Modulhandbuch

M. Sc. Computer Science

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch

Fachbereich Informatik
Technische Universität Darmstadt
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 1

 n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio

Modulhandbuch M. Sc. Computer Science

Si ies ma

Technische Universität Darmstadt

D for

Fachbereich Informatik
In

Hochschulstr. 10

64289 Darmstadt

Redaktion

Dipl.-Inform. Tim Neubacher

Jasmin Boghrat, M.A.

Stand: 11.05.2023

Modulhandbuch M. Sc. Computer Science 2

Inhaltsverzeichnis
Wahlbereiche

Wahlbereich Software und Hardware 5

Wahlbereich Theorie 51

Vertiefungen

Data Science and Engineering

n. t.
lte raf
Wahlbereich Fachprüfungen

ge K
Wahlbereich Data Science Applications 60

4 in
Wahlbereich Data Systems Engineering 75

/2 ht
Wahlbereich Foundations of Data Science 93
23 nic
Wahlbereich Studienbegleitende Leistungen
iS ch

Praktika, Projektpraktika und ähnliche Veranstaltungen 105

W no

Seminare 137
e
m st

Praktikum in der Lehre 164

de g i
ll dn :
so or n
ab un
e e tio

Distributed Computing
Si ies ma

Wahlbereich Fachprüfungen
D for

Wahlbereich Computer Networks and Distributed Systems 175

In

Wahlbereich Data-Intensive Systems and heterogeneous Hardware 189

Wahlbereich System Modelling and Engineering 198

Wahlbereich Studienbegleitende Leistungen

Praktika, Projektpraktika und ähnliche Veranstaltungen 207

Seminare 236

Praktikum in der Lehre 259

Modulhandbuch M. Sc. Computer Science 3

Visual Computing

Wahlbereich Fachprüfungen

Wahlbereich Computer Graphics 270

Wahlbereich Computer Vision und Machine Learning 284

Wahlbereich Integrated Methods of Graphics and Vision 311

Wahlbereich Studienbegleitende Leistungen

n. t.
Praktika, Projektpraktika und ähnliche Veranstaltungen 328

lte raf
Seminare 359

ge K
Praktikum in der Lehre 386

4 in
/2 ht
Masterarbeit 23 nic 399
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 4

 n. t.
lte raf
ge K
Modulhandbuch

4 in
/2 ht
M. Sc. Computer Science
23 nic
iS ch
W no
e
m st

Wahlbereich Software und Hardware

de g i
ll dn :

(Praktische, technische und angewandte Informatik)

so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 5

Modulbeschreibung

Modulname
Graphische Datenverarbeitung I

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0040 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Graphische Datenverarbeitung I 6 integrierte 4

4 in
0040-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Einführung in die Grundlagen der Computergraphik, insb. Ein- u. Ausgabegeräte, Rendering
Pipeline am Beispiel von OpenGL, räumliche Datenstrukturen, Beleuchtungsmodelle, Ray
iS ch

Tracing, aktuelle Entwicklungen in der Computergraphik

W no
e

3 Qualifikationsziele / Lernergebnisse
m st

Nach erfolgreichem Besuch dieser Veranstaltung sind Studierende in der Lage alle
de g i

Komponenten der Graphikpipeline zu verstehen und dadurch variable Bestandteile (Vertex-

ll dn :

Shader, Fragment-Shader, etc.) anzupassen. Sie können Objekte im 3D-Raum anordnen,

so or n
ab un
e e tio

verändern und effektiv speichern, sowie die Kamera und die Perspektive entsprechend
wählen und verschiedene Shading-Techniken und Beleuchtungsmodelle nutzen, um alle
Si ies ma

Schritte auf dem Weg zum dargestellten 2D-Bild anzupassen.

D for

4 Voraussetzung für die Teilnahme

Empfohlen:
In

● Programmierkenntnisse

● Kentnisse über grundlegende Algorithmen und Datenstrukturen

● Kenntnisse im Bereich Lineare Algebra

● Kenntnisse im Bereich Analysis

● Inhalte der Vorlesung „Visual Computing“ oder einer vergleichbaren Veranstaltung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0040-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 6

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

n. t.
• [20-00-0040-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

lte raf
100%, Standard)

ge K
In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU

4 in
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

/2 ht
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
8
23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
iS ch

M. Sc. Computer Science

M. Sc. Autonome Systeme und Robotik
W no

M.Sc. IT Sicherheit
e
m st

Kann in anderen Studiengängen verwendet werden.

de g i
ll dn :
so or n
ab un

9 Literatur
e e tio

● Real-Time Rendering: Tomas Akenine-Möller, Eric Haines, Naty Hoffman A.K. Peters Ltd.,
Si ies ma

3rd edition, ISBN 987-1-56881-424-7

● Fundamentals of Computer Graphics: Peter Shirley, Steve Marschner, third edition, ISBN
D for

