtprüfung (120 min).
Keine
Die Studierenden können einfache Anwendungsprobleme als gewöhnliche Differentialgleichungen modellieren. Für Anfangswertprobleme können sie die Existenz und Eindeutigkeit der Lösungen nachweisen. Sie sind in der Lage
qualitative Eigenschaften der Lösungen mit Hilfe der Phasenebene zu analysieren und die Stabilität von Fixpunkten bestimmen. Sie können lineare Randwertprobleme auf ihre Lösbarkeit untersuchen und beherrschen einfache Lösungsmethoden für elementare partielle Differentialgleichungen.
Die Studierenden verstehen den grundsätzlichen Unterschied zwischen reeller und komplexer Funktionentheorie. Anhand von Reihendarstellungen und dem Satz von Cauchy können sie die besonderen Eigenschaften holomorpher Funktionen begründen und die Hauptsätze der Funktionentheorie ableiten. Sie können isolierte Singularitäten bestimmen und damit reelle Integrale berechnen.
• Modellierung mit Differentialgleichungen
• Existenztheorie
• Phasenebene, Stabilität
• Randwertprobleme, elementare partielle Differentialgleichungen
• Holomorphie
• Integralsatz und -formel von Cauchy
• Hauptsätze der Funktionentheorie
• isolierte Singularitäten, reelle Integrale
Die Modulnote ist die Note der schriftlichen Prüfung.
Gesamter Arbeitsaufwand: 240 Stunden
Präsenzzeit: 90 Stunden
Selbststudium: 150 Stunden
Empfehlung: Analysis 1-3, Lineare Algebra 1+2.
| Verantwortung: |
Prof. Dr. Hartmut Prautzsch
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Computergrafik und Geometrieverarbeitung
Vertiefungsfach 2 / Computergrafik und Geometrieverarbeitung Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-109924 | Angewandte Differentialgeometrie | 3 | Prautzsch |
See partial achievements (Teilleistung)
See partial achievements (Teilleistung)
Students of this course are knowledgeable about basic concepts of classic differential geometry and discrete differential geometry and are able to apply these concepts in the design and analysis of smooth and discrete surfaces.
Frenet frame, contact of curves, first and second fundamental form, Meusnier*s theorem, Darboux frame, asymptotic lines, geodesics, curvature lines, parallel transport, Dupin’s indicatrix, Gaussian and mean curvature, conjugate curve networks, developable surfaces, minimal surfaces, conformal maps, Dirichlet energy, various normal estimates, plane of regression, straightest lines on meshes, discrete geodesic curvature, vector fields on meshes, distance fields on meshes, estimates of the second fundamental form, discrete Gaussian curvature. spherical indicatrix, discrete minimal surfaces.
90 h
The lecture builds on parts of the contents of the lectures Algorithms I and Algorithms II. Corresponding previous knowledge is therefore helpful.
| Verantwortung: |
Dr.-Ing. Holger Jäkel
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Elektrotechnik und Informationstechnik |
| Bestandteil von: |
Ergänzungsfach / Elektro- und Informationstechnik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-ETIT-100748 | Angewandte Informationstheorie | 6 | Jäkel |
Die Erfolgskontrolle erfolgt in Form einer mündlichen Prüfung im Umfang von 20 Minuten.
keine
Studierende beherrschen die Methoden und Begriffe der Informationstheorie und können diese zur Analyse nachrichtentechnischer Fragestellungen anwenden.
Die Studierenden erlangen die Fähigkeit, den Informationsgehalt von Quellen und den Informationsfluss in Systemen zu untersuchen und deren Bedeutung für die Realisierung nachrichtentechnischer Systeme zu bewerten.
Die von Shannon begründete Informationstheorie stellt einen zentralen Ansatzpunkt für nahezu alle Fragen der Codierung und der Verschlüsselung dar. Um spätere Betrachtungen auf eine solide Grundlage zu stellen, werden zu Beginn der Vorlesung die Begriffe der Informationstheorie erarbeitet. Anschließend werden diese auf verschiedene Teilgebiete der Nachrichtentechnik und der Signalverarbeitung angewendet und zu deren Analyse eingesetzt.
Die Modulnote ist die Note der mündlichen Prüfung.
1. Präsenzzeit Vorlesung: 15 * 3 h = 45 h
2. Vor-/Nachbereitung Vorlesung: 15 * 6 h = 90 h
3. Präsenzzeit Übung: 15 * 1 h = 15 h
4. Vor-/Nachbereitung Übung: 15 * 2 h = 30 h
5. Klausurvorbereitung und Präsenz in selbiger: in Vor-/Nachbereitung verrechnet
Insgesamt: 180 h = 6 LP
Vorheriger Besuch der Vorlesung „Wahrscheinlichkeitstheorie“ wird empfohlen.
| Verantwortung: |
Prof. Dr. Johannes Philipp Reiß
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Volkswirtschaftslehre
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-WIWI-102861 | Advanced Game Theory | 4,5 | Ehrhart, Puppe, Reiß |
| Ergänzungsangebot (Wahl: zwischen 4,5 und 5 LP) | |||
| T-WIWI-113469 | Advanced Corporate Finance | 4,5 | Ruckes |
| T-WIWI-102613 | Auktionstheorie | 4,5 | Ehrhart |
| T-WIWI-102614 | Experimentelle Wirtschaftsforschung | 4,5 | Weinhardt |
| T-WIWI-102623 | Finanzintermediation | 4,5 | Ruckes |
| T-WIWI-112823 | Platform & Market Engineering: Commerce, Media, and Digital Democracy | 4,5 | Weinhardt |
| T-WIWI-102862 | Predictive Mechanism and Market Design | 4,5 | Reiß |
| T-WIWI-105781 | Incentives in Organizations | 4,5 | Nieken |
Die Modulprüfung erfolgt in Form von Teilprüfungen (nach §4(2), 1 o. 2 SPO) über die gewählten Lehrveranstaltungen des Moduls, mit denen in Summe die Mindestanforderung an Leistungspunkten erfüllt ist. Die Prüfungen werden in jedem Semester angeboten und können zu jedem ordentlichen Prüfungstermin wiederholt werden. Die Erfolgskontrolle wird bei jeder Lehrveranstaltung dieses Moduls beschrieben.
Die Gesamtnote des Moduls wird aus den mit LP gewichteten Noten der Teilprüfungen gebildet und nach der ersten Nachkommastelle abgeschnitten.
Die Lehrveranstaltung "Advanced Game Theory" ist Pflicht im Modul und muss erfolgreich geprüft werden. Ausnahme: Die Bachelor-Lehrveranstaltung "Einführung in die Spieltheorie" [2520525] wurde erfolgreich abgeschlossen. Wenn diese Voraussetzung erfüllt wurde und "Advanced Game Theory" im Modul nicht belegt werden soll, können die Modulprüfungsbedingungen individuell angepasst werden. Dazu ist das Prüfungssekretariat der Fakultät möglichst früh im Semester zu informieren. Auch wer "Advanced Game Theory" in einem anderen Master-Modul bereits erfolgreich nachgewiesen hat, kann das Modul belegen. In diesem Fall können aus dem Ergänzungsangebot zwei Teilleistungen frei gewählt werden. Diese Wahl kann jedoch nur vom Prüfungssekretariat der Fakultät vorgenommen werden.
Der/die Studierende
Das Modul bietet, aufbauend auf einer soliden Analyse von strategischen Entscheidungssituationen, ein breites Spektrum der Anwendungsmöglichkeiten der spieltheoretischen Analyse an. Zum besseren Verständnis der theoretischen Konzepte werden auch empirische Aspekte des strategischen Entscheidens angeboten.
Die Veranstaltung Predictive Mechanism and Market Design wird in jedem zweiten Wintersemester angeboten, z.B. WS 2013/14, WS 2015/16, ...
Gesamtaufwand bei 9 Leistungspunkten: ca. 270 Stunden
Die genaue Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls.
Grundlagen der Spieltheorie sollten vorhanden sein.
| Verantwortung: |
Prof. Dr.-Ing. Tamim Asfour
Prof. Dr.-Ing. Michael Beigl
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Robotik und Automation
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme Vertiefungsfach 2 / Robotik und Automation Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-106557 | Anziehbare Robotertechnologien | 4 | Asfour, Beigl |
Siehe Teilleistung.
Siehe Teilleistung.
Der/Die Studierende besitzt grundlegende Kenntnisse über anziehbare Robotertechnologien und versteht die Anforderungen des Entwurfs, der Schnittstelle zum menschlichen Körper und der Steuerung anziehbarer Roboter. Er/Sie kann Methoden der Modellierung des Neuro-Muskel-Skelett-Systems des menschlichen Körpers, des mechatronischen Designs, der Herstellung sowie der Gestaltung der Schnittstelle anziehbarer Robotertechnologien zum menschlichen Körper beschreiben. Der Teilnehmer versteht die symbiotische Mensch-Maschine Interaktion als Kernthema der Anthropomatik und kennt hochaktuelle Beispiele von Exoskeletten, Orthesen und Prothesen.
Im Rahmen dieser Vorlesung wird zuerst ein Überblick über das Gebiet anziehbarer Robotertechnologien (Exoskelette, Prothesen und Orthesen) sowie deren Potentialen gegeben, bevor anschießend die Grundlagen der anziehbaren Robotik vorgestellt werden. Neben unterschiedlichen Ansätzen für Konstruktion und Design anziehbarer Roboter mit den zugehörigen Aktuator- und Sensortechnologien liegen die Schwerpunkte auf der Modellierung des Neuro-Muskel-Skelett-Systems des menschlichen Körpers, sowie der physikalischen und kognitiven Mensch-Roboter-Interaktion in körpernahen enggekoppelten hybriden Mensch-Roboter-Systemen. Aktuelle Beispiele aus der Forschung und verschiedenen Anwendungen von Arm-, Bein- und Ganzkörperexoskeletten sowie von Prothesen werden vorgestellt.
Vorlesung mit 2 SWS, 4 LP.
4 LP entspricht ca. 120 Stunden, davon
ca. 15 * 2h = 30 Std. Präsenzzeit Vorlesung
ca. 15 * 3h = 45 Std. Vor- und Nachbereitungszeit Vorlesung
ca. 45 Std. Prüfungsvorbereitung und Präsenz in selbiger
Der Besuch der Vorlesung Mechano-Informatik in der Robotik wird empfohlen.
| Verantwortung: |
Prof. Dr. Gregor Betz
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Geistes- und Sozialwissenschaften |
| Bestandteil von: |
Ergänzungsfach / Philosophie (Wahlpflichtfach)
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-GEISTSOZ-101174 | Ars Rationalis I | 0 | Betz |
| T-GEISTSOZ-101175 | Ars Rationalis II | 0 | Betz |
| T-GEISTSOZ-110370 | Modulteilprüfung 1 - Ars Rationalis (Klausur) | 5 | Betz |
| T-GEISTSOZ-110371 | Modulteilprüfung 2 - Ars Rationalis (Argumentanalyse) | 5 | Betz |
Das Bestehen der Studienleistungen in den beiden Veranstaltungen sowie das Bestehen der Modulprüfung.
Keine
Die Studierenden können natürlichsprachliche Argumente in Texten erkennen und rekonstruieren, was insbesondere eine formale Analyse mit den Mitteln der klassischen Logik einschließt. Sie kennen die für die Philosophie charakteristischen Argumentationsmuster (wie zum Beispiel transzendentale Argumente, Selbstanwendungsargumente). Sie können deduktive, induktive und abduktive Argumente entwickeln und voneinander unterscheiden sowie deren Schlüssigkeit bzw. Plausibilität selbstständig beurteilen.
Theoretische und praktische Aspekte der Argumentationsanalyse auf der Grundlage der klassischen Logik
Die Modulnote ergibt sich aus dem arithmetischen Mittel der beiden Prüfungsleistungen.
Insgesamt ca. 300 h: Präsenz in den Veranstaltungen und der Klausur ca. 60 h, Vor- und Nachbereitung (einschl. Tutorien und Hausaufgaben), 150 h, selbständige Lektüre empfohlener Fachliteratur ca. 50 h, Klausurvorbereitung ca. 40 h
| Verantwortung: |
Prof. Dr. Jörn Müller-Quade
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Kryptographie und Sicherheit
Vertiefungsfach 2 / Kryptographie und Sicherheit Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-111320 | Ausgewählte Themen der Theoretischen Grundlagen der Kryptographie | 3 | Geiselmann, Müller-Quade |
Siehe Teilleistung.
Kann nur geprüft werden, wenn das Modul M-INFO-100836 Ausgewählte Kapitel der Kryptographie bereits geprüft wurde.
Der/die Studierende
- kann die grundlegende Begriffe der Kryptographie motivieren, erklären, ihre Unterschiede aufzeigen, und sie untereinander in Beziehung setzen.
- ist in der Lage, Sicherheitsmodelle und -ziele zu vergleichen und zu bewerten.
- kennt und versteht Definitionen und Konstruktionen, und deren Zusammenhänge und Abhängigkeiten. Beispielweise Eigenschaften wie „einweg“, „kollisionsresistent“, „pseudo-zufällig“, „IND-CPA“, „IND-CCA“, „EUF-CMA“, etc., und Kandidaten, Konstruktionen, und Verfahren mit solchen Eigenschaften.
- versteht elementare Beweistechniken (wie z.B. Reduktionen und Hybridargumente) und kann diese anwenden
- kann Sicherheitsbeweise nachvollziehen, prüfen und erklären.
- kann einfache neue Verfahren konstruieren, bewerten, und mögliche Angriffe finden.
- kann (einfache) sichere Verfahren mit den gelernten Techniken als sicher beweisen.
Die Vorlesung behandelt die theoretischen Grundlagen der Kryptographie, mit Fokus auf nicht-interaktiven Grundlagen. Die Vorlesung besteht aus drei großen Teilen.
1. Komplexitätstheoretische Aspekte
2. Secret-Key Kryptographie
3. Public-Key Kryptographie
Die üblichen Inhalte umfassen:
- Asymptotische Sicherheit, Einwegfunktionen, Pseudozufall und Ununterscheidbarkeit
- Secret-Key Kryptographie (Verschlüsselung, Sicherheitsbegriffe wie IND-CPA, IND-CCA, Authentizität, und authentifizierte Verschlüsselung)
- Public-Key Verschlüsselung (Sicherheitsbegriffe in dieser Situation, insbesondere CCA-Sicherheit)
- Signaturen (Definition und grundlegende Konstruktionen.)
- Ausblicke auf weiterführende Themen (beispielsweise als Teil der Übungen)
Zur Vorlesung findet eine ergänzende Übung statt, die Stoff rekapituliert, vertieft, und in neuem Kontext anwendet.
Die konkreten Inhalte von Vorlesung und Übung variieren, je nach Wahl des Schwerpunktes. Sie dient als Grundlage für weiterführende Vorlesungen und Seminare, beispielsweise zu kryptographischen Protokollen (interaktive Kryptographie) und fortgeschrittene nicht-interaktive Kryptographie.
Präsenzzeit in der Vorlesung: 48 h
Vor-/Nachbereitung derselbigen: 20 h
Prüfungsvorbereitung und Präsenz in selbiger: 22 h
| Verantwortung: |
Prof. Dr. Jörn Müller-Quade
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Kryptographie und Sicherheit
Vertiefungsfach 2 / Kryptographie und Sicherheit Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-110824 | Authentisierung und Verschlüsselung | 4 | Müller-Quade |
Siehe Teilleistung.
Siehe Teilleistung.
Der/die Studierende
- kann die Begriffe Vertraulichkeit und Authentizität erklären und ihre Unterschiede aufzeigen,
- versteht grundlegende Sicherheitsziele von digitalen Signaturen und ihre Beziehung untereinander und kann diese anwenden,
- kennt und versteht wichtige Signaturverfahren aus Theorie und Praxis und kann diese erklären,
- versteht Definitionen von aktiv sicherer Verschlüsselung und kann sie erklären und anwenden,
- kann Verfahren zur Konstruktion von aktiv sicherer Verschlüsselung erklären,
- kann elementare Beweistechniken wie z.B. Reduktionen und Hybridargumente verstehen und sie anwenden
Die Gewährleistung von Authentizität und Geheimhaltung ist eine Sicherheitsanforderung, die in vielen Anwendungen auftritt.
Aufbauend auf der Vorlesung "Theoretische Grundlagen der Kryptographie" vertieft diese Vorlesung die Betrachtung kryptographischer Authentifikationsverfahren (insbesondere Signaturen und Message Authentication Codes) und aktiv sicherer Verschlüsselungsverfahren.
Den Schwerpunkt der Vorlesung bilden verschiedene Techniken zur Konstruktion von digitalen Signaturverfahren sowie die Nachweise der erzielten Sicherheitseigenschaften. Es werden beispielsweise die folgenden Themen behandelt:
- Einmalsignaturen, Baum-basierte Signaturen und Chamäleon-Hashfunktionen
- RSA-basierte Signaturen
- Signaturen in bilinearen Gruppen
Im zweiten Teil der Vorlesung werden Verschlüsselungsverfahren vorgestellt, die Sicherheit gegen aktive Angriffe bieten. Hierbei werden z.B. die folgenden Konstruktionen vorgestellt:
- Authentisierte Verschlüsselung im symmetrischen Fall
- der GCM-Betriebsmodus für Blockchiffren
- Verfahren zur Konstruktion aktiv sicherer asymmetrischer Verschlüsselung
Präsenzzeit in der Vorlesung: 24 h Vor-/Nachbereitung derselbigen: 31 h Prüfungsvorbereitung und Präsenz in selbiger: 65 h
Studierende sollten mit den Inhalten des Moduls "Theoretische Grundlagen der Kryptographie" vertraut sein
| Verantwortung: |
Prof. Dr. Peter Sanders
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 1 / Algorithmentechnik Vertiefungsfach 2 / Theoretische Grundlagen Vertiefungsfach 2 / Algorithmentechnik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-109085 | Automated Planning and Scheduling | 5 | Sanders |
Siehe Teilleistungen.
Siehe Teilleistung.
The course offers an introduction to the methods and techniques used in automated planning and scheduling. The course is focused on classical deterministic planning, i.e., planning in a fully observable deterministic environment. The students will learn how to use automated planners and schedulers and also how they work. The topics covered in the lecture include:
2 SWS Vorlesung + 1 SWS Übungen
(Vor- und Nachbereitungszeiten: 4h/Woche für Vorlesung plus 2h/Woche für Übungen; Prüfungsvorbereitung: 15h)
Gesamtaufwand: (2 SWS + 1 SWS + 4 SWS + 2 SWS) x 15h + 15h Prüfungsvorbereitung = 9x15h + 15h = 150h = 5 ECTS
| Verantwortung: |
Prof. Dr.-Ing. Jürgen Beyerer
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Robotik und Automation
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme Vertiefungsfach 2 / Robotik und Automation Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101363 | Automatische Sichtprüfung und Bildverarbeitung | 6 | Beyerer |
Siehe Teilleistung.
Siehe Teilleistung.
Siehe Teilleistung.
| Verantwortung: |
Prof. Dr.-Ing. Ina Schaefer
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Softwaretechnik und Übersetzerbau
Vertiefungsfach 2 / Softwaretechnik und Übersetzerbau Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-112204 | Automotive Software Engineering (ASE) - Übung | 0 | Schaefer |
| T-INFO-112203 | Automotive Software Engineering (ASE) | 4 | Schaefer |
Siehe Teilleistung.
Siehe Teilleistung.
Nach Abschluss dieses Moduls kennen die Studierenden die wesentlichen Grundlagen, sowie geeignete Methoden und Werkzeuge für die Softwareentwicklung im Automobilbereich. Die Studierenden sind in der Lage, grundlegende Softwareentwicklungsmethoden eingebetteter Systeme sowie die Techniken zum Komplexitäts-, Varianten- und Qualitätsmanagement anzuwenden.
• Grundlagen und Randbedingungen für die Softwareentwicklung im Automobilbereich
• Modellierungstechniken
• Entwicklungsprozesse und Methodik
• Qualitätssicherung
• Werkzeuge
• Fallstudien
Wegen der begrenzten Plätze für die Übung in den Rechnerräumen ist die Teilnehmerzahl auf 40 Studierende begrenzt. Die Zulassung erfolgt auf First-Come-First-Serve Basis.
• Präsenszeit in der Vorlesung: 28 h
• Bearbeitung von Übungsaufgaben: 8h
• Ausarbeitung eines Vortrags zu gestelltem Thema: 46h
• Nachbereitung und Prüfungsvorbereitung: 36h
• Absolvieren eines Probevortrags: 1h
• Prüfung: 1h
• Gesamt: 120h / 30 = 4 Credits
| Verantwortung: |
Prof. Dr. Rudolph Triebel
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Robotik und Automation
Vertiefungsfach 2 / Robotik und Automation Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-113327 | Autonomous Learning for Intelligent Robot Perception | 4 | Triebel |
See partial achievements (Teilleistung)
See partial achievements (Teilleistung)
Students are capable of describing the details of different methods for autonomous learning, and they can place them in the context of intelligent robot perception. They are able to derive mathematical principles of these algorithms and they can name and describe relevant applications.
This lecture conveys the main principles of Intelligent Robot Perception, where the major focus is on machine learning techniques that are particularly useful for robot vision applications. The most important design criteria for these methods are run-time and data efficiency, safety, and autonomy, where the latter refers to independence of human interactions and the ability to take decisions during learning (aka. active learning). In the lecture, we will analyse modern learning techniques that meet these criteria, and we will show concrete applications of these in robotic perception tasks such as object detection and pose estimation, grasp detection and semantic mapping.
