Modulhandbuch
Informatik Master (Master of Science (M.Sc.))
SPO 2023
Sommersemester 2024
Stand 03.04.2024
KIT-Fakultät für Informatik
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft www.kit.edu

Studienplan – Einführung

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.

Studiengangs- und Qualifikationsprofil

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:

Master Informatik mit Profil

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.

Modularisierung der Informatik-Studiengänge

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 1 und 2 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.

Versionierung von Modulen und Teilleistugen

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.

Leistungsstufen

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.

An-/Abmeldung und Wiederholung von Prüfungen

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.

Studienberatung

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.

Studienplan und Struktur des Master-Studiengangs

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.

Studiumsstruktur.png

Abbildung 1: Struktur Masterstudium (SPO 2015)

Struktur Masterstudiengang Informatik

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

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.

Stammmodule.png

Abbildung 2: Liste der Stammmodule

Vertiefungsfächer

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 bildet VF8 Telematik: Im VF Telematik müssen 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.

Wahlbereich Informatik

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.

Randbedingungen

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.

Ergänzungsfach

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.

Überfachliche Qualifikationen

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.

Zusatzleistungen

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.

Aufbau des Studiengangs

Pflichtbestandteile
Masterarbeit
30
Vertiefungsfach (Wahl: 2 Bestandteile)
Vertiefungsfach: Theoretische Grundlagen
15-58
Vertiefungsfach: Algorithmentechnik
15-58
Vertiefungsfach: Kryptographie und Sicherheit
15-58
Vertiefungsfach: Parallelverarbeitung
15-58
Vertiefungsfach: Softwaretechnik und Übersetzerbau
15-58
Vertiefungsfach: Entwurf eingebetteter Systeme und Rechnerarchitektur
15-58
Vertiefungsfach: Telematik
15-58
Vertiefungsfach: Informationssysteme
15-58
Vertiefungsfach: Computergrafik und Geometrieverarbeitung
15-58
Vertiefungsfach: Robotik und Automation
15-58
Vertiefungsfach: Anthropomatik und Kognitive Systeme
15-58
Vertiefungsfach: Systemarchitektur
15-58
Pflichtbestandteile
Wahlbereich Informatik
6-49
Ergänzungsfach (Wahl: 1 Bestandteil)
Ergänzungsfach: Recht
9-18
Ergänzungsfach: Mathematik
9-18
Ergänzungsfach: Theoretische Physik
9-18
Ergänzungsfach: Experimentalphysik
15
Ergänzungsfach: Informationsmanagement im Ingenieurwesen
9-18
Ergänzungsfach: Elektrotechnik- und Informationstechnik
9-18
Ergänzungsfach: Biologie
9-18
Ergänzungsfach: Soziologie
9-18
Ergänzungsfach: Medienkunst
9-18
Ergänzungsfach: Betriebswirtschaftslehre
9-18
Ergänzungsfach: Volkswirtschaftslehre
9-18
Ergänzungsfach: Operations Research
9-18
Ergänzungsfach: Verkehrswesen
9-18
Ergänzungsfach: Mathematik für Daten-Intensives Rechnen
9-18
Ergänzungsfach: Betriebswirtschaftslehre für dataintensives Rechnen
9-18
Ergänzungsfach: Materialwissenschaften für dataintensives Rechnen
9-18
Ergänzungsfach: Automation und Energienetze
9-18
Ergänzungsfach: Gesellschaftliche Aspekte
9-18
Ergänzungsfach: Philosophie
9-18
Ergänzungsfach: Meteorologie
14
Pflichtbestandteile
Überfachliche Qualifikationen
2-6

Masterarbeit

Leistungspunkte
30
Pflichtbestandteile
M-INFO-106435 Modul Masterarbeit
30

Vertiefungsfach: Theoretische Grundlagen

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. B. Beckert, Prof. P. Sanders

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Theoretische Grundlagen (Wahl: zwischen 15 und 58 LP)
M-INFO-101173 Algorithmen II
6
M-INFO-102110 Algorithmische Geometrie
6
M-INFO-100762 Algorithmische Graphentheorie
5
M-INFO-102094 Algorithmen zur Visualisierung von Graphen
5
M-INFO-104447 Automated Planning and Scheduling
5
M-INFO-105496 Beating the Worst Case in Practice: Unerwartet effiziente Algorithmen
6
M-INFO-106256 Constructive Logic
5
M-INFO-106644 Fine-Grained Complexity Theory & Algorithms
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-100799 Formale Systeme
6
M-INFO-100744 Formale Systeme II: Anwendung
5
M-INFO-100841 Formale Systeme II: Theorie
5
M-INFO-102731 Fortgeschrittene Datenstrukturen
5
M-INFO-100758 Graphpartitionierung und Graphenclustern in Theorie und Praxis
5
M-INFO-101575 Komplexitätstheorie, mit Anwendungen in der Kryptographie
6
M-INFO-106102 Logical Foundations of Cyber-Physical Systems
6
M-INFO-100825 Mustererkennung
6
M-INFO-105621 Parametrisierte Algorithmen
6
M-INFO-103302 Praktikum: Graphenvisualisierung in der Praxis
5
M-INFO-101537 Praktikum: Programmverifikation
3
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-105958 Projektpraktikum: Maschinelles Lernen und intelligente Systeme
8
M-INFO-106469 Randomisierte Algorithmik
5
M-INFO-102825 SAT Solving in der Praxis
5
M-INFO-102139 Seminar: Aktuelle Highlights der Algorithmentechnik
4
M-INFO-106086 Seminar: Algorithm Engineering
4
M-INFO-106512 Seminar: Applications and Extensions of Timed Systems
4
M-INFO-105409 Seminar: E-Voting
3
M-INFO-104941 Seminar: Fairness und Diskriminierungsfreiheit aus Sicht von Ethik und Informatik
3
M-INFO-102550 Seminar: Graphenalgorithmen
4
M-INFO-103306 Seminar: Proofs from THE BOOK
3
M-INFO-104896 Seminar: Kann Statistik Ursachen beweisen?
3
M-INFO-106645 Seminar: Fine-Grained Complexity Theory & Algorithms
Die Erstverwendung ist ab 01.04.2024 möglich.
4
M-INFO-106085 Seminar: Fortgeschrittene Themen zu SAT Solving
3
M-INFO-105330 Seminar: Scalable Parallel Graph Algorithms
4
M-INFO-105959 Seminar zum Projektpraktikum: Maschinelles Lernen und intelligente Systeme
3
M-INFO-100829 Stochastische Informationsverarbeitung
6
M-INFO-106293 Timed Systems
5
M-INFO-100839 Unscharfe Mengen
6

Vertiefungsfach: Algorithmentechnik

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. P. Sanders

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Algorithmentechnik (Wahl: zwischen 15 und 58 LP)
M-INFO-101173 Algorithmen II
6
M-INFO-100795 Algorithm Engineering
5
M-INFO-100031 Algorithmen für Routenplanung
5
M-INFO-102094 Algorithmen zur Visualisierung von Graphen
5
M-INFO-102110 Algorithmische Geometrie
6
M-INFO-100762 Algorithmische Graphentheorie
5
M-INFO-104447 Automated Planning and Scheduling
5
M-INFO-105496 Beating the Worst Case in Practice: Unerwartet effiziente Algorithmen
6
M-INFO-106644 Fine-Grained Complexity Theory & Algorithms
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-102731 Fortgeschrittene Datenstrukturen
5
M-INFO-105723 Fortgeschrittenes Algorithmisches Programmieren
6
M-INFO-100758 Graphpartitionierung und Graphenclustern in Theorie und Praxis
5
M-INFO-101573 Hands-on Bioinformatics Practical
3
M-INFO-100749 Introduction to Bioinformatics for Computer Scientists
3
M-INFO-100796 Parallele Algorithmen
5
M-INFO-105621 Parametrisierte Algorithmen
6
M-INFO-102072 Praktikum Algorithmentechnik
6
M-INFO-103506 Praktikum: Effizientes paralleles C++
6
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-103302 Praktikum: Graphenvisualisierung in der Praxis
5
M-INFO-106469 Randomisierte Algorithmik
5
M-INFO-102139 Seminar: Aktuelle Highlights der Algorithmentechnik
4
M-INFO-106086 Seminar: Algorithm Engineering
4
M-INFO-103153 Seminar: Energieinformatik
4
M-INFO-106645 Seminar: Fine-Grained Complexity Theory & Algorithms
Die Erstverwendung ist ab 01.04.2024 möglich.
4
M-INFO-106085 Seminar: Fortgeschrittene Themen zu SAT Solving
3
M-INFO-102550 Seminar: Graphenalgorithmen
4
M-INFO-100750 Seminar: Hot Topics in Bioinformatics
3
M-INFO-105330 Seminar: Scalable Parallel Graph Algorithms
4
M-INFO-102732 Text-Indexierung
5

Vertiefungsfach: Kryptographie und Sicherheit

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. J. Müller-Quade

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Kryptographie und Sicherheit (Wahl: zwischen 15 und 58 LP)
M-INFO-106303 Access Control Systems: Models and Technology
5
M-INFO-105667 Ausgewählte Themen der Theoretischen Grundlagen der Kryptographie
3
M-INFO-105338 Authentisierung und Verschlüsselung
4
M-INFO-106355 Cybersicherheit für industrielle Automatisierungs- und Steuerungsanlagen
4
M-INFO-105334 Decentralized Systems: Fundamentals, Modeling, and Applications
6
M-INFO-106315 IT-Sicherheit
6
M-INFO-100786 IT-Sicherheitsmanagement für vernetzte Systeme
5
M-INFO-101575 Komplexitätstheorie, mit Anwendungen in der Kryptographie
6
M-INFO-105631 Kryptographische Protokolle
5
M-INFO-100742 Kryptographische Wahlverfahren
3
M-INFO-105376 Maschinelles Lernen für die Computersicherheit
5
M-INFO-103166 Praktikum Anwendungssicherheit
4
M-INFO-105654 Praktikum: Hands-On Computer Security (Seclab)
4
M-INFO-105494 Praktikum: Intelligente Datenanalyse (Datalab)
4
M-INFO-105493 Praktikum: Intelligente Systemsicherheit
4
M-INFO-101559 Praktikum Kryptoanalyse
3
M-INFO-101558 Praktikum Kryptographie
3
M-INFO-104895 Praktikum: Penetration Testing
4
M-INFO-106627 Praktikum: Real-world Vulnerability Discovery and Exploits
4
M-INFO-105453 Praktikum: Security, Usability and Society
4
M-INFO-101560 Praktikum Sicherheit
4
M-INFO-104357 Praktische Einführung in die Hardware Sicherheit
6
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-105452 Privacy Enhancing Technologies
6
M-INFO-106654 Research Focus Class: Blockchain & Cryptocurrencies
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-105591 Resilient Networking
6
M-INFO-105780 Scientific Methods to Design and Analyze Secure Decentralized Systems
5
M-INFO-105586 Seminar: Ausgewählte Themen der Public-Key-Kryptographie
3
M-INFO-103048 Seminar Dezentrale Systeme und Netzdienste
3
M-INFO-106594 Seminar: Forschungstrends in der Mensch-Maschine-Interaktion
3
M-INFO-105409 Seminar: E-Voting
3
M-INFO-106392 Seminar: Hot Topics in Explainable Artificial Intelligence (XAI)
4
M-INFO-104891 Seminar: Hot Topics in Decentralized Systems
3
M-INFO-106393 Seminar: Hot Topics in Machine Learning for Computer Security
4
M-INFO-106394 Seminar: Hot Topics in Security of Machine Learning
4
M-INFO-104896 Seminar: Kann Statistik Ursachen beweisen?
3
M-INFO-105337 Seminar: Kryptoanalyse
3
M-INFO-101561 Seminar Kryptographie
3
M-INFO-103807 Seminar Kryptographie 2
3
M-INFO-105224 Seminar Privacy und Technischer Datenschutz
4
M-INFO-106391 Seminar: Privatsphäre und Sicherheit
4
M-INFO-105585 Seminar: Post-Quantum Cryptography
3
M-INFO-105408 Seminar: Quantum Information Theory
3
M-INFO-105761 Seminar: Secure Multiparty Computation
3
M-INFO-101562 Seminar Sicherheit
3
M-INFO-104032 Seminar Sicherheit 2
3
M-INFO-105869 Sicherheit von Maschinellem Lernen
3
M-INFO-100823 Signale und Codes
3
M-INFO-106344 Software Security Engineering
3
M-INFO-105584 Theoretische Grundlagen der Kryptographie
6
M-INFO-105783 Universal Composability in der Kryptographie
3
M-INFO-100867 Virtuelle Systeme
3

Vertiefungsfach: Parallelverarbeitung

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. W. Karl

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Parallelverarbeitung (Wahl: zwischen 15 und 58 LP)
M-INFO-101573 Hands-on Bioinformatics Practical
3
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-103506 Praktikum: Effizientes paralleles C++
6
M-INFO-100818 Rechnerstrukturen
6
M-INFO-105888 Seminar: Advanced Topics in High Performance Computing, Data Management and Analytics
4
M-INFO-106086 Seminar: Algorithm Engineering
4
M-INFO-100750 Seminar: Hot Topics in Bioinformatics
3
M-INFO-105330 Seminar: Scalable Parallel Graph Algorithms
4
M-INFO-105868 Skalierbare Methoden der künstlichen Intelligenz
4
M-INFO-100761 Verteiltes Rechnen
4

Vertiefungsfach: Softwaretechnik und Übersetzerbau

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. A. Koziolek, Prof. R. Reussner

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Softwaretechnik und Übersetzerbau (Wahl: zwischen 15 und 58 LP)
M-INFO-106019 Automotive Software Engineering (ASE)
4
M-INFO-106256 Constructive Logic
5
M-INFO-105333 Edge-AI in Software- und Sensor-Anwendungen
3
M-INFO-100798 Empirische Softwaretechnik
4
M-INFO-106626 Engineering Self-Adaptive Systems
3
M-INFO-100744 Formale Systeme II: Anwendung
5
M-INFO-106102 Logical Foundations of Cyber-Physical Systems
6
M-INFO-100741 Modellgetriebene Software-Entwicklung
3
M-INFO-106261 Praktikum: Automotive Software Engineering
6
M-INFO-106023 Praktikum: Fortgeschrittene Software-Entwicklungswerkzeuge
6
M-INFO-103506 Praktikum: Effizientes paralleles C++
6
M-INFO-104254 Praktikum: Ingenieursmäßige Software-Entwicklung
6
M-INFO-101579 Praktikum Modellgetriebene Software-Entwicklung
6
M-INFO-104893 Praktikum: Werkzeuge für Agile Modellierung
6
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-106512 Seminar: Applications and Extensions of Timed Systems
4
M-INFO-105309 Seminar: Continuous Software Engineering
3
M-INFO-104941 Seminar: Fairness und Diskriminierungsfreiheit aus Sicht von Ethik und Informatik
3
M-INFO-105668 Seminar: Natural Language Models
3
M-INFO-103301 Seminar Software-Architektur, Sicherheit und Datenschutz
3
M-INFO-105895 Seminar: Softwarequalitätssicherung und Softwaretest
4
M-INFO-100833 Softwaretechnik II
6
M-INFO-100844 Software-Architektur und -Qualität
3
M-INFO-100719 Software-Evolution
3
M-INFO-105471 Software-Produktlinien-Entwicklung
3
M-INFO-106344 Software Security Engineering
3
M-INFO-106024 Software-Test und Qualitätsmanagement (SQM)
5
M-INFO-100735 Sprachverarbeitung in der Softwaretechnik
3
M-INFO-106293 Timed Systems
5

Vertiefungsfach: Entwurf eingebetteter Systeme und Rechnerarchitektur

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. J. Henkel, Prof. W. Karl

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Entwurf eingebetteter Systeme und Rechnerarchitektur (Wahl: zwischen 15 und 58 LP)
M-INFO-105775 Embedded Machine Learning Lab
4
M-INFO-100831 Entwurf und Architekturen für Eingebettete Systeme (ES2)
3
M-INFO-100822 Heterogene parallele Rechensysteme
3
M-INFO-100807 Low Power Design
3
M-INFO-100830 Optimierung und Synthese Eingebetteter Systeme (ES1)
3
M-INFO-104357 Praktische Einführung in die Hardware Sicherheit
6
M-INFO-102570 Praktikum: Digital Design & Test Automation Flow
3
M-INFO-105740 Praktikum: Entwurf von applikationsspezifischen eingebetteten Prozessoren
4
M-INFO-102661 Praktikum FPGA Programming
3
M-INFO-103706 Praktikum: Internet of Things (IoT)
4
M-INFO-104031 Praktikum: Low Power Design and Embedded Systems
4
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-104072 Projektpraktikum Heterogeneous Computing
6
M-INFO-100818 Rechnerstrukturen
6
M-INFO-100850 Reliable Computing I
3
M-INFO-103062 Seminar Ausgewählte Kapitel der Rechnerarchitektur
3
M-INFO-102662 Seminar Dependable Computing
3
M-INFO-101629 Seminar: Eingebettete Systeme I
3
M-INFO-103367 Seminar: Eingebettete Systeme II
3
M-INFO-102663 Seminar Near Threshold Computing
3
M-INFO-102961 Seminar Non-volatile Memory Technologies
3
M-INFO-102998 Softwarepraktikum Parallele Numerik
6
M-INFO-100851 Testing Digital Systems I
3
M-INFO-102962 Testing Digital Systems II
3

Vertiefungsfach: Telematik

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. S. Abeck, Prof. H. Hartenstein, Prof. M. Zitterbart

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 8 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Telematik (Wahl: zwischen 15 und 58 LP)
M-INFO-106303 Access Control Systems: Models and Technology
5
M-INFO-105334 Decentralized Systems: Fundamentals, Modeling, and Applications
6
M-INFO-101885 Energieinformatik 1
5
M-INFO-103044 Energieinformatik 2
5
M-INFO-105413 Forschungspraktikum Netzsicherheit
3
M-INFO-105590 Forschungspraktikum Telematik
3
M-INFO-100800 Internet of Everything
4
M-INFO-100786 IT-Sicherheitsmanagement für vernetzte Systeme
5
M-INFO-100728 Kontextsensitive Systeme
5
M-INFO-100729 Mensch-Maschine-Interaktion
6
M-INFO-100785 Mobilkommunikation
4
M-INFO-100782 Netzsicherheit: Architekturen und Protokolle
4
M-INFO-100784 Next Generation Internet
4
M-INFO-100808 Parallelrechner und Parallelprogrammierung
4
M-INFO-105870 Praktikum: Advanced Topics in High Performance Computing, Data Management and Analytics
6
M-INFO-103235 Praktikum: Smart Data Analytics
6
M-INFO-103047 Praktikum Dezentrale Systeme und Netzdienste
4
M-INFO-101889 Praktikum Praxis der Telematik
3
M-INFO-102092 Praktikum Protocol Engineering
4
M-INFO-105453 Praktikum: Security, Usability and Society
4
M-INFO-105955 Praktikum: Smart Energy System Lab
6
M-INFO-101635 Praktikum: Web-Anwendungen und Serviceorientierte Architekturen (II)
5
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-105452 Privacy Enhancing Technologies
6
M-INFO-100734 Web-Anwendungen und Serviceorientierte Architekturen (II)
4
M-INFO-101891 Projektpraktikum: Softwarebasierte Netze
6
M-INFO-105591 Resilient Networking
6
M-INFO-105780 Scientific Methods to Design and Analyze Secure Decentralized Systems
5
M-INFO-106490 Seminar: Artificial Intelligence for Energy Systems
4
M-INFO-105888 Seminar: Advanced Topics in High Performance Computing, Data Management and Analytics
4
M-INFO-103078 Seminar: Designing and Conducting Experimental Studies
4
M-INFO-103048 Seminar Dezentrale Systeme und Netzdienste
3
M-INFO-103153 Seminar: Energieinformatik
4
M-INFO-104891 Seminar: Hot Topics in Decentralized Systems
3
M-INFO-100746 Seminar Hot Topics in Networking
3
M-INFO-101890 Seminar Internet und Gesellschaft - gesellschaftliche Werte und technische Umsetzung
3
M-INFO-105898 Seminar: Nutzeradaptive Systeme
3
M-INFO-102372 Seminar: Serviceorientierte Architekturen
3
M-INFO-101880 Seminar: Ubiquitäre Systeme
4
M-INFO-100801 Telematik
6
M-INFO-100789 Ubiquitäre Informationstechnologien
5
M-INFO-100761 Verteiltes Rechnen
4
M-INFO-106654 Research Focus Class: Blockchain & Cryptocurrencies
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-106655 Data Science and Artificial Intelligence for Energy Systems
Die Erstverwendung ist ab 01.04.2024 möglich.
6

Vertiefungsfach: Informationssysteme

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. K. Böhm

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Informationssysteme (Wahl: zwischen 15 und 58 LP)
M-INFO-106505 Data Science
8
M-INFO-100780 Datenbankeinsatz
5
M-INFO-105724 Datenbankfunktionalität in der Cloud
5
M-INFO-101662 Datenbank-Praktikum
4
M-INFO-104045 Datenschutz von Anonymisierung bis Zugriffskontrolle
3
M-INFO-105632 Praktikum: Data Science
6
M-INFO-106329 Praktikum: Data Science für die Wissenschaften
6
M-INFO-106312 Praktikum: Datenbankkonzepte und -technologie für die Wissenschaften
4
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-101794 Seminar Informationssysteme
3

Vertiefungsfach: Computergrafik und Geometrieverarbeitung

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. C. Dachsbacher, Prof. H. Prautzsch

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Computergrafik und Geometrieverarbeitung (Wahl: zwischen 15 und 58 LP)
M-INFO-104892 Angewandte Differentialgeometrie
3
M-INFO-100856 Computergrafik
6
M-INFO-106685 Computergrafik 2
Die Erstverwendung ist ab 01.04.2024 möglich.
5
M-INFO-106517 Curves and Surfaces for Geometric Design
3
M-INFO-106643 Curves and Surfaces for Geometric Design 2
Die Erstverwendung ist nur zwischen 01.04.2024 und 30.09.2024 möglich.
3
M-INFO-106642 Der de-Casteljau-Algorithmus
Die Erstverwendung ist nur zwischen 01.04.2024 und 30.09.2024 möglich.
3
M-INFO-100731 Fotorealistische Bildsynthese
5
M-INFO-100730 Geometrische Optimierung
3
M-INFO-100732 Interaktive Computergrafik
5
M-INFO-105311 Konzepte zur Verarbeitung geometrischer Daten
5
M-INFO-105733 Konzepte zur Verarbeitung geometrischer Daten
3
M-INFO-100837 Kurven und Flächen im CAD I
5
M-INFO-101231 Kurven und Flächen im CAD II
5
M-INFO-101213 Kurven und Flächen im CAD III
5
M-INFO-100812 Netze und Punktwolken
3
M-INFO-100724 Praktikum: General-Purpose Computation on Graphics Processing Units
3
M-INFO-104699 Praktikum: Aktuelle Forschungsthemen der Computergrafik
6
M-INFO-101667 Praktikum: Diskrete Freiformflächen
6
M-INFO-101666 Praktikum: Geometrisches Modellieren
3
M-INFO-105384 Praktikum: Graphics and Game Development
6
M-INFO-106687 Praktikum: Rendering in CGI
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-106686 Praktikum: Scientific Visualization
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-105737 Praktikum: Unterteilungsalgorithmen
3
M-INFO-101567 Praktikum: Visual Computing
6
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-101853 Rationale Splines
5
M-INFO-101857 Rationale Splines
3
M-INFO-105708 Seminar: Aktuelle Forschungsthemen in der Computergrafik
3
M-INFO-102729 Seminar: Fortgeschrittene Algorithmen in der Computergrafik
3
M-INFO-101660 Seminar Geometrieverarbeitung
3
M-INFO-101863 Unterteilungsalgorithmen
3
M-INFO-100738 Visualisierung
5