979-1-56881-469-8
● Weitere aktuelle Literaturhinweise werden in der Veranstaltung gegeben.
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 7

Modulbeschreibung

Modulname
Graphische Datenverarbeitung II

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0041 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Graphische Datenverarbeitung II 6 integrierte 4

4 in
0041-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Grundlagen der verschiedenen Objekt- und Oberflächen-Repräsentationen in der
graphischen Datenverarbeitung. Kurven und Oberflächen (Polynome, Splines, RBF)
iS ch

Interpolation und Approximation, Displaytechniken, Algorithmen: de Casteljau, de Boor,

Oslo, etc. Volumen und implizite Oberflächen. Visualisierungstechniken, Iso-Surfaces, MLS,
W no

Oberflächen-Rendering, Marching-Cubes. Polygonnetze. Netz Kompression , Netz-

e

Vereinfachung, Multiskalen Darstellung, Subdivision. Punktwolken: Renderingtechniken,

m st

Oberflächen-Rekonstruktion, Voronoi-Diagramme und Delaunay-Triangulierung.

de g i

3 Qualifikationsziele / Lernergebnisse
ll dn :
so or n
ab un

Nach erfolgreichem Besuch dieser Veranstaltung sind Studierende in der Lage mit diversen
e e tio

Objekt- und Oberflächen-Repräsentationen umzugehen, das heißt diese zu verwenden,

Si ies ma

anzupassen, anzuzeigen (rendern) und effektiv zu speichern. Dazu gehören mathematisch

polynomiale Repräsentationen, Iso-oberflächen, volumen Darstellungen, implizite
D for

Oberflächen, Polygonnetze, Subdivision-Kontrollnetze und Punktwolken.

In

4 Voraussetzung für die Teilnahme

Empfohlen:

Der vorherige Besuch von „Algorithmen und Datenstrukturen“ und „Graphische

Datenverarbeitung I“ oder vergleichbaren Veranstaltungen

Kenntnisse über Grundlagen aus der Höheren Mathematik

Programmierkenntnisse in C / C++

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0041-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 8

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

n. t.
lte raf
• [20-00-0041-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

ge K
4 in
In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU

/2 ht
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

8
23 nic
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
Verwendbarkeit des Moduls
iS ch

B. Sc. Informatik
M. Sc. Informatik
W no

M. Sc. Computer Science

e

M.Sc. IT Sicherheit
m st
de g i

Kann in anderen Studiengängen verwendet werden.

ll dn :
so or n
ab un
e e tio

9 Literatur
● Real-Time Rendering: Tomas Akenine-Möller, Eric Haines, Naty Hoffman A.K. Peters Ltd.,
Si ies ma

3rd edition, ISBN 987-1-56881-424-7

● Weitere aktuelle Literaturhinweise werden in der Veranstaltung gegeben.
D for
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 9

Modulbeschreibung

Modulname
Bildverarbeitung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0155 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Deutsch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Bildverarbeitung 3 integrierte 2

4 in
0155-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Überblick über die Grundlagen der Bildverarbeitung:
- Bildeigenschaften
iS ch

- Bildtransformationen
W no

- einfache und komplexere Filterung

e

- Bildkompression,
m st

- Segmentierung
de g i

- Klassifikation
ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Noch erfolgreichem Besuch der Veranstaltung haben die Studierenden einen Überblick über
die Funktionsweise und die Möglichkeiten der modernen Bildverarbeitung. Studierende sind
D for

dazu in der Lage, einfache bis mittlere Bildverarbeitungsaufgaben selbständig zu lösen.

In

4 Voraussetzung für die Teilnahme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0155-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

Modulhandbuch M. Sc. Computer Science 10

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0155-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

n. t.
B. Sc. Informatik

lte raf
M. Sc. Informatik
M. Sc. Computer Science

ge K
M. Sc. Autonome Systeme und Robotik

4 in
M. Sc. IT Sicherheit

/2 ht
Kann in anderen Studiengängen verwendet werden.

9 Literatur
23 nic
iS ch

● Gonzalez, R.C., Woods, R.E., "Digital Image Processing", Addison- Wesley Publishing
Company, 1992
W no

● Haberaecker, P., "Praxis der Digitalen Bildverarbeitung und Mustererkennung", Carl

e

Hanser Verlag, 1995

m st

● Jaehne, B., "Digitale Bildverarbeitung", Springer Verlag, 1997

de g i
ll dn :
so or n
ab un

10 Kommentar
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 11

Modulbeschreibung

Modulname
Virtuelle und Erweiterte Realität

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0160 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Virtuelle und Erweiterte Realität 6 integrierte 4

4 in
0160-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Im Rahmen dieser Lehrveranstaltung werden zuerst die Grundlagen, Begriffsbildungen und
Referenzmodelle zur Einordnung der Thematik im Rahmen der Computer-
iS ch

Graphik/Computer-Vision aufgezeigt. Aufbauend darauf werden die besonderen

Technologien, Algorithmen und Standards der Augmented Reality (AR) und der Virtual
W no