120h
A basic understanding of probability theory and linear algebra is required
| Verantwortung: |
TT-Prof. Dr. Thomas Bläsius
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 1 / Algorithmentechnik Vertiefungsfach 2 / Theoretische Grundlagen Vertiefungsfach 2 / Algorithmentechnik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-111040 | Beating the Worst Case in Practice: Unerwartet effiziente Algorithmen | 6 | Bläsius |
Siehe Teillesitung.
Siehe Teilleistung.
Die Studierenden
• können das in den Grundlagenmodulen zur Algorithmentechnik erlernte Wissen praktisch anwenden,
• sind in der Lage eigenständig effiziente Implementierungen algorithmischer Verfahren anzufertigen,
• beherrschen die Methodik zur praktischen Evaluierung von Algorithmen, inklusive der Aufarbeitung, Analyse und Interpretation von Messdaten,
• besitzen die Fähigkeit gefundene Ergebnisse zu kommunizieren.
Die Teilnehmer sind außerdem in der Lage zu analysieren, welchen Einfluss verschiedene typische Eigenschaften von Instanzen auf die Effizienz von Algorithmen haben.
In dem Praktikum werden verschiedene algorithmische Ansätze vorgegeben, die von den Studierenden selbstständig implementiert und evaluiert werden. Dabei liegt der Fokus auf Verfahren, die auf praktischen Instanzen deutlich effizienter sind, als theoretische Worst-Case Analysen erwarten lassen. Diese unerwartete Effizienz wird im Rahmen des Praktikums mit empirischen Methoden weiter untersucht.
Praktikum mit 4 SWS, 6 LP
6 LP entspricht ca. 180 Arbeitsstunden, davon
ca. 20 Std. Präsenzzeit,
ca. 130 Std. Implementierung und Evaluierung,
ca. 30 Std. Ausarbeitung und Vorbereitung der Präsentation
| Verantwortung: |
Prof. Dr. Alexander Mädche
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre für dataintensives Rechnen
|
| Betriebswirtschaftslehre für dataintensives Rechnen (Wahl: mindestens 1 Bestandteil) | |||
|---|---|---|---|
| T-WIWI-105777 | Business Intelligence Systems | 4,5 | Mädche |
| T-WIWI-106187 | Business Data Strategy | 4,5 | Weinhardt |
| T-WIWI-103139 | Marketing Analytics | 4,5 | Klarmann |
| T-WIWI-102899 | Modeling and Analyzing Consumer Behavior with R | 4,5 | Dorner, Weinhardt |
| T-WIWI-103124 | Multivariate Verfahren | 4,5 | Grothe |
| T-WIWI-102715 | Operations Research in Supply Chain Management | 4,5 | Nickel |
| T-WIWI-102847 | Recommendersysteme | 4,5 | Geyer-Schulz |
| T-WIWI-103123 | Statistik für Fortgeschrittene | 4,5 | Grothe |
| T-WIWI-111219 | Artificial Intelligence in Service Systems - Applications in Computer Vision | 4,5 | Satzger |
| T-WIWI-111247 | Mathematische Grundlagen hochdimensionaler Statistik | 4,5 | Grothe |
| T-WIWI-107720 | Market Research | 4,5 | Klarmann |
Siehe Teilleistung.
Siehe Teilleistung.
Studierende sind in der Lage, interdisziplinär Algorithmen, Methoden und Werkzeuge mit realweltlichen Anwendungen zu verknüpfen. Als Data Analysts, Data Managers, Computational Engineers aber auch Computational/Data Scientists haben sich Studierende damit optimal für die Wissenschaft und Wirtschaft in Ihrem Studium qualifiziert.
Studierende sind in der Lage, interdisziplinär Algorithmen, Methoden und Werkzeuge mit realweltlichen Anwendungen zu verknüpfen. Als Data Analysts, Data Managers, Computational Engineers aber auch Computational/Data Scientists haben sich Studierende damit optimal für die Wissenschaft und Wirtschaft in Ihrem Studium qualifiziert.
| Verantwortung: |
Dr.-Ing. Axel Loewe
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Elektrotechnik und Informationstechnik |
| Bestandteil von: |
Ergänzungsfach / Elektro- und Informationstechnik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-ETIT-101956 | Bioelektrische Signale | 3 | Loewe |
Die Erfolgskontrolle erfolgt im Rahmen einer schriftlichen Prüfung im Umfang von 90 Minuten.
keine
Die Studierenden verstehen die Physiologie der Bioelektrizität und können ihre grundlegenden Phänomene beschreiben und mathematisch modellieren. Die Studierenden können die mathematischen Modell in Programmcode umsetzen und nutzen. Sie können den Weg zu personalisierten Modellen des menschlichen Körpers beschreiben und algorithmisch umsetzen. Die Studierenden wissen, wie bioelektrische Signale entstehen, wie man sie messen und für die Diagnose in der Medizin auswerten kann.
Die Lehrveranstaltung beschäftigt sich mit der Entstehung von elektrischen Signalen im Körper und den Möglichkeiten, wie diese gemessen und interpretiert werden können. Diese Inhalte werden sowohl auf Grundlage der physiologischen Prozesse, als auch anhand von mathematischen Modellen erläutert und umgesetzt. Die mathematischen Modelle werden in Matlab-Übungsaufgaben implementiert und angewendet. Im Einzelnen werden folgende Themen behandelt:
- Zellmembranen und Ionenkanäle
- Elektrophysiologie der Zelle & Hodgkin-Huxley-Modell
- Ausbreitung von Aktionspotentialen
- Numerische Feldberechnung im menschlichen Körper
- Messung bioelektrischer Signale
- Elektrokardiographie und Elektrographie, Elektromyographie und Neurographie
- Elektroenzephalogramm, Elektrokortigogramm und Evozierte Potentiale, Magnetoenzephalogramm und Magnetokardiogramm
Die Modulnote ist die Note der schriftlichen Prüfung. Voraussetzung zur Teilnahme an der schriftlichen Prüfung ist die Abgabe der Workshopaufgaben. Bei sehr guter mündlicher Diskussion der Workshopaufgaben können für jeden der beiden Workshopteile jeweils 5 Punkte für die Klausur erworben werden (von 100). Die Bonuspunkte finden nur bei bestandener Prüfung Berücksichtigung. Bonuspunkte verfallen nicht und bleiben für eventuell zu einem späteren Zeitpunkt absolvierte Prüfungsleistungen erhalten. Die abschließende Bewertung der Bonusleistung erfolgt durch den Prüfenden und wird nachweisbar dokumentiert.
Präsenzzeit Vorlesung: 8 * 1,5h = 12h
Vor-/Nachbereitung Vorlesung: 8 * 1h = 8h
Workshopaufgaben: 20h + 15h = 35h
Klausurvorbereitung und Präsenz in selbiger: 35h
Insgesamt: 90h
Kenntnisse zu Grundlagen der Signalverarbeitung und Physiologie sind hilfreich.
Grundlagen zu linearen elektrischen Netzen, Fouriertransformation sowie Differentialgleichungen und linearen Gleichungssystemen und numerischen Lösungsverfahren
| Verantwortung: |
Prof. Dr.-Ing. Rüdiger Dillmann
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Robotik und Automation
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme Vertiefungsfach 2 / Robotik und Automation Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101351 | Biologisch Motivierte Robotersysteme | 3 | Rönnau |
Siehe Teilleistung.
Siehe Teilleistung.
Studierende wenden die verschiedenen Entwurfsprinzipien der Methode "Bionik" in der Robotik sicher an. Somit können Studierende biologisch inspirierten Roboter entwerfen und Modelle für Kinematik, Mechanik, Regelung und Steuerung, Perzeption und Kognition analysieren, entwickeln, bewerten und auf andere Anwendungen übertragen.
Studierende kennen und verstehen die Leichtbaukonzepte und Materialeigenschaften natürlicher Vorbilder und sind ebenso mit den Konzepten und Methoden der Leichtbaurobotik vertraut sowie die resultierenden Auswirkungen auf die Energieeffizienz mobiler Robotersysteme.
Studierende können die verschiedenen natürlichen Muskeltypen und ihre Funktionsweise unterscheiden. Außerdem kennen sie die korrespondierenden, künstlichen Muskelsysteme und können das zugrundeliegende Muskelmodell ableiten. Dies versetzt sie in die Lage, antagonistische Regelungssysteme mit künstlichen Muskeln zu entwerfen.
Studierende kennen die wichtigsten Sinne des Menschen, sowie die dazugehörige Reizverarbeitung und Informationskodierung. Studierende können für diese Sinne technologische Sensoren ableiten, die die gleiche Funktion in der Robotik übernehmen.
Studierende können die Funktionsweise eines Zentralen Mustergenerators (CPG) gegenüber einem Reflex abgrenzen. Sie können Neuro-Oszillatoren theoretisch herleiten und einsetzen, um die Laufbewegung eines Roboters zu steuern. Weiterhin können sie basierend auf den „Cruse Regeln“ Laufmuster für sechsbeinige Roboter erzeugen.
Studierende können die verschiedenen Lokomotionsarten sowie die dazu passenden Stabilitätskriterien für Laufbewegungen unterscheiden. Weiterhin kennen sie die wichtigsten Laufmuster für mehrbeinige Laufroboter und können eine Systemarchitektur für mobile Laufroboter konzipieren.
Studierende können Lernverfahren wie das Reinforcement Learning für das Parametrieren komplexer Parametersätze einsetzen. Insbesondere kennen sie die wichtigsten Algorithmen zum Online Lernen und können diese in der Robotik-Domäne anwenden.
Studierende kennen die Subsumption System-Architektur und können die Vorteile einer reaktiven Systemarchitektur bewerten. Sie können neue „Verhalten“ für biologisch inspirierte Roboter entwickeln und zu einem komplexen Verhaltensnetzwerk zusammenfügen.
Studierende können die mendlschen Gesetze anwenden und die Unterschiede zwischen Meitose und Mitose erklären. Weiterhin können sie genetische Algorithmen entwerfen und einsetzen, um komplexe Planungs- oder Perzeptionsprobleme in der Robotik zu lösen.
Studierende können die größten Herausforderungen bei der Entwicklung innovativer, humanoider Robotersysteme identifizieren und kennen Lösungsansätze sowie erfolgreiche Umsetzungen.
Die Vorlesung biologisch motivierte Roboter beschäftigt sich intensiv mit Robotern, deren mechanische Konstruktion, Sensorkonzepte oder Steuerungsarchitektur von der Natur inspiriert wurden. Im Einzelnen wird jeweils auf Lösungsansätze aus der Natur geschaut (z.B. Leichtbaukonzepte durch Wabenstrukturen, menschliche Muskeln) und dann auf Robotertechnologien, die sich diese Prinzipien zunutze machen um ähnliche Aufgaben zu lösen (leichte 3D Druckteile oder künstliche Muskeln in der Robotik). Nachdem diese biologisch inspirierten Technologien diskutiert wurden, werden konkrete Robotersysteme und Anwendungen aus der aktuellen Forschung präsentiert, die diese Technologien erfolgreich einsetzen. Dabei werden vor allem mehrbeinige Laufroboter, schlangenartige und humanoide Roboter vorgestellt, und deren Sensor- und Antriebskonzepte diskutiert. Der Schwerpunkt der Vorlesung behandelt die Konzepte der Steuerung und Systemarchitekturen (z.B. verhaltensbasierte Systeme) dieser Robotersysteme, wobei die Lokomotion im Mittelpunkt steht. Die Vorlesung endet mit einem Ausblick auf zukünftige Entwicklungen und dem Aufbau von kommerziellen Anwendungen für diese Roboter.
ca. 30h für Präsenzzeit in Vorlesungen
ca. 30h für Vor- und Nachbereitungszeiten
ca. 30h für Prüfungsvorbereitung und Teilnahme an der mündlichen Prüfung
| Verantwortung: |
Prof. Dr. Werner Nahm
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Elektrotechnik und Informationstechnik |
| Bestandteil von: |
Ergänzungsfach / Elektro- und Informationstechnik
|
| Voraussetzung für: |
M-ETIT-100389 - Praktikum Biomedizinische Messtechnik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-ETIT-106492 | Biomedizinische Messtechnik I | 3 | Nahm |
Die Erfolgskontrolle erfolgt in Form einer schriftlichen Prüfung im Umfang von 60 Minuten. Die Modulnote ist die Note der schriftlichen Prüfung.
Es können auch Bonuspunkte vergeben werden. Informationen hierzu finden Sie unter "Modulnote".
keine
Die Absolventinnen und Absolventen sind fähig diagnostische Fragestellungen in eine messtechnische Aufgabenstellung zu übersetzt.
Die Absolventinnen und Absolventen können die Grundlagen der analogen Schaltungstechnik, sowie der digitalen Signalerfassung und Signalverarbeitung zur Lösung der messtechnischen Aufgabenstellung anwenden.
Die Absolventinnen und Absolventen können die Quellen von Biosignalen identifiziert und die zugrundeliegenden physiologischen Mechanismen erklärt.
Die Absolventinnen und Absolventen können die Messkette von der Erfassung der physikalischen Messgröße bis zur Darstellung der medizinisch relevanten Information beschrieben und erklärt.
Darüber hinaus können die Studierenden selbstorganisiert und reflexiv in kleinen Teams arbeiten und zu ausgewählten Themen den aktuellen Wissenstand und die Wissenschaftshistorie präsentieren.
Die Vorlesung beschäftigt neben der Entstehung von Biosignalen auch mit Systemen zur Messung von Vitalparametern (Herzfrequenz, Blutdruck, Pulsoxymetrie, Körpertemperatur, EKG):
Im Detail werden dabei folgende Themen näher betrachtet:
Elektrische Sicherheit in medizinischen genutzten Bereich nach DIN 60601-1
Die Modulnote ist die Note der schriftlichen Prüfung.
Es können auch Bonuspunkte vergeben werden. Die Erreichung von Bonuspunkten funktioniert folgendermaßen:
Die Anrechnung der Bonuspunkte erfolg folgendermaßen:
Die Gesamtpunktzahl bleibt dabei auf 60 Punkte beschränkt. Die Bonuspunkte finden nur bei bestandener Prüfung Berücksichtigung. Bonuspunkte verfallen nicht und bleiben für eventuell zu einem späteren Zeitpunkt absolvierte Prüfungsleistungen erhalten.
Die Veranstaltung basiert auf einer interaktiven Kombination von Vorlesungsteilen und Seminarteilen. Im Seminarteil sind die Teilnehmer aufgefordert, einzelne Themen der LV in kleinen Gruppen selbstständig vorzubereiten und vorzutragen. Diese Beiträge werden bewertet und die Studenten erhalten hierfür Bonuspunkte. Die Bonuspunkte werden zu den erreichten Punkten der schriftlichen Klausur hinzuaddiert. Aus der Summe der Punkte ergibt sich die Modulnote.
Unter den Arbeitsaufwand fallen:
1. Präsenzzeiten in den Vorlesungen: 30 h
2. Vorbereitung und Nachbereitung der Vorlesungen und Bonusaufgaben. 30 h
3. Vorbereitung und Teilnahme an der Prüfung: 30 h
Gesamtaufwand ca. 90 Stunden = 3 LP
Grundlagen in physikalischer Messtechnik, analoger Schaltungstechnik und in Signalverarbeitung.
| Verantwortung: |
Prof. Dr. Werner Nahm
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Elektrotechnik und Informationstechnik |
| Bestandteil von: |
Ergänzungsfach / Elektro- und Informationstechnik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-ETIT-106973 | Biomedizinische Messtechnik II | 3 | Nahm |
Die Erfolgskontrolle erfolgt in Form einer schriftlichen Prüfung im Umfang von 60 Minuten. Die Modulnote ist die Note der schriftlichen Prüfung.
Es können auch Bonuspunkte vergeben werden. Informationen hierzu finden Sie unter "Modulnote".
keine
Die Studierenden haben medizinische Fragestellungen analysiert und messtechnische Aufgabenstellungen identifiziert.
Sie haben eine geeignete Kombination aus analoger Schaltungstechnik, sowie digitaler Signalverarbeitung vorgeschlagen und zu Lösung der messtechnischen Aufgabenstellung angewandt.
Sie haben die Quellen von Biosignalen identifiziert und die zugrundeliegenden physiologischen Mechanismen erklärt. Sie haben die Signaleigenschaften analysiert und die daraus resultierenden Anforderungen an das Messsystem abgeleitet.
Die Studierenden haben die Messkette von der Erfassung der physikalischen Messgröße bis zur Darstellung der medizinisch relevanten Information aufgegliedert und alternative Konzepte verglichen.
Darüber hinaus können die Studierenden selbstorganisiert und reflexiv in kleinen Teams arbeiten und zu ausgewählten Themen den aktuellen Wissenstand und die Wissenschaftshistorie präsentieren.
Die Modulnote ist die Note der schriftlichen Prüfung.
Es können auch Bonuspunkte vergeben werden:
Die Erreichung von Bonuspunkten funktioniert folgendermaßen:
Die Anrechnung der Bonuspunkte erfolg folgendermaßen:
Die Gesamtpunktzahl bleibt dabei auf 60 Punkte beschränkt.
Die Veranstaltung basiert auf einer interaktiven Kombination von Vorlesungsteilen und Seminarteilen. Im Seminarteil sind die Teilnehmer aufgefordert, einzelne Themen der LV in kleinen Gruppen selbstständig vorzubereiten und vorzutragen. Diese Beiträge werden bewertet und die Studenten erhalten hierfür Bonuspunkte. DieBonuspunkte werden zu den erreichten Punkte der schriftliche Klausur hinzuaddiert.Aus der Summe der Punkte ergibt sich die Modulnote.
Unter den Arbeitsaufwand fallen:
1. Präsenzzeiten in den Vorlesungen: 30 h
2. Vorbereitung und Nachbereitung der Vorlesungen und Bonusaufgaben. 30 h
3. Vorbereitung und Teilnahme an der Prüfung: 30 h
Gesamtaufwand ca. 90 Stunden = 3 LP
| Verantwortung: |
Prof. Dr. Christof Weinhardt
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre
|
| Wahlpflichtangebot (Wahl: 9 LP) | |||
|---|---|---|---|
| T-WIWI-113160 | Digital Democracy | 4,5 | Fegert |
| T-WIWI-112757 | Digital Services: Innovation & Business Models | 4,5 | Satzger |
| T-WIWI-110887 | Practical Seminar: Service Innovation | 4,5 | Satzger |
| T-WIWI-102847 | Recommendersysteme | 4,5 | Geyer-Schulz |
| T-WIWI-109940 | Spezialveranstaltung Wirtschaftsinformatik | 4,5 | Weinhardt |
Die Erfolgskontrolle erfolgt in Form von Teilprüfungen (nach §4(2), 1-3 SPO) über die Lehrveranstaltungen des Moduls im Umfang von insgesamt 9 LP. Die Erfolgskontrolle wird bei jeder Lehrveranstaltung dieses Moduls beschrieben.
Die Gesamtnote des Moduls wird aus den mit LP gewichteten Noten der Teilprüfungen gebildet und nach der ersten Nachkommastelle abgeschnitten.
Keine
Der/die Studierende
Das Modul behandelt, von der rasanten Entwicklung der Kommunikations- und Informationstechnik und der zunehmend globalen Konkurrenz ausgehend, die Entwicklung von neuen Produkten, Prozessen, Dienstleistungen und Märkte aus einer Serviceperspektive. Das Modul vermittelt Service Wettbewerb als Unternehmensstrategie, die Unternehmen nachhaltig verfolgen können und aus der die Gestaltung von Geschäftsprozessen, Geschäftsmodellen, Organisations-, Markt- und Wettbewerbsformen abgeleitet wird. Dies wird an aktuellen Beispielen zur Entwicklung von personalisierten Diensten, Empfehlungsdiensten und sozialen Plattformen gezeigt.
Als Spezialveranstaltung Wirtschaftsinformatik können alle Seminarpraktika des IM belegt werden. Aktuelle Informationen zum Angebot sind unter: www.iism.kit.edu/im/lehre zu finden.
Ab dem Sommersemester 2023 wird die Veranstaltung Service Innovation mit einem überarbeiteten Lernkonzept und -inhalten angeboten. Dabei liegt der Fokus auf der engeren Verzahnung der Themenfelder Service Innovation und Digitalisierung. Derzeitige grundlegende Inhalte (z.B. zu Herausforderungen von Service Innovation oder human-zentrische Innovationsmethoden) bleiben erhalten.
Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Credits). Die Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls. Dabei beträgt der Arbeitsaufwand für Lehrveranstaltungen mit 4,5 Credits ca. 135h, für Lehrveranstaltungen mit 5 Credits ca. 150h.
Die Gesamtstundenzahl je Lehrveranstaltung ergibt sich dabei aus dem Aufwand für den Besuch der Vorlesungen und Übungen, sowie den Prüfungszeiten und dem zeitlichen Aufwand, der zur Erreichung der Lernziele des Moduls für einen durchschnittlichen Studenten für eine durchschnittliche Leistung erforderlich ist.
Keine
| Verantwortung: |
Prof. Dr.-Ing. Laurent Schmalen
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Elektrotechnik und Informationstechnik |
| Bestandteil von: |
Ergänzungsfach / Elektro- und Informationstechnik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-ETIT-111244 | Channel Coding: Algebraic Methods for Communications and Storage | 3 | Schmalen |
The exam is held as an oral exam of approx. 20 min.
The students are able to analyse and assess problems of algebraic channel coding. They can apply methods of algebraic coding theory in the context of communication systems for data transmission and data storage and are able to assess their implementation.Additionally, they will get knowledge to current research topics and research results.