Vertiefungsfach: Robotik und Automation

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. T. Asfour

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Robotik und Automation (Wahl: zwischen 15 und 58 LP)
M-INFO-103294 Anziehbare Robotertechnologien
4
M-INFO-100826 Automatische Sichtprüfung und Bildverarbeitung
6
M-INFO-106608 Autonomous Learning for Intelligent Robot Perception
4
M-INFO-100814 Biologisch Motivierte Robotersysteme
3
M-INFO-106190 Computational Imaging
5
M-INFO-100803 Echtzeitsysteme
6
M-INFO-100736 Einführung in die Bildfolgenauswertung
3
M-INFO-105480 Forschungspraktikum Deep Learning in der Robotik
6
M-INFO-102561 Humanoide Roboter - Seminar
3
M-INFO-100895 Informationsverarbeitung in Sensornetzwerken
6
M-INFO-100791 Innovative Konzepte zur Programmierung von Industrierobotern
4
M-INFO-100840 Lokalisierung mobiler Agenten
6
M-INFO-105630 Maschinelles Lernen für die Naturwissenschaften mit Übung
6
M-INFO-105495 Praktikum: Biologisch Motivierte Roboter
6
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-102383 Projektpraktikum Bildauswertung und -fusion
6
M-INFO-102966 Projektpraktikum Computer Vision für Mensch-Maschine-Interaktion
6
M-INFO-105792 Projektpraktikum: Humanoide Roboter
6
M-INFO-105958 Projektpraktikum: Maschinelles Lernen und intelligente Systeme
8
M-INFO-102224 Projektpraktikum Robotik und Automation I (Software)
6
M-INFO-102230 Projektpraktikum Robotik und Automation II (Hardware)
6
M-INFO-105791 Riemannsche Methoden zum Lernen in der Robotik
3
M-INFO-102522 Roboterpraktikum
6
M-INFO-100893 Robotik I - Einführung in die Robotik
6
M-INFO-102756 Robotik II - Humanoide Robotik
3
M-INFO-104897 Robotik III – Sensoren und Perzeption in der Robotik
3
M-INFO-104877 Sichere Mensch-Roboter-Kollaboration
3
M-INFO-106400 Seminar: Assistenzroboter und Exoskelette in medizinischen Anwendungen
3
M-INFO-102375 Seminar Bildauswertung und -fusion
3
M-INFO-105728 Seminar: Biologisch Motivierte Roboter
3
M-INFO-102373 Seminar Computer Vision für Mensch-Maschine-Schnittstellen
3
M-INFO-105779 Seminar: Deep Learning in der Robotik
3
M-INFO-106498 Seminar: Human-Robot Interaction
3
M-INFO-102212 Seminar Intelligente Industrieroboter
3
M-INFO-105760 Seminar: Kritische Betrachtung der künstlichen Intelligenz
3
M-INFO-105926 Seminar: Kritische Fragestellungen der Künstlichen Intelligenz
3
M-INFO-105379 Seminar: Robot Reinforcement Learning
3
M-INFO-106284 Seminar: Recent Topics of Machine Learning in Materials Science and Chemistry
3
M-INFO-102305 Seminar: Von Big Data zu Data Science: Moderne Methoden der Informationsverarbeitung
3
M-INFO-105959 Seminar zum Projektpraktikum: Maschinelles Lernen und intelligente Systeme
3
M-INFO-106504 Simulation and Optimization in Robotics and Biomechanics
6
M-INFO-100829 Stochastische Informationsverarbeitung
6
M-INFO-100839 Unscharfe Mengen
6
M-INFO-106646 Praktikum: Human-Centred Robotics
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-106648 Praktikum: Movement and Technology
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-106649 Humanoid Robots - Locomotion and Whole-Body Control
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-106650 HRI and Social Robotics
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-106651 Seminar: Exploring Robotics - Insights from Science Fiction, Research and Society
Die Erstverwendung ist ab 01.04.2024 möglich.
3
M-INFO-106656 Praktikum: Intelligente Roboterperzeption
Die Erstverwendung ist ab 01.04.2024 möglich.
3

Vertiefungsfach: Anthropomatik und Kognitive Systeme

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. R. Stiefelhagen

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 10 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Anthropomatik und Kognitive Systeme (Wahl: zwischen 15 und 58 LP)
M-INFO-103294 Anziehbare Robotertechnologien
4
M-INFO-100826 Automatische Sichtprüfung und Bildverarbeitung
6
M-INFO-100814 Biologisch Motivierte Robotersysteme
3
M-INFO-106190 Computational Imaging
5
M-INFO-106655 Data Science and Artificial Intelligence for Energy Systems
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-105882 Digitale Barrierefreiheit und Assistive Technologien
3
M-INFO-105753 Deep Learning für Computer Vision I: Grundlagen
3
M-INFO-105755 Deep Learning für Computer Vision II: Fortgeschrittene Themen
3
M-INFO-104460 Deep Learning und Neuronale Netze
6
M-INFO-100736 Einführung in die Bildfolgenauswertung
3
M-INFO-105775 Embedded Machine Learning Lab
4
M-INFO-106302 Explainable Artificial Intelligence
3
M-INFO-105378 Forschungspraktikum Autonome Lernende Roboter
6
M-INFO-105480 Forschungspraktikum Deep Learning in der Robotik
6
M-INFO-106495 Forschungspraktikum: Explainable Artificial Intelligence
6
M-INFO-106300 Forschungspraktikum: Interactive Learning
6
M-INFO-106299 Fortgeschrittene Künstliche Intelligenz
6
M-INFO-100725 Gehirn und Zentrales Nervensystem: Struktur, Informationstransfer, Reizverarbeitung, Neurophysiologie und Therapie
3
M-INFO-106237 Geometric Deep Learning
Die Erstverwendung ist ab 01.10.2023 möglich.
3
M-INFO-106650 HRI and Social Robotics
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-106649 Humanoid Robots - Locomotion and Whole-Body Control
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-102561 Humanoide Roboter - Seminar
3
M-INFO-100895 Informationsverarbeitung in Sensornetzwerken
6
M-INFO-100791 Innovative Konzepte zur Programmierung von Industrierobotern
4
M-INFO-100728 Kontextsensitive Systeme
5
M-INFO-100840 Lokalisierung mobiler Agenten
6
M-INFO-106470 Machine Learning in Climate and Environmental Sciences
Die Erstverwendung ist ab 01.10.2023 möglich.
6
M-INFO-105778 Maschinelles Lernen - Grundlagen und Algorithmen
6
M-INFO-105376 Maschinelles Lernen für die Computersicherheit
5
M-INFO-105630 Maschinelles Lernen für die Naturwissenschaften mit Übung
6
M-INFO-100848 Maschinelle Übersetzung
6
M-INFO-100729 Mensch-Maschine-Interaktion
6
M-INFO-100824 Mensch-Maschine-Wechselwirkung in der Anthropomatik: Basiswissen
3
M-INFO-102555 Motion in Human and Machine - Seminar
3
M-INFO-100825 Mustererkennung
6
M-INFO-105329 Optimization Methods for Machine Learning and Engineering
5
M-INFO-106516 Partizipative Technologiegestaltung
6
M-INFO-106290 Praktikum: Gestaltung und Evaluierung Interaktiver Systeme
6
M-INFO-106646 Praktikum: Human-Centred Robotics
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-105494 Praktikum: Intelligente Datenanalyse (Datalab)
4
M-INFO-106648 Praktikum: Movement and Technology
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-102414 Praktikum Natürlichsprachliche Dialogsysteme
6
M-INFO-103235 Praktikum: Smart Data Analytics
6
M-INFO-105997 Praktikum: Sprachübersetzung
6
M-INFO-105493 Praktikum: Intelligente Systemsicherheit
4
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-102383 Projektpraktikum Bildauswertung und -fusion
6
M-INFO-102966 Projektpraktikum Computer Vision für Mensch-Maschine-Interaktion
6
M-INFO-105792 Projektpraktikum: Humanoide Roboter
6
M-INFO-105958 Projektpraktikum: Maschinelles Lernen und intelligente Systeme
8
M-INFO-102224 Projektpraktikum Robotik und Automation I (Software)
6
M-INFO-102230 Projektpraktikum Robotik und Automation II (Hardware)
6
M-INFO-105623 Reinforcement Learning
6
M-INFO-105791 Riemannsche Methoden zum Lernen in der Robotik
3
M-INFO-102522 Roboterpraktikum
6
M-INFO-102756 Robotik II - Humanoide Robotik
3
M-INFO-102725 Seminar Advanced Topics in Machine Translation
3
M-INFO-106490 Seminar: Artificial Intelligence for Energy Systems
4
M-INFO-102375 Seminar Bildauswertung und -fusion
3
M-INFO-105728 Seminar: Biologisch Motivierte Roboter
3
M-INFO-102373 Seminar Computer Vision für Mensch-Maschine-Schnittstellen
3
M-INFO-105779 Seminar: Deep Learning in der Robotik
3
M-INFO-105884 Seminar: Digitale Barrierefreiheit und Assistive Technologien
3
M-INFO-106497 Seminar: Explainable Artificial Intelligence
3
M-INFO-106651 Seminar: Exploring Robotics - Insights from Science Fiction, Research and Society
Die Erstverwendung ist ab 01.04.2024 möglich.
3
M-INFO-106594 Seminar: Forschungstrends in der Mensch-Maschine-Interaktion
3
M-INFO-106392 Seminar: Hot Topics in Explainable Artificial Intelligence (XAI)
4
M-INFO-106394 Seminar: Hot Topics in Security of Machine Learning
4
M-INFO-106498 Seminar: Human-Robot Interaction
3
M-INFO-102212 Seminar Intelligente Industrieroboter
3
M-INFO-106301 Seminar: Interactive Learning
3
M-INFO-106396 Seminar: Interpretierbarkeit und Kausalität im Maschinellen Lernen
3
M-INFO-105926 Seminar: Kritische Fragestellungen der Künstlichen Intelligenz
3
M-INFO-105760 Seminar: Kritische Betrachtung der künstlichen Intelligenz
3
M-INFO-106653 Seminar: Multimodal Large Language Models
Die Erstverwendung ist ab 01.04.2024 möglich.
3
M-INFO-106289 Seminar: Partizipative Technologiegestaltung
3
M-INFO-106284 Seminar: Recent Topics of Machine Learning in Materials Science and Chemistry
3
M-INFO-105379 Seminar: Robot Reinforcement Learning
3
M-INFO-102416 Seminar Sprach-zu-Sprach-Übersetzung
3
M-INFO-102305 Seminar: Von Big Data zu Data Science: Moderne Methoden der Informationsverarbeitung
3
M-INFO-105959 Seminar zum Projektpraktikum: Maschinelles Lernen und intelligente Systeme
3
M-INFO-105869 Sicherheit von Maschinellem Lernen
3
M-INFO-105868 Skalierbare Methoden der künstlichen Intelligenz
4
M-INFO-100829 Stochastische Informationsverarbeitung
6
M-INFO-100839 Unscharfe Mengen
6
M-INFO-105999 Verarbeitung natürlicher Sprache
6
M-INFO-106505 Data Science
Die Erstverwendung ist ab 21.02.2024 möglich.
8
M-INFO-106719 Seminar: Machine Learning in Climate and Environmental Sciences
Die Erstverwendung ist ab 15.03.2024 möglich.
3

Vertiefungsfach: Systemarchitektur

Leistungspunkte
15-58

Vertiefungsfach Koordinatoren: Prof. F. Bellosa

Wahlinformationen

In diesem Vertiefungsfach müssen mind. 8 LP aus Vorlesungen (keine Stammvorlesungen) erbracht werden.

Wahl Systemarchitektur (Wahl: zwischen 15 und 58 LP)
M-INFO-100822 Heterogene parallele Rechensysteme
3
M-INFO-100807 Low Power Design
3
M-INFO-100804 Power Management
3
M-INFO-101542 Power Management Praktikum
3
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-104072 Projektpraktikum Heterogeneous Computing
6
M-INFO-100818 Rechnerstrukturen
6
M-INFO-103062 Seminar Ausgewählte Kapitel der Rechnerarchitektur
3
M-INFO-101540 Seminar: Betriebssysteme
3
M-INFO-100849 Seminar Betriebssysteme für Fortgeschrittene
6
M-INFO-102998 Softwarepraktikum Parallele Numerik
6
M-INFO-100867 Virtuelle Systeme
3

Wahlbereich Informatik

Leistungspunkte
6-49
Wahlinformationen

Im Wahlbereich müssen mind. 6 LP gewählt werden.