Reality (VR) behandelt. Dazu gehören:

e

● Datenschnittstellen (Standards, Vorverarbeitung, Systeme, etc.)

m st

● Interaktionstechniken (z.B. Interaktion mit Hilfe von Rangekameras)

de g i

● Darstellungsverfahren (z.B. Echtzeit-Rendering)

ll dn :
so or n
ab un

● Web-basierte VR/AR
e e tio

● Computer-Vision-basiertes Tracking für Augmented-Reality

Si ies ma

● Augmented Reality mit Rangekamera-Technologien

● Augmented Reality auf Smartphonesystemen
D for

Schließlich werden diese Techniken an Beispielen aktueller Forschungsarbeiten aus den

Bereichen „AR/VR-Wartungsunterstützung“ und „AR/VR-gestützte Präsentation von
In

Kulturgütern“ dokumentiert.

3 Qualifikationsziele / Lernergebnisse
Studierende kennen nach erfolgreichem Besuch der Veranstaltung die Anforderungen und
Problematiken von Virtual/Augmented Reality und sie wissen, für welche Problemstellungen
diese Technologien eingesetzt werden können. Sie kennen die Standards, mit deren Hilfe
VR/AR-Anwendungen spezifiziert werden, insb. wissen die Studierenden, welche Computer-
Vision-Technologien eingesetzt werden können, um in verschiedenen Umgebungen die
Kamerapose stabil zu tracken.

4 Voraussetzung für die Teilnahme

Empfohlen: Grundlagen der Graphischen Datenverarbeitung (GDV)

Modulhandbuch M. Sc. Computer Science 12

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0160-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
lte raf
7 Benotung
Bausteinbegleitende Prüfung:

ge K
4 in
• [20-00-0160-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

/2 ht
8 23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
iS ch

M. Sc. Informatik
M. Sc. Computer Science
W no

M. Sc. Autonome Systeme und Robotik

e

M.Sc. IT Sicherheit
m st
de g i

Kann in anderen Studiengängen verwendet werden.

ll dn :
so or n
ab un
e e tio

9 Literatur
Dörner, R., Broll, W., Grimm, P., Jung, B. Virtual und Augmented Reality (VR / AR)
Si ies ma
D for

10 Kommentar
In

Modulhandbuch M. Sc. Computer Science 13

Modulbeschreibung

Modulname
Algorithmen für Hardware-Entwurfswerkzeuge

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0183 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Deutsch und Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Algorithmen für Hardware- 3 integrierte 2

4 in
0183-vl Entwurfswerkzeuge Veranstaltung

/2 ht
2 Lerninhalt
23 nic
- Das VLSI-Entwurfsproblem
- Grundlegende Graphenrepräsentationen und -algorithmen
iS ch

- Darstellung von hierarchischen Schaltungen

W no

- Realisierungstechnologien für integrierte Schaltungen

e

- Layout-Kompaktierung
m st

- Timing-Analyse
de g i

- Heuristische Optimierungsverfahren
ll dn :
so or n

- Platzierungsprobleme, -verfahren und -kostenfunktionen

ab un
e e tio

- Exakte Optimierungsverfahren
- Partitionierung mit Anwendung in der Platzierung
Si ies ma

- Floorplanningprobleme, -repräsentationen und -verfahren

- Verdrahtungsprobleme, -verfahren und -kostenfunktionen
D for
In

3 Qualifikationsziele / Lernergebnisse
Studierende kennen nach erfolgreichem Besuch der Veranstaltung verschiedene
Technologien für die Realisierung von integrierten Schaltungen. Sie können aus den
verschiedenen Technologien die Anforderungen an Automatisierungswerkzeuge für
verschiedene Teilaufgaben des Entwurfs- und Realisierungsprozesses herleiten. Sie sind
vertraut mit der Modellierung technologischer Probleme durch formale Konzepte wie
Graphen, Gleichungssysteme etc. Sie verstehen grundlegende Verfahren zur Lösung auch
von harten Problemen und können aufbauend auf Erfahrungen mit verschiedenen
Basisalgorithmen neue bzw. verfeinerte Implementierungen zur Erledigung der
Entwurfsaufgaben entwickeln.

4 Voraussetzung für die Teilnahme

Modulhandbuch M. Sc. Computer Science 14

 Empfohlen: Empfohlen wird der erfolgreiche Besuch der Veranstaltungen “Digitaltechnik”
sowie “Algorithmen und Datenstrukturen” und “Funktionale und objektorientierte
Programmierung” oder vergleichbarer Veranstaltungen.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0183-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

n. t.
Minuten), Hausübungen (optional: einschließlich Testaten)

lte raf
6 Voraussetzung für die Vergabe von Leistungspunkten

ge K
Bestehen der Prüfung (100%)

4 in
7 Benotung

/2 ht
Bausteinbegleitende Prüfung:

23 nic
• [20-00-0183-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)
iS ch
W no

8 Verwendbarkeit des Moduls

e

B. Sc. Informatik
m st

M. Sc. Informatik
M. Sc. Computer Science
de g i
ll dn :

M.Sc. IT Sicherheit
so or n
ab un
e e tio

Kann in anderen Studiengängen verwendet werden.