This course focuses on the formal and mathematical basics for the design of coding schemes in digital communication systems. These include schemes for data transmission, data storage and networking. The course starts by introducing he necessary fundamentals of algebra which are then used to derive codes for different applications. Besides codes that are important for data transmission appliations, e.g., BCH and Reed-Solomon-Codes, we also investigate codes for the efficient storage and reconstruction of data in distributed systems (locally repairable codes) and codes that increase the throughput in computer networks (network codes). Real applications are always given to discuss practical aspects and implementations of these coding schemes. Many of these applications are illustrated by example code in software (python/MATLAB).
Grade of the module corresponds to the grade of the oral exam.
Knowledge of basic engineering as well as basic knowledge of communications engineering.
Previous attendance of the lectures "Communication Engineering I" and "Probability Theory" is recommended.
| Verantwortung: |
Prof. Dr.-Ing. Laurent Schmalen
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Elektrotechnik und Informationstechnik |
| Bestandteil von: |
Ergänzungsfach / Elektro- und Informationstechnik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-ETIT-111245 | Channel Coding: Graph-Based Codes | 6 | Schmalen |
Oral examination of appox. 20 minutes.
Students will be able to understand and apply advanced and modern methods of channel coding. They get to know various tools of modern coding theory for the analysis and optimization of coding schemes, conceptual design approaches of error correction building blocks as well as applications in digital communications (for example, 5G). Additionally, they will get knowledge to current research topics and research results.
The course expands on the topics dealt with in the lecture “Verfahren der Kanalcodierung”. The focus is on modern methods that have been brought into practice in the past few years and that achieve the capacity limits postulated by Shannon. For this purpose, known techniques have to be extended and new methods have to be learnt additionally. The lecture introduces the theoretical limits very quickly and follows with a discussion on the basic concepts of channel coding, including block codes. Based on this, modern error correction methods like LDPC codes, spatially coupled codes, and Polar codes are treated in depth. The lecture ends with a view on the application of channel coding in classical and distributed storage scenarios and in computer networks. Many of the applications are illustrated with example implementations in software (python/MATLAB).
The modul grade is the grade of the oral exam.
- Lecture attendance time: 15 * 3 h = 45 h
- Presence time Exercise: 15 * 1 h = 15 h
- Lecture preparation / revision: 15 * 3 h = 45 h
- Exercise: 15 * 1 h = 15 h
- Exam preparation and attendance: 60 h
Total workload: approx. 180 h = 6 LP
Previous attendance of the lectures "Communication Engineering I" and "Probability Theory" is recommended. Knowledge from the lecture "Applied Information Theory" can be helpful. Previous attendance of the lecture “Verfahren der Kanalcodierung” can be helpful, but is not necessary.
| Verantwortung: |
Prof. Dr. Clemens Puppe
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Volkswirtschaftslehre
|
| Wahlpflichtangebot (Wahl: ) | |||
|---|---|---|---|
| T-WIWI-102740 | Public Management | 4,5 | Wigger |
| T-WIWI-102859 | Social Choice Theory | 4,5 | Puppe |
Die Modulprüfung erfolgt in Form von Teilprüfungen (nach §4(2), 1 o. 2 SPO) über die gewählten Lehrveranstaltungen des Moduls, mit denen in Summe die Mindestanforderung an Leistungspunkten erfüllt ist. Die Erfolgskontrolle wird bei jeder Lehrveranstaltung dieses Moduls beschrieben.
Die Gesamtnote des Moduls wird aus den mit LP gewichteten Noten der Teilprüfungen gebildet und nach der ersten Nachkommastelle abgeschnitten.
Keine
Die Studierenden
Der Schwerpunkt des Moduls liegt auf Mechanismen der öffentlichen Entscheidungsfindung, einschließlich Wahlen und der Aggregation von Präferenzen und Urteilen.
Gesamtaufwand bei 9 Leistungspunkten: ca. 270 Stunden
Die genaue Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls.
| Verantwortung: |
Prof. Dr.-Ing. Jürgen Beyerer
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Robotik und Automation
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme Vertiefungsfach 2 / Robotik und Automation Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-112573 | Computational Imaging | 5 | Meyer |
Siehe Teilleistung.
Siehe Teilleistung.
Qualifikationsziel: Studierende sind in der Lage Fragestellungen des maschinellen Sehens optisch und algorithmisch zu modellieren und per gesamtheitlicher Optimierung zu bearbeiten.
Lernziele: Die Studierenden kennen
- die wesentlichen Komponenten des maschinellen Sehens, deren optische Modellierung und passende Kodierungsmethoden im Sinne des Computational Imaging,
- Methoden zur Emittierung, Erfassung und Verarbeitung von Lichtfeldern für Anwendungen der Photographie und der industriellen Bildverarbeitung,
- das Konzept der Lichttransportanalyse, entsprechende Modellierungs-, Erfassungs- und Verarbeitungsmethoden und
- Ansätze zur gesamtheitlichen Modellierung und Optimierung von optischen Bilderfassungs- und Verarbeitungssystemen.
Die digitale Bildgewinnung und -Verarbeitung hat seit ihren Anfängen bereits viele Anwendungsfelder wie bspw. die Medizintechnik oder die automatische optische Qualitätsprüfung revolutioniert. Dennoch fußt die Mehrzahl dieser Systeme weiterhin auf dem Ansatz, dass das genutzte optische Beleuchtungs- und Abbildungssystem und die zur Bildverarbeitung eingesetzten Algorithmen separat voneinander entwickelt und optimiert werden. Dadurch bleibt im Sinne des Gesamtsystems ein in vielerlei Hinsicht enormes Potential ungenutzt. An diesem Punkt setzen die Methoden des Computational Imagings an und erlauben durch eine holistische Systembetrachtung das Durchbrechen bisheriger Leistungs- und Anwendungsgrenzen. Nach einer Behandlung der relevanten theoretischen Grundlagen der Optik und der Signalverarbeitung werden den Studierenden im Rahmen der Vorlesung diverse Techniken des Computational Imagings vermittelt. Begleitende praktische Übungen ergänzen den theoretischen Teil der Vorlesung. Mit Abschluss der Vorlesung werden die Studierenden in die Lage versetzt, Fragestellungen des maschinellen Sehens optisch und algorithmisch zu modellieren und per gesamtheitlicher Optimierung zu bearbeiten.
Vorlesung mit 2 SWS + 1 SWS Übung
5 ECTS entspricht ca. 150 Stunden
ca. 30 Std. Vorlesungsbesuch,
ca. 15 Std. Übungsbesuch,
ca. 90 Std. Nachbearbeitung und Bearbeitung der Übungsaufgaben
ca. 30 Std. Prüfungsvorbereitung
- Ayush Bhandari, Achuta Kadambi, Ramesh Raskar, Computational Imaging, MIT Press, 2022.
- Jürgen Beyerer, Fernando Puente León, Christian Frese, Machine Vision, Springer, 2015.
- Joseph. W. Goodman, Introduction to Fourier Optics. 4. Auflage W. H. Freeman, 2017.
| Verantwortung: |
Prof. Dr. Carsten Rockstuhl
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Physik |
| Bestandteil von: |
Ergänzungsfach / Theoretische Physik (Wahlblock)
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-PHYS-103633 | Computational Photonics, with ext. Exercises | 8 | Rockstuhl |
Mündliche Prüfung. Im Rahmen des Schwerpunktfachs des MSc Physik wird das Modul zusammen mit weiteren belegten Modulen geprüft. Die Dauer der mündlichen Prüfung beträgt insgesamt ca. 60 Minuten.
keine
The students can use a computer to solve optical problems and can use a computer to visualize details of the light matter interaction, know different strategies to solve Maxwell’s equations on rigorous grounds, know how spatial symmetries and the arrangement of matter in space can be used to formulate Maxwell’s equations such that they are amenable for a numerical solution, can implement programs with a reasonable complexity by themselves, can use a computer to discuss and explore optical phenomena, and are familiar with basic computational strategies that emerge in photonics, but comparably in any other scientific discipline as well.
The student can independently work out the numerical implementation of algorithms that were not explicitly presented in the lecture. That requires understanding of basic computational strategies. The student is, therefore, able to transfer technical knowledge to new domains. The student can develop on its own novel algorithms to solve given problems in the field of computational photonics.
Für Studierende der KIT-Fakultät für Informatik gilt: Die Prüfungen in diesem Modul sind über Zulassungen vom ISS (KIT-Fakultät für Informatik) anzumelden. Dafür reicht eine E-Mail mit Matrikeln. und Name der gewünschten Prüfung an Beratung-informatik@informatik.kit.edu aus.
240 Stunden bestehend aus Präsenzzeiten (60 Stunden), Nachbereitung der Vorlesung inkl. Prüfungsvorbereitung und Bearbeitung der Übungen (180 Stunden).
Interest in theoretical physics, optics and electrodynamics. Moreover, interest in computational aspects is important.
Specific references for the individual topics will be given during the lectures.
The lecture material that will be fully made available online.
| Verantwortung: |
Prof. Dr. Carsten Rockstuhl
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Physik |
| Bestandteil von: |
Ergänzungsfach / Theoretische Physik (Wahlblock)
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-PHYS-106131 | Computational Photonics, without ext. Exercises | 6 | Rockstuhl |
Mündliche Prüfung. Im Rahmen des Schwerpunktfachs des MSc Physik wird das Modul zusammen mit weiteren belegten Modulen geprüft. Die Dauer der mündlichen Prüfung beträgt insgesamt ca. 60 Minuten.
keine
The students can use a computer to solve optical problems and can use a computer to visualize details of the light matter interaction, know different strategies to solve Maxwell’s equations on rigorous grounds, know how spatial symmetries and the arrangement of matter in space can be used to formulate Maxwell’s equations such that they are amenable for a numerical solution, can implement programs with a reasonable complexity by themselves, can use a computer to discuss and explore optical phenomena, and are familiar with basic computational strategies that emerge in photonics, but comparably in any other scientific discipline as well.
Für Studierende der KIT-Fakultät für Informatik gilt: Die Prüfungen in diesem Modul sind über Zulassungen vom ISS (KIT-Fakultät für Informatik) anzumelden. Dafür reicht eine E-Mail mit Matrikeln. und Name der gewünschten Prüfung an Beratung-informatik@informatik.kit.edu aus.
180 Stunden bestehend aus Präsenzzeiten (45 Stunden), Nachbereitung der Vorlesung inkl. Prüfungsvorbereitung und Bearbeitung der Übungen (135 Stunden).
Interest in theoretical physics, optics and electrodynamics. Moreover, interest in computational aspects is important.
Specific references for the individual topics will be given during the lectures.
The lecture material that will be fully made available online.
| Verantwortung: |
Prof. Dr.-Ing. Carsten Dachsbacher
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Computergrafik und Geometrieverarbeitung
Vertiefungsfach 2 / Computergrafik und Geometrieverarbeitung Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101393 | Computergrafik | 6 | Dachsbacher |
| T-INFO-104313 | Übungen zu Computergrafik | 0 | Dachsbacher |
Siehe Teilleistung.
Siehe Teilleistung.
Die Studierenden verstehen grundlegende Konzepte und Algorithmen der Computergrafik, können diese analysieren und implementieren und für Anwendungen in der Computergrafik einsetzen. Die erworbenen Kenntnisse ermöglichen einen erfolgreichen Besuch weiterführender Veranstaltungen im Vertiefungsgebiet Computergrafik.
Diese Vorlesung vermittelt grundlegende Algorithmen der Computergrafik, Farbmodelle, Beleuchtungsmodelle, Bildsynthese-Verfahren (Ray Tracing, Rasterisierung), Transformationen und Abbildungen, Texturen und Texturierungstechniken, Grafik-Hardware und APIs (z.B. OpenGL), geometrisches Modellieren und Dreiecksnetze.
Präsenzzeit = 60h
Vor-/Nachbereitung = 90h
Klausurvorbereitung = 30h
Siehe Teilleistung.
| Verantwortung: |
Prof. Dr.-Ing. Carsten Dachsbacher
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Computergrafik und Geometrieverarbeitung
Vertiefungsfach 2 / Computergrafik und Geometrieverarbeitung Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-113441 | Computergrafik 2 | 5 | Dachsbacher |
Siehe Teilleistung.
Siehe Teilleistung.
Die Studierenden haben einen breiten Überblick über wichtige Konzepte und Algorithmen in der Computergrafik. Grundlegende Theorie und praktische Verfahren bilden eine solide Basis für weitere spezialisierte Vertiefung z.B. in den Vorlesungen Interaktive Computergrafik, Fotorealistische Bildsynthese oder Visualisierung.
Die Vorlesung umfasst Grundlegende Konzepte des modernen Rendering, sowie Vertiefung in verwandten Gebieten. Kapitel beinhalten zum Beispiel
* Grundlegende Radiometrie/Lichttransport in der Computergrafik
* Lichttransportsimulation (z.B. Monte Carlo- und Radiosity-Verfahren)
* Physikalische Materialmodelle
* Perzeption, Fehlermetriken für die Bildsynthese und Visualisierung
* Denoising (Deep Learning, U-nets)
* Lichtfeldrepräsentationen mittels Machine Learning (z.B. tiny MLP)
* GPU-Architekturen und effiziente Programmierung
* Animation, Modellierung und Geometrieverarbeitung
* Simulation (Rigid Bodies, Fluide)
60h = Präsenzzeit
60h = Vor-/Nachbereitung
30h = Prüfungsvorbereitung
| Verantwortung: |
Prof. Dr. André Platzer
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 1 / Softwaretechnik und Übersetzerbau Vertiefungsfach 2 / Theoretische Grundlagen Vertiefungsfach 2 / Softwaretechnik und Übersetzerbau Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-112704 | Constructive Logic | 5 | Platzer |
- Understand the working principles of logic
- Understand how the meaning of a proposition comes from its verifications
- Distinguish propositions from judgments
- Use proof rules to conduct formal proofs
- Formalize informal problems into precise logical language
- Justify how proof rules fit to one another in sound and complete ways
- Assess the validity of a formal proof
- Understand propositions as types, proofs as programs, formulas as
programs
- Relate constructive logic to computation and constructive proofs to
functional programs
- Relate deductive proof search to computation in logic programming
- Relate induction to recursion and use induction to prove properties in and
about logical systems
- Understand the principles and applications of logic programming
This course provides a thorough introduction to modern constructive logic, its roots in philosophy, its numerous applications in computer science, and its mathematical properties. The core topics of this course are intuitionistic logic, natural deduction, Curry-Howard isomorphism, propositions as types, proofs as programs, formulas as programs, functional programming, logic programming, Heyting arithmetic and primitive recursion, cut elimination, connections between classical and constructive logic, inductive definitions, sequent calculus, and decidable classes. Advanced topics may include type theory, proof search, linear logic, temporal logic, modal logic.
Course web page: https://lfcps.org/course/constlog.html
5 ECTS from 150h of coursework consisting of
- 22.5h = 15 * 1.5h from 3 SWS lectures
- 12h = 8 * 1.5h from 1 SWS exercises
- 90h preparation, reading lecture notes, studying - 25h exam preparation
You will be expected to follow the lecture notes.
| Verantwortung: |
Prof. Dr. Hartmut Prautzsch
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Computergrafik und Geometrieverarbeitung
Vertiefungsfach 2 / Computergrafik und Geometrieverarbeitung Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-113136 | Curves and Surfaces for Geometric Design | 3 | Prautzsch |
Siehe Teilleistung.
Siehe Teilleistung.
Students of this course are knowledgeable about rational curves and surfaces in Bézier and B-spline form, understand the underlying construction principles from projective geometry and can apply them to obtain special and arbitrary smooth freeform surfaces.
• Fundamentals from projective geometry
• Rational curves in homogenous Bézier form
• Rational splines
• Rational surfaces in homogenous Bézier form
• Rational parametrization of quadrics
• Dupin cyclides and their rational parametrization
90h
| Verantwortung: |
Prof. Dr. Hartmut Prautzsch
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Computergrafik und Geometrieverarbeitung
(EV zwischen 01.04.2024 und 30.09.2024)
Vertiefungsfach 2 / Computergrafik und Geometrieverarbeitung (EV zwischen 01.04.2024 und 30.09.2024) Wahlbereich Informatik (EV zwischen 01.04.2024 und 30.09.2024) |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-113390 | Curves and Surfaces for Geometric Design 2 | 3 | Prautzsch |
Siehe Teilleistung.
Siehe Teilleistung.
Students of this course are knowledgeable about rational curves and surfaces in Bézier and B-spline form, understand the underlying construction principles from projective geometry and can apply them to obtain special and arbitrary smooth freeform surfaces.
• Fundamentals from line geometry
• Orbifold Splines
• Rational parametrization of canal surfaces
• Blending constructions
• Gregory patches
90h
This course is a continuation of the first course but it will not be necessary to have completed it. However, a basic knowledge of “Bézier” patches and (projective) geometry will be helpful.
| Verantwortung: |
Prof. Dr.-Ing. Jürgen Beyerer
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Kryptographie und Sicherheit
Vertiefungsfach 2 / Kryptographie und Sicherheit Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-112880 | Cybersicherheit für industrielle Automatisierungs- und Steuerungsanlagen | 4 | Beyerer |
Siehe Teilleistung.
Siehe Teilleistung
Industrielle Steuerungs- und Automatisierungsanlagen (im englischen Industrial Control Systems - ICS) finden sich in vielen Domänen und Branchen wieder. Typische Beispiele sind die industrielle Produktion, die Prozessindustrie, kritische Infrastrukturen wie Energie- und Wasserwirtschaft aber auch in der Gebäudeautomatisierung und in medizinischen Geräten. Schwachstellen und Angriffe auch speziell auf Steuerungs- und Automatisierungsanalgen lassen sich nicht erst seit Stuxnet quasi wöchentlich beobachten. Der Schutz von ICS gewinnt daher seit Jahren stets an Bedeutung.
Industrielle Automatisierungs- und Steuerungsanlagen besitzen im Vergleich zu klassischen IT-Systemen unterschiedliche Randbedingungen und Anforderungen, insbesondere haben das Schutzziele Verfügbarkeit und die Aufrechterhaltung der funktionalen Sicherheit (engl. Safety) einen deutlich höheren Stellenwert. Aus diesem Grund lassen sich klassische Ansätze der Cybersicherheit nicht ohne weiteres auf industrielle Steuerungssysteme übertragen.
Dieses Modul behandelt verschiede Defense-in-Depth Konzepte für Produkthersteller, Maschinen- und Anlagenbauer, Integratoren sowie Betreiber von industriellen Automatisierungsanlagen. Systeme und Anlagen werden typischerweise nach risikobasierten Ansätzen entwickelt, die hierfür notwendigen Methoden zur Risikoanalyse werden eingeführt. Das Modul wird weiterhin eine Übersicht von best practices sowie einsetzbaren internationalen Standards wie beispielsweise der IEC 62443 beinhalten.
Weitere Themen sind der Aufbau und Betrieb von Cyber-Security-Management-Systemen, sicheres Systemdesign und Produktentwicklung, Einsatz von Security Information und Event Management Systemen im industriellen Umfeld sowie der sichere Einsatz von Industrie 4.0 Technologien wie beispielsweise OPC UA.
In diesem Modul werden Beispiele in Form von Angriffen und prototypischen Umsetzungen von Sicherheitsmaßnahmen aus dem KASTEL-Labor Produktion verwendet, um den Lehrinhalt möglichst praxisnah vorführen zu können.
Studierende
• kennen Anwendungsbeispiele und die Notwendigkeit für Cybersicherheit von industriellen Automatisierungs- und Steuerungssystemen (engl. Industrial Control Systems - ICS)
• kennen Unterschiede zwischen klassischer Informationstechnik (IT) und der Betriebstechnik im industriellen Umfeld (engl. Operational Technology – OT)
• kennen Grundlegende Herausforderungen, Schutzziele und Sicherheitsmechanismen, die für den Entwurf und die Umsetzungen von sicheren ICS Systemen
• kennen die unterschiedlichen beteiligten Rollen und deren Herausforderungen im Lebenszyklus von ICS Systemen
• beherrschen Defense-in-Depth Konzepte für die sichere Produktentwicklung, Maschinen und Systeme sowie den Betrieb von Anlagen
• besitzen die Fähigkeit, die Qualität von Sicherheitsmechanismen und Architekturen für industrielle Anlagen zu bewerten
Insbesondere kennen Studierende risikobasierte Ansätze für den Schutz von industriellen Komponenten und Steuerungsanlagen wie beispielsweise im international anerkannten Standard IEC 62443 vorgegeben. Die Studenten kennen gängige Ansätze zur Risikoanalyse und des darauf aufbauenden Systemdesigns.
Studierenden kennen die Anforderungen an Betreiber von industriellen Automatisierungs- und Steuerungsanlagen sowie gängige Schutzmaßnahmen und Umsetzungsmöglichkeiten wie beispielsweise Netzsegmentierung, Netzhärtung, Zero-Trust Architekturen sowie Anomalie- und Angriffserkennungssysteme.
Studierende kennen typische industrielle Kommunikationsprotokolle und können die dort vorhandenen Sicherheitsmechanismen analysieren und bewerten. Als Praxisbeispiel wird das Kommunikationsprotokoll OPC UA vorgestellt und analysiert.
120h
- Kenntnisse zu Grundlagen des Moduls Sicherheit sind hilfreich.
- Kenntnisse aus dem Modul Netzwerksicherheit: Architekturen und Protokolle sind hilfreich
| Verantwortung: |
Prof. Dr.-Ing. Klemens Böhm
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Informationssysteme
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme Vertiefungsfach 2 / Informationssysteme Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-113124 | Data Science | 8 | Böhm |
Siehe Teilleistung.
Siehe Teilleistung.