Wahlbereich (Wahl: zwischen 6 und 49 LP)
M-INFO-106303 Access Control Systems: Models and Technology
5
M-INFO-100795 Algorithm Engineering
5
M-INFO-101173 Algorithmen II
6
M-INFO-100031 Algorithmen für Routenplanung
5
M-INFO-102094 Algorithmen zur Visualisierung von Graphen
5
M-INFO-102110 Algorithmische Geometrie
6
M-INFO-100762 Algorithmische Graphentheorie
5
M-INFO-104892 Angewandte Differentialgeometrie
3
M-INFO-103294 Anziehbare Robotertechnologien
4
M-INFO-105338 Authentisierung und Verschlüsselung
4
M-INFO-105667 Ausgewählte Themen der Theoretischen Grundlagen der Kryptographie
3
M-INFO-104447 Automated Planning and Scheduling
5
M-INFO-100826 Automatische Sichtprüfung und Bildverarbeitung
6
M-INFO-106019 Automotive Software Engineering (ASE)
4
M-INFO-106608 Autonomous Learning for Intelligent Robot Perception
4
M-INFO-105496 Beating the Worst Case in Practice: Unerwartet effiziente Algorithmen
6
M-INFO-100814 Biologisch Motivierte Robotersysteme
3
M-INFO-106190 Computational Imaging
5
M-INFO-100856 Computergrafik
6
M-INFO-106685 Computergrafik 2
Die Erstverwendung ist ab 01.04.2024 möglich.
5
M-INFO-106256 Constructive Logic
5
M-INFO-106517 Curves and Surfaces for Geometric Design
3
M-INFO-106643 Curves and Surfaces for Geometric Design 2
Die Erstverwendung ist nur zwischen 01.04.2024 und 30.09.2024 möglich.
3
M-INFO-106355 Cybersicherheit für industrielle Automatisierungs- und Steuerungsanlagen
4
M-INFO-106505 Data Science
8
M-INFO-106655 Data Science and Artificial Intelligence for Energy Systems
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-105724 Datenbankfunktionalität in der Cloud
5
M-INFO-100780 Datenbankeinsatz
5
M-INFO-101662 Datenbank-Praktikum
4
M-INFO-104045 Datenschutz von Anonymisierung bis Zugriffskontrolle
3
M-INFO-105334 Decentralized Systems: Fundamentals, Modeling, and Applications
6
M-INFO-105753 Deep Learning für Computer Vision I: Grundlagen
3
M-INFO-105755 Deep Learning für Computer Vision II: Fortgeschrittene Themen
3
M-INFO-104460 Deep Learning und Neuronale Netze
6
M-INFO-106642 Der de-Casteljau-Algorithmus
Die Erstverwendung ist nur zwischen 01.04.2024 und 30.09.2024 möglich.
3
M-INFO-105882 Digitale Barrierefreiheit und Assistive Technologien
3
M-INFO-105333 Edge-AI in Software- und Sensor-Anwendungen
3
M-INFO-100803 Echtzeitsysteme
6
M-INFO-100736 Einführung in die Bildfolgenauswertung
3
M-INFO-106101 Einführung in das Quantencomputing (IQC)
3
M-INFO-106742 Einführung ins Quantum Machine Learning
Die Erstverwendung ist ab 01.04.2024 möglich.
3
M-INFO-105775 Embedded Machine Learning Lab
4
M-INFO-100798 Empirische Softwaretechnik
4
M-INFO-101885 Energieinformatik 1
5
M-INFO-103044 Energieinformatik 2
5
M-INFO-106626 Engineering Self-Adaptive Systems
3
M-INFO-100831 Entwurf und Architekturen für Eingebettete Systeme (ES2)
3
M-INFO-106302 Explainable Artificial Intelligence
3
M-INFO-106644 Fine-Grained Complexity Theory & Algorithms
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-100799 Formale Systeme
6
M-INFO-100744 Formale Systeme II: Anwendung
5
M-INFO-100841 Formale Systeme II: Theorie
5
M-INFO-105378 Forschungspraktikum Autonome Lernende Roboter
6
M-INFO-105480 Forschungspraktikum Deep Learning in der Robotik
6
M-INFO-106495 Forschungspraktikum: Explainable Artificial Intelligence
6
M-INFO-106300 Forschungspraktikum: Interactive Learning
6
M-INFO-105413 Forschungspraktikum Netzsicherheit
3
M-INFO-105590 Forschungspraktikum Telematik
3
M-INFO-102731 Fortgeschrittene Datenstrukturen
5
M-INFO-106299 Fortgeschrittene Künstliche Intelligenz
6
M-INFO-105723 Fortgeschrittenes Algorithmisches Programmieren
6
M-INFO-100731 Fotorealistische Bildsynthese
5
M-INFO-100725 Gehirn und Zentrales Nervensystem: Struktur, Informationstransfer, Reizverarbeitung, Neurophysiologie und Therapie
3
M-INFO-106237 Geometric Deep Learning
3
M-INFO-100730 Geometrische Optimierung
3
M-INFO-100758 Graphpartitionierung und Graphenclustern in Theorie und Praxis
5
M-INFO-101573 Hands-on Bioinformatics Practical
3
M-INFO-100822 Heterogene parallele Rechensysteme
3
M-INFO-106650 HRI and Social Robotics
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-106649 Humanoid Robots - Locomotion and Whole-Body Control
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-102561 Humanoide Roboter - Seminar
3
M-INFO-100895 Informationsverarbeitung in Sensornetzwerken
6
M-INFO-100791 Innovative Konzepte zur Programmierung von Industrierobotern
4
M-INFO-100732 Interaktive Computergrafik
5
M-INFO-100800 Internet of Everything
4
M-INFO-100749 Introduction to Bioinformatics for Computer Scientists
3
M-INFO-106315 IT-Sicherheit
6
M-INFO-100786 IT-Sicherheitsmanagement für vernetzte Systeme
5
M-INFO-101575 Komplexitätstheorie, mit Anwendungen in der Kryptographie
6
M-INFO-100728 Kontextsensitive Systeme
5
M-INFO-105311 Konzepte zur Verarbeitung geometrischer Daten
5
M-INFO-105733 Konzepte zur Verarbeitung geometrischer Daten
3
M-INFO-105631 Kryptographische Protokolle
5
M-INFO-100742 Kryptographische Wahlverfahren
3
M-INFO-100837 Kurven und Flächen im CAD I
5
M-INFO-101231 Kurven und Flächen im CAD II
5
M-INFO-101213 Kurven und Flächen im CAD III
5
M-INFO-106102 Logical Foundations of Cyber-Physical Systems
6
M-INFO-100840 Lokalisierung mobiler Agenten
6
M-INFO-100807 Low Power Design
3
M-INFO-106470 Machine Learning in Climate and Environmental Sciences
6
M-INFO-100848 Maschinelle Übersetzung
6
M-INFO-105778 Maschinelles Lernen - Grundlagen und Algorithmen
6
M-INFO-105376 Maschinelles Lernen für die Computersicherheit
5
M-INFO-105630 Maschinelles Lernen für die Naturwissenschaften mit Übung
6
M-INFO-100729 Mensch-Maschine-Interaktion
6
M-INFO-100824 Mensch-Maschine-Wechselwirkung in der Anthropomatik: Basiswissen
3
M-INFO-100785 Mobilkommunikation
4
M-INFO-100741 Modellgetriebene Software-Entwicklung
3
M-INFO-102555 Motion in Human and Machine - Seminar
3
M-INFO-100825 Mustererkennung
6
M-INFO-100812 Netze und Punktwolken
3
M-INFO-100782 Netzsicherheit: Architekturen und Protokolle
4
M-INFO-100784 Next Generation Internet
4
M-INFO-100830 Optimierung und Synthese Eingebetteter Systeme (ES1)
3
M-INFO-105329 Optimization Methods for Machine Learning and Engineering
5
M-INFO-100796 Parallele Algorithmen
5
M-INFO-100808 Parallelrechner und Parallelprogrammierung
4
M-INFO-105621 Parametrisierte Algorithmen
6
M-INFO-106516 Partizipative Technologiegestaltung
6
M-INFO-100804 Power Management
3
M-INFO-101542 Power Management Praktikum
3
M-INFO-105870 Praktikum: Advanced Topics in High Performance Computing, Data Management and Analytics
6
M-INFO-104699 Praktikum: Aktuelle Forschungsthemen der Computergrafik
6
M-INFO-106286 Praktikum: Aktuelle Themen des Quantencomputings
6
M-INFO-102072 Praktikum Algorithmentechnik
6
M-INFO-103166 Praktikum Anwendungssicherheit
4
M-INFO-106261 Praktikum: Automotive Software Engineering
6
M-INFO-105495 Praktikum: Biologisch Motivierte Roboter
6
M-INFO-105632 Praktikum: Data Science
6
M-INFO-106329 Praktikum: Data Science für die Wissenschaften
6
M-INFO-106312 Praktikum: Datenbankkonzepte und -technologie für die Wissenschaften
4
M-INFO-103047 Praktikum Dezentrale Systeme und Netzdienste
4
M-INFO-102570 Praktikum: Digital Design & Test Automation Flow
3
M-INFO-101667 Praktikum: Diskrete Freiformflächen
6
M-INFO-103506 Praktikum: Effizientes paralleles C++
6
M-INFO-105740 Praktikum: Entwurf von applikationsspezifischen eingebetteten Prozessoren
4
M-INFO-106023 Praktikum: Fortgeschrittene Software-Entwicklungswerkzeuge
6
M-INFO-102661 Praktikum FPGA Programming
3
M-INFO-100724 Praktikum: General-Purpose Computation on Graphics Processing Units
3
M-INFO-101666 Praktikum: Geometrisches Modellieren
3
M-INFO-106290 Praktikum: Gestaltung und Evaluierung Interaktiver Systeme
6
M-INFO-103302 Praktikum: Graphenvisualisierung in der Praxis
5
M-INFO-105384 Praktikum: Graphics and Game Development
6
M-INFO-105654 Praktikum: Hands-On Computer Security (Seclab)
4
M-INFO-106646 Praktikum: Human-Centred Robotics
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-104254 Praktikum: Ingenieursmäßige Software-Entwicklung
6
M-INFO-105494 Praktikum: Intelligente Datenanalyse (Datalab)
4
M-INFO-106656 Praktikum: Intelligente Roboterperzeption
Die Erstverwendung ist ab 01.04.2024 möglich.
3
M-INFO-105493 Praktikum: Intelligente Systemsicherheit
4
M-INFO-103706 Praktikum: Internet of Things (IoT)
4
M-INFO-101559 Praktikum Kryptoanalyse
3
M-INFO-101558 Praktikum Kryptographie
3
M-INFO-104031 Praktikum: Low Power Design and Embedded Systems
4
M-INFO-101579 Praktikum Modellgetriebene Software-Entwicklung
6
M-INFO-106648 Praktikum: Movement and Technology
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-102414 Praktikum Natürlichsprachliche Dialogsysteme
6
M-INFO-106503 Praktikum: Neural Network Acceleration on FPGAs
3
M-INFO-104895 Praktikum: Penetration Testing
4
M-INFO-101889 Praktikum Praxis der Telematik
3
M-INFO-101537 Praktikum: Programmverifikation
3
M-INFO-102092 Praktikum Protocol Engineering
4
M-INFO-106687 Praktikum: Rendering in CGI
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-106627 Praktikum: Real-world Vulnerability Discovery and Exploits
4
M-INFO-106686 Praktikum: Scientific Visualization
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-105453 Praktikum: Security, Usability and Society
4
M-INFO-101560 Praktikum Sicherheit
4
M-INFO-103235 Praktikum: Smart Data Analytics
6
M-INFO-105955 Praktikum: Smart Energy System Lab
6
M-INFO-105997 Praktikum: Sprachübersetzung
6
M-INFO-105737 Praktikum: Unterteilungsalgorithmen
3
M-INFO-101567 Praktikum: Visual Computing
6
M-INFO-101635 Praktikum: Web-Anwendungen und Serviceorientierte Architekturen (II)
5
M-INFO-104893 Praktikum: Werkzeuge für Agile Modellierung
6
M-INFO-104357 Praktische Einführung in die Hardware Sicherheit
6
M-INFO-105037 Praxis der Forschung (Projekt, 1. Semester)
10
M-INFO-105038 Praxis der Forschung (Projekt, 2. Semester)
10
M-INFO-105452 Privacy Enhancing Technologies
6
M-INFO-102383 Projektpraktikum Bildauswertung und -fusion
6
M-INFO-102966 Projektpraktikum Computer Vision für Mensch-Maschine-Interaktion
6
M-INFO-104072 Projektpraktikum Heterogeneous Computing
6
M-INFO-105792 Projektpraktikum: Humanoide Roboter
6
M-INFO-105958 Projektpraktikum: Maschinelles Lernen und intelligente Systeme
8
M-INFO-102224 Projektpraktikum Robotik und Automation I (Software)
6
M-INFO-102230 Projektpraktikum Robotik und Automation II (Hardware)
6
M-INFO-101891 Projektpraktikum: Softwarebasierte Netze
6
M-INFO-106469 Randomisierte Algorithmik
5
M-INFO-101857 Rationale Splines
3
M-INFO-101853 Rationale Splines
5
M-INFO-100818 Rechnerstrukturen
6
M-INFO-105623 Reinforcement Learning
6
M-INFO-100850 Reliable Computing I
3
M-INFO-106654 Research Focus Class: Blockchain & Cryptocurrencies
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-INFO-105591 Resilient Networking
6
M-INFO-105791 Riemannsche Methoden zum Lernen in der Robotik
3
M-INFO-102522 Roboterpraktikum
6
M-INFO-100893 Robotik I - Einführung in die Robotik
6
M-INFO-102756 Robotik II - Humanoide Robotik
3
M-INFO-104897 Robotik III – Sensoren und Perzeption in der Robotik
3
M-INFO-102825 SAT Solving in der Praxis
5
M-INFO-105780 Scientific Methods to Design and Analyze Secure Decentralized Systems
5
M-INFO-105888 Seminar: Advanced Topics in High Performance Computing, Data Management and Analytics
4
M-INFO-102725 Seminar Advanced Topics in Machine Translation
3
M-INFO-105708 Seminar: Aktuelle Forschungsthemen in der Computergrafik
3
M-INFO-102139 Seminar: Aktuelle Highlights der Algorithmentechnik
4
M-INFO-106086 Seminar: Algorithm Engineering
4
M-INFO-106512 Seminar: Applications and Extensions of Timed Systems
4
M-INFO-106490 Seminar: Artificial Intelligence for Energy Systems
4
M-INFO-106400 Seminar: Assistenzroboter und Exoskelette in medizinischen Anwendungen
3
M-INFO-103062 Seminar Ausgewählte Kapitel der Rechnerarchitektur
3
M-INFO-105586 Seminar: Ausgewählte Themen der Public-Key-Kryptographie
3
M-INFO-101540 Seminar: Betriebssysteme
3
M-INFO-100849 Seminar Betriebssysteme für Fortgeschrittene
6
M-INFO-102375 Seminar Bildauswertung und -fusion
3
M-INFO-105728 Seminar: Biologisch Motivierte Roboter
3
M-INFO-102373 Seminar Computer Vision für Mensch-Maschine-Schnittstellen
3
M-INFO-105309 Seminar: Continuous Software Engineering
3
M-INFO-105779 Seminar: Deep Learning in der Robotik
3
M-INFO-102662 Seminar Dependable Computing
3
M-INFO-103078 Seminar: Designing and Conducting Experimental Studies
4
M-INFO-103048 Seminar Dezentrale Systeme und Netzdienste
3
M-INFO-105884 Seminar: Digitale Barrierefreiheit und Assistive Technologien
3
M-INFO-105409 Seminar: E-Voting
3
M-INFO-101629 Seminar: Eingebettete Systeme I
3
M-INFO-103367 Seminar: Eingebettete Systeme II
3
M-INFO-103153 Seminar: Energieinformatik
4
M-INFO-106497 Seminar: Explainable Artificial Intelligence
3
M-INFO-106651 Seminar: Exploring Robotics - Insights from Science Fiction, Research and Society
Die Erstverwendung ist ab 01.04.2024 möglich.
3
M-INFO-104941 Seminar: Fairness und Diskriminierungsfreiheit aus Sicht von Ethik und Informatik
3
M-INFO-106645 Seminar: Fine-Grained Complexity Theory & Algorithms
Die Erstverwendung ist ab 01.04.2024 möglich.
4
M-INFO-106594 Seminar: Forschungstrends in der Mensch-Maschine-Interaktion
3
M-INFO-106085 Seminar: Fortgeschrittene Themen zu SAT Solving
3
M-INFO-102729 Seminar: Fortgeschrittene Algorithmen in der Computergrafik
3
M-INFO-101660 Seminar Geometrieverarbeitung
3
M-INFO-102550 Seminar: Graphenalgorithmen
4
M-INFO-100750 Seminar: Hot Topics in Bioinformatics
3
M-INFO-104891 Seminar: Hot Topics in Decentralized Systems
3
M-INFO-106392 Seminar: Hot Topics in Explainable Artificial Intelligence (XAI)
4
M-INFO-106393 Seminar: Hot Topics in Machine Learning for Computer Security
4
M-INFO-100746 Seminar Hot Topics in Networking
3
M-INFO-106394 Seminar: Hot Topics in Security of Machine Learning
4
M-INFO-106498 Seminar: Human-Robot Interaction
3
M-INFO-105328 Seminar: Informatik TECO
3
M-INFO-101794 Seminar Informationssysteme
3
M-INFO-102212 Seminar Intelligente Industrieroboter
3
M-INFO-106301 Seminar: Interactive Learning
3
M-INFO-101890 Seminar Internet und Gesellschaft - gesellschaftliche Werte und technische Umsetzung
3
M-INFO-106396 Seminar: Interpretierbarkeit und Kausalität im Maschinellen Lernen
3
M-INFO-104896 Seminar: Kann Statistik Ursachen beweisen?
3
M-INFO-106356 Seminar: KI Systems Engineering
4
M-INFO-105760 Seminar: Kritische Betrachtung der künstlichen Intelligenz
3
M-INFO-105926 Seminar: Kritische Fragestellungen der Künstlichen Intelligenz
3
M-INFO-105337 Seminar: Kryptoanalyse
3
M-INFO-101561 Seminar Kryptographie
3
M-INFO-103807 Seminar Kryptographie 2
3
M-INFO-106719 Seminar: Machine Learning in Climate and Environmental Sciences
Die Erstverwendung ist ab 15.03.2024 möglich.
3
M-INFO-106653 Seminar: Multimodal Large Language Models
Die Erstverwendung ist ab 01.04.2024 möglich.
3
M-INFO-105668 Seminar: Natural Language Models
3
M-INFO-102663 Seminar Near Threshold Computing
3
M-INFO-102961 Seminar Non-volatile Memory Technologies
3
M-INFO-105898 Seminar: Nutzeradaptive Systeme
3
M-INFO-106289 Seminar: Partizipative Technologiegestaltung
3
M-INFO-105585 Seminar: Post-Quantum Cryptography
3
M-INFO-105224 Seminar Privacy und Technischer Datenschutz
4
M-INFO-106391 Seminar: Privatsphäre und Sicherheit
4
M-INFO-103306 Seminar: Proofs from THE BOOK
3
M-INFO-105408 Seminar: Quantum Information Theory
3
M-INFO-106284 Seminar: Recent Topics of Machine Learning in Materials Science and Chemistry
3
M-INFO-105379 Seminar: Robot Reinforcement Learning
3
M-INFO-105330 Seminar: Scalable Parallel Graph Algorithms
4
M-INFO-105761 Seminar: Secure Multiparty Computation
3
M-INFO-102372 Seminar: Serviceorientierte Architekturen
3
M-INFO-101562 Seminar Sicherheit
3
M-INFO-104032 Seminar Sicherheit 2
3
M-INFO-103301 Seminar Software-Architektur, Sicherheit und Datenschutz
3
M-INFO-105895 Seminar: Softwarequalitätssicherung und Softwaretest
4
M-INFO-102416 Seminar Sprach-zu-Sprach-Übersetzung
3
M-INFO-101880 Seminar: Ubiquitäre Systeme
4
M-INFO-102305 Seminar: Von Big Data zu Data Science: Moderne Methoden der Informationsverarbeitung
3
M-INFO-105959 Seminar zum Projektpraktikum: Maschinelles Lernen und intelligente Systeme
3
M-INFO-104877 Sichere Mensch-Roboter-Kollaboration
3
M-INFO-105869 Sicherheit von Maschinellem Lernen
3
M-INFO-100823 Signale und Codes
3
M-INFO-106504 Simulation and Optimization in Robotics and Biomechanics
6
M-INFO-105868 Skalierbare Methoden der künstlichen Intelligenz
4
M-INFO-100844 Software-Architektur und -Qualität
3
M-INFO-100719 Software-Evolution
3
M-INFO-105471 Software-Produktlinien-Entwicklung
3
M-INFO-102998 Softwarepraktikum Parallele Numerik
6
M-INFO-106344 Software Security Engineering
3
M-INFO-100833 Softwaretechnik II
6
M-INFO-106024 Software-Test und Qualitätsmanagement (SQM)
5
M-INFO-100735 Sprachverarbeitung in der Softwaretechnik
3
M-INFO-100829 Stochastische Informationsverarbeitung
6
M-INFO-100801 Telematik
6
M-INFO-100851 Testing Digital Systems I
3
M-INFO-102962 Testing Digital Systems II
3
M-INFO-102732 Text-Indexierung
5
M-INFO-105584 Theoretische Grundlagen der Kryptographie
6
M-INFO-106293 Timed Systems
5
M-INFO-100789 Ubiquitäre Informationstechnologien
5
M-INFO-105783 Universal Composability in der Kryptographie
3
M-INFO-100839 Unscharfe Mengen
6
M-INFO-101863 Unterteilungsalgorithmen
3
M-INFO-105999 Verarbeitung natürlicher Sprache
6
M-INFO-100761 Verteiltes Rechnen
4
M-INFO-100738 Visualisierung
5
M-INFO-100867 Virtuelle Systeme
3
M-INFO-100734 Web-Anwendungen und Serviceorientierte Architekturen (II)
4

Ergänzungsfach: Recht

Leistungspunkte
9-18

Ansprechpartner Dr. Matz, yvonne.matz@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-INFO-101217 Öffentliches Wirtschaftsrecht
9
M-INFO-101215 Recht des geistigen Eigentums
9
M-INFO-101216 Recht der Wirtschaftsunternehmen
9

Ergänzungsfach: Mathematik

Leistungspunkte
9-18

Ansprechpartner Dr. Kühnlein, stefan.kuehnlein@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-MATH-101315 Algebra
9
M-MATH-101724 Algebraische Geometrie
9
M-MATH-101725 Algebraische Zahlentheorie
9
M-MATH-103164 Analysis 4
9
M-MATH-101317 Differentialgeometrie
9
M-MATH-101320 Funktionalanalysis
9
M-MATH-101336 Graphentheorie
9
M-MATH-102950 Kombinatorik
9
M-MATH-103709 Numerische Lineare Algebra für das wissenschaftliche Rechnen auf Hochleistungsrechnern
5
M-MATH-101338 Paralleles Rechnen
5

Ergänzungsfach: Theoretische Physik

Leistungspunkte
9-18

Ansprechpartner Prof. Steinhauser, Matthias.Steinhauser@kit.edu

Pflichtbestandteile
M-PHYS-101664 Moderne Theoretische Physik für Lehramt
9
Wahlblock (Wahl: 1 Bestandteil)
M-PHYS-101933 Computational Photonics, with ext. Exercises
8
M-PHYS-103089 Computational Photonics, without ext. Exercises
6
M-PHYS-101708 Moderne Theoretische Physik II, Quantenmechanik II
6
M-PHYS-101709 Moderne Theoretische Physik III, Statistische Physik
8
M-PHYS-102277 Theoretical Optics
6

Ergänzungsfach: Experimentalphysik

Leistungspunkte
15

Ansprechpartner Dr. Haberland, hagen.haberland@kit.edu

Praktikum Klassische Physik I oder II (Wahl: 1 Bestandteil)
M-PHYS-101353 Praktikum Klassische Physik I
6
M-PHYS-101354 Praktikum Klassische Physik II
6
Wahlpflichtblock 9 LP (Wahl: 9 LP)
M-PHYS-101927 Fundamentals of Optics and Photonics
9
M-PHYS-101705 Moderne Experimentalphysik II, Moleküle und Festkörper
9
M-PHYS-102114 Teilchenphysik I
9

Ergänzungsfach: Informationsmanagement im Ingenieurwesen

Leistungspunkte
9-18

Ansprechpartnerin Prof. Ovtcharova, jivka.ovtcharova@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-MACH-102404 Informationsmanagement im Ingenieurwesen
10

Ergänzungsfach: Elektrotechnik- und Informationstechnik

Leistungspunkte
9-18

Ansprechpartner Prof. Kluwe, mathias.kluwe@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-ETIT-100444 Angewandte Informationstheorie
6
M-ETIT-100549 Bioelektrische Signale
3
M-ETIT-100387 Biomedizinische Messtechnik I
3
M-ETIT-100388 Biomedizinische Messtechnik II
3
M-ETIT-105616 Channel Coding: Algebraic Methods for Communications and Storage
3
M-ETIT-105617 Channel Coding: Graph-Based Codes
6
M-ETIT-100466 Design analoger Schaltkreise
4
M-ETIT-100473 Design digitaler Schaltkreise
4
M-ETIT-100449 Hardware Modeling and Simulation
4
M-ETIT-100453 Hardware/Software Co-Design
4
M-ETIT-100452 Hardware-Synthese und -Optimierung
6
M-ETIT-100457 Integrierte Intelligente Sensoren
3
M-ETIT-100474 Integrierte Systeme und Schaltungen
4
M-ETIT-106449 Medical Imaging Technology I
3
M-ETIT-106670 Medical Imaging Technology II
Die Erstverwendung ist ab 01.04.2024 möglich.
3
M-ETIT-100540 Methoden der Signalverarbeitung
6
M-ETIT-100454 Mikrosystemtechnik
3
M-ETIT-105971 Mobile Communications
4
M-ETIT-105274 Nachrichtentechnik II / Communications Engineering II
4
M-ETIT-105604 Nano- and Quantum Electronics
6
M-ETIT-100371 Nichtlineare Regelungssysteme
3
M-ETIT-100393 Nuklearmedizin und nuklearmedizinische Messtechnik II
Die Erstverwendung ist bis 30.09.2024 möglich.
1
M-ETIT-100456 Optical Engineering
4
M-ETIT-105608 Physics, Technology and Applications of Thin Films
4
M-ETIT-105874 Physiologie und Anatomie für die Medizintechnik
6
M-ETIT-100389 Praktikum Biomedizinische Messtechnik
6
M-ETIT-100468 Praktikum Nanoelektronik
6
M-ETIT-100460 Praktikum Software Engineering
6
M-ETIT-100451 Praktikum System-on-Chip
6
M-ETIT-104475 Projektmanagement in der Entwicklung von Produkten für sicherheitskritische Anwendungen
4
M-ETIT-105273 Quellencodierung
3
M-ETIT-106633 Signal Processing Lab
Die Erstverwendung ist ab 01.04.2024 möglich.
6
M-ETIT-100443 Signalverarbeitung in der Nachrichtentechnik
4
M-ETIT-105073 Student Innovation Lab
15
M-ETIT-100537 Systems and Software Engineering
5
M-ETIT-100462 Systems Engineering for Automotive Electronics
4
M-ETIT-100546 Test eingebetteter Systeme im industriellen Umfeld
4
M-ETIT-100361 Verteilte ereignisdiskrete Systeme
4

Ergänzungsfach: Biologie

Leistungspunkte
9-18

Ansprechpartner Prof. Kämper, joerg.kaemper@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-CHEMBIO-101957 Ergänzungsfach Biologie
9

Ergänzungsfach: Soziologie

Leistungspunkte
9-18

Ansprechpartner Dr. Haupt, andreas.haupt@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-GEISTSOZ-103737 Empirische Sozialforschung
9
M-GEISTSOZ-103736 Methoden empirischer Sozialforschung
9

Ergänzungsfach: Medienkunst

Leistungspunkte
9-18

Ansprechpartner Prof. Bielicky, Frau Siewerdt, Tel. 0721 8203-2367

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-INFO-102288 Medienkunst
18
M-INFO-103147 Medienkunst Modell "kleines Nebenfach"
14

Ergänzungsfach: Betriebswirtschaftslehre

Leistungspunkte
9-18

Ansprechparter Herr Hilser, pruefungssekretariat@wiwi.kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-WIWI-105659 Advanced Machine Learning and Data Science
9
M-WIWI-101410 Business & Service Engineering
9
M-WIWI-105661 Data Science: Intelligente, adaptive und lernende Informationsdienste
9
M-WIWI-106258 Digital Marketing
9
M-WIWI-101409 Electronic Markets
9
M-WIWI-101451 Energiewirtschaft und Energiemärkte
9
M-WIWI-101452 Energiewirtschaft und Technologie
9
M-WIWI-101488 Entrepreneurship (EnTechnon)
9
M-WIWI-101482 Finance 1
9
M-WIWI-101483 Finance 2
9
M-WIWI-106292 Human-Centered Information Systems
9
M-WIWI-101471 Industrielle Produktion II
9
M-WIWI-101412 Industrielle Produktion III
9
M-WIWI-101507 Innovationsmanagement
9
M-WIWI-101446 Market Engineering
9
M-WIWI-101506 Service Analytics
9
M-WIWI-101503 Service Design Thinking
9
M-WIWI-101448 Service Management
9

Ergänzungsfach: Volkswirtschaftslehre

Leistungspunkte
9-18

Ansprechparter Herr Hilser, pruefungssekretariat@wiwi.kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-WIWI-101453 Angewandte strategische Entscheidungen
9
M-WIWI-101504 Collective Decision Making
9
M-WIWI-101500 Microeconomic Theory
9
M-WIWI-101502 Ökonomische Theorie und ihre Anwendung in Finance
9

Ergänzungsfach: Operations Research

Leistungspunkte
9-18

Ansprechparter Herr Hilser, pruefungssekretariat@wiwi.kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-WIWI-101473 Mathematische Optimierung
9
M-WIWI-102832 Operations Research im Supply Chain Management
9
M-WIWI-103289 Stochastische Optimierung
9

Ergänzungsfach: Verkehrswesen

Leistungspunkte
9-18

Ansprechpartner Prof. Vortisch, peter.vortisch@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-BGU-102963 Verkehrswesen für Informatik I
9
M-BGU-102964 Verkehrswesen für Informatik II
18

Ergänzungsfach: Mathematik für Daten-Intensives Rechnen

Leistungspunkte
9-18

Ansprechpatner Prof. Hug, daniel.hug@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-MATH-102889 Einführung in das Wissenschaftliche Rechnen
8
M-MATH-102939 Extremwerttheorie
4
M-MATH-102906 Generalisierte Regressionsmodelle
4
M-MATH-102929 Mathematische Modellierung und Simulation in der Praxis
4
M-MATH-102910 Nichtparametrische Statistik
4
M-MATH-103709 Numerische Lineare Algebra für das wissenschaftliche Rechnen auf Hochleistungsrechnern
5
M-MATH-103219 Optimierungstheorie
8
M-MATH-103220 Statistik
10
M-MATH-102956 Vorhersagen: Theorie und Praxis
8
M-MATH-102911 Zeitreihenanalyse
4

Ergänzungsfach: Betriebswirtschaftslehre für dataintensives Rechnen

Leistungspunkte
9-18

Ansprechpartner Prof. Mädche, alexander.maedche@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-INFO-104199 Betriebswirtschaftslehre für dataintensives Rechnen
18

Ergänzungsfach: Materialwissenschaften für dataintensives Rechnen

Leistungspunkte
9-18

Ansprechpartnerin Prof. Nestler, britta.nestler@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-INFO-104200 Materialwissenschaften für dataintensives Rechnen
18

Ergänzungsfach: Automation und Energienetze

Leistungspunkte
9-18

Ansprechpartner Prof. Hagenmeyer, veit.hagenmeyer@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-ETIT-100534 Energieübertragung und Netzregelung
5
M-ETIT-101845 Lineare Elektrische Netze
7
M-MACH-102564 Mess- und Regelungstechnik
7
M-ETIT-102310 Optimale Regelung und Schätzung
3
M-INFO-105955 Praktikum: Smart Energy System Lab
6
M-ETIT-102181 Systemdynamik und Regelungstechnik
6

Ergänzungsfach: Gesellschaftliche Aspekte

Leistungspunkte
9-18

Ansprechpartner N.N. , Dr. Matz, yvonne.matz@kit.edu

Wahlbereich (Wahl: zwischen 9 und 18 LP)
M-INFO-104808 Gesellschaftliche Aspekte
18

Ergänzungsfach: Philosophie

Leistungspunkte
9-18

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-100614 Ars Rationalis
10
M-GEISTSOZ-104507 Praktische Philosophie I
11
M-GEISTSOZ-104509 Theoretische Philosophie I
11

Ergänzungsfach: Meteorologie

Leistungspunkte
14
Wahlbereich (Wahl: 14 LP)
M-PHYS-104577 Selected Topics in Meteorology (Second Major, graded)
14

Überfachliche Qualifikationen

Leistungspunkte
2-6
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

Module

Modul: Access Control Systems: Models and Technology [M-INFO-106303]

Verantwortung:
Prof. Dr. Hannes Hartenstein
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Kryptographie und Sicherheit
Vertiefungsfach: Telematik
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-112775 Access Control Systems: Models and Technology 5 Hartenstein
Erfolgskontrolle(n)

See Partial Achievements (Teilleistung).