Si ies ma

9 Literatur
D for

Literaturempfehlungen werden kontinuierlich aktualisiert, Beispiele für verwendete

Literatur könnten sein:
In

Gerez: Algorithms for VLSI Design Automation

Wang/Chang/Cheng: Electronic Design Automation

10 Kommentar

Modulhandbuch M. Sc. Computer Science 15

Modulbeschreibung

Modulname
Informationsvisualisierung und Visual Analytics

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0294 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Informationsvisualisierung und 6 integrierte 4

4 in
0294-iv Visual Analytics Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Diese Vorlesung wird eine detaillierte Einführung in die Informationsvisualisierung geben,
um sich dann intensiv den wissenschaftlichen Fragestellungen und praxisnahen
iS ch

Anwendungsszenarien von Visual Analytics zu widmen.

W no

•Überblick der Informationsvisualisierung und Visual Analytics (Definitionen, Modelle,

Historie)
e

•Datenpräsentierung und Datentransformation

m st

•Abbildung von Daten auf visuelle Strukturen

de g i
ll dn :

• Visuelle Repräsentierungen und Interaktion fuer bivariate, multivariate Daten, Zeitreihen,

so or n
ab un

Graphen und Geographische Daten

e e tio

• Grundlagen von Data Mining

Si ies ma

•Grundlagen von Visual Analytics: - Analytische Beweisführung - Data Mining

• Evaluation von Visual Analytics Systemen
D for

Anwendungsgebiete: Medizin, Biologie, Finanzen und Wirtschaft, Meteorologie,

In

Rettungsdienst,....

3 Qualifikationsziele / Lernergebnisse
Studierende können nach erfolgreichem Besuch der Veranstaltung

•Informationsvisualisierungsmethoden für verschiedene Datentypen benutzen

•interactive Visualisierungsysteme für Daten aus verschiedenen Anwendungsgebieten

designen

•Visualisierung und automatische Datenverarbeitung kombinieren um Big Data Probleme zu

lösen

Modulhandbuch M. Sc. Computer Science 16

 •Wissen über Hauptcharakteristika menschlicher visuellen Wahrnehmung in
Informationsvisualisierung und Visual Analytics anwenden

•geeignete Evaluationsmethode für spezifische Situationen und Szenarien auswählen

4 Voraussetzung für die Teilnahme

Empfohlen: Interesse an Methoden der Computergrafik und Visualisierung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0294-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

n. t.
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist

lte raf
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

ge K
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

4 in
Minuten), Hausübungen (optional: einschließlich Testaten)

/2 ht
6 Voraussetzung für die Vergabe von Leistungspunkten

23 nic
Bestehen der Prüfung (100%)

7 Benotung
iS ch

Bausteinbegleitende Prüfung:
W no

• [20-00-0294-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

e

100%, Standard)
m st
de g i
ll dn :

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

so or n
ab un

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
e e tio

Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
Si ies ma

8 Verwendbarkeit des Moduls

D for

B. Sc. Informatik
M. Sc. Informatik
In

M. Sc. Computer Science

M.Sc. IT Sicherheit

Kann in anderen Studiengängen verwendet werden.

9 Literatur
Wird in der Vorlesung bekanntgegeben. Beispiele für verwendete Literatur
könnten sein:
C. Ware: Information Visualization: Perception for Design
Ellis et al: Mastering the Information Age

10 Kommentar

Modulhandbuch M. Sc. Computer Science 17

Modulbeschreibung

Modulname
Medizinische Bildverarbeitung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0379 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Medizinische Bildverarbeitung 3 integrierte 2

4 in
0379-vl Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Die Vorlesung gliedert sich in zwei Teile.
In der ersten Hälfte der Vorlesung wird die Funktionsweise von Geräten, welche
iS ch

medizinische Bilder liefern (CT, MRI, PET, SPECT, Ultraschall), erklärt.

W no

In der zweiten Hälfte werden verschiedene Bildverarbeitungsmethoden erklärt, welche

typischerweise für die Bearbeitung medizinischer Bilder eingesetzt werden.
e
m st
de g i

3 Qualifikationsziele / Lernergebnisse
ll dn :

Noch erfolgreichem Besuch der Veranstaltung haben die Studierenden einen Überblick über
so or n
ab un
e e tio

die Funktionsweise und die Möglichkeiten der modernen medizinischen Bildverarbeitung.

Studierende sind dazu in der Lage, einfache bis mittlere medizinische
Si ies ma

Bildverarbeitungsaufgaben selbständig zu lösen.