Am Ende der Lehrveranstaltungen sollen die Teilnehmer die Notwendigkeit von Data-Science Konzepten gut verstanden haben und erläutern können. Sie sollen eine große Vielfalt von Ansätzen zur Verwaltung und Analyse großer Datenbestände hinsichtlich ihrer Wirksamkeit und Anwendbarkeit einschätzen und vergleichen können. Die Teilnehmer sollen verstehen, welche Probleme im Themenbereich Data Science derzeit offen sind, und einen breiten und tiefen Einblick in den diesbezüglichen Stand der Forschung gewonnen haben.
Data Science 1
Data-Science Techniken stoßen bei Anwendern auf großes Interesse. Das Spektrum ist breit und umfasst klassische Branchen wie Banken und Versicherungen, neuere Akteure, insbesondere Internet-Firmen oder Betreiber neuartiger Informationsdienste und sozialer Medien, und Natur- und Ingenieurswissenschaften. In allen Fällen besteht der Wunsch, in sehr großen, z. T. verteilten Datenbeständen die Übersicht zu behalten, mit möglichst geringem Aufwand interessante Zusammenhänge aus dem Datenbestand zu extrahieren und erwartetes Systemverhalten mit dem tatsächlichen systematisch vergleichen zu können. Diese Vorlesung behandelt die notwendigen Schritte zur Extraktion von Wissen aus Daten, Techniken zur Aufbereitung der Daten bis hin zu grundlegenden Modellen zur Extraktion von Wissen, z. B. in Form von Statistiken, Assoziationsregeln, Clustern oder systematischen Vorhersagen.
Data Science 2
Die Vorlesung "Data Science 2" setzt die folgenden Schwerpunkte: Hochdimensionale Daten und ihre Eigenheiten und Verfahren für ihre Analyse, Datenströme und entsprechende Ansätze, Datenvorverarbeitung in Form von beispielsweise Data Cleaning.
Dieses Modul ersetzt Data Science I und Data Science II und fasst diese zusammen.
240h
Datenbankkenntnisse, z.B. aus der Vorlesung Datenbanksysteme
Literatur wird in der Vorlesung bekanntgegeben. Es gibt diverse gut lesbare einschlägige Bücher, zum Beispiel:
| Verantwortung: |
TT-Prof. Dr. Benjamin Schäfer
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Telematik
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme Vertiefungsfach 2 / Telematik Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-113402 | Data Science and Artificial Intelligence for Energy Systems | 6 | Schäfer |
See partial achievements (Teilleistung)
See partial achievements (Teilleistung)
• Students obtained a foundational knowledge of data-driven methods in energy systems as an active research field. They can name some ongoing challenges.
• They can explain different data science methods and their applications in energy systems (including Langevin processes, superstatistics, (probabilistic) forecasts and explainable AI).
• Students can employ AI methods to solve problems in energy systems, including optimizing systems and forecasting time series.
• Students can exploit key properties of trained machine learning models and interpretability tools.
• Students can select suitable analysis tools, justify their choice and carry out data-driven analysis on power systems .
Artificial Intelligence (AI) is a key technology in many areas of society and research. Energy systems with the ongoing energy transition (“Energiewende”) make it a fascinating field for deploying AI methods. AI and machine learning algorithms can play a crucial role in improving energy efficiency, optimizing power generation and distribution or enhancing system stability while facilitating additional renewable energy integration. In this lecture, we review some mechanics of energy systems, their design and optimization questions and how to solve these using data-driven approaches. We will discuss deterministic dynamics, as well as stochastic aspects of energy systems and will explore fundamental AI algorithms and their applications in energy systems. We will cover both classical time series methods as well as state-of-the-art AI techniques, e.g. for optimization or forecasting.
Course workload:
1. Attendance time: 4 SWS x 15=60 (Course, exercise, etc.)
2. Self-study: 6 h x 15 = 90 (independent review of course material,
work on homework assignments)
3. Preparation for the exam: 30h
60+90+30=180h= 6ECTS
Knowledge of AI basics is very helpful.
Previous participation in “Energieinformatik 1” and/or “Energieinformatik 2” is beneficiary but not mandatory.
Knowledge of Python is highly recommended.
| Verantwortung: |
Prof. Dr. Maxim Ulrich
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-WIWI-102878 | Computational Risk and Asset Management | 4,5 | Ulrich |
| T-WIWI-110213 | Python for Computational Risk and Asset Management | 4,5 | Ulrich |
Die Modulprüfung erfolgt in Form einer Prüfungsleistung anderer Art. Die Prüfungsleistung anderer Art besteht aus einem Python-basierten "Takehome Exam". Am Ende der dritten Januarkalenderwoche bekommt der Student ein "Takehome Exam" ausgehändigt, welches er binnen 4 Stunden eigenständig und mittels Python bearbeitet und zurückschickt. Genaue Anweisungen werden zu Beginn der Lehrveranstaltung bekannt gegeben.
Die Prüfungsleistung anderer Art kann maximal einmal wiederholt werden. Eine fristgerechte Wiederholungsmöglichkeit findet am Ende der dritten Märzkalenderwoche des gleichen Jahres statt. Genauere Anweisungen werden zu Beginn der Lehrveranstaltung bekannt gegeben.
Keine.
Das Ziel des Moduls ist mittels Data Science, Machine Learning und Finanzmarkttheorien bessere Investitions-, Risiko- und Assetmanagement-Entscheidungen zu generieren. Der Student lernt anwendungsorientiert und mittels echter Finanzmarktdaten Charakteristika verschiedener Assetklassen kennen. Wir verwenden Python und Webscraping Techniken um öffentlich zugängliche Finanzmarktdaten zu extrahieren, zu visualisieren und nach Mustern zu untersuchen. Interessante und nicht-öffentliche Finanzmarktdaten wie (Options- und Futuresdaten auf Aktien und Zinsen) werden für den Kurs zur Verfügung gestellt. Finanzmarkttheorien werden ebenfalls besprochen, um die Datenanalyse durch theoretische Kenntnisse zu verbessern. Studenten lernen durch die "Data Science-Brille" Aktien-, Zins-, Futures- und Optionsmärkte kennen. Durch die "Finanztheorie-Brille" verstehen Studenten, wie Muster mittelts Finanztheorie kommuniziert und interpretiert werden können. Python ist das Bindeglied, durch welches wir Data Science und moderne Finanzmarktmodellierung zusammenbringen.
Das Modul umfasst unter anderem folgende Themen:
Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Leistungspunkte). Die Gesamtstundenzahl ergibt sich aus dem Aufwand für das Studium von Onlinevideos, dem Bearbeiten von Quizfragen, dem Studium von Ipython- Notebooks, der Teilnahme an interaktiven "Python Data Sessions" und der Lektüre empfohlener Literatur.
Grundkenntnisse der Kapitalmarkttheorie.
| Verantwortung: |
Prof. Dr. Andreas Geyer-Schulz
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre
|
| Wahlpflichtangebot (Wahl: 9 LP) | |||
|---|---|---|---|
| T-WIWI-109921 | Advanced Machine Learning | 4,5 | Geyer-Schulz, Nazemi |
| T-WIWI-111219 | Artificial Intelligence in Service Systems - Applications in Computer Vision | 4,5 | Satzger |
| T-WIWI-102762 | Business Dynamics | 4,5 | Geyer-Schulz, Glenn |
| T-WIWI-111267 | Intelligent Agent Architectures | 4,5 | Geyer-Schulz |
| T-WIWI-110915 | Intelligent Agents and Decision Theory | 4,5 | Geyer-Schulz |
| T-WIWI-102847 | Recommendersysteme | 4,5 | Geyer-Schulz |
Die Modulprüfung erfolgt in Form von Teilprüfungen über die gewählten Lehrveranstaltungen des Moduls, mit denen in Summe die Mindestanforderung an Leistungspunkten erfüllt ist. Die Erfolgskontrolle wird bei jeder Lehrveranstaltung dieses Moduls beschrieben.
Die Gesamtnote des Moduls wird aus den mit LP gewichteten Noten der Teilprüfungen gebildet und nach der ersten Nachkommastelle abgeschnitten.
Keine
Der/die Studierende
Die Veranstaltung Intelligent Architectures geht dabei auf die Art und Weise ein, wie man moderne agenten-basierte Systeme entwirft. Der Fokus liegt hier auf der Software Architektur und den Entwurfsmustern, die für lernende Systeme relevant sind. Zudem wird auf wichtige Methoden des maschinellen Lernens eingegangen, die das intelligente System vervollständigen. Beispiele für vorgestellte Systeme sind Taste-Map-Architekturen und genetische Verfahren.
Die Auswirkungen von Management-Entscheidungen in komplexen Systemen werden in Business Dynamics betrachtet. Das Verstehen, Modellieren und Simulieren komplexer Systeme ermöglicht die Analyse, das zielgerichtete Design sowie die Optimierung von Märkten, Geschäftsprozessen, Regulierungen und ganzen Unternehmen.
Spezielle Probleme intelligenter Systeme werden in den Veranstaltungen Personalization and Services und Recommendersysteme behandelt. Die Inhalte umfassen Vorgehensweisen und Methoden um die angebotenen Dienste nutzerorientiert zu gestalten. Dabei wird das Messen und Monitoring von Servicesystemen diskutiert, die Gestaltung von personalisierten Angeboten besprochen und die Generierung von Empfehlungen aufgrund der gesammelten Daten von Produkten und Kunden gezeigt. Es wird die Bedeutung von Benutzermodellierung und -wiedererkennung, aber auch von Datensicherheit und Privatheit angesprochen.
Das Modul ersetzt ab Sommersemester 2021 M-WIWI-101470 "Data Science: Advanced CRM"
Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Credits). Die Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls. Dabei beträgt der Arbeitsaufwand für Lehrveranstaltungen mit 4,5 Credits ca. 135h.
Die Gesamtstundenzahl je Lehrveranstaltung ergibt sich dabei aus dem Aufwand für den Besuch der Vorlesungen und Übungen, sowie den Prüfungszeiten und dem zeitlichen Aufwand, der zur Erreichung der Lernziele des Moduls für einen durchschnittlichen Studenten für eine durchschnittliche Leistung erforderlich ist.
Keine
| Verantwortung: |
Prof. Dr.-Ing. Klemens Böhm
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Informationssysteme
Vertiefungsfach 2 / Informationssysteme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101317 | Datenbankeinsatz | 5 | Böhm |
Siehe Teilleistung.
Siehe Teilleistung.
Am Ende der Lehrveranstaltung sollen die Teilnehmer Datenbank-Konzepte (insbesondere Datenmodelle, Anfragesprachen) – breiter, als es in einführenden Datenbank-Veranstaltungen vermittelt wurde – erläutern und miteinander vergleichen können. Sie sollten Alternativen bezüglich der Verwaltung komplexer Anwendungsdaten mit Datenbank-Technologie kennen und bewerten können.
Diese Vorlesung soll Studierende an den Einsatz moderner Datenbanksysteme heranführen, in Breite und Tiefe. ’Breite’ erreichen wir durch die ausführliche Betrachtung unterschiedlicher Philosophien und unterschiedlicher Datenmodelle mit entsprechenden Anfragesprachen. Wir gehen beispielsweise sowohl auf sogenannte NoSQL-Datenbanktechnologie ein als auch auf semistrukturierte Datenbanken (vulgo XML-Datenbanken, mit XQuery als Anfragesprache) und Graph-Datenbanken. ’Tiefe’ erreichen wir durch die Betrachtung mehrerer nichttrivialer Anwendungen. Dazu gehören beispielhaft die Verwaltung von XML-Datenbeständen oder E-Commerce Daten mit SQL-Datenbanken. Diese Anwendungen sind von allgemeiner Natur und daher auch isoliert betrachtet bereits interessant.
33 h Präsenzzeit
+ Vor- und Nachbereitungszeiten 75 h
+ 42 h Klausurvorbereitung
= 150 h = 5 ECTS
Siehe Teilleistung.
| Verantwortung: |
Prof. Dr.-Ing. Klemens Böhm
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Informationssysteme
Vertiefungsfach 2 / Informationssysteme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-111400 | Datenbankfunktionalität in der Cloud | 5 | Böhm |
Siehe Teilleistung
Siehe Teilleistung
Am Ende der Lehrveranstaltung sollen die Teilnehmer erklären können, was Datenbankfunktionalität in der Cloud ausmacht, und wo die Vor- und Nachteile liegen. Sie sollen verstanden haben, wie sich für den Cloud-Betrieb entwickelte Datenbanktechnologie von herkömmlicher derartiger Technologie unterscheidet, und was für Gemeinsamkeiten es gibt. Die Teilnehmer sollen die wesentlichen Ansätze, die Cloud-spezifische Datenbanktechnologie ausmachen, erläutern und voneinander abgrenzen können.
Wir erleben derzeit, dass "Eigentümer" großer Datenbestände, seien es große Organisationen, seien es Startups, in großem Umfang Datenbankfunktionalität mieten, anstatt sie selbst bereitzustellen. Die "total costs of ownership" sind in vielen Fällen einfach erheblich günstiger. In dieser Vorlesung geht es um Datenbanktechnologie, die genau das ermöglicht. Das ist zum einen für Sie von Bedeutung, wenn Sie solche Dienste irgendwann nutzen wollen, es wird aber selbst dann interessant sein, wenn Sie mit Datenbanktechnologie "in herkömmlicher Form" zu tun haben werden.
Aus meiner Sicht sind insbesondere die folgenden Leistungsmerkmale von "Cloud-fähiger Datenbanktechnologie", auf die ich dann in der Vorlesung auch ausführlich eingehen werde, zentral:
Wichtig in dem Zusammenhang sind aber auch klassische Konzepte wie verteilte Transaktionen und Datenhaltung und Anfrageverarbeitung im verteilten Fall, die ebenfalls Thema dieser Vorlesung sein werden.
157 h 45 min
Wird in der Vorlesung bekanntgegeben, Grundlagen/Einlassungen zu einzelnen Vorlesungskapiteln finden sich in den folgenden Büchern:
| Verantwortung: |
Prof. Dr.-Ing. Klemens Böhm
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Informationssysteme
Vertiefungsfach 2 / Informationssysteme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-103201 | Datenbank-Praktikum | 4 | Böhm |
Siehe Teilleistung
Siehe Teilleistung
Im Praktikum soll das aus Vorlesungen wie "Datenbanksysteme" und "Datenbankeinsatz" erlernte Wissen in die Praxis umgesetzt werden. Dabei geht es vor allem um Entwurf und Realisierung von Datenbankanwendungen, Benutzung deklarativer Anfragesprachen sowie um Datenbankentwurf. Darüber hinaus soll gelernt werden, im Team zusammenzuarbeiten.
Das Datenbankpraktikum bietet Studierenden die Möglichkeit, den praktischen Einsatz von Datenbanksystemen in Ergänzung zu den unterschiedlichen Vorlesungen kennenzulernen. Die Teilnehmer werden in ausgewählten Versuchen mit kommerzieller relationaler sowie nichtkonventioneller Datenbanktechnologie vertraut gemacht. Darüber hinaus können sie Datenbankentwurf an praktischen Beispielen erproben. Im Einzelnen stehen folgende Versuche auf dem Programm:
- Zugriff auf Datenbanken, auch aus Anwendungsprogrammen heraus,
- Verwaltung von Datenbeständen mit nichtkonventioneller Datenbanktechnologie,
- Performanceoptimierungen bei der Anfragebearbeitung,
- Datenbankentwurf.
Arbeiten im Team ist ein weiterer wichtiger Aspekt bei allen Versuchen.
Jeder Leistungspunkt (Credit) entspricht ca. 25-30h Arbeitsaufwand (des Studierenden). Hierbei ist vom durchschnittlichen Studierenden auszugehen, der eine durchschnittliche Leistung erreicht. Unter den Arbeitsaufwand fallen (für eine Vorlesung)
1. Präsenzzeit in Vorlesungen, Übungen
2. Vor-/Nachbereitung derselbigen
3. Klausurvorbereitung und Präsenz in selbiger.
| Verantwortung: |
Prof. Dr.-Ing. Klemens Böhm
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Informationssysteme
Vertiefungsfach 2 / Informationssysteme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-108377 | Datenschutz von Anonymisierung bis Zugriffskontrolle | 3 | Böhm |
Siehe Teilleistung.
Grundkenntnisse zu Datenbanken, verteilten Informationssystemen, Systemarchitekturen und Kommunikationsinfrastrukturen, z.B. aus der Vorlesung Datenbanksysteme
Die Teilnehmer werden in die Ziele und Grundbegriffe der Informationellen Selbstbestimmung eingeführt.
Sie sind in der Lage die grundlegenden Herausforderungen des Datenschutzes und ihre vielfältigen Auswirkungen auf Gesellschaft und Individuen zu benennen.
Außerdem beherrschen sie aktuelle Technologien zum Datenschutz und können diese anwenden. Z.B. Methoden des Spatial & Temporal Cloaking.
Die Studenten sollen damit in die Lage versetzt werden, die Risiken unbekannter Technologien für die Privatheit zu analysieren, geeignete Maßnahmen zum Umgang mit diesen Risiken vorschlagen und die Effektivität dieser Maßnahmen abschätzen.
In diesem Modul soll vermittelt werden, welchen Einfluss aktuelle und derzeit in der Entwicklung befindliche Informationssysteme auf Privatheit ausüben. Diesen Herausforderungen werden technische Maßnahmen zum Datenschutz, die derzeit in der Forschung diskutiert werden, gegenübergestellt. Ein Exkurs zu den gesellschaftlichen Implikationen von Datenschutzproblemen und Datenschutztechniken rundet das Modul ab.
+ Vor- und Nachbereitungszeiten (1,5 x 2) x 15 = 45 h
+ 17 h Klausurvorbereitung
= 84 h = 3 ECTS
| Verantwortung: |
Prof. Dr. Hannes Hartenstein
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Kryptographie und Sicherheit
Vertiefungsfach 1 / Telematik Vertiefungsfach 2 / Kryptographie und Sicherheit Vertiefungsfach 2 / Telematik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-110820 | Decentralized Systems: Fundamentals, Modeling, and Applications | 6 | Hartenstein |
Siehe Teilleistung.
Siehe Teilleistung.
1. Fundamentals & Modeling
1. The student is able to recognize and distinguish distributed, federated, and decentralized systems.
2. The student understands consensus, consistency and coordination within the context of networked and decentralized systems.
3. The student understands the concept of Sybil attacks.
4. The student is familiar with decentralized algorithms for leader election and mutual exclusion for execution contexts with various guarantees.
5. The student understands the formally proven limits of fault tolerance and their underlying assumptions. This includes an understanding of synchronous and asynchronous network models which underpin the respective proofs. The student also understands several models for fault tolerance, notably silent and noisy crash as well as byzantine fault tolerance within the context of decentralized and distributed systems.
6. The student has a basic understanding of state machine replication.
7. The student knows various models for and levels of consistency.
2. Applications
1. The student understands conflict-free replicated data types and their use in decentralized systems like Matrix.
2. The student has a fundamental understanding of blockchain-based cryptocurrencies (e.g. Bitcoin/Ethereum), Payment Channels, and decentralized communication systems like Matrix.
3. The student understands trust relations in distributed and decentralized systems and applications.
4. The student is able to understand how the previously introduced theoretical foundations relate to networked and decentralized systems in practice.
5. The student understands concepts of decentralized storage systems.
Decentralized Systems (like blockchain-based systems) represent distributed systems that are controlled by multiple parties who make their own independent decisions. In this course, we cover fundamental theoretical aspects as well as up-to-date decentralized systems and connect theory with current practice. We thereby address fault tolerance, security and trust, as well as performance aspects at the example of applications like Bitcoin, Ethereum, IPFS, and Matrix. As a research-oriented lecture, we may cover additional current topics like verifiable computing and/or identity and access management in decentralized settings.
The lecture covers at least the following topics:
Vorlesung: 3 SWS: 3,0h x 15 = 45h
Übung: 1 SWS: 1,0h x 15 = 15h
Wöchentliche Vor- und Nachbereitung der Vorlesung: 15 x 1h x 3 = 45h
Wöchentliche Vor- und Nachbereitung der Übung: 15 x 2h = 30h
Prüfungsvorbereitung: 45h
Σ = 180h = 6 ECTS
Kenntnisse zu Grundlagen von IT-Sicherheit und Rechnernetzen sind hilfreich.
| Verantwortung: |
Prof. Dr.-Ing. Rainer Stiefelhagen
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme
Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-111491 | Deep Learning für Computer Vision I: Grundlagen | 3 | Stiefelhagen |
Siehe Teilleistung.
Siehe Teilleistung.
Studierende bekommen ein Verständnis der Grundlagen und Lernmethoden sowie fortgeschrittener Modellarchitekturen von Deep Learning Verfahren und ihren Anwendungen in der Bildverarbeitung (Computer Vision).
Studierende sind in der Lage, Deep Learning Verfahren für ausgewählte Aufgabenstellungen der Bildverarbeitung anzuwenden.
In den letzten Jahren wurden im Bereich des Bildverstehens (Computer Vision) beeindruckende Fortschritte erzielt. Diese wurden zu einem großen Teil durch die Wiederentdeckung und Weiterentwicklung sogenannter Deep-Learning-Verfahren (insbesondere die Nutzung von Convolutional Neuronalen Netzen) ermöglicht. Deep Learning Verfahren stellen derzeit den Stand der Technik für viele Anwendungsbereiche des Bildverstehens dar.
Die Vorlesung behandelt die Grundlagen, fortgeschrittene Netzarchitekturen und Lernverfahren für Anwendungen im Bereich Computer Vision. Es werden unter anderem folgende Themen behandelt:
Die Lehrveranstaltung findet teilweise in Deutsch und Englisch statt.