Voraussetzungen

See Partial Achievements (Teilleistung).

Qualifikationsziele

Inhalt

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.

Arbeitsaufwand

Lecture workload:

  1. Attendance time
    Lecture: 2 SWS: 2,0h x 15 = 30h
    Exercises: 1 SWS: 1,0h x 15 = 15h
  2. Self-study (e.g., independent review of course material, work on homework assignments)
    Weekly preparation and follow-up of the lecture: 15 x 1h x 3 = 45h
    Weekly preparation and follow-up of the exercise: 15 x 2h = 30h
  3. Preparation for the exam: 30h

Σ = 150h = 5 ECTS

Empfehlungen

Basics according to the lectures "IT Security Management for Networked Systems" and "Telematics" are recommended.

Modul: Advanced Machine Learning and Data Science [M-WIWI-105659]

Verantwortung:
Prof. Dr. Maxim Ulrich
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-WIWI-111305 Advanced Machine Learning and Data Science 9 Ulrich
Erfolgskontrolle(n)

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.

Voraussetzungen

siehe T-WIWI-106193 "Advanced Machine Learning and Data Science". 

Qualifikationsziele

Nach einem erfolgreichen Projekt können die Studierenden:    

Inhalt

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.

Arbeitsaufwand

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.

Empfehlungen

Keine

Modul: Algebra [M-MATH-101315]

Verantwortung:
PD Dr. Stefan Kühnlein
Einrichtung: KIT-Fakultät für Mathematik
Bestandteil von: Ergänzungsfach: Mathematik
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Level
4
Version
2
Pflichtbestandteile
T-MATH-102253 Algebra 9 Kühnlein, Sauer
Erfolgskontrolle(n)

Die Modulprüfung erfolgt in Form einer mündlichen Gesamtprüfung (ca. 30 min.)

Voraussetzungen

Keine

Qualifikationsziele

Absolventinnen und Absolventen können

Inhalt

Zusammensetzung der Modulnote

Die Modulnote ist die Note der mündlichen Prüfung.

Arbeitsaufwand

Gesamter Arbeitsaufwand: 240 Stunden

Präsenzzeit: 90 Stunden

Selbststudium: 150 Stunden

Empfehlungen

Das Modul "Einführung in Algebra und Zahlentheorie" sollte bereits belegt worden sein.

Modul: Algebraische Geometrie [M-MATH-101724]

Verantwortung:
PD Dr. Stefan Kühnlein
Einrichtung: KIT-Fakultät für Mathematik
Bestandteil von: Ergänzungsfach: Mathematik
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Level
4
Version
1
Pflichtbestandteile
T-MATH-103340 Algebraische Geometrie 9 Herrlich, Kühnlein
Erfolgskontrolle(n)

Die Modulprüfung erfolgt in Form einer mündlichen Gesamtprüfung von ca. 30 Minuten Dauer.

Voraussetzungen

Keine

Qualifikationsziele

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.

Inhalt

• Hilbertscher Nullstellensatz
• affine und projektive Varietäten
• Morphismen und rationale Abbildungen
• nichtsinguläre Varietäten
• algebraische Kurven
• Satz von Riemann-Roch

Zusammensetzung der Modulnote

Die Modulnote ist die Note der mündlichen Prüfung.

Arbeitsaufwand

Gesamter Arbeitsaufwand: 240 Stunden

Präsenzzeit: 90 Stunden

Selbststudium: 150 Stunden

Empfehlungen

Folgende Module sollten bereits belegt worden sein:
Einführung in Algebra und Zahlentheorie
Algebra

Modul: Algebraische Zahlentheorie [M-MATH-101725]

Verantwortung:
PD Dr. Stefan Kühnlein
Einrichtung: KIT-Fakultät für Mathematik
Bestandteil von: Ergänzungsfach: Mathematik
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Level
4
Version
1
Pflichtbestandteile
T-MATH-103346 Algebraische Zahlentheorie 9 Herrlich, Kühnlein
Erfolgskontrolle(n)

Die Modulprüfung erfolgt in Form einer mündlichen Gesamtprüfung (ca. 30 min.)

Voraussetzungen

Keine

Qualifikationsziele

Absolventinnen und Absolventen

Inhalt

Zusammensetzung der Modulnote

Die Modulnote ist die Note der mündlichen Prüfung.

Arbeitsaufwand

Gesamter Arbeitsaufwand: 240 Stunden

Präsenzzeit: 90 Stunden

Selbststudium: 150 Stunden

Empfehlungen

Die Inhalte des Moduls „Algebra“ werden dringend empfohlen.

Modul: Algorithm Engineering [M-INFO-100795]

Verantwortung:
Prof. Dr. Peter Sanders
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Algorithmentechnik
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
3
Pflichtbestandteile
T-INFO-101332 Algorithm Engineering 4 Sanders
T-INFO-111856 Algorithm Engineering Übung 1 Sanders
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

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

Inhalt

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.

Arbeitsaufwand

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

Modul: Algorithmen für Routenplanung [M-INFO-100031]

Verantwortung:
TT-Prof. Dr. Thomas Bläsius
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Algorithmentechnik
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-100002 Algorithmen für Routenplanung 5 Bläsius
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

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

Empfehlungen

Siehe Teilleistung

Modul: Algorithmen II [M-INFO-101173]

Verantwortung:
Prof. Dr. Peter Sanders
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Vertiefungsfach: Algorithmentechnik
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-102020 Algorithmen II 6 Sanders
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

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

Modul: Algorithmen zur Visualisierung von Graphen [M-INFO-102094]

Verantwortung:
Dr. rer. nat. Torsten Ueckerdt
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Vertiefungsfach: Algorithmentechnik
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-104390 Algorithmen zur Visualisierung von Graphen 5 Ueckerdt
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand
Vorlesung und Übung mit 3 SWS, 5 LP
5 LP entspricht ca. 150 Arbeitsstunden, davon
ca. 45 Std. Besuch der Vorlesung und Übung,
ca. 25 Std. Vor- und Nachbereitung,
ca. 40 Std. Bearbeitung der Übungsblätter
ca. 40 Std. Prüfungsvorbereitung

Modul: Algorithmische Geometrie [M-INFO-102110]

Verantwortung:
TT-Prof. Dr. Thomas Bläsius
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Vertiefungsfach: Algorithmentechnik
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
2
Pflichtbestandteile
T-INFO-104429 Algorithmische Geometrie 6 Bläsius
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

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

Empfehlungen

Grundkenntnisse über Algorithmen und Datenstrukturen (z.B. aus den Vorlesungen Algorithmen 1 + 2) werden erwartet.

Modul: Algorithmische Graphentheorie [M-INFO-100762]

Verantwortung:
Dr. rer. nat. Torsten Ueckerdt
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Vertiefungsfach: Algorithmentechnik
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-103588 Algorithmische Graphentheorie 5 Ueckerdt
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand
Vorlesung mit 3SWS, 5LP

5 LP entspricht ca. 150 Arbeitsstunden, davon

ca. 45h Vorlesungsbesuch

ca. 60h Nachbereitung und Bearbeitung der Übungsaufgaben

ca. 45h Prüfungsvorbereitung

Empfehlungen

Siehe Teilleistung

Modul: Analysis 4 [M-MATH-103164]

Verantwortung:
Prof. Dr. Roland Schnaubelt
Einrichtung: KIT-Fakultät für Mathematik
Bestandteil von: Ergänzungsfach: Mathematik
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
2
Pflichtbestandteile
T-MATH-106286 Analysis 4 - Prüfung 9 Frey, Herzog, Hundertmark, Lamm, Plum, Reichel, Schnaubelt, Tolksdorf
Erfolgskontrolle(n)

Die Modulprüfung erfolgt in Form einer schriftlichen Gesamtprüfung (120 min).

Voraussetzungen

Keine

Qualifikationsziele

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.

Inhalt

• Modellierung mit Differentialgleichungen
• Existenztheorie
• Phasenebene, Stabilität
• Randwertprobleme, elementare partielle Differentialgleichungen
• Holomorphie
• Integralsatz und -formel von Cauchy
• Hauptsätze der Funktionentheorie
• isolierte Singularitäten, reelle Integrale

Zusammensetzung der Modulnote

Die Modulnote ist die Note der schriftlichen Prüfung.

Arbeitsaufwand

Gesamter Arbeitsaufwand: 240 Stunden

Präsenzzeit: 90 Stunden

Selbststudium: 150 Stunden

Empfehlungen

Empfehlung: Analysis 1-3, Lineare Algebra 1+2.

Modul: Angewandte Differentialgeometrie [M-INFO-104892]

Verantwortung:
Prof. Dr. Hartmut Prautzsch
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Computergrafik und Geometrieverarbeitung
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-109924 Angewandte Differentialgeometrie 3 Prautzsch
Erfolgskontrolle(n)

See partial achievements (Teilleistung)

Voraussetzungen

See partial achievements (Teilleistung)

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

90 h

Empfehlungen

The lecture builds on parts of the contents of the lectures Algorithms I and Algorithms II. Corresponding previous knowledge is therefore helpful.

Modul: Angewandte Informationstheorie [M-ETIT-100444]

Verantwortung:
Dr.-Ing. Holger Jäkel
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Elektrotechnik- und Informationstechnik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-ETIT-100748 Angewandte Informationstheorie 6 Jäkel
Erfolgskontrolle(n)

Die Erfolgskontrolle erfolgt in Form einer mündlichen Prüfung im Umfang von 20 Minuten.

Voraussetzungen

keine

Qualifikationsziele

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.

Inhalt

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.

Zusammensetzung der Modulnote

Die Modulnote ist die Note der mündlichen Prüfung.

Arbeitsaufwand

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

Empfehlungen

Vorheriger Besuch der Vorlesung „Wahrscheinlichkeitstheorie“ wird empfohlen.

Modul: Angewandte strategische Entscheidungen [M-WIWI-101453]

Verantwortung:
Prof. Dr. Johannes Philipp Reiß
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Volkswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
6
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
Erfolgskontrolle(n)

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.

Voraussetzungen

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.

Qualifikationsziele

Der/die Studierende

Inhalt

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.

Anmerkungen

Die Veranstaltung Predictive Mechanism and Market Design wird in jedem zweiten Wintersemester angeboten, z.B. WS 2013/14, WS 2015/16, ...

Arbeitsaufwand

Gesamtaufwand bei 9 Leistungspunkten: ca. 270 Stunden

Die genaue Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls.

Empfehlungen

Grundlagen der Spieltheorie sollten vorhanden sein.

Modul: Anziehbare Robotertechnologien [M-INFO-103294]

Verantwortung:
Prof. Dr.-Ing. Tamim Asfour
Prof. Dr.-Ing. Michael Beigl
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation
Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
3
Pflichtbestandteile
T-INFO-106557 Anziehbare Robotertechnologien 4 Asfour, Beigl
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

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

Empfehlungen

Der Besuch der Vorlesung Mechano-Informatik in der Robotik wird empfohlen.

Modul: Ars Rationalis [M-GEISTSOZ-100614]

Verantwortung:
Prof. Dr. Gregor Betz
Einrichtung: KIT-Fakultät für Geistes- und Sozialwissenschaften
Bestandteil von: Ergänzungsfach: Philosophie (Wahlpflichtfach)
Voraussetzung für: T-GEISTSOZ-109224 - Modulprüfung Theoretische Philosophie I
Leistungspunkte
10
Notenskala
Zehntelnoten
Turnus
Jährlich
Dauer
2 Semester
Sprache
Deutsch
Level
4
Version
4
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
Erfolgskontrolle(n)

Das Bestehen der Studienleistungen in den beiden Veranstaltungen sowie das Bestehen der Modulprüfung.

Voraussetzungen

Keine

Qualifikationsziele

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.

Inhalt

Theoretische und praktische Aspekte der Argumentationsanalyse auf der Grund­lage der klassi­schen Logik

Zusammensetzung der Modulnote

Die Modulnote ergibt sich aus dem arithmetischen Mittel der beiden Prüfungsleistungen.

Arbeitsaufwand

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

Modul: Ausgewählte Themen der Theoretischen Grundlagen der Kryptographie [M-INFO-105667]

Verantwortung:
Prof. Dr. Jörn Müller-Quade
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Kryptographie und Sicherheit
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-111320 Ausgewählte Themen der Theoretischen Grundlagen der Kryptographie 3 Geiselmann, Müller-Quade
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Kann nur geprüft werden, wenn das Modul M-INFO-100836 Ausgewählte Kapitel der Kryptographie bereits geprüft wurde.

Modellierte Voraussetzungen
Es müssen die folgenden Bedingungen erfüllt werden:
  1. Das Modul M-INFO-100836 - Ausgewählte Kapitel der Kryptographie muss erfolgreich abgeschlossen worden sein.
  2. Das Modul M-INFO-105584 - Theoretische Grundlagen der Kryptographie darf nicht begonnen worden sein.
Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

Präsenzzeit in der Vorlesung: 48 h
Vor-/Nachbereitung derselbigen: 20 h
Prüfungsvorbereitung und Präsenz in selbiger: 22 h

Modul: Authentisierung und Verschlüsselung [M-INFO-105338]

Verantwortung:
Prof. Dr. Jörn Müller-Quade
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Kryptographie und Sicherheit
Wahlbereich Informatik
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-110824 Authentisierung und Verschlüsselung 4 Müller-Quade
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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

Inhalt

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

Arbeitsaufwand

Präsenzzeit in der Vorlesung: 24 h
Vor-/Nachbereitung derselbigen: 31 h
Prüfungsvorbereitung und Präsenz in selbiger: 65 h

Empfehlungen

Studierende sollten mit den Inhalten des Moduls "Theoretische Grundlagen der Kryptographie" vertraut sein

Modul: Automated Planning and Scheduling [M-INFO-104447]

Verantwortung:
Prof. Dr. Peter Sanders
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Vertiefungsfach: Algorithmentechnik
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-109085 Automated Planning and Scheduling 5 Sanders
Erfolgskontrolle(n)

Siehe Teilleistungen.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Inhalt

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:

Arbeitsaufwand

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

Modul: Automatische Sichtprüfung und Bildverarbeitung [M-INFO-100826]

Verantwortung:
Prof. Dr.-Ing. Jürgen Beyerer
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation
Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101363 Automatische Sichtprüfung und Bildverarbeitung 6 Beyerer
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Inhalt

Arbeitsaufwand
Gesamt: ca. 180h, davon
1. Präsenzzeit in Vorlesungen: 46h
2. Vor-/Nachbereitung derselbigen: 44h
3. Klausurvorbereitung und Präsenz in selbiger: 90h
Empfehlungen

Siehe Teilleistung.

Modul: Automotive Software Engineering (ASE) [M-INFO-106019]

Verantwortung:
Prof. Dr.-Ing. Ina Schaefer
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Softwaretechnik und Übersetzerbau
Wahlbereich Informatik
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-112204 Automotive Software Engineering (ASE) - Übung 0 Schaefer
T-INFO-112203 Automotive Software Engineering (ASE) 4 Schaefer
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

• Grundlagen und Randbedingungen für die Softwareentwicklung im Automobilbereich
• Modellierungstechniken
• Entwicklungsprozesse und Methodik
• Qualitätssicherung
• Werkzeuge
• Fallstudien

Anmerkungen

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.

Arbeitsaufwand

• 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

Modul: Autonomous Learning for Intelligent Robot Perception [M-INFO-106608]

Verantwortung:
Prof. Dr. Rudolph Triebel
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation
Wahlbereich Informatik
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113327 Autonomous Learning for Intelligent Robot Perception 4 Triebel
Erfolgskontrolle(n)

See partial achievements (Teilleistung)

Voraussetzungen

See partial achievements (Teilleistung)

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

120h

Empfehlungen

A basic understanding of probability theory and linear algebra is required

Modul: Beating the Worst Case in Practice: Unerwartet effiziente Algorithmen [M-INFO-105496]

Verantwortung:
TT-Prof. Dr. Thomas Bläsius
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Vertiefungsfach: Algorithmentechnik
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
2
Pflichtbestandteile
T-INFO-111040 Beating the Worst Case in Practice: Unerwartet effiziente Algorithmen 6 Bläsius
Erfolgskontrolle(n)

Siehe Teillesitung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

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

Modul: Betriebswirtschaftslehre für dataintensives Rechnen [M-INFO-104199]

Verantwortung:
Prof. Dr. Alexander Mädche
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre für dataintensives Rechnen
Leistungspunkte
18
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
4
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
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Modul: Bioelektrische Signale [M-ETIT-100549]

Verantwortung:
Dr.-Ing. Axel Loewe
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Elektrotechnik- und Informationstechnik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
1
Version
1
Pflichtbestandteile
T-ETIT-101956 Bioelektrische Signale 3 Loewe
Erfolgskontrolle(n)

Die Erfolgskontrolle erfolgt im Rahmen einer schriftlichen Prüfung im Umfang von 90 Minuten.

Voraussetzungen

keine

Qualifikationsziele

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.

Inhalt

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

Zusammensetzung der Modulnote

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.

 

Arbeitsaufwand

Präsenzzeit Vorlesung: 8 * 1,5h = 12h

Vor-/Nachbereitung Vorlesung: 8 * 1h = 8h

Workshopaufgaben: 20h + 15h = 35h

Klausurvorbereitung und Präsenz in selbiger: 35h

Insgesamt: 90h

Empfehlungen

Kenntnisse zu Grundlagen der Signalverarbeitung und Physiologie sind hilfreich.

Grundlagen zu linearen elektrischen Netzen, Fouriertransformation sowie Differentialgleichungen und linearen Gleichungssystemen und numerischen Lösungsverfahren

Modul: Biologisch Motivierte Robotersysteme [M-INFO-100814]

Verantwortung:
Prof. Dr.-Ing. Rüdiger Dillmann
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation
Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101351 Biologisch Motivierte Robotersysteme 3 Rönnau
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand
3 LP entspricht ca. 90 Arbeitsstunden, davon

ca. 30h für Präsenzzeit in Vorlesungen

ca. 30h für Vor- und Nachbereitungszeiten

ca. 30h für Prüfungsvorbereitung und Teilnahme an der mündlichen Prüfung

Modul: Biomedizinische Messtechnik I [M-ETIT-100387]

Verantwortung:
Prof. Dr. Werner Nahm
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Elektrotechnik- und Informationstechnik
Voraussetzung für: M-ETIT-100389 - Praktikum Biomedizinische Messtechnik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
3
Version
3
Pflichtbestandteile
T-ETIT-106492 Biomedizinische Messtechnik I 3 Nahm
Erfolgskontrolle(n)

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".

Voraussetzungen

keine

Qualifikationsziele

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.

Inhalt

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

Zusammensetzung der Modulnote

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.

 

Anmerkungen

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.

Arbeitsaufwand

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

Empfehlungen

Grundlagen in physikalischer Messtechnik, analoger Schaltungstechnik und in Signalverarbeitung.

Modul: Biomedizinische Messtechnik II [M-ETIT-100388]

Verantwortung:
Prof. Dr. Werner Nahm
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Elektrotechnik- und Informationstechnik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
1
Version
3
Pflichtbestandteile
T-ETIT-106973 Biomedizinische Messtechnik II 3 Nahm
Erfolgskontrolle(n)

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".

Voraussetzungen

keine

Qualifikationsziele

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.

Inhalt

Zusammensetzung der Modulnote

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.

 

Anmerkungen

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.

Arbeitsaufwand

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

Empfehlungen

Modul: Business & Service Engineering [M-WIWI-101410]

Verantwortung:
Prof. Dr. Christof Weinhardt
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
8
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
Erfolgskontrolle(n)

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.

Voraussetzungen

Keine

Qualifikationsziele

Der/die Studierende

Inhalt

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.

Anmerkungen

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.

Arbeitsaufwand

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.

Empfehlungen

Keine

Modul: Channel Coding: Algebraic Methods for Communications and Storage [M-ETIT-105616]

Verantwortung:
Prof. Dr.-Ing. Laurent Schmalen
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Elektrotechnik- und Informationstechnik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-ETIT-111244 Channel Coding: Algebraic Methods for Communications and Storage 3 Schmalen
Erfolgskontrolle(n)

The exam is held as an oral exam of approx. 20 min.

Qualifikationsziele

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.

Inhalt

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).

Zusammensetzung der Modulnote

Grade of the module corresponds to the grade of the oral exam.

Arbeitsaufwand
  1. Attendance to the lecture: 15 * 2 h = 30 h
  2. Preparation and review: 15 * 4 h = 60 h
  3. Preparation for the exam: included in preparation and review
  4. In total: 90 h = 3 LP
Empfehlungen

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.

Modul: Channel Coding: Graph-Based Codes [M-ETIT-105617]

Verantwortung:
Prof. Dr.-Ing. Laurent Schmalen
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Elektrotechnik- und Informationstechnik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-ETIT-111245 Channel Coding: Graph-Based Codes 6 Schmalen
Erfolgskontrolle(n)

Oral examination of appox. 20 minutes.

Qualifikationsziele

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.

Inhalt

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).

Zusammensetzung der Modulnote

The modul grade is the grade of the oral exam.

Arbeitsaufwand

- 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

Empfehlungen

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.

Modul: Collective Decision Making [M-WIWI-101504]

Verantwortung:
Prof. Dr. Clemens Puppe
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Volkswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
4
Wahlpflichtangebot (Wahl: )
T-WIWI-102740 Public Management 4,5 Wigger
T-WIWI-102859 Social Choice Theory 4,5 Puppe
Erfolgskontrolle(n)

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.

Voraussetzungen

Keine

Qualifikationsziele

Die Studierenden

Inhalt

Der Schwerpunkt des Moduls liegt auf Mechanismen der öffentlichen Entscheidungsfindung, einschließlich Wahlen und der Aggregation von Präferenzen und Urteilen.

Arbeitsaufwand

Gesamtaufwand bei 9 Leistungspunkten: ca. 270 Stunden

Die genaue Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls.

Modul: Computational Imaging [M-INFO-106190]

Verantwortung:
Prof. Dr.-Ing. Jürgen Beyerer
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation
Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-112573 Computational Imaging 5 Meyer
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

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

Literatur

- 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.