D for

4 Voraussetzung für die Teilnahme

Empfohlen: Mathematische Grundlagen sind dringend empfehlenswert. Ferner wird
In

empfohlen, die Vorlesung „Bildverarbeitung“ oder eine vergleichbare Veranstaltung vorher

besucht zu haben.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0379-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Modulhandbuch M. Sc. Computer Science 18

 Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0379-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

n. t.
M.Sc. IT Sicherheit

lte raf
ge K
Kann in anderen Studiengängen verwendet werden.

4 in
9 Literatur

/2 ht
1) Heinz Handels: Medizinische Bildverarbeitung

23 nic
2) 2) Gonzalez/Woods: Digital Image Processing (last edition)
3) 3) Bernd Jähne: Digitale Bildverarbeitung. 6. überarbeitete und erweiterte Auflage.
Springer, Berlin u. a. 2005, ISBN 3-540-24999-0.
iS ch

4) Kristian Bredies, Dirk Lorenz: Mathematische Bildverarbeitung. Einführung in

W no

Grundlagen und moderne Theorie. Vieweg+Teubner, Wiesbaden 2011, ISBN 978-3-8348-

1037-3.
e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 19

Modulbeschreibung

Modulname
Ambient Intelligence

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0390 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Ambient Intelligence 6 integrierte 4

4 in
0390-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Die Vorlesung führt in aktuelle Entwicklungen von Ambient Intelligence ein. Im
Vordergrund der Vorlesung steht die Mensch-Maschine-Interaktion (MMI) in intelligenten
iS ch

Umgebungen in einem allgegenwärtigen Informationsraum, wie sie beispielsweise

zunehmend durch eingebettete Systeme in alltägliche Gebrauchsobjekte gegeben ist.
W no

Spezieller Fokus wird auf den mobilen Aspekt eines allgegenwärtigen Informationszugriffs
e

und der Informationsaufbereitung und -darstellung in mobilen Endgeräten gelegt. Dabei soll
m st

einerseits ein Einblick in die grundlegenden Technologien, Anwendungen und Experimente

de g i

gegeben werden und anderseits (nicht im Schwerpunkt) auch die sozio-kulturellen

ll dn :

Implikationen und Aspekte neuer Ambient Intelligence Lösungen diskutiert werden.

so or n
ab un
e e tio

Zusätzliche Themen der Vorlesung sind System-Architekturen für verteilte Umgebungen,

Kontext-Awareness und Kontext-Management, Benutzermodelle und deren Implikationen,
Si ies ma

Sensornetzwerke und Interaktionstechniken. Die Vorlesung wird Beispiele aktueller Projekte

diskutieren und die internationalen Forschungslinien von Ambient Intelligence beleuchten.
D for

3 Qualifikationsziele / Lernergebnisse
In

Nachdem Studierende die Veranstaltung erfolgreich besucht haben, können sie

Technologietrends und Forschungserkenntnisse im Bereich Ambient Intelligence
beschreiben. Die wichtigsten Konzepte zur Realisierung „intelligenter Umgebungen“ -
intelligente Netzwerke und Objekte, Techniken der erweiterten, mobilen Realität, ubiquitäre
und allgegenwärtige Informationsräume, nomadische Kommunikationen, Echt-Zeit-
Kommunikation und relevante Middleware, Eingebettete Systeme, Sensor Netzwerke und
Wearable Computing - können diskutiert und eingeordnet werden. Nach Abschluss der
zugehörigen Übung können Studierende die Projektphasen der Entwicklung einer Ambient-
Intelligence Anwendung eigenständig planen und realisieren.

Modulhandbuch M. Sc. Computer Science 20

4 Voraussetzung für die Teilnahme
Empfohlen: Der vorherige Besuch von “Visual Computing“ und „Multimodale Interaktion
mit intelligenten Umgebungen“ oder vergleichbarer Veranstaltungen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0390-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

n. t.
Minuten), Hausübungen (optional: einschließlich Testaten)

lte raf
6 Voraussetzung für die Vergabe von Leistungspunkten

ge K
Bestehen der Prüfung (100%)

4 in
7 Benotung

/2 ht
Bausteinbegleitende Prüfung:

 23 nic
[20-00-0390-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)
iS ch

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

W no

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
e

Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

m st

Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

de g i

8 Verwendbarkeit des Moduls

ll dn :
so or n

B. Sc. Informatik
ab un
e e tio

M. Sc. Informatik
M. Sc. Computer Science
Si ies ma

M. Sc. Autonome Systeme und Robotik

M. Sc. Artificial Intelligence and Machine Learning
D for

M. Sc. IT Sicherheit
In

Kann in anderen Studiengängen verwendet werden.