1. Präsenszeit Vorlesung: 15 * 2 h = 30 h
2. Vor- und Nachbereitungszeit Vorlesung: 15 * 2 h = 30 h
3. Prüfungsvorbereitung und Präsens in selbiger: 30 h
Insgesamt: 90 h = 3 LP
Kenntnisse zu Grundlagen der Mustererkennung, wie sie im Stammmodul Kognitive Systeme vermittelt werden, werden vorausgesetzt.
| Verantwortung: |
Prof. Dr.-Ing. Rainer Stiefelhagen
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme
Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-111494 | Deep Learning für Computer Vision II: Fortgeschrittene Themen | 3 | Stiefelhagen |
Siehe Teilleistung.
Siehe Teilleistung.
Studierende bekommen ein Verständnis der fortgeschrittenen Deep Learning Verfahren und Aufgabenstellungen insb. im Hinblick auf ihre Anwendungen in der Bildverarbeitung (Computer Vision). Studierende sind in der Lage, Deep Learning Verfahren für spezielle Aufgabenstellungen, wie Lernen mit wenig Trainingsdaten, Änderungen der Datendomäne oder Unsicherheitsbestimmung anzuwenden.
Tiefe faltende neuronale Netze (engl. Convolutional Neural Networks, CNNs) erzielen exzellente Ergebnisse in vielen Bereichen der Computer Vision, haben jedoch bei realen Anwendungen mit Herausforderungen zu kämpfen, wie die Abhängigkeit von kostspielig annotierten Trainingsdaten, hohe Rechenleistung oder schwere Nachvollziehbarkeit der Entscheidungswege. Während die Entwicklung der Erkennungsalgorithmen für lange Zeit primär von hohen Erkennungsraten auf großen und sauber annotierten Datensätzen getrieben waren, gewinnen heute anwendungsrelevante Ziele, wie Lernen mit wenig Trainingsdaten, Erklärbarkeit, Unsicherheitsschätzung oder Domänenadaption zunehmend an Bedeutung.
Die Vorlesung behandelt fortgeschrittene Netzarchitekturen, Lernverfahren und Forschungsgebiete im Bereich Deep Learning für Computer Vision. Es werden unter anderem folgende Themen behandelt:
Besuch der Vorlesungen: ca. 20 Stunden
Vor- und Nachbereitung der Vorlesung: ca. 30 Stunden
Klausurvorbereitung: ca. 40 h
Summe: ca. 90 Stunden
Kenntnisse zu Deep Learning Grundlagen werden vorausgesetzt.
| Verantwortung: |
Prof. Dr. Jan Niehues
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme
Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-109124 | Deep Learning und Neuronale Netze | 6 | Niehues |
Siehe Teilleistung.
Siehe Teilleistung.
Dieses Modul führt ein die Verwendung von Neuronalen Netzen zur Lösung verschiedener Fragestellungen im Bereich des Maschinellen Lernens, etwa der Klassifikation, Prediktion, Steuerung oder Inferenz. Verschiedene Typen von Neuronalen Netzen werden dabei behandelt und ihre Anwendungsgebiete an Hand von Beispielen aufgezeigt.
180h.
Der vorherige erfolgreiche Abschluss des Stamm-Moduls „Kognitive Systeme“ wird empfohlen.
| Verantwortung: |
Prof. Dr. Hartmut Prautzsch
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Computergrafik und Geometrieverarbeitung
(EV zwischen 01.04.2024 und 30.09.2024)
Vertiefungsfach 2 / Computergrafik und Geometrieverarbeitung (EV zwischen 01.04.2024 und 30.09.2024) Wahlbereich Informatik (EV zwischen 01.04.2024 und 30.09.2024) |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-113389 | Der de-Casteljau-Algorithmus | 3 | Prautzsch |
Siehe Teilleistung.
Siehe Teilleistung.
Man kennt den Algorithmus von de Casteljau, seine Verallgemeinerungen, Anwendungsmöglichkeiten, Varianten und hat begriffen, wie grundlegend er für die Entwicklung des „Computer Aided Geometric Design“ bis heute ist.
• Die Geschichte DES Algorithmus
• DER Algorithmus für Kurven
• DER Algorithmus für beliebig dimensionale Flächen
• Die unmittelbaren Bedeutungen (Auswertung, Unterteilung, Konvergenz, Fortsetzungseigenschaft, …)
• DER rationale Algorithmus
• DER fokale Algorithmus
• DER duale Algorithmus
• DER Algorithmus für homogene Polynome
• DER sphärische Algorithmus
• DER hyperbolische Algorithmus
• Polarformen
• Der de-Boor- und Oslo-Algorithmus
• B-Patches
• Darstellungs-Konversionen mittels des Algorithmus
• Graderhöung mittels DES Algorithmus
• Der Zusammenhang mit Schmiegräumen
• Gk Tschebyscheff-Splines
• Matrix-Unterteilung
• Corner cutting
• Fokalsplines
EINMALIG im SS24!
90h
| Verantwortung: |
Prof. Dr. Ivan Peric
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Elektrotechnik und Informationstechnik |
| Bestandteil von: |
Ergänzungsfach / Elektro- und Informationstechnik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-ETIT-100973 | Design analoger Schaltkreise | 4 | Peric |
Die Erfolgskontrolle erfolgt im Rahmen einer mündlichen Gesamtprüfung (20 Minuten).
Zulassung zur mündlichen Prüfung erst nach Vorlage eines schriftlichen Protokolls mit den Ergebnissen der Übungsaufgaben.
Die Studentinnen und Studenten haben Kenntnisse über Funktion und Arbeitsbereiche von bipolaren- und Feldeffekttransistoren. Sie sind in der Lage, die notwendigen Designschritte für analoge Verstärkerschaltungen und den Aufbau von Bias-Schaltungen, Stromquellen und Stromspiegeln durchzuführen. Mit den Kenntnissen über Frequenzgang und Stabilität können Sie Designs von mehrstufigen integrierten Verstärkern optimieren. Die Studierenden haben Kenntnisse über das Entstehen von Rauschen und den Rauschquellen in integrierten Schaltungen. Die Kenntnisse der wichtigsten Designregeln für den Entwurf von analogen integrierten Schaltungen und das Erlernen der einzelnen Schritte für das Design eines integrierten Verstärkers unter Verwendung des ”Cadence Virtuoso Design Environment” bilden eine gute Basis für das Verständnis von hochintegrierten Bauelementen und können gut in andere Bereiche des Studiums übertragen werden.
Frequenzverhalten, Rückkopplung und Stabilitätskriterien werden durch einfache Beispiele erklärt.
Aufbau von ein- und mehrstufigen Verstärkern in einer modernen CMOS oder BiCMOS Technologie wird erklärt, beginnend von einfacheren Schaltungen wie der Common-Source-Verstärker bis hin zu mehrstufigen Differenzverstärkern. Dimensionierung von Transistoren und deren Strömen wird besprochen, so dass die Schaltungen typische Spezifikationen wie Bandbreite bei einer Kapazitiven Last, Eingangsimpedanz, Rauschen, Stabilität erfüllen. Die Eigenschaften von intergerieten SiGe bipolaren- und Feldeffektelementen werden analysiert und gegenübergestellt. Weitere Schaltungen wie Strom- und Spannungsreferenzen, Oszillatoren, einfache ADCs werden beschrieben. Mechanismen die Rauschen verursachen werden erklärt. Schaltungen werden mithilfe von ”Cadence Virtuoso Design Environment” in einer modernen 65nm CMOS Technologie entworfen. Der Dozent behält sich vor, im Rahmen der aktuellen Vorlesung ohne besondere Ankündigung vom hier angegebenen Inhalt abzuweichen.
Notenbildung ergibt sich aus der mündlichen Prüfung. Zulassung zur Prüfung erst nach Vorlage eines schriftlichen Protokolls mit den Ergebnissen der Übungsaufgaben.
1. Präsenzzeit in Vorlesungen im Wintersemester 18 h
2. Vor-/Nachbereitung derselbigen 24 h
3. Prüfungsvorbereitung 48 h
4. Präsenzzeit in Übungen im Wintersemester 18h
| Verantwortung: |
Prof. Dr. Ivan Peric
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Elektrotechnik und Informationstechnik |
| Bestandteil von: |
Ergänzungsfach / Elektro- und Informationstechnik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-ETIT-100974 | Design digitaler Schaltkreise | 4 | Peric |
Die Erfolgskontrolle erfolgt im Rahmen einer mündlichen Gesamtprüfung (20 Minuten).
Zulassung zur mündlichen Prüfung erst nach Vorlage eines schriftlichen Protokolls mit den Ergebnissen der Übungsaufgaben.
Die Studentinnen und Studenten haben Kenntnisse über Aufbau von logischen Grundelementen und über das statische und das dynamische Verhalten von Gattern. Die Studierenden besitzen grundlegendes Wissen über Funktion und Aufbau von PLL-Schaltungen und haben Kenntnisse über den Aufbau von flüchtigen und nichtflüchtigen integrierten Speicherzellen. Sie sind in der Lage einfache digitale Schaltungen in HDL-Sprachen zu beschreiben und haben Grundkenntnisse in Tools für digitale Synthese.
In der Vorlesung werden digitale integrierte Halbleiterschaltungen behandelt. Neben den Grundlagen der Feldeffekttransistoren werden der CMOS-Inverter und komplexere digitalen Schaltungen besprochen. Ein wesentlicher Bestandteil der Vorlesung ist das Design digitaler Schaltungen in einer modernen 65nm CMOS Technologie mithilfe von Software Tools wie „Cadence SoC Encounter RTL-to-GDSII System“.
Der Dozent behält sich vor, im Rahmen der aktuellen Vorlesung ohne
besondere Ankündigung vom hier angegebenen Inhalt abzuweichen.
Notenbildung ergibt sich aus der mündlichen Prüfung. Zulassung zur
Prüfung erst nach Vorlage einer schriftlichen Protokolls mit den Ergebnissen der Übungsaufgaben.
1. Präsenzzeit in Vorlesungen 18 h
2. Vor-/Nachbereitung derselbigen 24 h
3. Prüfungsvorbereitung 48 h
4. Präsenzzeit in Übungen 18 h
| Verantwortung: |
Prof. Dr. Wilderich Tuschmann
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Mathematik |
| Bestandteil von: |
Ergänzungsfach / Mathematik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-MATH-102275 | Differentialgeometrie | 9 | Tuschmann |
Die Erfolgskontrolle erfolgt in Form einer schriftlichen Prüfung von 120 Minuten Dauer.
Keine
Absolventinnen und Absolventen
Optional:
Die Modulnote ist die Note der schriftlichen Prüfung.
Wird erstmalig im Sommersemester 2018 stattfinden.
Gesamter Arbeitsaufwand: 240 Stunden
Präsenzzeit: 90 Stunden
Selbststudium: 150 Stunden
Die Module "Einführung in Geometrie" und "Topologie" bzw. "Elementare Geometrie" sollten bereits belegt worden sein.
| Verantwortung: |
Prof. Dr. Ann-Kristin Kupfer
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-WIWI-112693 | Digital Marketing | 4,5 | Kupfer |
| Ergänzungsangebot (Wahl: höchstens 1 Bestandteil) | |||
| T-WIWI-106981 | Digital Marketing and Sales in B2B | 1,5 | Klarmann, Konhäuser |
| T-WIWI-111099 | Judgement and Decision Making | 4,5 | Scheibehenne |
| T-WIWI-107720 | Market Research | 4,5 | Klarmann |
| T-WIWI-112711 | Media Management | 4,5 | Kupfer |
| T-WIWI-111848 | Online-Konzepte für Karlsruher Innenstadthändler | 3 | Klarmann |
The assessment is carried out as partial exams of the core course and further single courses of this module, whose sum of credits must meet the minimum requirement of credits of this module. The assessment procedures are described for each course of the module separately.
The overall grade of the module is the average of the grades for each course, weighted by the credits and truncated after the first decimal.
None
Students
The aim of this module is to deepen central marketing contents in different areas.
Total effort for 9 credit points: approx. 270 hours.
The exact distribution is done according to the credit points of the courses of the module.
| Verantwortung: |
Prof. Dr.-Ing. Rainer Stiefelhagen
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme
Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-111830 | Digitale Barrierefreiheit und Assistive Technologien | 3 | Stiefelhagen |
Siehe Teilleistung.
Siehe Teilleistung.
Digitale Barrierefreiheit oder besser digitale „Zugänglichkeit“ (Accessibiltiy, wie es auf Englisch heißt) ist ein Thema, das uns alle betrifft. Digital an Informationen zu kommen, von Kindesbeinen an bis ins hohe Alter. Assistive Technologien, wie Smartphones, Tablets, Smartwatches, Wearables allgemein sind ein Teil unseres Alltages geworden. Genau diese Dinge sollten von allen Menschen bedienbar und nutzbar sein. Unabhängig jeglicher Barrieren.
Aber was steckt an Details dahinter? Wie sehen Rechte und Grundlagen hierzu aus? Was muss alles getan werden, um „barrierefrei“ zu sein?
Dies alles lässt sich am besten am Beispiel „Sehbehinderung“ zeigen.
Weltweit gibt es nach Angaben der Weltgesundheitsorganisation ca. 285 Million Menschen mit Sehschädigungen, davon ca. 39 Millionen Menschen, die blind sind. Der teilweise oder vollständige Verlust des Sehvermögens schränkt Blinde und Sehbehinderte in erheblichem Maße in ihrem Arbeits- und Sozialleben ein. Sich ohne fremde Hilfe im öffentlichen Raum zu orientieren und fortzubewegen, gestaltet sich schwierig: Gründe hierfür sind Probleme bei der Wahrnehmung von Hindernissen und Landmarken sowie die daraus resultierende Angst vor Unfällen und Orientierungsschwierigkeiten. Weitere Probleme im Alltagsleben sind: das Lesen von Texten, die Erkennung von Geldscheinen, von Nahrungsmitteln, Kleidungstücken oder das Wiederfinden von Gegenständen im Haushalt.
Zur Unterstützung können Blinde und Sehbehinderte bereits auf eine Reihe von technischen Hilfsmitteln zurückgreifen. So können digitalisierte Texte durch Sprachausgabe oder Braille-Ausgabegeräte zugänglich gemacht werden. Es gibt auch verschiedene speziell für Blinde hergestellte Geräte. Das wichtigste Hilfsmittel zur Verbesserung der Mobilität ist mit großem Abstand der Blindenstock. In den vergangenen Jahren wurden auch einige elektronische Hilfsmittel zur Hinderniserkennung oder Orientierungsunterstützung entwickelt, diese bieten aber nur eine sehr eingeschränkte Funktionalität zu einem relativ hohen Preis und sind daher eher selten im Einsatz.
Die Vorlesung gibt einen Überblick über zum Thema IT-basierte Assistive Technologien (AT) am Beispiel und beinhaltet die folgenden Themen:
Aktuelle Informationen finden Sie unter http://cvhci.anthropomatik.kit.edu/
Besuch der Vorlesungen: ca. 20 Stunden (à 60 Minuten)
Vor- und Nachbereitung der Vorlesung: ca. 30 Stunden
Klausurvorbereitung: ca. 40 h
Summe: ca. 90 Stunden
| Verantwortung: |
Prof. Dr.-Ing. Thomas Längle
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Robotik und Automation
Vertiefungsfach 2 / Robotik und Automation Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101340 | Echtzeitsysteme | 6 | Längle |
Siehe Teilleistung.
Siehe Teileistung.
Es werden die grundlegenden Prinzipien, Funktionsweisen und Architekturen von Echtzeitsystemen vermittelt. Einführend werden die grundlegenden Rechnerarchitekturen (Mikrorechner, Mikrokontroller Signalprozessoren, Parallelbusse) dargestellt. Echtzeitkommunikation wird am Beispiel verschiedener Feldbusse eingeführt. Es werden weiterhin die grundlegenden Methoden der Echtzeitprogrammierung (synchrone und asynchrone Programmierung), der Echtzeitbetriebssysteme (Taskkonzept, Echtzeitscheduling, Synchronisation, Ressourcenverwaltung) sowie der Echtzeit-Middleware dargestellt. Hierauf aufbauend wir die Thematik der Hardwareschnittstellen zwischen Echtzeitsystem und Prozess vertieft. Danach werden grundlegende Methoden für Modellierung und Entwurf von diskreten Steuerungen und zeitkontinuierlichen und zeitdiskreten Regelungen für die Automation von technischen Prozessen behandelt. Abgeschlossen wird die Vorlesung durch das Thema der sicherheitskritischen Systeme sowie den drei Anwendungsbeispielen Sichtprüfsysteme, Robotersteuerung und Automobil.
(4 SWS + 1,5 x 4 SWS) x 15 + 15 h Klausurvorbereitung = 165/30 = 5,5 LP ~ 6 LP.
| Verantwortung: |
Dr. Victor Pankratius
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Softwaretechnik und Übersetzerbau
Vertiefungsfach 2 / Softwaretechnik und Übersetzerbau Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-110819 | Edge-AI in Software- und Sensor-Anwendungen | 3 | Pankratius |
Siehe Teilleistung.
Siehe Teilleistung.
Qualifikationsziele
Nach Abschluss des Moduls verfügen Studierende über folgende Kompetenzen. Sie...
• können die theoretischen und praktischen Aspekte von Software und Sensorik im Kontext von Edge und Fog Computing benennen und erklären
• können Techniken des Softwareengineerings und der Algorithmenentwicklung für Sensoranwendungen benennen und einsetzen
• können Methoden der künstlichen Intelligenz im Kontext von Ressourcenbeschränkung und Fehlertoleranz benennen und einsetzen
• können die charakteristischen Eigenschaften der vorgestellten Methoden und Werkzeuge, deren Vor- und Nachteile gegeneinander abwa¨gen und ko¨nnen ein passendes Werkzeug fu¨r ein gegebenes Anwendungsszenario auswa¨hlen.
Lernziele
Studierende können die relevanten Elemente eines technischen Systems und deren Aufgaben im Edge/Fog Computing benennen. Studierende sind in der Lage, Ressourcenbeschränkungen unterschiedlichen Typs (CPU, Speicher, Kommunikation, Energie) zu benennen und deren Auswirkungen auf Software und Algorithmenentwurf zu beschreiben. Studierende können Funktionsprinzipien von Sensoren unterschiedlicher Art (z.B. mikroelektromechanische Systeme - MEMS) beschreiben, deren Funktionsprinzipien in Akzeleratoren, Gyroskopen, Druck/Feuchtigkeitssensoren, Partikelerkennung u.a. zu beschreiben, Anwendungen und deren Kontext erklären (z.B. Gestenerkennung in Mobiltelefonen/“Wearables“/“Hearables“, Lokalisierung & Navigation, Umweltmessungen). Studierende sind in der Lage, Softwaresysteme für Edge und Fog Anwendungen zu entwerfen und komplexe Edge- und Fog Softwareprojekte ingenieurmäßig zu entwickeln. Die Problemstellungen und Anforderungen verschiedener Anwendungsbereiche können erkannt, bearbeitet und auf einen neuen Kontext übertragen werden. Probleme bei der Erkennung von Mustern in Sensordaten, Klassifikation, Prädiktion können mit modellbasierten Algorithmen oder Ansätzen aus dem maschinellen Lernen gelöst werden. Probleme bei der Ableitung von Handlungsanweisungen können mittels Inferenztechniken gelöst werden.
Edge Computing umfasst Anwendungen, Daten und Dienste, die an die äußeren Ränder von Netzwerken verlagert werden. Derartige Systeme erfordern typischerweise eine lokale Datenverarbeitung unter Beschränkung von Ressourcen wie Energieverbrauch, CPUs, Speicher oder Konnektivität. Fog Computing kombiniert diese Aspekte zudem mit Cloud-Architekturen. Die Bedeutung dieser Ansätze wächst heutzutage für moderne Sensorik-Anwendungen und reicht von Industrieanwendungen über Internet-of-Things, Ubiquituous Computing, bis hin zu Verbraucheranwendungen in Mobiltelefonen, Wearables & Hearables (z.B. Health & Fitness-Anwendungen), Drohnen oder Anwendungen im Augmented Reality. Gleichzeitig wächst auch in allen Sensoranwendungen der Hardware-nahe Software-Anteil, was neue Möglichkeiten eröffnet. In diesem Kontext werden Methoden der künstlichen Intelligenz immer wichtiger, um lernende Systeme mit verbesserter Autonomie und sofortigem Feedback zu realisieren. Dieses Modul stellt hierfür den aktuellen Stand sowie Forschungsarbeiten und offene Probleme vor.
2 SWS: (2 SWS + 1,5 x 2 SWS) x 15 + 15 h Klausurvorbereitung = 90 h = 3 ECTS
Hilfreich sind Kenntnisse z.B. aus Kognitive Systeme, Softwaretechnik, Algorithmen, Rechnernetze & -strukturen, Low-Power-Design
| Verantwortung: |
Prof. Dr. Bernhard Beckert
Prof. Dr.-Ing. Ina Schaefer
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Wahlbereich Informatik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-112344 | Einführung in das Quantencomputing (IQC) | 3 | Beckert, Schaefer |
Siehe Teilleistung.
Siehe Teilleistung.
Nach Abschluss dieses Moduls kennen die Studierenden die wesentlichen Grundlagen des Quantencomputings. Sie sind in der Lage, einfache Algorithmen zu beschreiben und in einem Quanten-SDK umzusetzen. Sie können aktuelle Entwicklungen im Quantencomputing einordnen und Anwendungsmöglichkeiten des Quantencomputings bewerten.
• Grundlagen des Quantencomputing
• Quantenhardware
• Quantenalgorithmen
• Quantenprogrammiersprachen und Quanten-SDKs (insb. Qiskit)
• Quantum Software Engineering
• Verifikation von Quantenprogrammen
• Quantum Machine Learning
• Quanten Communication
• Post-Quantum Kryptographie
Diese Vorlesung wird als Ringvorlesung angeboten.