Modul: Computational Photonics, with ext. Exercises [M-PHYS-101933]

Verantwortung:
Prof. Dr. Carsten Rockstuhl
Einrichtung: KIT-Fakultät für Physik
Bestandteil von: Ergänzungsfach: Theoretische Physik (Wahlblock)
Leistungspunkte
8
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-PHYS-103633 Computational Photonics, with ext. Exercises 8 Rockstuhl
Erfolgskontrolle(n)

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.

Voraussetzungen

keine

Modellierte Voraussetzungen
Es müssen die folgenden Bedingungen erfüllt werden:
  1. Das Modul M-PHYS-103089 - Computational Photonics, without ext. Exercises darf nicht begonnen worden sein.
Qualifikationsziele

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.

Inhalt

Anmerkungen

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.

Arbeitsaufwand

240 Stunden bestehend aus Präsenzzeiten (60 Stunden), Nachbereitung der Vorlesung inkl. Prüfungsvorbereitung und Bearbeitung der Übungen (180 Stunden).

Empfehlungen

Interest in theoretical physics, optics and electrodynamics. Moreover, interest in computational aspects is important.

Literatur

Specific references for the individual topics will be given during the lectures.
The lecture material that will be fully made available online.

Modul: Computational Photonics, without ext. Exercises [M-PHYS-103089]

Verantwortung:
Prof. Dr. Carsten Rockstuhl
Einrichtung: KIT-Fakultät für Physik
Bestandteil von: Ergänzungsfach: Theoretische Physik (Wahlblock)
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
2
Pflichtbestandteile
T-PHYS-106131 Computational Photonics, without ext. Exercises 6 Rockstuhl
Erfolgskontrolle(n)

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.

Voraussetzungen

keine

Modellierte Voraussetzungen
Es müssen die folgenden Bedingungen erfüllt werden:
  1. Das Modul M-PHYS-101933 - Computational Photonics, with ext. Exercises darf nicht begonnen worden sein.
Qualifikationsziele

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.

Inhalt

Anmerkungen

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.

Arbeitsaufwand

180 Stunden bestehend aus Präsenzzeiten (45 Stunden), Nachbereitung der Vorlesung inkl. Prüfungsvorbereitung und Bearbeitung der Übungen (135 Stunden).

Empfehlungen

Interest in theoretical physics, optics and electrodynamics. Moreover, interest in computational aspects is important.

Literatur

Specific references for the individual topics will be given during the lectures.
The lecture material that will be fully made available online.

Modul: Computergrafik [M-INFO-100856]

Verantwortung:
Prof. Dr.-Ing. Carsten Dachsbacher
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Computergrafik und Geometrieverarbeitung
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101393 Computergrafik 6 Dachsbacher
T-INFO-104313 Übungen zu Computergrafik 0 Dachsbacher
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

Präsenzzeit = 60h

Vor-/Nachbereitung = 90h

Klausurvorbereitung = 30h   

Empfehlungen

Siehe Teilleistung.

Modul: Computergrafik 2 [M-INFO-106685]

Verantwortung:
Prof. Dr.-Ing. Carsten Dachsbacher
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Computergrafik und Geometrieverarbeitung (EV ab 01.04.2024)
Wahlbereich Informatik (EV ab 01.04.2024)
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113441 Computergrafik 2 5 Dachsbacher
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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. 

Inhalt

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)

Arbeitsaufwand

60h = Präsenzzeit
60h = Vor-/Nachbereitung
30h = Prüfungsvorbereitung

Modul: Constructive Logic [M-INFO-106256]

Verantwortung:
Prof. Dr. André Platzer
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Vertiefungsfach: Softwaretechnik und Übersetzerbau
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-112704 Constructive Logic 5 Platzer
Qualifikationsziele

- 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

Inhalt

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.

Anmerkungen

Course web page: https://lfcps.org/course/constlog.html

Arbeitsaufwand

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

Empfehlungen

You will be expected to follow the lecture notes.

Modul: Curves and Surfaces for Geometric Design [M-INFO-106517]

Verantwortung:
Prof. Dr. Hartmut Prautzsch
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Computergrafik und Geometrieverarbeitung
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Einmalig
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113136 Curves and Surfaces for Geometric Design 3 Prautzsch
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

• 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

Arbeitsaufwand

90h

Modul: Curves and Surfaces for Geometric Design 2 [M-INFO-106643]

Verantwortung:
Prof. Dr. Hartmut Prautzsch
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Computergrafik und Geometrieverarbeitung (EV zwischen 01.04.2024 und 30.09.2024)
Wahlbereich Informatik (EV zwischen 01.04.2024 und 30.09.2024)
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Einmalig
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113390 Curves and Surfaces for Geometric Design 2 3 Prautzsch
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

•    Fundamentals from line geometry
•    Orbifold Splines
•    Rational parametrization of canal surfaces
•    Blending constructions
•    Gregory patches

Arbeitsaufwand

90h

Empfehlungen

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. 

Modul: Cybersicherheit für industrielle Automatisierungs- und Steuerungsanlagen [M-INFO-106355]

Verantwortung:
Prof. Dr.-Ing. Jürgen Beyerer
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Kryptographie und Sicherheit
Wahlbereich Informatik
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-112880 Cybersicherheit für industrielle Automatisierungs- und Steuerungsanlagen 4 Beyerer
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

120h

Empfehlungen

- Kenntnisse zu Grundlagen des Moduls Sicherheit sind hilfreich.
- Kenntnisse aus dem Modul Netzwerksicherheit: Architekturen und Protokolle sind hilfreich

Modul: Data Science [M-INFO-106505]

Verantwortung:
Prof. Dr.-Ing. Klemens Böhm
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Informationssysteme
Vertiefungsfach: Anthropomatik und Kognitive Systeme (EV ab 21.02.2024)
Wahlbereich Informatik
Leistungspunkte
8
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
2 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113124 Data Science 8 Böhm
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Anmerkungen

Dieses Modul ersetzt Data Science I und Data Science II und fasst diese zusammen.

Arbeitsaufwand

240h

Empfehlungen

Datenbankkenntnisse, z.B. aus der Vorlesung Datenbanksysteme

Literatur

Literatur wird in der Vorlesung bekanntgegeben. Es gibt diverse gut lesbare einschlägige Bücher, zum Beispiel:

Modul: Data Science and Artificial Intelligence for Energy Systems [M-INFO-106655]

Verantwortung:
TT-Prof. Dr. Benjamin Schäfer
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Telematik (EV ab 01.04.2024)
Vertiefungsfach: Anthropomatik und Kognitive Systeme (EV ab 01.04.2024)
Wahlbereich Informatik (EV ab 01.04.2024)
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113402 Data Science and Artificial Intelligence for Energy Systems 6 Schäfer
Erfolgskontrolle(n)

See partial achievements (Teilleistung)

Voraussetzungen

See partial achievements (Teilleistung)

Qualifikationsziele

•    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 .

Inhalt

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.

Arbeitsaufwand

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  

Empfehlungen

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. 

Modul: Data Science: Intelligente, adaptive und lernende Informationsdienste [M-WIWI-105661]

Verantwortung:
Prof. Dr. Andreas Geyer-Schulz
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
2
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
Erfolgskontrolle(n)

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.

Voraussetzungen

Keine

Qualifikationsziele

Der/die Studierende

Inhalt

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.

Anmerkungen

Das Modul ersetzt ab Sommersemester 2021 M-WIWI-101470 "Data Science: Advanced CRM"

Arbeitsaufwand

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.

Empfehlungen

Keine

Modul: Datenbankeinsatz [M-INFO-100780]

Verantwortung:
Prof. Dr.-Ing. Klemens Böhm
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Informationssysteme
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101317 Datenbankeinsatz 5 Böhm
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Anmerkungen

 

Arbeitsaufwand

33 h Präsenzzeit

+ Vor- und Nachbereitungszeiten 75 h

+ 42 h Klausurvorbereitung

= 150 h = 5 ECTS

Empfehlungen

Siehe Teilleistung.

Modul: Datenbankfunktionalität in der Cloud [M-INFO-105724]

Verantwortung:
Prof. Dr.-Ing. Klemens Böhm
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Informationssysteme
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-111400 Datenbankfunktionalität in der Cloud 5 Böhm
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

157 h 45 min

Literatur

Wird in der Vorlesung bekanntgegeben, Grundlagen/Einlassungen zu einzelnen Vorlesungskapiteln finden sich in den folgenden Büchern:

Modul: Datenbank-Praktikum [M-INFO-101662]

Verantwortung:
Prof. Dr.-Ing. Klemens Böhm
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Informationssysteme
Wahlbereich Informatik
Leistungspunkte
4
Notenskala
best./nicht best.
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-103201 Datenbank-Praktikum 4 Böhm
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

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.

Modul: Datenschutz von Anonymisierung bis Zugriffskontrolle [M-INFO-104045]

Verantwortung:
Prof. Dr.-Ing. Klemens Böhm
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Informationssysteme
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Deutsch
Level
3
Version
1
Pflichtbestandteile
T-INFO-108377 Datenschutz von Anonymisierung bis Zugriffskontrolle 3 Böhm
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Grundkenntnisse zu Datenbanken, verteilten Informationssystemen, Systemarchitekturen und Kommunikationsinfrastrukturen, z.B. aus der Vorlesung Datenbanksysteme

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand
22 h Präsenzzeit

+ Vor- und Nachbereitungszeiten (1,5 x 2) x 15 = 45 h

+ 17 h Klausurvorbereitung

= 84 h = 3 ECTS

Modul: Decentralized Systems: Fundamentals, Modeling, and Applications [M-INFO-105334]

Verantwortung:
Prof. Dr. Hannes Hartenstein
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Kryptographie und Sicherheit
Vertiefungsfach: Telematik
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
4
Pflichtbestandteile
T-INFO-110820 Decentralized Systems: Fundamentals, Modeling, and Applications 6 Hartenstein
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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:

Arbeitsaufwand

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

Empfehlungen

Kenntnisse zu Grundlagen von IT-Sicherheit und Rechnernetzen sind hilfreich.

Modul: Deep Learning für Computer Vision I: Grundlagen [M-INFO-105753]

Verantwortung:
Prof. Dr.-Ing. Rainer Stiefelhagen
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-111491 Deep Learning für Computer Vision I: Grundlagen 3 Stiefelhagen
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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:

Anmerkungen

Die Lehrveranstaltung findet teilweise in Deutsch und Englisch statt.

Arbeitsaufwand

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

Empfehlungen

Kenntnisse zu Grundlagen der Mustererkennung, wie sie im Stammmodul Kognitive Systeme vermittelt werden, werden vorausgesetzt.

Modul: Deep Learning für Computer Vision II: Fortgeschrittene Themen [M-INFO-105755]

Verantwortung:
Prof. Dr.-Ing. Rainer Stiefelhagen
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
3
Pflichtbestandteile
T-INFO-111494 Deep Learning für Computer Vision II: Fortgeschrittene Themen 3 Stiefelhagen
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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: 

Arbeitsaufwand

Besuch der Vorlesungen: ca. 20 Stunden

Vor- und Nachbereitung der Vorlesung: ca. 30 Stunden

Klausurvorbereitung: ca. 40 h

Summe: ca. 90 Stunden

Empfehlungen

Kenntnisse zu Deep Learning Grundlagen werden vorausgesetzt.

Modul: Deep Learning und Neuronale Netze [M-INFO-104460]

Verantwortung:
Prof. Dr. Jan Niehues
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-109124 Deep Learning und Neuronale Netze 6 Niehues
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Inhalt

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.

Arbeitsaufwand

180h.

Empfehlungen

Der vorherige erfolgreiche Abschluss des Stamm-Moduls „Kognitive Systeme“ wird empfohlen.

Modul: Der de-Casteljau-Algorithmus [M-INFO-106642]

Verantwortung:
Prof. Dr. Hartmut Prautzsch
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Computergrafik und Geometrieverarbeitung (EV zwischen 01.04.2024 und 30.09.2024)
Wahlbereich Informatik (EV zwischen 01.04.2024 und 30.09.2024)
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Einmalig
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113389 Der de-Casteljau-Algorithmus 3 Prautzsch
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

•    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

Anmerkungen

EINMALIG im SS24!

Arbeitsaufwand

90h

Modul: Design analoger Schaltkreise [M-ETIT-100466]

Verantwortung:
Prof. Dr. Ivan Peric
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Elektrotechnik- und Informationstechnik
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
1
Version
1
Pflichtbestandteile
T-ETIT-100973 Design analoger Schaltkreise 4 Peric
Erfolgskontrolle(n)

Die Erfolgskontrolle erfolgt im Rahmen einer mündlichen Gesamtprüfung (20 Minuten).

Voraussetzungen

Zulassung zur mündlichen Prüfung erst nach Vorlage eines schriftlichen Protokolls mit den Ergebnissen der Übungsaufgaben.

Qualifikationsziele

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.

Inhalt

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.

Zusammensetzung der Modulnote

Notenbildung ergibt sich aus der mündlichen Prüfung. Zulassung zur Prüfung erst nach Vorlage eines schriftlichen Protokolls mit den Ergebnissen der Übungsaufgaben.

Arbeitsaufwand

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

Modul: Design digitaler Schaltkreise [M-ETIT-100473]

Verantwortung:
Prof. Dr. Ivan Peric
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Elektrotechnik- und Informationstechnik
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-ETIT-100974 Design digitaler Schaltkreise 4 Peric
Erfolgskontrolle(n)

Die Erfolgskontrolle erfolgt im Rahmen einer mündlichen Gesamtprüfung (20 Minuten).

Voraussetzungen

Zulassung zur mündlichen Prüfung erst nach Vorlage eines schriftlichen Protokolls mit den Ergebnissen der Übungsaufgaben.

Qualifikationsziele

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.

Inhalt

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.

Zusammensetzung der Modulnote

Notenbildung ergibt sich aus der mündlichen Prüfung. Zulassung zur

Prüfung erst nach Vorlage einer schriftlichen Protokolls mit den Ergebnissen der Übungsaufgaben.

Arbeitsaufwand

1. Präsenzzeit in Vorlesungen 18 h

2. Vor-/Nachbereitung derselbigen 24 h

3. Prüfungsvorbereitung 48 h

4. Präsenzzeit in Übungen 18 h

Modul: Differentialgeometrie [M-MATH-101317]

Verantwortung:
Prof. Dr. Wilderich Tuschmann
Einrichtung: KIT-Fakultät für Mathematik
Bestandteil von: Ergänzungsfach: Mathematik
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Level
4
Version
1
Pflichtbestandteile
T-MATH-102275 Differentialgeometrie 9 Tuschmann
Erfolgskontrolle(n)

Die Erfolgskontrolle erfolgt in Form einer schriftlichen Prüfung von 120 Minuten Dauer.

Voraussetzungen

Keine

Qualifikationsziele

Absolventinnen und Absolventen

Inhalt

Optional:

Zusammensetzung der Modulnote

Die Modulnote ist die Note der schriftlichen Prüfung.

Anmerkungen

Wird erstmalig im Sommersemester 2018 stattfinden.

Arbeitsaufwand

Gesamter Arbeitsaufwand: 240 Stunden

Präsenzzeit: 90 Stunden

Selbststudium: 150 Stunden

Empfehlungen

Die Module "Einführung in Geometrie" und "Topologie" bzw. "Elementare Geometrie" sollten bereits belegt worden sein.

Modul: Digital Marketing [M-WIWI-106258]

Verantwortung:
Prof. Dr. Ann-Kristin Kupfer
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
2 Semester
Sprache
Englisch
Level
4
Version
1
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
Erfolgskontrolle(n)

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.

Voraussetzungen

None

Qualifikationsziele

Students

Inhalt

The aim of this module is to deepen central marketing contents in different areas.

Arbeitsaufwand

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.

Modul: Digitale Barrierefreiheit und Assistive Technologien [M-INFO-105882]

Verantwortung:
Prof. Dr.-Ing. Rainer Stiefelhagen
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-111830 Digitale Barrierefreiheit und Assistive Technologien 3 Stiefelhagen
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Inhalt

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/

Arbeitsaufwand

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

Modul: Echtzeitsysteme [M-INFO-100803]

Verantwortung:
Prof. Dr.-Ing. Thomas Längle
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101340 Echtzeitsysteme 6 Längle
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teileistung.

Qualifikationsziele

Inhalt

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.

Arbeitsaufwand

(4 SWS + 1,5 x 4 SWS) x 15 + 15 h Klausurvorbereitung = 165/30 = 5,5 LP ~ 6 LP.

Modul: Edge-AI in Software- und Sensor-Anwendungen [M-INFO-105333]

Verantwortung:
Dr. Victor Pankratius
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Softwaretechnik und Übersetzerbau
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-110819 Edge-AI in Software- und Sensor-Anwendungen 3 Pankratius
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

2 SWS:
(2 SWS + 1,5 x 2 SWS) x 15 + 15 h Klausurvorbereitung = 90 h = 3 ECTS

Empfehlungen

Hilfreich sind Kenntnisse z.B. aus Kognitive Systeme, Softwaretechnik, Algorithmen, Rechnernetze & -strukturen, Low-Power-Design

Modul: Einführung in das Quantencomputing (IQC) [M-INFO-106101]

Verantwortung:
Prof. Dr. Bernhard Beckert
Prof. Dr.-Ing. Ina Schaefer
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-112344 Einführung in das Quantencomputing (IQC) 3 Beckert, Schaefer
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

• 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

Anmerkungen

Diese Vorlesung wird als Ringvorlesung angeboten.

Arbeitsaufwand

• Vorlesungsbesuch: 28 h
• Vor- und Nachbereitung: 42h
• Prüfungsvorbereitung: 20h
• Gesamt: 90h / 30 = 3 Credits

Empfehlungen

Kenntnisse in Linearer Algebra empfohlen.

Modul: Einführung in das Wissenschaftliche Rechnen [M-MATH-102889]

Verantwortung:
Prof. Dr. Willy Dörfler
Prof. Dr. Tobias Jahnke
Einrichtung: KIT-Fakultät für Mathematik
Bestandteil von: Ergänzungsfach: Mathematik für Daten-Intensives Rechnen
Leistungspunkte
8
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Level
4
Version
2
Pflichtbestandteile
T-MATH-105837 Einführung in das Wissenschaftliche Rechnen 8 Dörfler, Hochbruck, Jahnke, Rieder, Wieners
Erfolgskontrolle(n)

Die Erfolgskontrolle erfolgt in Form einer mündlichen Prüfung im Umfang von ca. 30 Minuten.

Voraussetzungen

Keine

Qualifikationsziele

Absolventinnen und Absolventen können

Inhalt

Zusammensetzung der Modulnote

Die Modulnote ist die Note der mündlichen Prüfung.

Anmerkungen

3 Stunden Vorlesung und 3 Stunden Praktikum

Arbeitsaufwand

Gesamter Arbeitsaufwand: 240 Stunden

Präsenzzeit: 90 Stunden

Selbststudium: 150 Stunden

Empfehlungen

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.

Modul: Einführung in die Bildfolgenauswertung [M-INFO-100736]

Verantwortung:
Prof. Dr.-Ing. Jürgen Beyerer
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation
Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101273 Einführung in die Bildfolgenauswertung 3 Beyerer
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

Gesamt: ca. 90h, davon
1. Präsenzzeit in Vorlesungen: 23h
2. Vor-/Nachbereitung derselbigen: 23h
3. Prüfungsvorbereitung und Präsenz in selbiger: 44h

Empfehlungen

Siehe Teilleistung.

Modul: Einführung in die Philosophie [M-GEISTSOZ-103430]

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
Leistungspunkte
14
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
2 Semester
Sprache
Deutsch
Level
3
Version
3
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
Erfolgskontrolle(n)

Das Bestehen der Studienleistungen und der Modulprüfung

Voraussetzungen

keine

Qualifikationsziele

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.

Inhalt

Überblick über die systematischen Bereiche der Philosophie und deren geschichtliche Entwicklung unter Berücksichtigung des Verhältnisses zu den Wissensformen Wissenschaft, Kunst, Religion.

Zusammensetzung der Modulnote

Die Modulnote ist die Note der Modulprüfung

Arbeitsaufwand

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)

Modul: Einführung in die Philosophie (Euklid) [M-GEISTSOZ-104500]

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
Leistungspunkte
10
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
2 Semester
Sprache
Deutsch
Level
3
Version
5
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
Erfolgskontrolle(n)

Das Bestehen der Studienleistungen und der Modulprüfung

Voraussetzungen

keine

Qualifikationsziele

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.

Inhalt

Überblick über die systematischen Bereiche der Philosophie und deren geschichtliche Entwicklung unter Berücksichtigung des Verhältnisses zu den Wissensformen Wissenschaft, Kunst, Religion.

Zusammensetzung der Modulnote

Die Modulnote ist die Note der Modulprüfung

Arbeitsaufwand

Präsenz in den Veranstaltungen 120 h, Vor- und Nachbereitung (einschl. Studienleistungen) 120 h, Modulprüfung ca. 60 h (Insgesamt ca. 300 h)

Modul: Einführung ins Quantum Machine Learning [M-INFO-106742]

Verantwortung:
Prof. Dr. Achim Streit
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Wahlbereich Informatik (EV ab 01.04.2024)
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113556 Einführung ins Quantum Machine Learning 3 Fischer, Kühn
Erfolgskontrolle(n)

siehe Teilleistung

Qualifikationsziele

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

Inhalt

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.

Arbeitsaufwand

- Vorlesungsbesuch: 23h (2 SWS x 15)
- Vor- und Nachbereitung: 45h (2 x 2 SWS x 15)
- Prüfungsvorbereitung: 22h
- Gesamt: 90h / 30 = 3 Credits

Empfehlungen

- 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

Modul: Electronic Markets [M-WIWI-101409]

Verantwortung:
Prof. Dr. Andreas Geyer-Schulz
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
2 Semester
Sprache
Deutsch
Level
4
Version
9
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
Erfolgskontrolle(n)

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.

Voraussetzungen

Keine

Qualifikationsziele

Der/die Studierende

Inhalt

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:

Arbeitsaufwand

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.

Empfehlungen

Keine

Modul: Embedded Machine Learning Lab [M-INFO-105775]

Verantwortung:
Prof. Dr.-Ing. Jörg Henkel
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Entwurf eingebetteter Systeme und Rechnerarchitektur
Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-111549 Embedded Machine Learning Lab 4 Henkel
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

(2 SWS +1.5*2 SWS)*10

+55 h final project

+15 h presentation & report

= 120 h = 4 ECTS

Empfehlungen

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.

Modul: Empirische Softwaretechnik [M-INFO-100798]

Verantwortung:
Prof. Dr. Ralf Reussner
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Softwaretechnik und Übersetzerbau
Wahlbereich Informatik
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101335 Empirische Softwaretechnik 4 Gerking
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Inhalt

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.

Arbeitsaufwand

Informatiionswirtschaft: Der Gesamtarbeitsaufwand für diese Lerneinheit beträgt ca. 120 Stunden (4.0 Credits).

Informatik: ca. 75 h

Modul: Empirische Sozialforschung [M-GEISTSOZ-103737]

Verantwortung:
Prof. Dr. Gerd Nollmann
Einrichtung: KIT-Fakultät für Geistes- und Sozialwissenschaften
Bestandteil von: Ergänzungsfach: Soziologie
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
2 Semester
Sprache
Deutsch
Level
4
Version
3
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
Erfolgskontrolle(n)

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.