9 Literatur
Wird jeweils passend zu den aktuellen Themen bekanntgegeben

10 Kommentar

Modulhandbuch M. Sc. Computer Science 21

Modulbeschreibung

Modulname
Programmierung Massiv-Paralleler Prozessoren

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0419 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Programmierung Massiv-Paralleler 6 integrierte 4

4 in
0419-iv Prozessoren Veranstaltung

/2 ht
2 Lerninhalt
23 nic
- Grundlagen massiv-paralleler Hardware mit einem Schwerpunkt auf modernen
Beschleunigern
iS ch

- parallele Algorithmen
W no

- effiziente Programmierung massiv-paralleler Systeme

- praktische Programmierprojekte mit Co-Betreuung durch einen Wissenschaftler au seiner
e
m st

Anwendungsdomain
de g i
ll dn :

3 Qualifikationsziele / Lernergebnisse
so or n
ab un
e e tio

Nach dem erfolgreichen Besuch der Veranstaltung sind Studierende dazu in der Lage,
Problemstellungen im Kontext massiv-paralleler Systeme zu analysieren. Sie können
Si ies ma

selbständig neue Anwendungen entwickeln und ihre Performanz systematisch verbessern.

Sie verstehen grundlegende parallele Algorithmen und Programmierparadigmen und
D for

können sich selbständig aktuelle Literatur erarbeiten.

In

4 Voraussetzung für die Teilnahme

Empfohlen:

solide Programmierkenntnisse in C/C++

Kentnisse in paralleler Programmierung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0419-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 22

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0419-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

n. t.
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU

lte raf
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

ge K
8 Verwendbarkeit des Moduls

4 in
B. Sc. Informatik
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
23 nic
M. Sc. Autonome Systeme und Robotik
M. Sc. IT Sicherheit
iS ch

Kann in anderen Studiengängen verwendet werden.

W no
e

9 Literatur
m st

wird in der Veranstaltung bekanntgegeben

de g i
ll dn :
so or n
ab un

10 Kommentar
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 23

Modulbeschreibung

Modulname
Capturing Reality

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0489 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Capturing Reality 6 integrierte 4

4 in
0489-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Dieser Kurs deckt ein breites Spektrum von Techniken zur Digitalisierung und Modellierung
unserer Welt mit einem Fokus auf Anwendungen in der Computergraphik und Computer
iS ch

Vision ab. Dies beinhaltet insbesondere:

W no

- grundlegende Werkzeuge und Kalibrationstechniken für die Digitalisierung

- Digitalisierungs- und Modellierungstechniken für verschiedenste Objekt- und
e

Szeneneigenschaften (z.B. Geometrie, Reflexionseigenschaften)

m st

- grundlegende mathematische Modellierungs- und Optimierunstechniken

de g i
ll dn :

- Implementierung und praktische Anwendung einer Reihe von Techniken

so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Nach dem erfolgreichen Besuch der Veranstaltung sind Studierende dazu in der Lage,
Digitalisierungs- und Modellierungsprobleme für Objekte und Szenen in Computergraphik
D for

und Computer Vision sowie die zugrunde liegenden Techniken zu analysieren. Sie können
selbständig neue Versuchsaufbauten entwickeln, Experimente durchführen und die
In

Ergebnisse auswerten.

4 Voraussetzung für die Teilnahme

Empfohlen: Der vorherige Besuch der Veranstaltungen „Graphische Datenverarbeitung I“
oder „Computer Vision I“ oder vergleichbaren Veranstaltungen sowie grundlegende
Programmierkenntnisse in C/C++

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0489-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 24

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0489-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

n. t.
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU

lte raf
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

ge K
8 Verwendbarkeit des Moduls

4 in
B. Sc. Informatik
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
23 nic
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning
M. Sc. IT Sicherheit
iS ch
W no

Kann in anderen Studiengängen verwendet werden.

e
m st

9 Literatur
de g i

Noriko Kurachi: The Magic of Computer Graphics. A K Peters/CRC Press

ll dn :
so or n

Richard Szeliski: Algorithms and Applications, Springer

ab un
e e tio

Marcus Magnor, Oliver Grau, Olga Sorkine-Hornung, Christian Theobalt: Digital

Representations of the Real World: How to Capture, Model, and Render Visual Reality
Si ies ma

Wolfgang Förstner, Bernhard P. Wrobel: Photogrammetric Computer Vision - Geometry,

Orientation and Reconstruction
D for
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 25

Modulbeschreibung

Modulname
TK2: Human Computer Interaction

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0535 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Deutsch und Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- TK2: Human Computer Interaction 3 integrierte 2

4 in
0535-vl Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Die Vorlesung stellt verschiedene grundlegende Konzepte, Modelle und Theorien aus dem
Bereich der Human Computer Interaction (HCI) vor. Die Veranstaltung umfasst die
iS ch

folgenden Inhalte:
W no

• Theoretische Grundlagen aus Psychologie und Interaktionsgestaltung als Basis für die
Gestaltung von Nutzerschnittstellen
e

• Überblick über verschiedene Typen von Nutzerschnittstellen

m st

• Command-line interfaces
de g i
ll dn :