• Vorlesungsbesuch: 28 h
• Vor- und Nachbereitung: 42h
• Prüfungsvorbereitung: 20h
• Gesamt: 90h / 30 = 3 Credits
Kenntnisse in Linearer Algebra empfohlen.
| Verantwortung: |
Prof. Dr. Willy Dörfler
Prof. Dr. Tobias Jahnke
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Mathematik |
| Bestandteil von: |
Ergänzungsfach / Mathematik für Daten-Intensives Rechnen
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-MATH-105837 | Einführung in das Wissenschaftliche Rechnen | 9 | Dörfler, Hochbruck, Jahnke, Rieder, Wieners |
Die Erfolgskontrolle erfolgt in Form einer mündlichen Prüfung im Umfang von ca. 30 Minuten.
Keine
Absolventinnen und Absolventen können
Die Modulnote ist die Note der mündlichen Prüfung.
3 Stunden Vorlesung und 3 Stunden Praktikum
Gesamter Arbeitsaufwand: 240 Stunden
Präsenzzeit: 90 Stunden
Selbststudium: 150 Stunden
Die Inhalte der Module "Numerische Mathematik 1 und 2", "Numerische Methoden für Differentialgleichungen" sowie "Programmieren: Einstieg in die Informatik und algorithmische Mathematik" werden dringend empfohlen.
| Verantwortung: |
Prof. Dr.-Ing. Jürgen Beyerer
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Robotik und Automation
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme Vertiefungsfach 2 / Robotik und Automation Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101273 | Einführung in die Bildfolgenauswertung | 3 | Beyerer |
Siehe Teilleistung.
Siehe Teilleistung.
Die Studierenden besitzen nach Besuch der Vorlesung und Erarbeitung der genannten und besprochenen Quellen einen Überblick über klassische und aktuelle Verfahren aus verschiedenen Bereichen der Bildfolgenauswertung. Diese erstrecken sich von der Bewegungsdetektion über die Korrespondenzbildung, über die Schätzung dreidimensionaler Strukturen aus Bewegung, über die Detektion und Verfolgung von Objekten in Bildfolgen bis hin zur Interpretation von visuell beobachtbaren Aktionen und Verhalten.
Studierende analysieren an sie gestellte Probleme aus dem Bereich der Bildfolgenauswertung und bewerten bekannte Verfahren und Verfahrensgruppen auf ihre Eignung zur Lösung der Probleme und wählen somit geeignete Verfahren und Verfahrensweisen aus.
Unter Bildfolgenauswertung als Teilgebiet des Maschinensehens versteht man die automatische Ableitung von Aussagen über die in einer Bildfolge abgebildete Szene und deren zeitlicher Entwicklung. Die abgeleiteten Aussagen können dem menschlichen Benutzer bereitgestellt werden oder aber direkt in Aktionen technischer Systeme überführt werden. Bei der Analyse von Bildfolgen ist es gegenüber der Betrachtung von Einzelbildern möglich, Bewegungen als Bestandteil der zeitlichen Veränderung der beobachteten Szene mit in die Ableitung von Aussagen einzubeziehen.
Gegenstand der Vorlesung ist zunächst die Bestimmung einer vorliegenden Bewegung in der Szene aus den Bildern einer Bildfolge. Hierbei werden sowohl änderungsbasierte wie korrespondenzbasierte Verfahren behandelt. Die Nutzung der Bewegungsschätzung zwischen Einzelbildern einer Bildfolge wird im Weiteren an Beispielen wie der Mosaikbildung, der
Bestimmung von Szenenstrukturen aus Bewegungen aber auch der Objektdetektion auf der Basis von Bewegungshinweisen verdeutlicht.
Einen Schwerpunkt der Vorlesung bilden Objektdetektion und vor allem Objektverfolgungsverfahren, welche zur automatischen Bestimmung von Bewegungsspuren im Bild sowie zur Schätzung der dreidimensionalen Bewegung von Szenenobjekten genutzt werden. Die geschätzten zwei- und dreidimensionalen Spuren bilden die Grundlage für Verfahren, welche die quantitativ vorliegende Information über eine beobachtete Szene mit qualitativen Begriffen verknüpfen. Dies wird am Beispiel der Aktionserkennung in Bildfolgen behandelt. Die Nutzung der Verbegrifflichung von Bildfolgenauswertungsergebnissen zur Information des menschlichen Benutzers wie auch zur automatischen Schlussfolgerung innerhalb eines Bildauswertungssystems wird an Beispielen verdeutlicht.
Gesamt: ca. 90h, davon
1. Präsenzzeit in Vorlesungen: 23h
2. Vor-/Nachbereitung derselbigen: 23h
3. Prüfungsvorbereitung und Präsenz in selbiger: 44h
Siehe Teilleistung.
| Verantwortung: |
Prof. Dr. Christian Seidel-Saul
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Geistes- und Sozialwissenschaften |
| Bestandteil von: |
Ergänzungsfach / Philosophie (Pflicht)
|
| Voraussetzung für: |
T-GEISTSOZ-109222 - Modulprüfung Praktische Philosophie I T-GEISTSOZ-109224 - Modulprüfung Theoretische Philosophie I |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-GEISTSOZ-111610 | Einführung in die Philosophie 1 | 0 | Seidel-Saul |
| T-GEISTSOZ-111612 | Einführung in die Philosophie 2 | 0 | Seidel-Saul |
| T-GEISTSOZ-111608 | Einführung in die Philosophie 3 | 0 | Seidel-Saul |
| T-GEISTSOZ-111607 | Einführung in die Philosophie 4 | 0 | Seidel-Saul |
| T-GEISTSOZ-111606 | Einführung in die Philosophie 5 | 0 | Seidel-Saul |
| T-GEISTSOZ-106828 | Modulprüfung Einführung in die Philosophie | 14 | Seidel-Saul |
Das Bestehen der Studienleistungen und der Modulprüfung
keine
Die Studierenden lernen die unterschiedlichen Bereiche der Philosophie anhand der jeweils grundlegenden Fragestellungen und Begriffe kennen. Sie erwerben Grundkenntnisse über wichtige philosophische Strömungen und klassische Werke und sind darüber hinaus in der Lage, die üblichen epochalen Gliederungen der philosophischen Ideengeschichte darzustellen und in ihrem Verhältnis zu den Wissensformen Wissenschaft, Kunst und Religion zu verstehen. Die Studierenden lernen unterschiedliche Arten kennen, Sinnfragen zu stellen, und erwerben ein Verständnis für die geschichtliche Verfasstheit menschlicher Wissenskulturen.
Überblick über die systematischen Bereiche der Philosophie und deren geschichtliche Entwicklung unter Berücksichtigung des Verhältnisses zu den Wissensformen Wissenschaft, Kunst, Religion.
Die Modulnote ist die Note der Modulprüfung
Präsenz in den Veranstaltungen 120 h, Vor- und Nachbereitung (einschl. Studienleistungen) 120 h, Studienleistung "Philosophisches Tagebuch" 120 h, Modulprüfung ca. 60 h (Insgesamt ca. 420 h)
| Verantwortung: |
Prof. Dr. Christian Seidel-Saul
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Geistes- und Sozialwissenschaften |
| Bestandteil von: |
Ergänzungsfach / Philosophie (Pflicht)
|
| Voraussetzung für: |
T-GEISTSOZ-109222 - Modulprüfung Praktische Philosophie I T-GEISTSOZ-109224 - Modulprüfung Theoretische Philosophie I |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-GEISTSOZ-111610 | Einführung in die Philosophie 1 | 0 | Seidel-Saul |
| T-GEISTSOZ-111612 | Einführung in die Philosophie 2 | 0 | Seidel-Saul |
| T-GEISTSOZ-111608 | Einführung in die Philosophie 3 | 0 | Seidel-Saul |
| T-GEISTSOZ-111607 | Einführung in die Philosophie 4 | 0 | Seidel-Saul |
| T-GEISTSOZ-106828 | Modulprüfung Einführung in die Philosophie | 14 | Seidel-Saul |
Das Bestehen der Studienleistungen und der Modulprüfung
keine
Die Studierenden lernen die unterschiedlichen Bereiche der Philosophie anhand der jeweils grundlegenden Fragestellungen und Begriffe kennen. Sie erwerben Grundkenntnisse über wichtige philosophische Strömungen und klassische Werke und sind darüber hinaus in der Lage, die üblichen epochalen Gliederungen der philosophischen Ideengeschichte darzustellen und in ihrem Verhältnis zu den Wissensformen Wissenschaft, Kunst und Religion zu verstehen. Die Studierenden lernen unterschiedliche Arten kennen, Sinnfragen zu stellen, und erwerben ein Verständnis für die geschichtliche Verfasstheit menschlicher Wissenskulturen.
Überblick über die systematischen Bereiche der Philosophie und deren geschichtliche Entwicklung unter Berücksichtigung des Verhältnisses zu den Wissensformen Wissenschaft, Kunst, Religion.
Die Modulnote ist die Note der Modulprüfung
Präsenz in den Veranstaltungen 120 h, Vor- und Nachbereitung (einschl. Studienleistungen) 120 h, Modulprüfung ca. 60 h (Insgesamt ca. 300 h)
| Verantwortung: |
Prof. Dr. Achim Streit
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Wahlbereich Informatik
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-113556 | Einführung ins Quantum Machine Learning | 3 | Fischer, Kühn |
siehe Teilleistung
Die Studierenden besitzen ein systematisches Verständnis der Fragestellungen zum Einsatz aktuell verfügbarer Quantencomputer und von Lösungsansätzen aus dem Bereich des hvbriden Quantum Machine Learning. Sie können diese Erkenntnisse auf andere Problemstellungen übertragen und insbesondere die Effizienz und Realisierbarkeit für unterschiedliche Datensätze in der Praxis bewerten. Außerdem können sie mit dem erworbenen Wissen, aktuellen Forschungsergebnisse des Quantum Machine Learnings interpretrieren und nachvollziehen.
Nach erfolgreicher Teilnahme an der Lehrveranstaltung können die Studierenden
Dieses Modul soll den Studierenden die theoretischen und praktischen Aspekte der hybriden Nutzung von Quantenschaltkreisen in klassischen Algorithmen des Maschinellen Lernens näher bringen. Hierzu werden zunächst im ersten Teil der Vorlesung die notwendigen mathematischen Grundlagen von Quantensystemen und deren Repräsentation durch Qubits und Quantenschaltkreise zusammengefasst, bevor auf Basis bekannter Quantenalgorithmen die Vorteile und Möglichkeiten des Quantencomputings aufgezeigt werden. Schließlich wird ein Überblick über aktuelle hybride Ansätze im Bereich des Quantum Machine Learnings (OML)und deren Einsatzmöglichkeiten und Grenzen vermittelt:
lnsbesondere werden im Rahmen des Moduls die Anwendbarkeit auf heutigen Quantencomputern und die Skalierbarkeit der vorgestellten Ansätze beleuchtet.
- Vorlesungsbesuch: 23h (2 SWS x 15)
- Vor- und Nachbereitung: 45h (2 x 2 SWS x 15)
- Prüfungsvorbereitung: 22h
- Gesamt: 90h / 30 = 3 Credits
- Besuch der Vorlesung ,,Maschinelles Lernen 1 - Grundverfahren" ist empfohlen
- Besuch der Vorlesung ,,Einführung ins Quantencomputing" ist empfohlen
- Kenntnisse in Linearer Algebra sind empfohlen
- Programmierkenntnisse in Python sind hilfreich
| Verantwortung: |
Prof. Dr. Andreas Geyer-Schulz
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre
|
| Wahlpflichtangebot (Wahl: mind. 9 LP) | |||
|---|---|---|---|
| T-WIWI-102762 | Business Dynamics | 4,5 | Geyer-Schulz, Glenn |
| T-WIWI-112823 | Platform & Market Engineering: Commerce, Media, and Digital Democracy | 4,5 | Weinhardt |
| T-WIWI-105946 | Preismanagement | 4,5 | Geyer-Schulz, Glenn |
| T-WIWI-113147 | Telecommunications and Internet – Economics and Policy | 4,5 | Mitusch |
Die Modulprüfung erfolgt in Form von Teilprüfungen über die gewählten Lehrveranstaltung des Moduls, mit denen in Summe die Mindestanforderung an Leistungspunkten erfüllt ist. Die Erfolgskontrolle wird bei jeder Lehrveranstaltung dieses Moduls beschrieben.
Die Gesamtnote des Moduls wird aus den mit LP gewichteten Noten der Teilprüfungen gebildet und nach der ersten Nachkommastelle abgeschnitten.
Keine
Der/die Studierende
Unter welchen Bedingungen entwickeln sich Elektronische Märkte und wie kann man diese analysieren und optimieren?
Im Rahmen der Grundlagen wird die Wahl der Organisationsform als Optimierung von Transaktionskosten erklärt. Darauf aufbauend wird die Effizienz auf elektronischen Märkten (Preis-, Informations- und Allokationseffizienz) und Gründen für Marktversagen behandelt. Abschließend wird auf Motivationsprobleme, wie begrenzte Rationalität und von Informationsasymmetrien (private Information und Moral Hazard), sowie auf die Entwicklung von Anreizsystemen eingegangen. Bezüglich des Marktdesigns werden besonders die Wechselwirkungen zwischen Marktorganisation, Marktmechanismen, Institutionen und Produkten betrachtet und die theoretischen Grundlagen behandelt.
Elektronische Märkte sind dynamischer Systeme, die sich durch Feedbackschleifen zwischen vielen verschiedenen Variablen auszeichnen. Mithilfe der Werkzeuge des Business Dynamics werden solche Märkte modelliert. Simulationen komplexer Systeme ermöglichen die Analyse und Optimierung von Märkten, Geschäftsprozessen, Regulierungen und Organisationen.
Konkrete Themen sind:
Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Credits). Die Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls. Dabei beträgt der Arbeitsaufwand für Lehrveranstaltungen mit 4,5 Credits ca. 135h.
Die Gesamtstundenzahl je Lehrveranstaltung ergibt sich dabei aus dem Aufwand für den Besuch der Vorlesungen und Übungen, sowie den Prüfungszeiten und dem zeitlichen Aufwand, der zur Erreichung der Lernziele des Moduls für einen durchschnittlichen Studenten für eine durchschnittliche Leistung erforderlich ist.
Keine
| Verantwortung: |
Prof. Dr.-Ing. Jörg Henkel
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Entwurf eingebetteter Systeme und Rechnerarchitektur
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme Vertiefungsfach 2 / Entwurf eingebetteter Systeme und Rechnerarchitektur Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-111549 | Embedded Machine Learning Lab | 4 | Henkel |
Siehe Teilleistung.
Siehe Teilleistung.
The student will understand the main concept of machine learning (ML) on embedded systems, the constraints present on such platforms, and the design objectives for ML algorithms on such platforms. The student will be able to understand various concepts of compression of neural networks. The student will gain hands-on experience with current state-of-the-art ML frameworks, parameter tuning of algorithms, and will develop software programs for implementing the concepts. The student will be able to compare and analyze the current state-of-the-art algorithms regarding their flexibility and performance on embedded devices.
IoT devices more and more rely on ML models to perform their operations. They thereby also generate lots of data that should be used to improve these ML models through on-device learning. Devices need to perform the training with this data locally due to privacy constraints or communication limitations. However, the inference of neural networks, and especially the training, requires too many resources (computations, memory, energy, etc.) — unless the available resources are considered in the design.
This lab provides insights into deploying machine learning algorithms to embedded devices.
Since embedded devices operate with significantly lower resources than the commonly-employed high-end GPUs, making neural networks run fast without sacrificing much accuracy on embedded devices is a challenging task. The lab covers training and inference on resource-constrained devices, introducing state-of-the-art methodologies like pruning and quantization.
The students will learn about neural networks beyond theory, working with popular frameworks like TensorFlow, the effects of hyperparameters, and how they influence the network. Furthermore, the student will learn about resource and accuracy trade-offs in neural networks and design custom networks to achieve given resource or accuracy requirements.
This lab requires basic (theoretic) knowledge about neural networks and training. Further knowledge of Linux environments and Python is strongly advised since they will be intensively used in the lab and are the de-facto industry standard for machine learning research.
The students will meet every week. Exact dates and times will be fixed in the first kick-off meeting. Depending on the number of participants, students will work together in groups of 2-3 students.
(2 SWS +1.5*2 SWS)*10
+55 h final project
+15 h presentation & report
= 120 h = 4 ECTS
This lab requires a basic (theoretic) knowledge about neural networks and training. Further knowledge of Linux environments and Python is strongly advised since they will be intensively used in the lab and are the de-facto industry standard for machine learning research.
| Verantwortung: |
Prof. Dr. Ralf Reussner
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Softwaretechnik und Übersetzerbau
Vertiefungsfach 2 / Softwaretechnik und Übersetzerbau Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101335 | Empirische Softwaretechnik | 4 | Gerking |
Siehe Teilleistung.
Siehe Teilleistung.
Die Vorlesung befasst sich mit der Rolle der Empirie in der Softwaretechnik. Sie stellt die gängigsten empirischen Methoden vor und weist auf gängige Fehlerquellen in empirischen Studien hin. Die dazugehörigen statistischen Methoden zur Analyse und Darstellung der Daten werden vermittelt. Die Vorlesung verwendet eine Reihe wissenschaftlicher Veröffentlichungen, um die Konzepte zu illustrieren und mit Leben zu füllen.
Informatiionswirtschaft: Der Gesamtarbeitsaufwand für diese Lerneinheit beträgt ca. 120 Stunden (4.0 Credits).
Informatik: ca. 75 h
| Verantwortung: |
Prof. Dr. Gerd Nollmann
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Geistes- und Sozialwissenschaften |
| Bestandteil von: |
Ergänzungsfach / Soziologie
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-GEISTSOZ-106573 | Vorlesung Sozialstrukturanalyse | 0 | Nollmann |
| T-GEISTSOZ-106572 | Übung Sozialstrukturanalyse | 0 | Nollmann |
| T-GEISTSOZ-106485 | Klausur Sozialstrukturanalyse | 6 | Nollmann |
| T-GEISTSOZ-109048 | Sozialforschung A (WiWi) | 3 | Nollmann |
Die Erfolgskontrolle wird zu einem Teil in Form einer schriftlichen Prüfung (Klausur) teils mit frei zu bearbeitenden Aufgaben über die Inhalte der Vorlesung und Übung Sozialstrukturanalyse, teils nach dem Antwort-Wahl-Verfahren im Umfang von 90 Minuten nach § 4 Abs. 2 Nr. 1 SPO B.A.-EUKLID und in einem weiteren Teil über eine schriftliche Ausarbeitung durchgeführt.
Keine
Die Studierenden erwerben Wissen über soziale Strukturen moderner Gesellschaften, können aktuelle gesellschaftliche Prozesse beschreiben und erklären, sind in der Lage, ausgewählte Forschungen, Fragestellungen und Datenquellen kennen zu lernen und deren Erkenntnisleistungen mit Hilfe von Texten und Beispielen zu verstehen.
Die Studenten erwerben außerdem die Kompetenz, sich in verschiedene Felder der Sozialwissenschaft (Familie, Industrie, Institutionen, Organisationen, usw.) einzuarbeiten. Sie erlernen, bestehende Forschungsarbeiten zu analysieren, zu reflektieren und ihre Erkenntnisse auf neue Sachverhalte zu übertragen. Sie erlernen auf Grundlage soziologischer Texte schriftliche Ausarbeitungen zu erstellen, die wissenschaftlichen Ansprüchen in Form und Inhalt genügen.
Das Modul gibt eine Einführung in Sozialstrukturbegriffe und ihren Verbindungen zur Kultur menschlichen Verhaltens. Im Weiteren werden zentrale Forschungsgebiete, aktuelle Debatten und Kontroversen sowie Kontinuität und Wandel der deutschen Sozialstruktur mit Seitenblick auf andere Länder vorgestellt. Wichtige Themen lauten Modernisierung, Individualisierung, Klassenstruktur, Bildung und Arbeitsmarkt, soziale Mobilität, Lebensläufe und Kohorten, Verteilung von Einkommen und Reichtum, Familie, Heiratsmärkte, Fertilität. Das Modul legt Wert auf die Vermittlung von Kenntnissen im Bereich von Datenquellen, amtlicher Statistik und relevanten Ergebnissen der Umfrageforschung sowie auf die selbständige Anwendung des im Rahmen eines Seminars erworbenen Wissens in Form einer eigenen Ausarbeitung.
Die Modulnote ist das arithmetische Mittel der Teilprüfungsleistungen.
Präsenz in der Vorlesung ca. 21h; Präsenz in der Übung ca. 21h; Präsenz im Seminar: 10h; Präsenz in der Klausur 1,5h, Vor- und Nachbereitung 90h; Erstellung der Aufgabenblätter 30h; selbständige Lektüre empfohlener Fachliteratur ca. 60h Klausurvorbereitung 15h; schriftliche Ausarbeitung 15h. (Σ ca. 260 h)
Vorlesung, Übung, Seminar
Mau, Steffen; Verwiebe, Roland (2009): Die Sozialstruktur Europas.; Weitere Literatur wird in der Veranstaltung bekannt gegeben.
| Verantwortung: |
Prof. Dr. Veit Hagenmeyer
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Telematik
Vertiefungsfach 2 / Telematik Wahlbereich Informatik |
| Voraussetzung für: |
M-INFO-103044 - Energieinformatik 2 |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-103582 | Energieinformatik 1 | 5 | Hagenmeyer |
| T-INFO-110356 | Energieinformatik 1 - Vorleistung | 0 | Hagenmeyer |
Siehe Teilleistung.