Voraussetzungen

Keine

Qualifikationsziele

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.

Inhalt

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.

 

Zusammensetzung der Modulnote

Die Modulnote ist das arithmetische Mittel der Teilprüfungsleistungen.

Arbeitsaufwand

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)

Lehr- und Lernformen

Vorlesung, Übung, Seminar

Literatur

Mau, Steffen; Verwiebe, Roland (2009): Die Sozialstruktur Europas.; Weitere Literatur wird in der Veranstaltung bekannt gegeben.

Modul: Energieinformatik 1 [M-INFO-101885]

Verantwortung:
Prof. Dr. Veit Hagenmeyer
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Telematik
Wahlbereich Informatik
Voraussetzung für: M-INFO-103044 - Energieinformatik 2
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
2
Pflichtbestandteile
T-INFO-103582 Energieinformatik 1 5 Hagenmeyer
T-INFO-110356 Energieinformatik 1 - Vorleistung 0 Hagenmeyer
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Nach erfolgreicher Teilnahme sollen die Studierenden

Inhalt

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:

Arbeitsaufwand

2 SWS Vorlesung und 2 SWS Übung: 60 h

Vor- und Nachbereitungszeit: 75 h

Prüfungsvorbereitung und Prüfung: 15h 

Summe: 150 h = 5 ECTS

Modul: Energieinformatik 2 [M-INFO-103044]

Verantwortung:
Prof. Dr. Veit Hagenmeyer
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Telematik
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
3
Pflichtbestandteile
T-INFO-106059 Energieinformatik 2 5 Hagenmeyer
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Modellierte Voraussetzungen
Es müssen die folgenden Bedingungen erfüllt werden:
  1. Das Modul M-INFO-101885 - Energieinformatik 1 muss erfolgreich abgeschlossen worden sein.
Qualifikationsziele

Nach erfolgreicher Teilnahme sollen die Studierenden

Inhalt

Arbeitsaufwand

2 SWS Vorlesung und 2 SWS Übung: 60 h

Vor- und Nachbereitungszeit: 75 h

Prüfungsvorbereitung und Prüfung: 15h

Summe: 150 h = 5 ECTS

Modul: Energieübertragung und Netzregelung [M-ETIT-100534]

Verantwortung:
Prof. Dr.-Ing. Thomas Leibfried
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Automation und Energienetze
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-ETIT-101941 Energieübertragung und Netzregelung 5 Leibfried
Erfolgskontrolle(n)

Die Erfolgskontrolle erfolgt im Rahmen einer schriftlichen Prüfung im Umfang von 120 Minuten.

Voraussetzungen

keine

Qualifikationsziele

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.

Inhalt

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.

Zusammensetzung der Modulnote

Die Modulnote ist die Note der schriftlichen Prüfung.

Arbeitsaufwand

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

Modul: Energiewirtschaft und Energiemärkte [M-WIWI-101451]

Verantwortung:
Prof. Dr. Wolf Fichtner
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
8
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
Erfolgskontrolle(n)

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. 

Voraussetzungen

Die Lehrveranstaltung Liberalised Power Markets muss geprüft werden.

Qualifikationsziele

Der/die Studierende

Inhalt

Arbeitsaufwand

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.

Empfehlungen

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.

Modul: Energiewirtschaft und Technologie [M-WIWI-101452]

Verantwortung:
Prof. Dr. Wolf Fichtner
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
5
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
Erfolgskontrolle(n)

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.

Voraussetzungen

Keine

Qualifikationsziele

Der/die Studierende

Inhalt

Arbeitsaufwand

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.

Modul: Engineering Self-Adaptive Systems [M-INFO-106626]

Verantwortung:
Prof. Dr. Raffaela Mirandola
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Softwaretechnik und Übersetzerbau
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113349 Engineering Self-Adaptive Systems 3 Mirandola
Erfolgskontrolle(n)

See partial achievements (Teilleistung)

Voraussetzungen

See partial achievements (Teilleistung)

Qualifikationsziele

- 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.

Inhalt

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.

Arbeitsaufwand

Course workload:

30h in Class (lectures)
45h self-study during the semester
15h preparation for the exam

Modul: Entrepreneurship (EnTechnon) [M-WIWI-101488]

Verantwortung:
Prof. Dr. Orestis Terzidis
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
2 Semester
Sprache
Deutsch/Englisch
Level
4
Version
13
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
Erfolgskontrolle(n)

Die Modulprüfung erfolgt in Form von Teilprüfungen (nach §4, 1-3 SPO) über

  1. die Entrepreneurship-Vorlesung (3 LP),
  2. einem der Seminare des Lehrstuhls Entrepreneurship und Technologiemanagement (3 LP bzw. 6 LP) und ggf. 
  3. einer weiteren im Modul aufgeführten Lehrveranstaltung.

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.

Voraussetzungen

Keine

Qualifikationsziele

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.

Inhalt

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.

Anmerkungen

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“.

Arbeitsaufwand

Gesamtaufwand bei 9 Leistungspunkten: ca. 270 Stunden

Die genaue Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls.

Empfehlungen

Keine

Modul: Entwurf und Architekturen für Eingebettete Systeme (ES2) [M-INFO-100831]

Verantwortung:
Prof. Dr.-Ing. Jörg Henkel
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Entwurf eingebetteter Systeme und Rechnerarchitektur
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101368 Entwurf und Architekturen für Eingebettete Systeme (ES2) 3 Henkel
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand
90 Std.
Empfehlungen

Siehe Teilleistung

Modul: Ergänzungsfach Biologie [M-CHEMBIO-101957]

Verantwortung:
Prof. Dr. Jörg Kämper
Einrichtung: KIT-Fakultät für Chemie und Biowissenschaften
Bestandteil von: Ergänzungsfach: Biologie
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jährlich
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-CHEMBIO-100180 Grundlagen der Biologie 4 Nick
T-CHEMBIO-103675 Molekularbiologie und Genetik 5 Kämper, Requena
Erfolgskontrolle(n)

Die Erfolgskontrolle in diesem Modul umfasst zwei schriftliche Prüfungen zu den Vorlesungen "Grundlagen der Biologie" und "Molekularbiologie und Genetik", beide Examen dauern 120 Minuten.

Voraussetzungen

keine

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

Zur Bearbeitung zählt die Vor- und Nachbereitung der Vorlesung und das Lernen auf die Klausur.

Lehr- und Lernformen

Vorlesung

Literatur

Grundlagen der Biologie

Genetik:

Molekularbiologie:

Modul: Explainable Artificial Intelligence [M-INFO-106302]

Verantwortung:
TT-Prof. Dr. Rudolf Lioutikov
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-112774 Explainable Artificial Intelligence 3 Lioutikov
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

• 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

Inhalt

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

Arbeitsaufwand = 90h = 3 ECTS
• ca 30h Vorlesungsbesuch
• ca 30h Nachbearbeitung
• ca 30h Prüfungsvorbereitung

Empfehlungen

• 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.

Modul: Extremwerttheorie [M-MATH-102939]

Verantwortung:
Prof. Dr. Vicky Fasen-Hartmann
Einrichtung: KIT-Fakultät für Mathematik
Bestandteil von: Ergänzungsfach: Mathematik für Daten-Intensives Rechnen
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Level
4
Version
2
Pflichtbestandteile
T-MATH-105908 Extremwerttheorie 4 Fasen-Hartmann
Erfolgskontrolle(n)

Die Modulprüfung erfolgt in Form einer mündlichen Gesamtprüfung (ca. 20 min).

Voraussetzungen

Keine

Qualifikationsziele

Absolventinnen und Absolventen

Inhalt

Zusammensetzung der Modulnote

Die Modulnote ist die Note der mündlichen Prüfung.

Arbeitsaufwand

Gesamter Arbeitsaufwand: 120 Stunden

Präsenzzeit: 45 Stunden

Selbststudium: 75 Stunden

Empfehlungen

Die Inhalte des Moduls "Wahrscheinlichkeitstheorie" werden empfohlen.

Modul: Finance 1 [M-WIWI-101482]

Verantwortung:
Prof. Dr. Martin Ruckes
Prof. Dr. Marliese Uhrig-Homburg
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
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
Erfolgskontrolle(n)

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.

Voraussetzungen

Keine

Qualifikationsziele

Der/die Studierende

Inhalt

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.

Arbeitsaufwand

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.

Modul: Finance 2 [M-WIWI-101483]

Verantwortung:
Prof. Dr. Martin Ruckes
Prof. Dr. Marliese Uhrig-Homburg
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
9
Wahlinformationen

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

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
Erfolgskontrolle(n)

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.

Voraussetzungen

Das Modul ist erst dann bestanden, wenn zusätzlich das Modul Finance 1 zuvor erfolgreich mit der letzten Teilprüfung abgeschlossen wurde.

Modellierte Voraussetzungen
Es müssen die folgenden Bedingungen erfüllt werden:
  1. Das Modul M-WIWI-101482 - Finance 1 muss begonnen worden sein.
Qualifikationsziele

Der/die Studierende ist in der Lage, fortgeschrittene ökonomische und methodische Fragestellungen der Finanzwirtschaft zu erläutern, zu analysieren und Antworten darauf abzuleiten.

Inhalt

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.

Arbeitsaufwand

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.

Modul: Fine-Grained Complexity Theory & Algorithms [M-INFO-106644]

Verantwortung:
Prof. Dr.-Ing. Marvin Künnemann
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen (EV ab 01.04.2024)
Vertiefungsfach: Algorithmentechnik (EV ab 01.04.2024)
Wahlbereich Informatik (EV ab 01.04.2024)
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113391 Fine-Grained Complexity Theory & Algorithms 6 Künnemann
Erfolgskontrolle(n)

See partial achievements (Teilleistung)

Voraussetzungen

See partial achievements (Teilleistung)

Qualifikationsziele

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.


Inhalt

- 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

Arbeitsaufwand

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

Empfehlungen

Basic knowledge of theoretical computer science and algorithm design is recommended.

Modul: Formale Systeme [M-INFO-100799]

Verantwortung:
Prof. Dr. Bernhard Beckert
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101336 Formale Systeme 6 Beckert
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Nach Abschluss des Moduls verfügen Studierende über folgende Kompetenzen. Sie …

Inhalt

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.

Arbeitsaufwand

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

Empfehlungen

Siehe Teilleistungen.

Modul: Formale Systeme II: Anwendung [M-INFO-100744]

Verantwortung:
Prof. Dr. Bernhard Beckert
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Vertiefungsfach: Softwaretechnik und Übersetzerbau
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101281 Formale Systeme II: Anwendung 5 Beckert
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

Nach Abschluss des Moduls verfügen Studierende über folgende Kompetenzen. Sie …

Inhalt

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:

Arbeitsaufwand

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

Empfehlungen

Siehe Teilleistung.

Modul: Formale Systeme II: Theorie [M-INFO-100841]

Verantwortung:
Prof. Dr. Bernhard Beckert
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101378 Formale Systeme II: Theorie 5 Beckert
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

Nach Abschluss des Moduls verfügen Studierende über folgende Kompetenzen. Sie …

Inhalt

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:

Arbeitsaufwand
Der Gesamtarbeitsaufwand für dieses Modul beträgt 150 Stunden.

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

Empfehlungen

Siehe Teilleistung

Modul: Forschungspraktikum Autonome Lernende Roboter [M-INFO-105378]

Verantwortung:
Prof. Dr. Gerhard Neumann
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-110861 Forschungspraktikum Autonome Lernende Roboter 6 Neumann
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

180h

Empfehlungen

Experience in Machine Learning is recommended.

Modul: Forschungspraktikum Deep Learning in der Robotik [M-INFO-105480]

Verantwortung:
Prof. Dr. Gerhard Neumann
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation
Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-111024 Forschungspraktikum Deep Learning in der Robotik 6 Neumann
Erfolgskontrolle(n)

See partial achievements (Teilleistung)

Voraussetzungen

See partial achievements (Teilleistung)

Qualifikationsziele

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.

Inhalt

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.

Arbeitsaufwand

Workload: 180h

Attendance time: 15h

Project work: 135h

Writing a report + preparing a presentation: 30h

Empfehlungen

-        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.

Modul: Forschungspraktikum Netzsicherheit [M-INFO-105413]

Verantwortung:
Prof. Dr. Martina Zitterbart
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Telematik
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-110938 Forschungspraktikum Netzsicherheit 3 Hock, Zitterbart
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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:

Arbeitsaufwand

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

Empfehlungen

Das Modul Netzsicherheit: Architekturen und Protokolle [M-INFO-100782] sollte begonnen oder abgeschlossen sein.

Modul: Forschungspraktikum Telematik [M-INFO-105590]

Verantwortung:
Prof. Dr. Martina Zitterbart
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Telematik
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-111208 Forschungspraktikum Telematik 3 Zitterbart
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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:

Arbeitsaufwand

Präsenzzeit / Treffen in Groß- und Kleingruppen: 15h

Auswahl des Schwerpunkts: 10h

Konzeption + Spezifikation des Schwerpunkts: 10h

Implementierung des Schwerpunkts: 20h

Forschungsbericht / Kolloquium: 20h

Empfehlungen

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.

Modul: Forschungspraktikum: Explainable Artificial Intelligence [M-INFO-106495]

Verantwortung:
TT-Prof. Dr. Rudolf Lioutikov
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113114 Forschungspraktikum: Explainable Artificial Intelligence 6 Lioutikov
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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.

Anmerkungen

Ein Rücktritt ist innerhalb von zwei Wochen nach Vergabe des Themas möglich.

Arbeitsaufwand

Arbeitsaufwand = 180h = 6 ECTS
• Präsenzzeit: 15h
• Projektarbeit: 135h
• Scientific Report schreiben + Päsentation vorbereiten: 30h

Empfehlungen

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.

Modul: Forschungspraktikum: Interactive Learning [M-INFO-106300]

Verantwortung:
TT-Prof. Dr. Rudolf Lioutikov
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
2
Pflichtbestandteile
T-INFO-112772 Forschungspraktikum: Interactive Learning 6 Lioutikov
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

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.

Inhalt

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

Arbeitsaufwand = 180h = 6 ECTS
• Präsenzzeit: 15h
• Projektarbeit: 135h
• Scientific Report schreiben + Päsentation vorbereiten: 30h

Empfehlungen

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.

Modul: Fortgeschrittene Datenstrukturen [M-INFO-102731]

Verantwortung:
Prof. Dr. Peter Sanders
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Vertiefungsfach: Algorithmentechnik
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
2
Pflichtbestandteile
T-INFO-105687 Fortgeschrittene Datenstrukturen 4 Sanders
T-INFO-111849 Fortgeschrittene Datenstrukturen Projekt/Experiment 1 Sanders
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Die Studierenden erwerben ein systematisches Verständnis algorithmischer Fragestellungen und Lösungsansätze im Bereich der fortgeschrittenen Datenstrukturen, das auf dem bestehenden Wissen im Themenbereich Algorithmik aufbaut. Außerdem können sie erlernte Techniken auf verwandte Fragestellungen anwenden und aktuelle Forschungsthemen im Bereich Text-Indexierung interpretieren und nachvollziehen.

Nach erfolgreicher Teilnahme an der Lehrveranstaltung können die Studierenden

Inhalt

In dieser Vorlesung beschäftigen wir uns mir modernen Datenstrukturen für fundamentale Objekte wie beispielsweise Bäume, Graphen, Integers und Strings. Diese Datenstrukturen sind Grundlage für viele Anwendungen und ein wichtiger Bestandteil von effizienten Algorithmen. In dieser Vorlesung betrachten wir die Highlights aus verschiedenen Forschungsbereichen und werden dabei Techniken zur Lösung unterschiedlichster Probleme kennen lernen.

Neben der theoretischen Analyse der Datenstrukturen werden wir uns auch mit der praktischen Performance der verschiedenen Datenstrukturen und ihren Einsatzgebieten beschäftigen.

Arbeitsaufwand

Vorlesung mit Projekt/Experiment mit 3 SWS, 5 LP entsprechen ca. 150 Arbeitsstunden, davon

ca. 30 Std. Besuch der Vorlesung

ca. 60 Std. Vor- und Nachbereitung

ca. 30 Std. Bearbeiten des Projekts/Experiments

ca. 30 Std. Prüfungsvorbereitung

Modul: Fortgeschrittene Künstliche Intelligenz [M-INFO-106299]

Verantwortung:
Prof. Dr. Jan Niehues
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-112768 Fortgeschrittene Künstliche Intelligenz 6 Niehues
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Das Modul M-INFO-100819 - Kognitive Systeme darf nicht begonnen worden sein.

Qualifikationsziele

● Die Studierenden kennen die relevanten Elemente eines technischen kognitiven Systems und deren Aufgaben.
● Die Studierenden verstehen die Algorithmen und Methoden der KI um kognitive Systeme zu modellieren.
● Die Studenten sind in der Lage, die unterschiedlichen Teilkomponeten eines System zu entwickeln und zu analysieren.
● Die Studierenden können dieses Wissen auf neue Anwendungen übertragen, sowie verschiedene Methoden analysieren und vergleichen.

Inhalt

Durch die Erfolge in der Forschung sind zunehmend KI System in unseren Alltag integriert. Dies sind beispielsweise Systeme, die Sprache verstehen und generieren können oder Bilder und Videos analysieren können. Darüber hinaus sind KI-Systeme essentiell in der Robotik, um die nächste Generation intelligenter Roboter entwickeln zu können.

Basierend auf dem Wissen der Vorlesung “Einführung in der KI” erlernen die Studenten diese Systeme zu verstehen, entwickeln und evaluieren. .
Um den Studenten dieses Wissen näherzubringen, ist die Vorlesung in 4 Teile gegliedert. Zunächst werden die Methoden der Perzeption mittels verschiedener Modalitäten behandelt. Im zweiten Teil werden fortgeschrittene Methoden des Lernens, die über das überwachte Lernen hinausgehen, behandelt. Anschließend werden Methoden behandelt, die für die Repräsentation von Wissen in KI-Systemen benötigt werden. Abschließend werden Methoden vorgestellt, die es KI-Systemen ermöglichen Inhalte zu generieren.

Arbeitsaufwand

Vorlesung mit 3 SWS + 1 SWS Übung, 6 LP.
6 LP entspricht ca. 180 Stunden, davon
ca. 45 Std. Vorlesungsbesuch
ca. 15 Std. Übungsbesuch
ca. 90 Std. Nachbearbeitung und Bearbeitung der Übungsblätter
ca. 30 Std. Prüfungsvorbereitung

Modul: Fortgeschrittenes Algorithmisches Programmieren [M-INFO-105723]

Verantwortung:
TT-Prof. Dr. Thomas Bläsius
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Algorithmentechnik
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
2
Pflichtbestandteile
T-INFO-111399 Fortgeschrittenes Algorithmisches Programmieren 6 Bläsius
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teillesitung.

Qualifikationsziele

Nach erfolgter Teilnahme an der Lehrveranstaltung können die Studierenden

- problemorientiert effiziente Implementierungen mit bekannten algorithmischen Techniken in midestens einer Programmiersprache umsetzen,

- Laufzeit (in Sekunden) von Algorithmen und Implementierungen basierend auf der Eingabegröße abschätzen,

- Anwendungsfälle für existierende Algorithmen erkennen,

- algorithmische Methoden anpassen und kombinieren um neue Algorithmen zu entwickeln.

Inhalt

Im Verlauf des Semesters werden Algorithmen und Datenstrukturen vorgestellt, welche aufgrund ihrer Effizienz und vergleichsweise kurzen Implementierung Anwendung in Programmierwettbewerben finden. Zu jedem Themengebiet (Strings, Zahlentheorie, Graphen, Treaps, etc.) müssen praktischen Übungsaufgaben implementiert werden. Höhepunkte der Veranstaltung ist ein Contest, in dem sich die Studierenden unter Wettbewerbsbedingungen miteinander messen.
Aus den Teilnehmern der Veranstaltung werden außerdem die Teams ausgewählt, die die Universität Karlsruhe beim ACM ICPC Regionalwettbewerb der Region Nordwesteuropa (NWERC) vertreten werden.

Arbeitsaufwand

6 LP entspricht ca. 180 Arbeitsstunden

30 Std. Besuch der Vorlesung
30 Std. Vor- und Nachbereitung
100 Std. Bearbeitung der Übungsblätter
20 Std. Prüfungsvorbereitung

Empfehlungen

Grundkenntnisse über Algorithmen und Datenstrukturen (z.B. aus den Vorlesungen Algorithmen 1 + 2) und Programmierkenntnisse in C++ werden erwartet.
Erfolgreiche Teilnahme am Basispraktikum zum ICPC Programmierwettbewerb wird stark empfohlen.

Modul: Fotorealistische Bildsynthese [M-INFO-100731]

Verantwortung:
Prof. Dr.-Ing. Carsten Dachsbacher
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Computergrafik und Geometrieverarbeitung
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
2
Pflichtbestandteile
T-INFO-101268 Fotorealistische Bildsynthese 5 Dachsbacher
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Die Studierenden verstehen Algorithmen und Verfahren zur Erzeugung realistischer Bilder (z.B. Reflexionsmodelle, Lichttransportsimulation, Monte Carlo Methoden), können diese analysieren und beurteilen, und können geeignete Rendering-Verfahren für einen gegebenen Einsatzzweck auswählen und implementieren.

Inhalt

Algorithmen und Verfahren der Computergrafik für die Erzeugung fotorealistischer Bilder. Themen sind unter anderem: globale Beleuchtung und Lichttransportphänomene, Path Tracing, Photon Mapping, Radiometrie, BRDFs, Radiosity, Monte Carlo Verfahren und Importance Sampling.

Arbeitsaufwand

60h = Präsenzzeit 

70h = Vor-/Nachbereitung

20h = Klausurvorbereitung

Empfehlungen

Siehe Teilleistung.

Modul: Fundamentals of Optics and Photonics [M-PHYS-101927]

Verantwortung:
Prof. Dr. David Hunger
Einrichtung: KIT-Fakultät für Physik
Bestandteil von: Ergänzungsfach: Experimentalphysik (Wahlpflichtblock 9 LP)
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-PHYS-103630 Fundamentals of Optics and Photonics - Unit 0 Hunger
T-PHYS-103628 Fundamentals of Optics and Photonics 9 Hunger
Erfolgskontrolle(n)

written exam, duration 120 minutes

The written exam is scheduled for the beginning of the break after the WS. A resit exam is offered at the end of the break. A test exam is offered before the Christmas holidays.

Voraussetzungen

One exercise sheet is handed out to the students as homework each week. Solutions of the problems have to be submitted

Qualifikationsziele

he students from different backgrounds refresh and elaborate their knowledge of basic optics and photonics. They comprehend the physics of optical phenomena and their application in simple optical components. They learn how to describe physical laws in a mathematical form and how to verify these laws in experiments, i.e. they acquire scientific methodology. They train to solve problems in basic and applied optics & photonics by mathematical evaluation of physical laws.