• Grafische Nutzerschnittstellen, u.a. Mac OS und Windows

so or n
ab un

• Interaktive Oberflächen, u.a. Tabletops, Multitouch

e e tio

• Mobile user interfaces, u.a. basierend auf iPhone OS, Android

Si ies ma

• Pen-based user interfaces, u.a. elektronische Stifte

• Tangible user interfaces, Organic user interfaces
D for

• Sprachbasierte user interfaces

• Beurteilung, Messung, Bewertung von Nutzerschnittstellen
In

• Nutzerstudien
• Quantitative Evaluationsmethoden
• Qualitative Evaluationsmethoden
• Nutzerzentrierte Softwareentwicklung

3 Qualifikationsziele / Lernergebnisse
Nach der Teilnahme an dieser Lehrveranstaltung haben Studierende

● Verständnis der psychologischen Grundlagen des Designs von Benutzerschnittstellen

erworben

● Methoden des user-centric design process kennengelernt

● Überblickswissen über die gängigen UI Konzepte erworben

Modulhandbuch M. Sc. Computer Science 26

 ● Evaluationstechniken kennen gelernt und angewandt

4 Voraussetzung für die Teilnahme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0535-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

n. t.
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

lte raf
Minuten), Hausübungen (optional: einschließlich Testaten)

ge K
6 Voraussetzung für die Vergabe von Leistungspunkten

4 in
Bestehen der Prüfung (100%)

/2 ht
7 Benotung

23 nic
Bausteinbegleitende Prüfung:

 [20-00-0535-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

iS ch

100%, Standard)
W no

8 Verwendbarkeit des Moduls

e

B. Sc. Informatik
m st

M. Sc. Informatik
de g i
ll dn :

M. Sc. IT Sicherheit
so or n
ab un
e e tio

Kann in anderen Studiengängen verwendet werden.

Si ies ma

9 Literatur
D for

Literaturempfehlungen werden kontinuierlich aktualisiert, Beispiele für verwendete

Literatur könnten sein:
In

Ausgewählte Kapitel aus den folgenden Standardwerken:

• Donald Norman: The Design of Everyday Things
• Alan Dix, Janet Finlay, Gregory Abowd and Russel Beale: Human-Computer Interaction
• Jenny Preece , Yvonne Rogers and Helen Sharp: Interaction Design: Beyond Human-
Computer Interaction

10 Kommentar

Modulhandbuch M. Sc. Computer Science 27

Modulbeschreibung

Modulname
Fortgeschrittener Compilerbau

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0701 150 h 105 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Deutsch und Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Fortgeschrittener Compilerbau 6 integrierte 3

4 in
0701-vl Veranstaltung

/2 ht
2 Lerninhalt
23 nic
- Compilierung und Laufzeitumgebung für objektorientierte Programmiersprachen
- Kontrollflussgraphen als Zwischendarstellung
iS ch

- Statische Datenflußanalyse
W no

- Static Single Assignment Form

e

- Eliminierung totaler und partieller Redundanz

m st

- Skalare Optimierung
de g i

- Registerallokation
ll dn :
so or n

- Ablaufplanung
ab un
e e tio

- Schleifenoptimerung
- Aufbau realer Compiler (z.B. Phasen, Zwischendarstellung, Compilefluß)
Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Studierende verstehen nach erfolgreichem Besuch Techniken für die Übersetzung und
In

Ausführung von objektorientierten Programmen auf Maschinenebene. Sie können die

statische Datenflussanalyse auf Kontrollflussgraphen anwenden und sind geübt im
praktischen Umgang mit deren SSA-Darstellung. Sie beherrschen Optimierungsverfahren für
eine Reihe von Aufgaben sowie fundamentale Verfahren für die Registerallokation. Sie
kennen die interne Struktur von realen Compilern für den Produktivbetrieb.

4 Voraussetzung für die Teilnahme

Empfohlen: Erfolgreicher Besuch der Veranstaltung “Einführung in den Compilerbau” oder
vergleichbarer Veranstaltungen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0701-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 28

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0701-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

n. t.
100%, Standard)

lte raf
ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik
M. Sc. Computer Science

/2 ht
M. Sc. IT Sicherheit
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no

Literaturempfehlungen werden kontinuierlich aktualisiert, Beispiele für verwendete

e

Literatur könnten sein:

m st

Cooper/Torczon: Engineering a Compiler

de g i

Muchnick: Advanced Compiler Design and Implementation

ll dn :
so or n
ab un

Aho/Lam/Sethi/Ullman: Compilers - Principles, Techniques, and Tools

e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 29

Modulbeschreibung

Modulname

User-Centered Design in Visual Computing

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0793 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0793-iv User-Centered Design in Visual 3 Integrierte 2