Siehe Teilleistung.
Nach erfolgreicher Teilnahme sollen die Studierenden
Dieses Modul vermittelt einen Überblick über die physikalischen und technischen Grundlagen verschiedener Energieformen, deren Speicherung, deren Übertragung und die entsprechenden Energiewandlungsprozesse. Außerdem beleuchtet dieses Modul die systemtechnische Kombination verschiedener lokaler Energiesysteme zum Gesamtenergiesystem und gibt Ausblicke auf typische informationstechnische Anwendungsfälle im Energiebereich.
Im Einzelnen werden folgende Themen jeweils mit Beispielen behandelt:
2 SWS Vorlesung und 2 SWS Übung: 60 h
Vor- und Nachbereitungszeit: 75 h
Prüfungsvorbereitung und Prüfung: 15h
Summe: 150 h = 5 ECTS
| Verantwortung: |
Prof. Dr. Veit Hagenmeyer
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Telematik
Vertiefungsfach 2 / Telematik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-106059 | Energieinformatik 2 | 5 | Hagenmeyer |
Siehe Teilleistung.
Siehe Teilleistung.
Nach erfolgreicher Teilnahme sollen die Studierenden
2 SWS Vorlesung und 2 SWS Übung: 60 h
Vor- und Nachbereitungszeit: 75 h
Prüfungsvorbereitung und Prüfung: 15h
Summe: 150 h = 5 ECTS
| Verantwortung: |
Prof. Dr.-Ing. Thomas Leibfried
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Elektrotechnik und Informationstechnik |
| Bestandteil von: |
Ergänzungsfach / Automation und Energienetze
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-ETIT-101941 | Energieübertragung und Netzregelung | 5 | Leibfried |
Die Erfolgskontrolle erfolgt im Rahmen einer schriftlichen Prüfung im Umfang von 120 Minuten.
keine
Die Studierenden kennen die Funktionsweise und die physikalische Beschreibung von Energieübertragungssystemen mit Drehstrom (HVAC) und Gleichstrom (HVDC). Sie können Übertragungscharakteristiken berechnen und eine grundlegende Auslegung vornehmen. Sie sind ferner mit der Funktionsweise der Netzregelung vertraut.
Die Vorlesung behandelt zunächst die Gesetzmäßigkeiten der Übertragung elektrischer Energie im Mittel- und Hochspannungsnetz. Ein zentrales Kapitel stellt die HGÜ-Technologie als Verfahren zur Übertragung großer Leistungen dar. Anschließend werden FACTS Elements behandelt, die zur Flexibilisierung der Energieübertragung dienen. Abschließend wird die Dynamik von Kraftwerken und Netzen behandelt.
Die Modulnote ist die Note der schriftlichen Prüfung.
Präsenzstudienzeit Vorlesung: 30 h
Präsenzstudienzeit Übung: 15 h
Selbststudienzeit: 90 h
Klausurvorbereitung und Präsenz in selbiger: in Vor-/Nachbereitung verrechnet
Insgesamt 135 h = 5 LP
| Verantwortung: |
Prof. Dr. Wolf Fichtner
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-WIWI-107043 | Liberalised Power Markets | 5,5 | Fichtner |
| Ergänzungsangebot (Wahl: ) | |||
| T-WIWI-107501 | Energy Market Engineering | 4,5 | Weinhardt |
| T-WIWI-112151 | Energy Trading and Risk Management | 3,5 | N.N. |
| T-WIWI-108016 | Planspiel Energiewirtschaft | 3,5 | Genoese |
| T-WIWI-107446 | Quantitative Methods in Energy Economics | 3,5 | Plötz |
| T-WIWI-102712 | Regulierungstheorie und -praxis | 4,5 | Mitusch |
Die Modulprüfung erfolgt in Form von schriftlichen Teilprüfungen (nach §4(2), 1 SPO) über die gewählten Lehrveranstaltungen des Moduls, mit denen in Summe die Mindestanforderung an Leistungspunkten erfüllt wird. Die Prüfungen werden jedes Semester angeboten und können zu jedem ordentlichen Prüfungestermin wiederholt werden.
Die Gesamtnote des Moduls wird aus den mit LP gewichteten Noten der Teilprüfungen gebildet und nach der ersten Nachkommastelle abgeschnitten.
Die Lehrveranstaltung Liberalised Power Markets muss geprüft werden.
Der/die Studierende
Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Credits). Die Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls. Dabei beträgt der Arbeitsaufwand für Lehrveranstaltungen mit 3 Credits ca. 90h, für Lehrveranstaltungen mit 3,5 Credits ca. 105h.
Die Gesamtstundenzahl je Lehrveranstaltung ergibt sich dabei aus dem Aufwand für den Besuch der Vorlesungen und Übungen, sowie den Prüfungszeiten und dem zeitlichen Aufwand, der zur Erreichung der Lernziele des Moduls für einen durchschnittlichen Studenten für eine durchschnittliche Leistung erforderlich ist.
Die Lehrveranstaltungen sind so konzipiert, dass sie unabhängig voneinander gehört werden können. Daher kann sowohl im Winter- als auch im Sommersemester mit dem Modul begonnen werden.
| Verantwortung: |
Prof. Dr. Wolf Fichtner
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre
|
| Wahlpflichtangebot (Wahl: mind. 9 LP) | |||
|---|---|---|---|
| T-WIWI-102793 | Efficient Energy Systems and Electric Mobility | 3,5 | Jochem |
| T-WIWI-102650 | Energie und Umwelt | 3,5 | Karl |
| T-WIWI-113073 | Machine Learning and Optimization in Energy Systems | 3,5 | Fichtner |
| T-WIWI-107464 | Smart Energy Infrastructure | 5,5 | Ardone, Pustisek |
| T-WIWI-102695 | Wärmewirtschaft | 3,5 | Fichtner |
Die Modulprüfung erfolgt in Form von schriftlichen Teilprüfungen (nach §4(2), 1 SPO) über die gewählten Lehrveranstaltungen des Moduls, mit denen in Summe die Mindestanforderung an Leistungspunkten erfüllt wird. Die Prüfungen werden jedes Semester angeboten und können zu jedem ordentlichen Prüfungestermin wiederholt werden.
Die Gesamtnote des Moduls wird aus den mit LP gewichteten Noten der Teilprüfungen gebildet und nach der ersten Nachkommastelle abgeschnitten.
Keine
Der/die Studierende
Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Credits). Die Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls. Dabei beträgt der Arbeitsaufwand für Lehrveranstaltungen mit 3 Credits ca. 90h, für Lehrveranstaltungen mit 3,5 Credits ca. 105h und für Lehrveranstaltungen mit 5 Credits ca. 150h.
Die Gesamtstundenzahl je Lehrveranstaltung ergibt sich dabei aus dem Aufwand für den Besuch der Vorlesungen und Übungen, sowie den Prüfungszeiten und dem zeitlichen Aufwand, der zur Erreichung der Lernziele des Moduls für einen durchschnittlichen Studenten für eine durchschnittliche Leistung erforderlich ist.
| Verantwortung: |
Prof. Dr. Raffaela Mirandola
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Softwaretechnik und Übersetzerbau
Vertiefungsfach 2 / Softwaretechnik und Übersetzerbau Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-113349 | Engineering Self-Adaptive Systems | 3 | Mirandola |
See partial achievements (Teilleistung)
See partial achievements (Teilleistung)
- Understand the motivation for self-adaptation
- Get familiar with the basic principles and conceptual model of self-adaptation
- Understand how to engineer self-adaptive software systems from a software engineering perspective
- Understand the decision-making process using formal analysis at runtime for quality assurance
- Understand the notion of uncertainty in self-adaptive systems and how to tame it with formal verification at runtime
- Understand the level of adoption of self-adaptive systems in industry.
Self-adaptation is an important field of research and engineering that aims to address the challenging problem of how to engineer software systems that have to deal with uncertainties that can only be resolved at run time.
The course presents the basic principles of self-adaptation and introduces a conceptual feedback loop model of a self-adaptive system. It introduces quality models which can be used to estimate quality properties at runtime by a self-adaptive system to provide guarantees for the quality goals. The role played by the different types of uncertainties is then explored analyzing different possible approaches.
Course workload:
30h in Class (lectures)
45h self-study during the semester
15h preparation for the exam
| Verantwortung: |
Prof. Dr. Orestis Terzidis
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre
|
| Pflichtbestandteil (Wahl: 1 Bestandteil) | |||
|---|---|---|---|
| T-WIWI-102864 | Entrepreneurship | 3 | Terzidis |
| Wahlpflichtangebot (Wahl: zwischen 1 und 2 Bestandteilen) | |||
| T-WIWI-102866 | Design Thinking | 3 | Terzidis |
| T-WIWI-113151 | Entrepreneurship Seasonal School | 3 | Terzidis |
| T-WIWI-102865 | Geschäftsplanung für Gründer | 3 | Terzidis |
| T-WIWI-110985 | International Business Development and Sales | 6 | Casenave , Klarmann, Terzidis |
| T-WIWI-109064 | Joint Entrepreneurship Summer School | 6 | Terzidis |
| T-WIWI-111561 | Startup Experience | 6 | Terzidis |
| Ergänzungsangebot (Wahl: zwischen 0 und 1 Bestandteilen) | |||
| T-WIWI-102894 | Entrepreneurship-Forschung | 3 | Terzidis |
| T-WIWI-102852 | Fallstudienseminar Innovationsmanagement | 3 | Weissenberger-Eibl |
| T-WIWI-102893 | Innovationsmanagement: Konzepte, Strategien und Methoden | 3 | Weissenberger-Eibl |
| T-WIWI-102612 | Management neuer Technologien | 3 | Reiß |
| T-WIWI-102853 | Roadmapping | 3 | Koch |
Die Modulprüfung erfolgt in Form von Teilprüfungen (nach §4, 1-3 SPO) über
Die Seminare des Lehrstuhls sind:
Die letztgenannten fünf Seminare finden unregelmäßig statt, da sie im Rahmen von Projekten angeboten werden.
Die Erfolgskontrolle wird bei jeder Lehrveranstaltung des Moduls beschrieben. Bei Veranstaltungen mit 3 LP im Wahlpflicht- und Ergänzungsangebot ergibt sich die Gesamtnote zu 1/2 aus der Entrepreneurship-Vorlesung, 1/4 aus einem der Seminare des Lehrstuhls mit 3 LP und 1/4 einer weiteren im Modul zugelassenen Veranstaltung mit 3 LP. Falls im Wahlpflicht- oder im Ergänzungsangebot eine Veranstaltung mit 6 LP gewählt wird, fließt diese mit dem Gewicht 1/2 in die Gesamtnotenbildung ein. Die Gesamtnote wird nach der ersten Nachkommastelle abgeschnitten.
Keine
Die Studierenden sind mit den Grundzügen und Inhalten von Entrepreneurship vertraut und idealerweise in die Lage versetzt, während beziehungsweise nach ihrem Studium ein Unternehmen zu gründen. Die Veranstaltungen sind daher modular sequentiell gegliedert, obschon sie grundsätzlich auch parallel besucht werden können. Hierbei werden die Fähigkeiten vermittelt, Geschäftsideen zu generieren, Erfindungen zu Innovationen weiterzuentwickeln, Geschäftspläne für Gründungen zu verfassen und Unternehmensgründungen erfolgreich durchzuführen. In der Vorlesung werden hierzu die Grundlagen des Themengebiets Entrepreneurship erarbeitet, in den Seminaren werden einzelne Inhalte schwerpunktmäßig vertieft. Lernziel insgesamt ist es, dass Studierende befähigt werden, Geschäftsideen zu entwickeln und umzusetzen.
Die Vorlesungen bilden die Grundlage des Moduls und geben einen Überblick über die Gesamtthematik. Die Seminare vertiefen die Phasen der Gründungsprozesse, insbesondere der Identifikation von Gelegenheiten, der Entwicklung eines Wertversprechens (insbesondere auf der Grundlage von Erfindungen und technischen Neuerungen), des Entwurfs eines Geschäftsmodells, der Geschäftsplanung, der Führung einer Neugründung, der Umsetzung einer Visionen sowie der Akquisition on Ressourcen und der Handhabung von Risiken. Die Vorlesung Entrepreneurship bildet hierzu einen übergreifenden und verbindenden Rahmen.
Bitte beachten Sie: Seminare, die von Herrn Prof. Terzidis (oder den Mitarbeitenden seiner Forschungsgruppe) angeboten werden, sind nicht für die Anrechnung in einem Seminarmodul der WiWi-Studiengänge zugelassen. Ausnahme: Seminar „Entrepreneurship-Forschung“.
Gesamtaufwand bei 9 Leistungspunkten: ca. 270 Stunden
Die genaue Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls.
Keine
| Verantwortung: |
Prof. Dr.-Ing. Jörg Henkel
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Entwurf eingebetteter Systeme und Rechnerarchitektur
Vertiefungsfach 2 / Entwurf eingebetteter Systeme und Rechnerarchitektur Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101368 | Entwurf und Architekturen für Eingebettete Systeme (ES2) | 3 | Henkel |
Siehe Teilleistung
Siehe Teilleistung
Der/Die Studierende erlernt Methoden zur Beherrschung von Komplexität und wendet diese Methoden auf den Entwurf eingebetteter Systeme an. Er/Sie beurteilt und wählt spezifische Architekturen für Eingebettete Systeme. Weiterhin erhält der/die Studierende eine Einführung zu aktuellen Forschungsthemen.
Heutzutage ist es möglich, mehrere Milliarden Transistoren auf einem einzigen Chip zu integrieren und damit komplette SoCs (Systems-On-Chip) zu realisieren. Der Trend, mehr und mehr Transistoren verwenden zu können, hält ungebremst an, so dass die Komplexität solcher Systeme ebenfalls immer weiter zulegen wird. Computer werden vermehrt ubiquitär sein, das heißt, sie werden in die Umgebung integriert sein und nicht mehr als Computer vom Menschen wahrgenommen werden. Beispiele sind Sensornetzwerke, “Electronic Textiles” und viele mehr. Die physikalisch mögliche Komplexität wird allerdings praktisch nicht ohne weiteres erreichbar sein, da zur Zeit leistungsfähige Entwurfsverfahren fehlen, die in der Lage wären, diese hohe Komplexität zu handhaben. Es werden leistungsfähige ESL Werkzeuge (”Electronic System Level Design Tools”), sowie neuartige Architekturen benötigt werden. Der Schwerpunkt dieser Vorlesung liegt deshalb auf high-level Entwurfsmethoden und Architekturen für Eingebettete Systeme. Da der Leistungsverbrauch der (meist mobilen) Eingebetteten Systeme von entscheidender Bedeutung ist, wird ein Schwerpunkt der Entwurfsverfahren auf dem Entwurf mit Hinblick auf geringem Leistungsverbrauch liegen.
Siehe Teilleistung
| Verantwortung: |
Prof. Dr. Jörg Kämper
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Chemie und Biowissenschaften |
| Bestandteil von: |
Ergänzungsfach / Biologie
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-CHEMBIO-100180 | Grundlagen der Biologie | 4 | Nick |
| T-CHEMBIO-103675 | Molekularbiologie und Genetik | 5 | Kämper, Requena |
Die Erfolgskontrolle in diesem Modul umfasst zwei schriftliche Prüfungen zu den Vorlesungen "Grundlagen der Biologie" und "Molekularbiologie und Genetik", beide Examen dauern 120 Minuten.
keine
Die Studierenden können folgende biologischen Grundlagen nachvollziehen und diese auf einer einfachen Ebene miteinander in Beziehung setzen, um grundlegende Phänomene der Biologie zu erklären:
In der Vorlesung Molekularbiologie und Genetik vertiefen die Studierenden ihr Wissen um die molekularen Grundlagen des Lebens und die technischen Möglichkeiten, Lebewesen über Veränderung ihrer Gene oder deren Expression zu manipulieren.
Die Vorlesung Grundlagen der Biologie gibt eine allgemeine Einführung in die Grundlagen der Biologie. Dazu gehören die molekularen Grundlagen von Zellbiologie und Genetik ebenso wie Morphologie und Anatomie von Tieren und Pflanzen und die Mechanismen der Evolution.
Das Vorlesungen Molekulare Biologie und Genetik vertiefen die molekularen Grundlagen der modernen Biologie.
Zur Bearbeitung zählt die Vor- und Nachbereitung der Vorlesung und das Lernen auf die Klausur.
Vorlesung
Grundlagen der Biologie
Genetik:
Molekularbiologie:
| Verantwortung: |
TT-Prof. Dr. Rudolf Lioutikov
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme
Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-112774 | Explainable Artificial Intelligence | 3 | Lioutikov |
Siehe Teilleistung.
Siehe Teilleistung.
• Students are able to understand problems and challenges of XAI
• Students can identify and differentiate different types and approaches of XAI
• Students can implement various XAI approaches
• Students understand current research questions and directions of XAI
Recent advances in Machine Learning and Deep Learning in particular have lead to the imminent introduction of AI agents into a wide variety of applications. However, the apparent “black-box” nature of these approaches hinders their application in both critical systems and close human-robot interactions. The sub-field of eXplainable Artificial Intelligence (XAI) aims to address this shortcoming. This lecture will introduce and discuss various concepts and methods of XAI and consider them from perspective of Robot Learning and Human-Robot Interaction.
The lecture will start with a (brief) introduction into relevant deep learning approaches, before discussing interpretable scene, task and behavior representations. Afterward the lecture will consider itself with Data-Driven and Goal-Driven AI. Finally, first approaches that incorporate XAI and XAI-based human feedback directly into the learning process itself will be discussed. An exemplary list of topics is given below:
• Introduction to XAI
◦ Interpretable Machine Learning vs Explainable Machine Learning
• Primer / Introduction to relevant Deep Learning Concepts
◦ MLPs and CNNs
◦ Graph Neural Networks
◦ Transformers
◦ Diffusion Models
◦ Score Based Methods
• Interpretable Structures
◦ Scene Representations
◦ Task Representations
◦ Behavior Representations
• Data-Driven Explainable AI: XAI Methods for
◦ Shapley Values
◦ Saliency Maps
◦ Concept Activation Vectors
◦ Linguistic Neuron Annotation
• Goal-Driven Explainable AI: XAI Methods for
◦ Generative Explaining Models
◦ Behavior Verbalization
◦ Behavior Visualization
• Interactive Learning
◦ Integrating Human Feedback
◦ Explanatory Interactive Learning
Arbeitsaufwand = 90h = 3 ECTS
• ca 30h Vorlesungsbesuch
• ca 30h Nachbearbeitung
• ca 30h Prüfungsvorbereitung
• Experience in Machine Learning is recommended, e.g. through prior coursework.
◦ The Computer Science Department offers several great lectures e.g., “Maschinelles Lernen - Grundlagen und Algorithmen” and “Deep Learning ”
• A good mathematical background will be beneficial
• Python / PyTorch experience could be beneficial when we discuss practical examples/implementations.
| Verantwortung: |
Prof. Dr. Vicky Fasen-Hartmann
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Mathematik |
| Bestandteil von: |
Ergänzungsfach / Mathematik für Daten-Intensives Rechnen
|
| Pflichtbestandteile | |||
|---|---|---|---|
| T-MATH-105908 | Extremwerttheorie | 5 | Fasen-Hartmann |
Die Modulprüfung erfolgt in Form einer mündlichen Gesamtprüfung (ca. 20 min).
Keine
Absolventinnen und Absolventen
können statistische Methoden zur Schätzung von Risikomaßen nennen, erklären, motivieren und anwenden,
können extreme Ereignisse modellieren und quantifizieren,
können spezifische probabilistische Techniken der Extremwerttheorie anwenden,
Satz von Fisher und Tippett
verallgemeinerte Extremwert- und Paretoverteilung (GED und GPD)
Anziehungsbereiche von verallgemeinerten Extremwertverteilungen
Satz von Pickands-Balkema-de Haan
Schätzen von Risikomaßen
Hill-Schätzer
Blockmaximamethode
POT-Methode
Die Modulnote ist die Note der mündlichen Prüfung.
Gesamter Arbeitsaufwand: 120 Stunden
Präsenzzeit: 45 Stunden
Selbststudium: 75 Stunden
Die Inhalte des Moduls "Wahrscheinlichkeitstheorie" werden empfohlen.
| Verantwortung: |
Prof. Dr. Martin Ruckes
Prof. Dr. Marliese Uhrig-Homburg
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre
|
| Wahlpflichtangebot (Wahl: 9 LP) | |||
|---|---|---|---|
| T-WIWI-102643 | Derivate | 4,5 | Uhrig-Homburg |
| T-WIWI-102621 | Valuation | 4,5 | Ruckes |
| T-WIWI-102647 | Asset Pricing | 4,5 | Ruckes, Uhrig-Homburg |
Die Modulprüfung erfolgt in Form von Teilprüfungen (nach §4(2), 1 o. 2 SPO) über die gewählten Lehrveranstaltungen des Moduls, mit denen in Summe die Mindestanforderung an Leistungspunkten erfüllt ist. Die Erfolgskontrolle wird bei jeder Lehrveranstaltung dieses Moduls beschrieben.
Die Gesamtnote des Moduls wird aus den mit LP gewichteten Noten der Teilprüfungen gebildet und nach der ersten Nachkommastelle abgeschnitten.
Keine
Der/die Studierende
In den Veranstaltungen des Moduls werden den Studierenden zentrale ökonomische und methodische Kenntnisse der modernen Finanzwirtschaft vermittelt. Es werden auf Finanz- und Derivatemärkten gehandelte Wertpapiere vorgestellt und häufig angewendete Handelsstrategien diskutiert.Ein weiterer Schwerpunkt liegt in der Beurteilung von Erträgen und Risiken von Wertpapierportfolios sowie in der Beurteilung von unternehmerischen Investitionsprojekten aus finanzwirtschaftlicher Sicht.
Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Credits). Die Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls. Dabei beträgt der Arbeitsaufwand für Lehrveranstaltungen mit 4,5 Credits ca. 135h.
Die Gesamtstundenzahl je Lehrveranstaltung ergibt sich dabei aus dem Aufwand für den Besuch der Vorlesungen und Übungen, sowie den Prüfungszeiten und dem zeitlichen Aufwand, der zur Erreichung der Lernziele des Moduls für einen durchschnittlichen Studenten für eine durchschnittliche Leistung erforderlich ist.
| Verantwortung: |
Prof. Dr. Martin Ruckes
Prof. Dr. Marliese Uhrig-Homburg
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Wirtschaftswissenschaften |
| Bestandteil von: |
Ergänzungsfach / Betriebswirtschaftslehre
|
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
Dieses Modul wird erst dann für den Abschluss gewertet, wenn auch das Modul Finance 1 erfolgreich absolviert wurde. Wird das Modul Finance 1 in den Zusatzleistungsbereich ausgebucht, verliert das Modul Finance 2 seine curriculare Gültigkeit/Wertung für den Studienabschluss.
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
| Wahlpflichtangebot (Wahl: mind. 9 LP) | |||
|---|---|---|---|
| T-WIWI-113469 | Advanced Corporate Finance | 4,5 | Ruckes |
| T-WIWI-110513 | Advanced Empirical Asset Pricing | 4,5 | Thimme |
| T-WIWI-102647 | Asset Pricing | 4,5 | Ruckes, Uhrig-Homburg |
| T-WIWI-110995 | Bond Markets | 4,5 | Uhrig-Homburg |
| T-WIWI-110997 | Bond Markets - Models & Derivatives | 3 | Uhrig-Homburg |
| T-WIWI-110996 | Bond Markets - Tools & Applications | 1,5 | Uhrig-Homburg |
| T-WIWI-109050 | Corporate Risk Management | 4,5 | Ruckes |
| T-WIWI-102643 | Derivate | 4,5 | Uhrig-Homburg |
| T-WIWI-110797 | eFinance: Informationssysteme für den Wertpapierhandel | 4,5 | Weinhardt |
| T-WIWI-102900 | Financial Analysis | 4,5 | Luedecke |
| T-WIWI-102623 | Finanzintermediation | 4,5 | Ruckes |
| T-WIWI-102626 | Geschäftspolitik der Kreditinstitute | 3 | Müller |
| T-WIWI-102646 | Internationale Finanzierung | 3 | Uhrig-Homburg |
| T-WIWI-102621 | Valuation | 4,5 | Ruckes |
Die Modulprüfung erfolgt in Form von Teilprüfungen (nach §4(2), 1 o. 2 SPO) über die gewählten Lehrveranstaltungen des Moduls, mit denen in Summe die Mindestanforderung an Leistungspunkten erfüllt ist. Die Erfolgskontrolle wird bei jeder Lehrveranstaltung dieses Moduls beschrieben.
Die Gesamtnote des Moduls wird aus den mit LP gewichteten Noten der Teilprüfungen gebildet und nach der ersten Nachkommastelle abgeschnitten.
Das Modul ist erst dann bestanden, wenn zusätzlich das Modul Finance 1 zuvor erfolgreich mit der letzten Teilprüfung abgeschlossen wurde.
Der/die Studierende ist in der Lage, fortgeschrittene ökonomische und methodische Fragestellungen der Finanzwirtschaft zu erläutern, zu analysieren und Antworten darauf abzuleiten.
Das Modul Finance 2 baut inhaltlich auf dem Modul Finance 1 auf. In den Modulveranstaltungen werden den Studierenden weiterführende ökonomische und methodische Kenntnisse der modernen Finanzwirtschaft auf breiter Basis vermittelt.
Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Credits). Die Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls. Dabei beträgt der Arbeitsaufwand für Lehrveranstaltungen mit 1,5 Credits ca. 45h, für Lehrveranstaltungen mit 3 Credits ca. 90h und für Lehrveranstaltungen mit 4,5 Credits ca. 135h.
Die Gesamtstundenzahl je Lehrveranstaltung ergibt sich dabei aus dem Aufwand für den Besuch der Vorlesungen und Übungen, sowie den Prüfungszeiten und dem zeitlichen Aufwand, der zur Erreichung der Lernziele des Moduls für einen durchschnittlichen Studenten für eine durchschnittliche Leistung erforderlich ist.
| Verantwortung: |
Prof. Dr.-Ing. Marvin Künnemann
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 1 / Algorithmentechnik Vertiefungsfach 2 / Theoretische Grundlagen Vertiefungsfach 2 / Algorithmentechnik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-113391 | Fine-Grained Complexity Theory & Algorithms | 6 | Künnemann |
See partial achievements (Teilleistung)
See partial achievements (Teilleistung)
Students know the foundations of fundamental algorithmic barriers in the polynomial-time and exponential-time regimes.
They are able to use fine-grained reductions to relate the time complexity of different problems. They can derive conditional lower bounds from such reductions, based on established hardness assumptions.
Furthermore, they know about the techniques underlying the fastest known algorithms for central problems in the field.
- fine-grained reductions:
-- conditional lower bounds
-- main techniques for obtaining such reductions
- central hardness assumptions and their applications:
-- (Strong) Exponential Time Hypothesis
-- Orthogonal Vectors Hypothesis
-- 3SUM Hypothesis
-- APSP Hypothesis
- conditional lower bounds for string problems, algorithmic graph theory, geometry
- algorithmic techniques:
-- fastest known algorithms for central problems (SAT, Orthogonal Vectors, 3SUM, APSP)
-- polynomial method
-- applications of fast matrix multiplication
-- Fast Fourier Transform/polynomial multiplication
Lecture with exercises, 4 SWS, 6 CP
6 CP amounts to 180 h, distributed as follows:
- about 60 h attendance of lectures and exercise sessions
- about 30 h of preparation and reviewing course material
- about 60 h solving exercise sheets
- about 30 h exam preparation
Basic knowledge of theoretical computer science and algorithm design is recommended.
| Verantwortung: |
Prof. Dr. Bernhard Beckert
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 2 / Theoretische Grundlagen Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101336 | Formale Systeme | 6 | Beckert |
Siehe Teilleistung.
Siehe Teilleistung.
Nach Abschluss des Moduls verfügen Studierende über folgende Kompetenzen. Sie …
Logikbasierte Methoden spielen in der Informatik in zwei Bereichen eine wesentliche Rolle: (1) zur Entwicklung, Beschreibung und Analyse von IT-Systemen und (2) als Komponente von IT-Systemen, die diesen die Fähigkeit verleiht, die umgebende Welt zu analysieren und Wissen darüber abzuleiten.
Dieses Modul
von Systemen und Strukturen bzw. deren Eigenschaften.
Mehrere verschiedene Logiken werden vorgestellt, ihre Syntax und Semantik besprochen sowie dazugehörige Kalküle und andere Analyseverfahren eingeführt. Zu den behandelten Logiken zählen insbesondere die klassische Aussagen- und Prädikatenlogik sowie Temporallogiken wie LTL oder CTL.
Die Frage der praktischen Anwendbarkeit der vorgestellten Logiken und Kalküle auf Probleme der Informatik spielt in dieser Vorlesung eine wichtige Rolle. Der Praxisbezug wird insbesondere auch durch praktische Übungen (Praxisaufgaben) hergestellt, im Rahmen derer Studierende die Anwendung aktueller Werkzeuge (z.B. des interaktiven Beweisers KeY) auf praxisrelevante Problemstellungen (z.B. den Nachweis von Programmeigenschaften) erproben können.
Der Gesamtarbeitsaufwand für dieses Modul beträgt 180h.
Der Aufwand setzt sich zusammen aus:
34,5h = 23 * 1,5hVorlesung (Präsenz)
10,5h = 7 * 1,5h Übungen (Präsenz)
60h Vor- und Nachbereitung, insbes. Bearbeitung der Übungsblätter
40h Bearbeitung der Praxisaufgaben
35h Klausurvorbereitung
Siehe Teilleistungen.
| Verantwortung: |
Prof. Dr. Bernhard Beckert
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 1 / Softwaretechnik und Übersetzerbau Vertiefungsfach 2 / Theoretische Grundlagen Vertiefungsfach 2 / Softwaretechnik und Übersetzerbau Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101281 | Formale Systeme II: Anwendung | 5 | Beckert |
Siehe Teilleistung
Siehe Teilleistung
Nach Abschluss des Moduls verfügen Studierende über folgende Kompetenzen. Sie …
Methoden für die formale Spezifikation und Verifikation – zumeist auf der Basis von Logik und Deduktion – haben einen hohen Entwicklungsstand erreicht. Es ist zu erwarten, dass sie zukünftig traditionelle Softwareentwicklungsmethoden ergänzen und teilweise ersetzen werden. Die logischen Grundlagen – wie sie im Stammmodul „Formale Systeme“ vermittelt werden – ähneln sich für verschiedene formale Systeme. Zum erfolgreichen praktischen Einsatz müssen die Methoden und Werkzeuge aber auf die jeweiligen Anwendungen und deren charakteristische Eigenschaften abgestimmt sein. Dies betrifft sowohl die Formalismen zur Spezifikation als auch die zur Verifikation verwendeten Techniken. Auch stellt sich bei der praktischen Anwendung die Frage nach der Skalierbarkeit, Effizienz
In der Lehrveranstaltung werden etwa fünf typische Spezifikations- und Verifikationsmethoden und -werkzeuge und die für sie jeweils typischen Anwendungsszenarien vorgestellt. Die den Methoden zugrundeliegenden theoretischen Konzepte werden vorgestellt. Ein wesentliches Element der Lehrveranstaltung ist, dass die Studierenden mit Hilfe kleiner Anwendungsfälle lernen, die Methoden und Werkzeuge praktisch anzuwenden.
Beispiele für Methoden und Werkzeuge, die vorgestelt werden können, sind:
Der Gesamtarbeitsaufwand für dieses Modul beträgt 150 Stunden.
Der Aufwand setzt sich zusammen aus:
22,5h = 15 * 1,5 - Vorlesung (Präsenz)
12h = 8 * 1,5h - Übungen (Präsenz)
35h Vor- und Nachbereitung der Vorlesung
12h Installation der verwendeten formalen Systeme und Einarbeitung
30h Lösen von praktischen Aufgaben
38,5h Vorbereitung auf die Prüfung
Siehe Teilleistung.
| Verantwortung: |
Prof. Dr. Bernhard Beckert
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 2 / Theoretische Grundlagen Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-101378 | Formale Systeme II: Theorie | 5 | Beckert |
Siehe Teilleistung
Siehe Teilleistung
Nach Abschluss des Moduls verfügen Studierende über folgende Kompetenzen. Sie …
Diese Modul vermittelt weitergehenden und vertiefte Kenntnisse und Kompetenzen im Bereich der Formalen Logik; es baut auf dem Stammmodul „Formale Systeme“ auf. Den Fokus des Moduls „Formale Systeme II – Theorie“ bilden dabei theoretische Konzepte und Methoden (während sich das Modul „Formale Systeme II – Anwendung“ auf deren Anwendung konzentriert.
Thema sind theoretische Konzepte und Methoden (bspw.Kalküle) aus Teilbereichen der Formalen Logik, wie beispielsweise:
Der Aufwand setzt sich zusammen aus:
22,5h = 15 * 1,5h Vorlesung (Präsenz)
12h = 8 * 1,5h Übungen (Präsenz)
70h Vor- und Nachbereitung der Vorlesung
Siehe Teilleistung
| Verantwortung: |
Prof. Dr. Gerhard Neumann
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme
Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-110861 | Forschungspraktikum Autonome Lernende Roboter | 6 | Neumann |
Siehe Teilleistung.
Siehe Teilleistung
Die Studenten lernen komplexe wissenschaftliche Themengebiete zu verstehen, zu hinterfragen und veröffentlichte Resultate zu reproduzieren und zu überprüfen. Die Studenten erlangen ein vertieftes Wissen im Bereich des Lernens mit Robotern und Erfahrung mit dem Einsatz von neuartigen Lernverfahren.
Each student has to choose one of the offered topics from the area of robot learning / reinforcement learning / imitation learning or deep learning for robotics. The students will conduct a literature survey to acquire an understanding of the field and then implement one or several algorithms. The algorithms need to be evaluated against available baselines on standard benchmark tasks as well as on (custom-made) physically realistic simulations and/or a real robot platform. The experiments have to be documented in a report.
180h
Experience in Machine Learning is recommended.
| Verantwortung: |
Prof. Dr. Gerhard Neumann
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Robotik und Automation
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme Vertiefungsfach 2 / Robotik und Automation Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-111024 | Forschungspraktikum Deep Learning in der Robotik | 6 | Neumann |
See partial achievements (Teilleistung)
See partial achievements (Teilleistung)
Students learn to understand and scrutinise complex scientific topics and to reproduce and verify published results. Students gain in-depth knowledge in the field of learning with robots and experience with the use of novel learning methods.
Each student has to choose one of the offered topics from the area of deep learning / robot learning / deep reinforcement learning / deep imitation learning. The students need to implement one or several algorithms and evaluate them against available baselines on standard benchmark tasks as well as on (custom-made) physically realistic simulations and/or a real robot platform. The experiments have to be documented in a report. Students will work in teams of 2. It is recommended to take this course together with the seminar “Deep learning for robotics” where the students will acquire the required background on the literature.
Workload: 180h
Attendance time: 15h
Project work: 135h
Writing a report + preparing a presentation: 30h
- Experience in Machine Learning is recommended.
- Python experience is recommended
- We will use the PyTorch deep learning library. Some prior knowledge in this is helpful but not necessary.
| Verantwortung: |
Prof. Dr. Martina Zitterbart
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Telematik
Vertiefungsfach 2 / Telematik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-110938 | Forschungspraktikum Netzsicherheit | 3 | Hock, Zitterbart |
Siehe Teilleistung.
Siehe Teilleistung.
Studierende sind in der Lage, das ausgewählte Thema bzw. den ausgewählten Schwerpunkt aus dem Bereich der Netzsicherheit verstehen, begründen, bewerten und einordnen zu können.
Sie kennen die für das ausgewählte Thema relevanten inhaltlichen Grundlagen und können diese in der Praxis anwenden. Studierende sind ferner in der Lage, aus einer Aufgabenbeschreibung konkrete Arbeitsschritte abzuleiten und die entstandenen Ergebnisse zu dokumentieren, zusammenzufassen und zu präsentieren.
Das Forschungspraktikum Netzsicherheit wird begleitend zum Modul Netzsicherheit: Architekturen und Protokolle [M-INFO-100782] angeboten. Das Praktikum gibt Studierenden die Möglichkeit, selektiv ein bestimmtes Thema aus der oben genannten Vorlesung mit aktueller Forschungsrelevanz praktisch zu vertiefen. Das Thema kann variieren und wird bei der Anmeldung zum Praktikum bekannt gegeben (Beispiel: „Attacks and Anomalies in the context of the Border Gateway Protocol”).
Das Praktikum besteht aus fünf Abschnitten:
3 ETCS:
Präsenzzeit / Treffen in Groß- und Kleingruppen: 15h
Auswahl des Schwerpunkts: 10h
Konzeption + Spezifikation des Schwerpunkts: 10h
Implementierung des Schwerpunkts: 20h
Forschungsbericht und Kolloquium: 20h
Das Modul Netzsicherheit: Architekturen und Protokolle [M-INFO-100782] sollte begonnen oder abgeschlossen sein.
| Verantwortung: |
Prof. Dr. Martina Zitterbart
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Telematik
Vertiefungsfach 2 / Telematik Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-111208 | Forschungspraktikum Telematik | 3 | Zitterbart |
Siehe Teilleistung.
Siehe Teilleistung.
Studierende sind in der Lage, das ausgewählte Thema bzw. den ausgewählten Schwerpunkt aus dem Bereich der Telematik verstehen, begründen, bewerten und einordnen zu können.
Sie kennen die für das ausgewählte Thema relevanten inhaltlichen Grundlagen und können diese in der Praxis anwenden. Studierende sind ferner in der Lage, aus einer Aufgabenbeschreibung konkrete Arbeitsschritte abzuleiten und die entstandenen Ergebnisse zu dokumentieren, zusammenzufassen und zu präsentieren.
Das Forschungspraktikum Telematik wird begleitend zum Modul Telematik [M-INFO-100801] angeboten. Das Praktikum gibt Studierenden die Möglichkeit, selektiv ein bestimmtes Thema aus der oben genannten Vorlesung mit aktueller Forschungsrelevanz praktisch zu vertiefen. Das Thema kann variieren und wird bei der Anmeldung zum Praktikum bekannt gegeben (Beispiel: „Visualization and anomaly detection in the context of the Border Gateway Protocol”).
Das Praktikum besteht aus den folgenden Abschnitten:
Präsenzzeit / Treffen in Groß- und Kleingruppen: 15h
Auswahl des Schwerpunkts: 10h
Konzeption + Spezifikation des Schwerpunkts: 10h
Implementierung des Schwerpunkts: 20h
Forschungsbericht / Kolloquium: 20h
Ein ausgeprägtes wissenschaftliches Interesse an den Themen der Netzsicherheit wird vorausgesetzt: es werden keine vorgefertigten Übungsaufgaben bearbeitet, stattdessen fordert das Praktikum einen hohen Grad an Eigeninitiative.
| Verantwortung: |
TT-Prof. Dr. Rudolf Lioutikov
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme
Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-113114 | Forschungspraktikum: Explainable Artificial Intelligence | 6 | Lioutikov |
Siehe Teilleistung.
Siehe Teilleistung.
Die Studenten lernen komplexe wissenschaftliche Themengebiete zu verstehen, zu hinterfragen und veröffentlichte
Resultate zu reproduzieren und zu überprüfen. Die Studenten erlangen ein vertieftes Wissen im Bereich des Interaktive Lernens und Erfahrung mit dem Einsatz von neuartigen Lernverfahren.
Each student will select a topic in the field of Explainable Artificial Intelligence and study and analyze it in the context of Robot Learning. The organizers will suggest topics but the students are welcome suggest relevant topics. The students will then implement and evaluate several algorithms corresponding to the chosen topic. The experimental evaluation will be documented in a report and presented to their peers.
It is highly recommended to take this research project in combination with the “Explainable Artificial Intelligence” Seminar, where the students get the chance to acquire the required background on the literature.
Ein Rücktritt ist innerhalb von zwei Wochen nach Vergabe des Themas möglich.
Arbeitsaufwand = 180h = 6 ECTS
• Präsenzzeit: 15h
• Projektarbeit: 135h
• Scientific Report schreiben + Päsentation vorbereiten: 30h
We recommend taking this Praktikum after attending the “Explainable Artificial Intelligence” lecture in the summer semester.
We highly recommend to take this research project in combination with the “Explainable Artificial Intelligence” seminar.
• Experience in Machine Learning is recommended, e.g. through prior coursework.
◦ The Computer Science Department offers several great lectures e.g., “Maschinelles Lernen - Grundlagen und Algorithmen” and “Deep Learning ”
• A good mathematical background will be beneficial
• Python experience is recommended
• We might use the PyTorch deep learning library In the exercises. Some prior knowledge in this is helpful but not necessary.
| Verantwortung: |
TT-Prof. Dr. Rudolf Lioutikov
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Anthropomatik und Kognitive Systeme
Vertiefungsfach 2 / Anthropomatik und Kognitive Systeme Wahlbereich Informatik |
| Pflichtbestandteile | |||
|---|---|---|---|
| T-INFO-112772 | Forschungspraktikum: Interactive Learning | 6 | Lioutikov |
Siehe Teilleistung.
Siehe Teilleistung.
Die Studenten lernen komplexe wissenschaftliche Themengebiete zu verstehen, zu hinterfragen und veröffentlichte
Resultate zu reproduzieren und zu überprüfen. Die Studenten erlangen ein vertieftes Wissen im Bereich des Interaktive Lernens und Erfahrung mit dem Einsatz von neuartigen Lernverfahren.
Each student will select a topic in the field of Interactive Learning and/or Explainable Artificial Intelligence. The organizers will suggest topics but the students are welcome suggest relevant topics. The students will then implement and evaluate several algorithms corresponding to the chosen topic. The experimental evaluation will be documented in a report and presented to their peers.
It is highly recommended to take this research project in combination with the “Interactive Learning” Seminar, where the students get the chance to acquire the required background on the literature.
Arbeitsaufwand = 180h = 6 ECTS
• Präsenzzeit: 15h
• Projektarbeit: 135h
• Scientific Report schreiben + Päsentation vorbereiten: 30h
We highly recommend to take this research project in combination with the “Interactive Learning” seminar.
It is highly recommended to attend the “Explainable Artificial Intelligence” lecture in parallel or prior to this project.
• Experience in Machine Learning is recommended, e.g. through prior coursework.
◦ The Computer Science Department offers several great lectures e.g., “Maschinelles Lernen - Grundlagen und Algorithmen” and “Deep Learning ”
• A good mathematical background will be beneficial
• Python experience is recommended
• We might use the PyTorch deep learning library In the exercises. Some prior knowledge in this is helpful but not necessary.
| Verantwortung: |
Prof. Dr. Peter Sanders
|
|---|---|
| Einrichtung: |
KIT-Fakultät für Informatik |
| Bestandteil von: |
Vertiefungsfach 1 / Theoretische Grundlagen
Vertiefungsfach 1 / Algorithmentechnik Vertiefungsfach 2 / Theoretische Grundlagen Vertiefungsfach 2 / Algorithmentechnik Wahlbereich Informatik |