The students

Inhalt

I. Introduction (Ray Optics; Wave Optics; Photons)

II. Beam Optics (Gaussian Modes, Effect of Optical Components on Gaussian Beams)

III. Polarization and Optical Anisotropy (Polarization, Jones Vectors and Matrizes; Birefringence and its Applications; Optical Activity; Induced Anisotropy and Modulators)

IV. Coherence, Interference and Diffraction (Spatial and Temporal Coherence, Fourier Transformation, Correlation Functions, Interference; Interferometer; Fourier Spectroscopy; Multi-Beam Interference, Fabry-Perot, Dielectric and Bragg Mirrors; Diffraction at Slit, Aperture and Grating; Fresnel and Fraunhofer Diffraction; Fourier Optics; Diffraction-Limited Resolution; Spectrometer; Diffractive Optics, Holography)

V. Light and Matter (Lorentz Oscillator Model, Dielectric Function, Polariton Propagation; Kramers-Kronig Relations; Two-Level Systems, Einstein Coefficients, Fermi‘s Golden Rule)

VI. Laser: Basic Principles (Components of a Laser, Types of Lasers; Short-Pulse Generation)

Arbeitsaufwand

total 240 h, hereof 90h contact hours (60h lecture, 30h problem class), and 150h homework and self-studies

Empfehlungen

Solid mathematical background, basic knowledge in physics

Lehr- und Lernformen

Lecture (including de-monstration experiments) and problem class

Literatur

D. Meschede: Optics, Light and Lasers

B.E.A. Saleh, M.C.Teich: Fundamentals of Photonics

F.G. Smith, T.A. King and D. Wilkins: Optics and Photonics, An Introduction

Modul: Funktionalanalysis [M-MATH-101320]

Verantwortung:
Prof. Dr. Roland Schnaubelt
Einrichtung: KIT-Fakultät für Mathematik
Bestandteil von: Ergänzungsfach: Mathematik
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Level
4
Version
2
Pflichtbestandteile
T-MATH-102255 Funktionalanalysis 9 Frey, Herzog, Hundertmark, Lamm, Liao, Reichel, Schnaubelt, Tolksdorf
Erfolgskontrolle(n)

Die Modulprüfung erfolgt in Form einer schriftlichen Gesamtprüfung (120 min).

Voraussetzungen

Keine

Qualifikationsziele

Die Studierenden können im Rahmen der metrischen Räume topologische Grundbegriffe wie Kompaktheit erklären und in Beispielen anwenden. Sie sind in der Lage Hilbertraumstrukturen zu beschreiben und in Anwendungen zu verwenden. Sie können das Prinzip der gleichmäßigen Beschränktheit, den Banachschen Homomorphisatz und den Satz von Hahn-Banach wiedergeben und aus ihnen Folgerungen ableiten. Die Theorie dualer Banachräume, (insbesondere schwache Konvergenz, Reflexivität und Banach-Alaoglu) können sie beschreiben und in Beispielen diskutieren. Sie sind in der Lage einfache funktionalanalytische Beweise zu führen. Sie können den Spektralsatz für kompakte, selbstadjungierte Operatoren erläutern.

Inhalt

Zusammensetzung der Modulnote

Die Modulnote ist die Note der Prüfung.

Arbeitsaufwand

Gesamter Arbeitsaufwand: 240 Stunden

Präsenzzeit: 90 Stunden

Selbststudium: 150 Stunden

Literatur

D. Werner, Funktionalanalysis

Modul: Gehirn und Zentrales Nervensystem: Struktur, Informationstransfer, Reizverarbeitung, Neurophysiologie und Therapie [M-INFO-100725]

Verantwortung:
Prof. Dr.-Ing. Tamim Asfour
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101262 Gehirn und Zentrales Nervensystem: Struktur, Informationstransfer, Reizverarbeitung, Neurophysiologie und Therapie 3 Asfour, Spetzger
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

Nach erfolgreichem Besuch der Lehrveranstaltung sollten die Studenten ein Grundverständnis und Basisinformationen über den Aufbau und die komplexe Funktionsweise des Gehirns und des zentralen Nervensystems haben. Ziel ist die Vermittlung von Grundlagen der Neurophysiologie mit Darstellung von Sinnesfehlfunktionen sowie Ursachen und Mechanismen von Krankheiten des Gehirns und des Nervensystems. Zudem werden unterschiedliche diagnostischen Maßnahmen sowie Therapiemodalitäten dargestellt, wobei hier der Fokus auf die bildgeführte, computerassistierte und roboterassistierte operative Behandlung fällt. Die Vorlesung bietet den Studenten einen Einblick in die moderne Neuromedizin und stellt somit eine Schnittstelle zur Neuroinformatik her.

Inhalt

Die Lehrveranstaltung vermittelt einen Überblick über die Neuromedizin und bewirkt ein grundsätzliches Verständnis für die Sinnes- und Neurophysiologie, was eine wichtige Schnittstelle zu den innovativen Forschungsgebieten der Neuroprothetik (optische, akustische Prothesen) darstellt. Zudem besteht hier ebenso eine enge Anbindung zu den motorischen Systemen in der Robotik. Weitere Verknüpfungen bestehen zu den Bereichen der Bildgebung und Bildverarbeitung, der intraoperativen Unterstützungssysteme. Es wird ein Praxisbezug hergestellt sowie konkrete Anwendungsbeispiele in der medizinischen Diagnostik und Therapie dargestellt.

Arbeitsaufwand

ca. 40 h

Empfehlungen

Siehe Teilleistung

Modul: Generalisierte Regressionsmodelle [M-MATH-102906]

Verantwortung:
PD Dr. Bernhard Klar
Einrichtung: KIT-Fakultät für Mathematik
Bestandteil von: Ergänzungsfach: Mathematik für Daten-Intensives Rechnen
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Level
4
Version
2
Pflichtbestandteile
T-MATH-105870 Generalisierte Regressionsmodelle 4 Ebner, Fasen-Hartmann, Klar, Trabs
Erfolgskontrolle(n)

Die Modulprüfung erfolgt in Form einer mündlichen Gesamtprüfung (ca. 20 min).

Voraussetzungen

Keine

Qualifikationsziele

Absolventinnen und Absolventen

Inhalt

Die Vorlesung behandelt grundlegende Modelle der Statistik, die es ermöglichen, Zusammenhänge zwischen Größen zu erfassen. Themen sind:

Zusammensetzung der Modulnote

Die Modulnote ist die Note der mündlichen Prüfung.

Arbeitsaufwand

Gesamter Arbeitsaufwand: 120 Stunden

Präsenzzeit: 45 Stunden

Selbststudium: 75 Stunden

Empfehlungen

Die Inhalte des Moduls "Statistik" werden dringend empfohlen.

Modul: Geometric Deep Learning [M-INFO-106237]

Verantwortung:
Jun.-Prof. Dr. Jan Stühmer
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Anthropomatik und Kognitive Systeme (EV ab 01.10.2023)
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-112662 Geometric Deep Learning 3 Stühmer
Erfolgskontrolle(n)

See parcel assessment.

Voraussetzungen

See parcel assessment.

Qualifikationsziele

Students gain a theoretical and methodical approach to modern Deep Learning as well as knowledge and experience about the application of Deep Learning methods on networks and graphs

Students are able to apply this knowledge for understanding existing state-of-the-art Deep Learning architectures and for deriving novel architectures from first principles

Inhalt

- This module provides students with both theoretical and practical insights into modern Deep Learning
- In particular, we focus on a novel approach for understanding deep neural networks with mathematical tools from geometry and group theory
- This enables a methodical approach to Deep Learning: starting from first principles of symmetry and invariance, we derive different network architectures for analyzing unstructured sets, grids, graphs, and manifolds
- Topics of the course include: group theory, graph neural networks, convolutional neural networks, applications of geometric deep learning in diverse fields such as geometry processing, molecular dynamics, social networks, game playing (computer Go), processing of text and speech, as well as applications in medicine

Arbeitsaufwand

90h

Empfehlungen

Knowledge about the foundations of machine learning, group theory and linear algebra useful but not required.

Modul: Geometrische Optimierung [M-INFO-100730]

Verantwortung:
Prof. Dr. Hartmut Prautzsch
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Computergrafik und Geometrieverarbeitung
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101267 Geometrische Optimierung 3 Prautzsch
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Die Hörer und Hörerinnen der Vorlesung beherschen wichtige Algorithmen und verstehen grundlegende Konzepte für die Lösung von Optimierungsaufgaben im Bereich geometrischer Anwendungen. Sie sind in der Lage, ihre Kenntnisse in Vorlesungen wie „Netze und Punktwolken“ oder „Kurven und Flächen im CAD“ anzuwenden und sich in dem Gebiet weiter zu vertiefen.

Inhalt

Grundlegende Methoden zur Optimierung wie die Methode der kleinsten Quadrate, Levenber-Marquardt-Algorithmus, Berechnung von Ausgleichsebenen, iterative Ist- und Sollwertanpassung von Punktwolken (iterated closest point), finite Element-Methoden.

Optimierung bei Anwendungsaufgaben wie beim Bewegungstransfer zur Anmation, Übertragung von Alterungs- und mimischen Prozessen auf Gesichter, Approximation mit abwickelbaren Flächen zur besseren Fertigung von Objekten, automatische Glättung von Flächen, verzerrungsarme Abbildungen auf gekrümmte Flächen zur Aufbringung planarer Muster und Texturen.

Fragen zur numerischen Stabilität und Algorithmen zur exakten Berechung einfacher geometrischer Operationen.

Verfahren der algorithmischen Geometrie etwa zur Bestimmung kleinster umhüllender Kugeln (Welzl-Algorithmus)

Arbeitsaufwand

90h davon etwa:

30h für den Vorlesungsbesuch

30h für die Nachbearbeitung

30h für die Prüfungsvorbereitung Englische Version:

90h

Modul: Gesellschaftliche Aspekte [M-INFO-104808]

Verantwortung:
Prof. Dr. Martina Zitterbart
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Ergänzungsfach: Gesellschaftliche Aspekte
Leistungspunkte
18
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
4
Recht (Wahl: zwischen 6 und 12 LP)
T-INFO-101307 Internetrecht 3 N.N.
T-INFO-101309 Telekommunikationsrecht 3
T-INFO-102036 Vertragsgestaltung im IT-Bereich 3 Menk
Philosophie und Soziologie (Wahl: zwischen 6 und 12 LP)
T-GEISTSOZ-101131 Klausur Einführung in die Soziologie 6 Mäs
T-GEISTSOZ-104601 Vorlesung Einführung in die Soziologie 0 Mäs
T-GEISTSOZ-101136 Übung Soziologie 0 Mäs
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
Voraussetzungen

Keine

Inhalt

Recht:

Studierende sollen neben den technologischen Grundlagen des Internets zusätzliche interdisziplinäre Kompetenzen erwerben, die es ihnen erlauben, die gesellschaftlichen Auswirkungen Internet-basierter Dienste einschätzen und bei der Entwicklung solcher Dienste berücksichtigen zu können. Im Mittelpunkt der interdisziplinären Kompetenzen stehen dabei Methoden und Kenntnisse aus den Bereichen Rechtswissenschaften.

Philosophie und Soziologie:

Studierende sollen neben den technologischen Grundlagen des Internets zusätzliche interdisziplinäre Kompetenzen erwerben, die es ihnen erlauben, die gesellschaftlichen Auswirkungen Internet-basierter Dienste einschätzen und bei der Entwicklung solcher Dienste berücksichtigen zu können. Im Mittelpunkt der interdisziplinären Kompetenzen stehen dabei Methoden und Kenntnisse aus den Bereichen Philosophie und Soziologie.

Empfehlungen

Siehe Teilleistung.

Modul: Graphentheorie [M-MATH-101336]

Verantwortung:
Prof. Dr. Maria Aksenovich
Einrichtung: KIT-Fakultät für Mathematik
Bestandteil von: Ergänzungsfach: Mathematik
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
2
Pflichtbestandteile
T-MATH-102273 Graphentheorie 9 Aksenovich
Erfolgskontrolle(n)

Die Modulprüfung erfolgt in Form einer schriftlichen Prüfung (3h).

Durch die erfolgreiche Teilnahme am Übungsbetrieb kann ein Bonus erworben werden. Um einen Bonus zu bekommen, muss man jeweils 50% der Punkte für die Lösungen der Übungsblätter 1-6 sowie der Übungsblätter 7-12 erwerben. Liegt die Note der schriftlichen Prüfung zwischen 4,0 und 1,3, so verbessert der Bonus die Note um eine Notenstufe (0,3 oder 0,4).

Voraussetzungen

Keine

Qualifikationsziele

Die Studierenden können grundlegende Begriffe und Techniken der Graphentheorie nennen, erörtern und anwenden. Sie können geeignete diskrete Probleme als Graphen modellieren und Resultate wie Menger's Satz, Kuratowski's Satz oder Turán's Satz, sowie die in den Beweisen entwickelten Ideen, auf Graphenprobleme anwenden. Insbesondere können die Studierenden Graphen hinsichtlich ihrer Kennzahlen wie Zusammenhang, Planarität, Färbbarkeit und Kantenzahl untersuchen. Sie sind in der Lage, Methoden aus dem Bereich der Graphentheorie zu verstehen und kritisch zu beurteilen. Desweiteren können die Studierenden in englischer Fachsprache kommunizieren.

Inhalt

Der Kurs über Graphentheorie spannt den Bogen von den grundlegenden Grapheneigenschaften, die auf Euler zurückgehen, bis hin zu modernen Resultaten und Techniken in der extremalen Graphentheorie. Insbesondere werden die folgenden Themen behandelt: Struktur von Bäumen, Pfaden, Zykeln, Wegen in
Graphen, unvermeidliche Teilgraphen in dichten Graphen, planare Graphen, Graphenfärbung, Ramsey-Theorie, Regularität in Graphen.

Zusammensetzung der Modulnote

Die Modulnote ist Note der Prüfung.

Anmerkungen

Arbeitsaufwand

Gesamter Arbeitsaufwand: 240 Stunden

Präsenzzeit: 90 Stunden

Selbststudium: 150 Stunden

Modul: Graphpartitionierung und Graphenclustern in Theorie und Praxis [M-INFO-100758]

Verantwortung:
Prof. Dr. Peter Sanders
Dr. rer. nat. Torsten Ueckerdt
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Theoretische Grundlagen
Vertiefungsfach: Algorithmentechnik
Wahlbereich Informatik
Leistungspunkte
5
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
2
Pflichtbestandteile
T-INFO-101295 Graphpartitionierung und Graphenclustern in Theorie und Praxis 4 Sanders, Ueckerdt
T-INFO-110999 Graphpartitionierung und Graphenclustern in Theorie und Praxis - Übung 1 Sanders, Ueckerdt
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

Ziel der Vorlesung ist es, den Studierenden einen ersten Einblick in die Problematik des Graphpartitionierens und des Graphenclusterns zu vermitteln und dabei Wissen aus der Graphentheorie sowie der Algorithmik umzusetzen.


Auf der einen Seite werden die auftretenden Fragestellungen auf ihren algorithmischen Kern reduziert und anschließend effizient gelöst. Auf der anderen Seite werden verschiedene Modellierungen und deren Interpretationen behandelt. Nach erfolgreicher Teilnahme können Studierende die vorgestellten Methoden und Techniken autonom auf verwandte Fragestellungen anwenden.

Inhalt

Viele Anwendungen der Informatik beinhalten das Clustern und die Partitionierung von Graphen, z. B. die Finite Element Methode in wissenschaftlichen Simulationen, Digitaler Schaltkreisentwurf, Routenplanung, Analyse des Webgraphen oder auch die Analyse von Sozialen Netzwerken.


Ein bekanntes Beispiel, in dem gute Partitionierungen von unstrukturierten Graphen benötigt werden, ist die Parallelverarbeitung.Hier müssen Graphen partitioniert werden, um Berechnungen gleichmäßig auf eine gegebene Anzahl von Prozessoren zu verteilen und die Kommunikation zwischen diesen zu minimieren.Wenn man k Prozessoren verwenden möchte, muss der Graph in k ungefähr gleich große Blöcke aufgeteilt werden, so dass die Anzahl Kanten zwischen den Blöcken minimal ist.
Da in der Praxis viele Partitionierungs- und Clusteringprobleme auftreten, werden die besprochenen Probleme vorgestellt und motiviert.Es werden sowohl die theoretischen als auch die praktischen Aspekte der Graphpartitionierung und des Graphenclusterns vermittelt.Dies beinhaltet Heuristiken, Meta-Heuristiken, evolutionäre und genetische Algorithmen sowie Approximations- und Streamingalgorithmen.

Arbeitsaufwand

Vorlesung mit Projekt/Experiment mit 3 SWS, 5 LP entsprechen ca. 150 Arbeitsstunden, davon

ca. 30 Std. Besuch der Vorlesung
ca. 60 Std. Vor- und Nachbereitung
ca. 30 Std. Bearbeiten des Projekts/Experiments
ca. 30 Std. Prüfungsvorbereitung

Empfehlungen

Siehe Teilleistung

Modul: Hands-on Bioinformatics Practical [M-INFO-101573]

Verantwortung:
Prof. Dr. Alexandros Stamatakis
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Algorithmentechnik
Vertiefungsfach: Parallelverarbeitung
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Unregelmäßig
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-103009 Hands-on Bioinformatics Practical 3 Stamatakis
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

Die Teilnehmer entwicklen und dokumentieren ein open-source Tool oder eine Pipeline für die sequenzbasierte Datenanalyse biologischer Daten. Das Tool deckt einen odere mehrere inhaltliche Schwerpunkte der Vorlesung ab und ist für die biologische User Community von Nutzen und benutzbar. Das Tool soll nach Möglichkeit in einer wiss. Fachzeitschrift mit peer-review publiziert werden. Die Teilnehmer lernen in Teams von 2-3 Programmierern zu arbeiten, Versionsmanagement-Tools wie github zu benutzen, das Laufzeitverhalten von Programmen anhand entsprechender Tools zu analysieren und zu optimieren, und C-Programme auf Speicherleaks (z.B. anhand von valgrind) zu testen. Die Teilnehmer können grössere Sowftareprojekte im Bereich der Bioinformatik eigenständig durchführen und dokumentieren sowie die Codequalität bewerten und verbessern. Sie sind in der Lage im Team ein wiss. Paper zu schreiben.

Inhalt

Im Praktikum entwicklen wir zusammen ein open-source Tool (Algorithmen, Analysepipelines, Parallelisierungen) mit dem Ziel am Ende des Semesters ein für die Biologie nützliches und von Biologen nutzbares, neues Tool zur Verfügung zu stellen.

Arbeitsaufwand
Wöchentliche Besprechungen mit dem Betreuer 15 Stunden + Teaminterne Besprechungen 15 Stunden + Programmierzeit 45 Stunden + 15 Stunden Paper/Abschlussbericht schreiben = 90 Stunden = 3 ECTS
Empfehlungen

Siehe Teilleistung

Modul: Hardware Modeling and Simulation [M-ETIT-100449]

Verantwortung:
Dr.-Ing. Jens Becker
Prof. Dr.-Ing. Jürgen Becker
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Elektrotechnik- und Informationstechnik
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
2
Pflichtbestandteile
T-ETIT-100672 Hardware Modeling and Simulation 4 Becker, Becker
Erfolgskontrolle(n)

Achievement is examined in the form of a written examination lasting 120 minutes.

Voraussetzungen

none

Qualifikationsziele

After completing this module, students will be familiar with different hardware description languages and their applications in various abstraction levels. They will gain knowledge of the SPICE Hardware Description Language and become proficient in building and deriving the analog matrix for spice simulation. In the realm of digital design, they will develop a comprehensive understanding of the hardware description language VHDL, encompassing the VHDL Standard and its extensions, such as VHDL 2008, the 9-valued logic, and the VHDL-AMS standard. Furthermore, students will achieve a profound comprehension of simulator principles, particularly the delta cycle model. They will also grasp the fundamentals of fault simulations for testing fabricated circuits and learn to derive test vectors. Additionally, students will acquire an understanding of higher-level hardware construction languages like Chisel and SystemC.

 

Inhalt

In order to address the complexity of modern chips during development, it is essential to utilize modern hardware description languages. This course offers insights into the various levels of abstraction in these languages. It starts by covering the fundamentals of analog description using SPICE and then progresses through VHDL, VHDL-AMS, and Verilog. Additionally, the course introduces more abstract languages like Chisel and SystemC.

Topics covered in the course are:

 

Zusammensetzung der Modulnote

The module grade results from the grade of the written examination.

Anmerkungen

.

Arbeitsaufwand

The workload is covered by:

  1. Participating in lectures and tutorials: 33h
  2. Preparing and wrap up of the above named units: 66h
  3. Exam preparation and presence: 21h

Sum: 120h = 4 LP

Modul: Hardware/Software Co-Design [M-ETIT-100453]

Verantwortung:
Dr.-Ing. Oliver Sander
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Elektrotechnik- und Informationstechnik
Leistungspunkte
4
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-ETIT-100671 Hardware/Software Co-Design 4 Sander
Erfolgskontrolle(n)

Die Erfolgskontrolle erfolgt im Rahmen einer mündlichen Prüfung (ca. 20 Minuten).

Voraussetzungen

keine

Qualifikationsziele

Durch den Besuch der Vorlesung Hardware/Software Co-Design lernen die Studierenden die notwendigen multikriteriellen Methoden und Hardware/Software Zielarchitekturen kennen. Der Besuch der Vorlesung trägt zum Verständnis dieser Methoden des Hardware/Software Co-Designs bei und versetzt die Studenten in die Lage das Erlernte auf neuartige Fragestellungen anzuwenden.

Die Studierenden lernen die wesentlichen Zielarchitekturen kennen und werden in die Lage versetzt ihre Vor- und Nachteile in Bezug auf die Anwendbarkeit im Hardware/Software Co-Design zu benennen. Zur Beurteilung der Entwurfsqualität lernen die Studierenden verschiedene Verfahren kennen und können diese bereits in frühen Phasen des Systementwurfs anwenden. Weiterhin haben die Studierenden einen Überblick über Partitionierungsverfahren für HW/SW Systeme, können diese klassifizieren und kennen die jeweiligen Vor- und Nachteile der Verfahren. Für typische HW/SW-Partitionierungsprobleme sind die studierenden in der Lage ein geeignetes Verfahren auszuwählen und anzuwenden.

Durch den Besuch der Veranstaltung haben die Studierenden ein komponenten-übergreifendes Verständnis der Thematik des Co-Designs. Des Weiteren versetzt der Besuch der Veranstaltung die Studierenden in die Lage die vorgestellten Methoden selbstständig auf Fragestellungen anzuwenden. Hierzu können Werkzeuge verwendet werden, die im Laufe der Vorlesung vorgestellt werden.

Der Besuch der Vorlesung versetzt die Studierenden in die Lage aktuelle wissenschaftliche Arbeiten z.B. Abschlussarbeiten selbstständig einzuordnen und mit modernsten Methoden zu bearbeiten.

Inhalt

Zusammensetzung der Modulnote

Die Modulnote ist die Note der mündlichen Prüfung.

Arbeitsaufwand

Unter den Arbeitsaufwand fallen:

1. Präsenzzeit in 14 Vorlesungen, 7 Übungen: 31,5 Std

2. Vor-/Nachbereitung derselbigen: 63 Std (3 Std pro Einheit)

3. Klausurvorbereitung und Präsenz in selbiger: 20 Std Vorbereitung und 0,5 Std Prüfung

Empfehlungen

Kenntnisse zu Grundlagen aus Digitaltechnik und Informationstechnik sind hilfreich.

Modul: Hardware-Synthese und -Optimierung [M-ETIT-100452]

Verantwortung:
Prof. Dr.-Ing. Jürgen Becker
Einrichtung: KIT-Fakultät für Elektrotechnik und Informationstechnik
Bestandteil von: Ergänzungsfach: Elektrotechnik- und Informationstechnik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-ETIT-100673 Hardware-Synthese und -Optimierung 6 Becker
Erfolgskontrolle(n)

Die Erfolgskontrolle erfolgt im Rahmen einer mündlichen Prüfung (ca. 20 Minuten).

Voraussetzungen

keine

Qualifikationsziele

Die Studierenden kennen die grundsätzlichen Schritte, die zum automatisierten Entwurf optimierter Digitalschaltungen notwendig sind, können diese ins Y-Chart einordnen und ihre Komplexität beurteilen.

 

Sie sind in der Lage, die bedeutendsten Lösungsansätze für diese Entwurfsschritte zu nennen, zu erläutern und insbesondere hinsichtlich Optimalität und Rechenaufwand zu bewerten. Dies beinhaltet die Fähigkeit, innerhalb dieser Ansätze zum Einsatz kommende Verfahren (wie z. B. ausgewählte Graphenalgorithmen oder Metaheuristiken wie Simulated Annealing) anzuwenden und ihre jeweiligen Laufzeitkomplexitäten zu ermitteln.

 

Darüber hinaus können sie gegebene Problemstellungen aus dem Bereich der Entwurfsautomatisierung lösen, indem sie einen hierzu geeigneten Ansatz auf Basis bestimmter Optimierungskriterien auswählen und diesen auf die jeweilige Problemstellung anwenden.

Inhalt

Schwerpunkt des Moduls ist die Vermittlung der formalen und methodischen Grundlagen zum automatisierten Entwurf optimierter elektronischer Systeme. Hierbei werden einerseits die aus wissenschaftlich und methodischer Sicht relevanten Eigenschaften der eingesetzten Verfahren diskutiert, aber auch deren Umsetzung in der industriellen Praxis vermittelt.

 

Die folgenden Themenkomplexe werden behandelt:

Zusammensetzung der Modulnote

Die Modulnote ist die Note der mündlichen Prüfung.

 

Arbeitsaufwand

Jeder Leistungspunkt (LP, Credit Point) entspricht ca. 25-30h Arbeitsaufwand des Studierenden. Hierbei ist vom durchschnittlichen Studierenden auszugehen, der eine durchschnittliche Leistung erreicht.

6LP entsprechen ca. 180 Arbeitsstunden, die sich wie folgt verteilen:

Empfehlungen

Grundkenntnisse im Bereich digitaler Schaltungen, wie sie z. B. durch die Lehrveranstaltung „Digitaltechnik“ (2311615) vermittelt werden.

Modul: Heterogene parallele Rechensysteme [M-INFO-100822]

Verantwortung:
Prof. Dr. Wolfgang Karl
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Entwurf eingebetteter Systeme und Rechnerarchitektur
Vertiefungsfach: Systemarchitektur
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101359 Heterogene parallele Rechensysteme 3 Karl
Erfolgskontrolle(n)

Siehe Teilleistung

Voraussetzungen

Siehe Teilleistung

Qualifikationsziele

- Die Studierenden sollen vertiefende Kenntnisse über die Architektur und die Operationsprinzipien von parallelen, heterogenen und verteilten Rechnerstrukturen erwerben.
- Sie sollen die Fähigkeit erwerben, parallele Programmierkonzepte und Werkzeuge zur Analyse paralleler Programme anzuwenden.
- Sie sollen die Fähigkeit erwerben, anwendungsspezifische und rekonfigurierbare Komponenten einzusetzen.
- Sie sollen in die Lage versetzt werden, weitergehende Architekturkonzepte und Werkzeuge für parallele Rechnerstrukturen entwerfen zu können.

Inhalt

Moderne Rechnerstrukturen nützen den Parallelismus in Programmen auf allen Systemebenen aus. Darüber hinaus werden anwendungsspezifische Koprozessoren und rekonfigurierbare Bausteine zur Anwendungsbeschleunigung eingesetzt. Aufbauend auf den in der Lehrveranstaltung Rechnerstrukturen vermittelten Grundlagen, werden die Architektur und Operationsprinzipien paralleler und heterogener Rechnerstrukturen vertiefend behandelt. Es werden die parallelen Programmierkonzepte sowie die Werkzeuge zur Erstellung effizienter paralleler Programme vermittelt. Es werden die Konzepte und der Einsatz anwendungsspezifischer Komponenten (Koprozessorkonzepte) und rekonfigurierbarer Komponenten vermittelt. Ein weiteres Themengebiet ist Grid-Computing und Konzepte zur Virtualisierung.

Arbeitsaufwand
1. Präsenzzeit in Vorlesungen, Übungen: 30 h
2. Vor-/Nachbereitung derselbigen 30 h
3. Prüfungsvorbereitung und Präsenz in selbiger: 30
Empfehlungen

Siehe Teilleistung

Modul: HRI and Social Robotics [M-INFO-106650]

Verantwortung:
TT-Prof. Dr. Barbara Bruno
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation (EV ab 01.04.2024)
Vertiefungsfach: Anthropomatik und Kognitive Systeme (EV ab 01.04.2024)
Wahlbereich Informatik (EV ab 01.04.2024)
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113396 HRI and Social Robotics 4 Bruno
T-INFO-113397 HRI and Social Robotics - Pass 2 Bruno
Erfolgskontrolle(n)

See partial achievements (Teilleistung)

Voraussetzungen

See partial achievements (Teilleistung)

Qualifikationsziele

Students know the foundations of Human-Robot Interaction (HRI) and Social Robotics, including: design principles and methodologies, human factors influencing HRI (anthropomorphization), sensors, actuators and software architecture for social robotics, challenges and solutions for key abilities of social robots (spatial interaction, engagement detection, non-verbal interaction, verbal interaction, emotion generation and detection), research methods (study design principles, statistical tools for analyses) and have seen state-of-the-art research topics in the field including social learning, theory of mind, trust and ethical considerations in HRI.
Thanks to the exercise sessions and assignments, students gain first-hand knowledge and can independently apply techniques related to the above theory items, including for collecting stakeholders’ feedback for a robot design, programming the robot’s social behaviour along multiple modalities, extracting relevant user information from available sensors, designing and analysing HRI experiments.

Inhalt

The lectures cover all foundational topics in HRI (design principles and methodologies, human factors influencing HRI, sensors, actuators and software architecture for social robotics), challenges and solutions for key abilities of social robots (spatial interaction, engagement detection, non-verbal interaction, verbal interaction, emotion generation and detection), research methods (study design principles, statistical tools for analyses) and state-of-the-art topics including social learning, theory of mind and ethical considerations in HRI.
In the exercise sessions and related assignments students can experience first-hand how the theoretical concepts seen in the lectures can be applied in practice and learn how to collect stakeholders’ feedback for a robot design, program the robot’s social behaviour along multiple modalities, extract relevant user information from available sensors, design and analyse HRI experiments. At the end of the course, the students have a solid understanding of HRI, its principles, challenges and solutions and can autonomously apply such knowledge in practical contexts.

Arbeitsaufwand

Course workload:
1)    Attendance of the course: 22.5h (15x90min slots)
2)    Attendance of the exercise sessions: 22.5h (15x90min slots)
3)    Self-study of course material and work on homework assignments: 60h (4h/week)
4)    Preparation for the exam: 80h

Empfehlungen

Knowledge of the content of modules Robotics I - Introduction to Robotics, Robotics II: Humanoid Robotics, Robotics III - Sensors and Perception in Robotics is helpful.

Modul: Human-Centered Information Systems [M-WIWI-106292]

Verantwortung:
Prof. Dr. Alexander Mädche
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
2 Semester
Sprache
Englisch
Level
4
Version
2
Wahlpflichtangebot (Wahl: )
T-WIWI-105777 Business Intelligence Systems 4,5 Mädche
T-WIWI-113465 Designing Interactive Systems: Human-AI Interaction 4,5 Mädche
T-WIWI-113460 Engineering Interactive Systems: AI & Wearables 4,5 Mädche
T-WIWI-113459 Practical Seminar: Human-Centered Systems 4,5 Mädche
Erfolgskontrolle(n)

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.

Voraussetzungen

Bitte informieren Sie sich über etwaige Voraussetzungen und Empfehlungen bei den einzelnen Veranstaltungen.

Qualifikationsziele

Der/die Studierende

Inhalt

Die auf Basis neuer Informations- und Kommunikationstechnologien erstellten interaktiven Systeme sind in unserem heutigen Berufs- und Privatleben allgegenwärtig. Sie sind zentraler Bestandteil von Smartphones, Geräten im Smart Home, Mobilitätsfahrzeugen sowie an Arbeitsplätzen in der Produktion und in der Verwaltung wie beispielsweise in Dashboards. Mit den kontinuierlich steigenden Fähigkeiten von Computern wird die Gestaltung der Interaktion zwischen Mensch und Computer immer wichtiger. Das Modul fokussiert auf Gestaltungsprozesse und Gestaltungsprinzipien für menschzentrierte Systeme. Die Inhalte des Moduls abstrahieren von der konkreten technischen Umsetzung und legen einen Fokus auf grundlegende Konzepte, Theorien, Praktiken und Methoden für die Gestaltung menschzentrierter Systeme. Die Studierenden werden damit befähigt, entsprechende Systeme zu konzipieren und ihre Umsetzung erfolgreich zu begleiten. Anhand aktueller Beispiele aus Forschung und Praxis wird die Relevanz der bearbeiteten Themen verdeutlicht. Jede Vorlesung wird mit einem praxisorientierten Capstone Project begleitet und mit Praxispartnern gemeinsam durchgeführt. 

Arbeitsaufwand

Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Leistungspunkte).

Die Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls. Dabei beträgt der Arbeitsaufwand für Lehrveranstaltungen mit 4,5 Leistungspunkten ca.135 Stunden.
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.

Empfehlungen

Die Lehrveranstaltungen finden in englischer Sprache statt – Teilnehmer sollten sicher in Schrift und Sprache sein. ​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.

Modul: Humanoid Robots - Locomotion and Whole-Body Control [M-INFO-106649]

Verantwortung:
Prof. Dr. Katja Mombaur
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation (EV ab 01.04.2024)
Vertiefungsfach: Anthropomatik und Kognitive Systeme (EV ab 01.04.2024)
Wahlbereich Informatik (EV ab 01.04.2024)
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-113395 Humanoid Robots - Locomotion and Whole-Body Control 6 Mombaur
Erfolgskontrolle(n)

See partial achievements (Teilleistung)

Voraussetzungen

See partial achievements (Teilleistung)

Qualifikationsziele

By the end of the course, students will be able to:
•    Develop kinematic and dynamic models of humanoid robots 
•    Understand basic principles of human whole-body movement 
•    Control gaits and other whole-body motions for humanoid robots and maintain balance
•    Explain advanced methods for humanoid motion generation, optimization, and learning 
•    Give an overview of the state of the art in locomotion and whole-body control of humanoid robotics
•    Complete a graduate level research project on humanoid robots including simulation and real-robot implementation

Inhalt

This course introduces fundamentals and recent developments in the field of humanoid robotics with a focus on locomotion and whole-body motions. We will cover kinematic and dynamic modeling of anthropomorphic systems, basic concepts of bipedal walking control, stability aspects,  gait generation in different terrains, humanoid balance and push recovery, motion primitives and optimal control-based approaches, motion imitation and learning. The course will also give some insights in basic principles of passive dynamic walking, human motion generation and control and human motion modeling. Students will work with different robotics tools and perform a graduate level research project related to a whole-body humanoid robot.
This module is complementary to the course “4.290 Robotik II - Humanoide Robotik” which focuses on upper body motions and cognitive architectures while this course focuses on the specific aspects of legged humanoids and whole-body motions. The modules can be taken at the same time. 

Arbeitsaufwand

Estimated effort for this module is 180 hours: 
60h - Lecture and exercises (2+2 SWS)
40h - Repetition of lecture contents, preparation of  assignments
80h – Work on final project, documentation and presentation 

Empfehlungen

Attendance of the lectures Robotics I - Introduction to Robotics and Mechano-Informatics in Robotics is required. 

Modul: Humanoide Roboter - Seminar [M-INFO-102561]

Verantwortung:
Prof. Dr.-Ing. Tamim Asfour
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation
Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
3
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-105144 Humanoide Roboter - Seminar 3 Asfour
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Die Studierenden haben Erfahrungen mit selbstständiger Literaturrecherche zu einem aktuellen Forschungsthema gesammelt. Sie haben verschiedene Ansätze zu einem ausgewählten wissenschaftlichen Problem kennengelernt, verstanden und verglichen. Die Studierenden sind in der Lage, eine vergleichende Zusammenfassung der verschiedenen Ansätze auf Englisch in der üblichen Form einer wissenschaftlichen Veröffentlichung zu verfassen und dazu einen Vortrag zu halten.

Die Studierenden sind mit dem DFG-Kodex „Leitlinien zur Sicherung guter wissenschaftlicher Praxis“ vertraut und wenden diese Leitlinien erfolgreich bei der Erstellung Ihrer wissenschaftlichen Arbeit an. 

Inhalt

Studierende wählen ein Thema aus dem Bereich der humanoiden Robotik, z.B. Roboterdesign, Bewegungsgenerierung, Perzeption oder Lernen. Sie führen zu diesem Thema unter Anleitung eines fachlichen Betreuers eine selbstständige Literaturrecherche durch. Am Ende des Semesters präsentieren sie die Ergebnisse und verfassen eine schriftliche Ausarbeitung, die auf Englisch in Form einer wissenschaftlichen Veröffentlichung geschrieben wird.

Arbeitsaufwand

90h                             
3 LP entspricht ca. 90 Stunden

ca. 45 Std. Literaturrecherche,

ca. 25 Std. Ausarbeitung,

ca. 10 Std. Erstellung Vortrag,

ca. 10 Std. Präsenz-Pflichtveranstaltungen

Empfehlungen

Vorlesung Robotik 1, Robotik 2, Robotik 3, Mechano-Informatik, Anziehbare Robotertechnologien

Modul: Industrielle Produktion II [M-WIWI-101471]

Verantwortung:
Prof. Dr. Frank Schultmann
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
5
Pflichtbestandteile
T-WIWI-102631 Anlagenwirtschaft 5,5 Schultmann
Ergänzungsangebot aus dem Modul Industrielle Produktion III (Wahl: höchstens 1 Bestandteil)
T-WIWI-102763 Supply Chain Management with Advanced Planning Systems 3,5 Bosch, Göbelt
T-WIWI-102826 Risk Management in Industrial Supply Networks 3,5 Schultmann
T-WIWI-102828 Supply Chain Management in der Automobilindustrie 3,5 Heupel, Lang
T-WIWI-103134 Project Management 3,5 Schultmann
Ergänzungsangebot (Wahl: höchstens 1 Bestandteil)
T-WIWI-102634 Emissionen in die Umwelt 3,5 Karl
T-WIWI-112103 Global Manufacturing 3,5 Sasse
T-WIWI-113107 Life Cycle Assessment – Grundlagen und Anwendungsmöglichkeiten im industriellen Kontext 3,5 Schultmann
Erfolgskontrolle(n)

Die Modulprüfung erfolgt in Form von Teilprüfungen (nach §4(2), 1 SPO) über die Kernvorlesung Anlagenwirtschaft [2581952] und eine weitere Lehrveranstaltung des Moduls im Umfang von insgesamt mindestens 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.

Voraussetzungen

Die Lehrveranstaltung Anlagenwirtschaft [2581952] muss im Modul erfolgreich geprüft werden. Des Weiteren muss mindestens eine Lehrveranstaltung aus dem Ergänzungsangebot des Moduls erfolgreich geprüft werden.

Qualifikationsziele

Inhalt

Anmerkungen

Die Ergänzungsveranstaltungen stellen Kombinationsempfehlungen dar und können alternativ durch Ergänzungsveranstaltungen aus dem Mastermodul Industrielle Produktion III ersetzt werden.

Arbeitsaufwand

Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 LP). Die Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls. Dabei beträgt der Arbeitsaufwand für Lehrveranstaltungen mit 3,5 LP ca. 105h, für Lehrveranstaltungen mit 5,5 LP ca. 165h.

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.

Modul: Industrielle Produktion III [M-WIWI-101412]

Verantwortung:
Prof. Dr. Frank Schultmann
Einrichtung: KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von: Ergänzungsfach: Betriebswirtschaftslehre
Leistungspunkte
9
Notenskala
Zehntelnoten
Turnus
Jedes Sommersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
5
Pflichtbestandteile
T-WIWI-102632 Produktions- und Logistikmanagement 5,5 Schultmann
Ergänzungsangebot aus dem Modul Industrielle Produktion II (Wahl: höchstens 1 Bestandteil)
T-WIWI-102634 Emissionen in die Umwelt 3,5 Karl
T-WIWI-112103 Global Manufacturing 3,5 Sasse
T-WIWI-113107 Life Cycle Assessment – Grundlagen und Anwendungsmöglichkeiten im industriellen Kontext 3,5 Schultmann
Ergänzungsangebot (Wahl: höchstens 1 Bestandteil)
T-WIWI-102763 Supply Chain Management with Advanced Planning Systems 3,5 Bosch, Göbelt
T-WIWI-102826 Risk Management in Industrial Supply Networks 3,5 Schultmann
T-WIWI-102828 Supply Chain Management in der Automobilindustrie 3,5 Heupel, Lang
T-WIWI-103134 Project Management 3,5 Schultmann
Erfolgskontrolle(n)

Die Modulprüfung erfolgt in Form von Teilprüfungen (nach §4(2), 1 SPO) über die Kernvorlesung Produktions- und Logistikmanagement [2581954] und weitere Lehrveranstaltungen des Moduls im Umfang von insgesamt mindestens 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.

Voraussetzungen

Die Lehrveranstaltung Produktions- und Logistikmanagement [2581954] muss im Modul erfolgreich geprüft werden. Des Weiteren muss mindestens eine Lehrveranstaltung aus dem Ergänzungsangebot des Moduls erfolgreich geprüft werden.

Qualifikationsziele

Inhalt

Anmerkungen

Die Ergänzungsveranstaltungen stellen Kombinationsempfehlungen dar und können alternativ durch Ergänzungsveranstaltungen aus dem Mastermodul Industrielle Produktion II ersetzt werden.

Arbeitsaufwand

Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Credits). Die Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls. 

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.

Modul: Informationsmanagement im Ingenieurwesen [M-MACH-102404]

Verantwortung:
Dipl.-Ing. Thomas Maier
Prof. Dr.-Ing. Jivka Ovtcharova
Einrichtung: KIT-Fakultät für Maschinenbau
KIT-Fakultät für Maschinenbau/Institut für Informationsmanagement im Ingenieurwesen
Bestandteil von: Ergänzungsfach: Informationsmanagement im Ingenieurwesen
Leistungspunkte
10
Notenskala
Zehntelnoten
Turnus
Jedes Semester
Dauer
2 Semester
Sprache
Deutsch
Level
4
Version
5
Informationsmanagement im Ingenieurwesen - Master Informatik (Kern) (Wahl: 2 Bestandteile)
T-MACH-102123 Virtual Engineering I 4 Ovtcharova
T-MACH-102124 Virtual Engineering II 4 Ovtcharova
Informationsmanagement im Ingenieurwesen -- Master Informatik (Wahl: zwischen 2 und 8 LP)
T-MACH-109933 Betriebsmanagement für Ingenieure und Informatiker 4 Sebregondi
T-MACH-102185 CAD-Praktikum CATIA 2 Ovtcharova
T-MACH-106743 IoT Plattform für Ingenieursanwendungen 4 Ovtcharova
T-MACH-102181 PLM für mechatronische Produktentwicklung 4 Eigner
T-MACH-106740 Virtual Engineering Praktikum 4 Ovtcharova
T-MACH-106741 Virtuelle Lernfabrik 4.X 4 Ovtcharova
T-MACH-111285 Virtuelle Lösungsmethoden und Prozesse 4 Maier, Ovtcharova
Erfolgskontrolle(n)

Eine Erfolgskontrolle muss stattfinden und kann schriftlich, mündlich oder anderer Art sein.

Voraussetzungen

keine

Qualifikationsziele

Studierende erlangen ein grundsätzliches Verständnis für die ganzheitliche Entwicklung, Validierung und Produktion von Produkten, Komponenten und Systemen.

Sie sind in der Lage die Produkt- und Prozesskomplexität heutiger Produkte und deren Produktionsanlagen einzuschätzen und kennen exemplarische IT-Systeme zur Bewältigung dieser Komplexität.

Studierende können das notwendige Informationsmanagement im Rahmen der Produktentstehung beschreiben.

Sie kennen die Grundbegriffe der Virtuellen Realität und können eine 3-Seiten Projektion als Grundlage für technische oder Managemententscheidungen einsetzen.

Arbeitsaufwand

Präsenzzeit: 105 Stunden | Selbststudium 85 Stunden | Prüfungsvorbereitung: 110 Stunden

Lehr- und Lernformen

Vorlesungen, Übungen, Projektarbeit

Modul: Informationsverarbeitung in Sensornetzwerken [M-INFO-100895]

Verantwortung:
Prof. Dr.-Ing. Uwe Hanebeck
Einrichtung: KIT-Fakultät für Informatik
Bestandteil von: Vertiefungsfach: Robotik und Automation
Vertiefungsfach: Anthropomatik und Kognitive Systeme
Wahlbereich Informatik
Leistungspunkte
6
Notenskala
Zehntelnoten
Turnus
Jedes Wintersemester
Dauer
1 Semester
Sprache
Deutsch/Englisch
Level
4
Version
1
Pflichtbestandteile
T-INFO-101466 Informationsverarbeitung in Sensornetzwerken 6 Hanebeck
Erfolgskontrolle(n)

Siehe Teilleistung.

Voraussetzungen

Siehe Teilleistung.

Qualifikationsziele

Die Studierenden sollen ein Verständnis für die für Sensornetzwerke spezifischen Herausforderungen der Informationsverarbeitung aufbauen und die verschiedenen Ebenen der Informationsverarbeitung von Messdaten aus Sensornetzwerken kennenlernen. Die Studierenden sollen verschiedene Ansätze zur Informationsverarbeitung von Messdaten analysieren, vergleichen und bewerten können.

Inhalt

Im Rahmen der Vorlesung werden die verschiedenen für Sensornetzwerke relevanten Aspekte der Informationsverarbeit