4 in
Computing Veranstaltung
2 Lerninhalt

/2 ht
Die Entwicklung von benutzerzentrierten Softwarelösungen dient nicht nur zur besseren und
23 nic
effizienteren Nutzung von Software, sie erhöht vielmehr die Akzeptanz und somit auch die
Verbreitung und Verwendung. Die Vorlesung “User Centered Design in Visual Computing“
iS ch

richtet sich in erster Linie an Studierende des Fachbereichs Informatik und vermittelt Modelle,
Methoden und Techniken zur benutzerzentrierten Entwicklung von Visualisierungssoftware und
W no

visuell-interaktiven Benutzerschnittstellen. Dabei werden insbesondere Methoden vorgestellt,

die zu einer gesteigerten Akzeptanz und effizienterer Benutzung der entworfenen Lösungen
e

führen. Des Weiteren werden Methoden der Evaluation vorgestellt, die die Akzeptanz und
m st

Nutzbarkeit messen. Die Vorlesung behandelt die eingeführten Themen mit besonderem Bezug
de g i

zu Visual Computing und graphischen Benutzerschnittstellen.

ll dn :
so or n

Stoffplan:
ab un
e e tio

• Usability
• User Experience
Si ies ma

• Task Analysis
• Benutzerschnittstellen
D for

• Interaktionsdesign
• Prototyping
In

• Graphikdesign und Informationsvisualisierung

• Evaluation während und nach der Softwareentwicklung
• Anwendungen

3 Qualifikationsziele / Lernergebnisse
Studierende können nach erfolgreichem Besuch der Veranstaltung:
• Geeignete Methoden zur Entwicklung von benutzerzentrierten Softwarelösungen
identifizieren und begründen
• Techniken zu benutzerzentrierten Nutzungsschnittstellen anwenden
• Evaluationsmethoden zur Untersuchung der eingesetzten Techniken in den verschiedenen
Phasen der Entwicklung identifizieren und auswählen
• Verbesserungen zur Informationsaufnahme und Navigation auf Basis vorhandener
Untersuchungen und Evaluationen vorschlagen

Modulhandbuch M. Sc. Computer Science 30

4 Voraussetzung für die Teilnahme
Empfohlen: Grundlagen des Visual Computing, wie sie beispielsweise in den Veranstaltungen
„Visual Computing“ und „Graphische Datenverarbeitung I“ vermittelt werden

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0793-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

n. t.
Minuten), Hausübungen (optional: einschließlich Testaten)

lte raf
6 Voraussetzung für die Vergabe von Leistungspunkten

ge K
Bestehen der Prüfung (100%)

4 in
7 Benotung

/2 ht
Bausteinbegleitende Prüfung:

 23 nic
[20-00-0793-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,
Standard)
iS ch
W no

8 Verwendbarkeit des Moduls

B. Sc. Informatik
e

M. Sc. Informatik
m st

M. Sc. Computer Science

de g i
ll dn :
so or n

Kann in anderen Studiengängen verwendet werden.

ab un
e e tio

9 Literatur
Si ies ma
D for

10 Kommentar
In

Modulhandbuch M. Sc. Computer Science 31

Modulbeschreibung

Modulname

Formale Spezifikation und Verifikation von Software

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-0794 180 h 120 h 1 Semester
6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0794-iv Formale Spezifikation und 6 Integrierte 4

4 in
Verifikation von Software Veranstaltung
2 Lerninhalt

/2 ht
In dieser Vorlesung behandeln wir fortgeschrittene Themen aus dem Gebiet der formalen
23 nic
Spezifikation und deduktiven Verifikation objekt-orientierter Software.
iS ch

Der Kurs deckt insbesondere folgende Themen ab:

* Spezifikation von Interfaces und Klassen mit Hilfe von Queries, Ghost- und Modellfeldern;
W no

* Das "Framing" Problem: Statische und dynamische Frames

* Programmlogik und -kalkül als Grundlage der deduktiven Verifikation
e

* Spezifikation und Verifikation rekursiver Methoden und Schleifen

m st

* Modulare Verifikation: Sichtbarkeiten, Beweis und Anwendung von Framing-Eigenschaften

de g i

* Automatische Erzeugung von Schleifeninvarianten und Methodenverträgen

ll dn :
so or n
ab un
e e tio

Der Kurs behandelt vorwiegend sequentielle Programme. Es werden aber auch aktuelle
Ansätze zur Spezifikation und Verifikation nebenläufiger bzw. verteilter Software diskutiert.
Si ies ma

Für fast alle Themen wird deren praktische Anwendung mit Hilfe geeigneter Tools
D for

demonstriert und in den Übungen vertieft.

In

3 Qualifikationsziele / Lernergebnisse
* Erwerbung der Fähigkeit zur Spezifikation komplexer objekt-orientierter Software
* Studierende sollen in der Lage sein einen für das vorliegende Problem passenden
Spezifikationsansatz auszuwählen und anzuwenden
* Studierende sollen in der Lage sein rekursive Methoden und Schleifen zu spezifizieren
* Studierende sollen in der Lage sein mit Hilfe von deduktiver Verifikation ihre Programme als
korrekt zu beweisen

4 Voraussetzung für die Teilnahme

Empfohlen:

Grundlagenwissen über Logik erster Ordnung

Inhalt der Vorlesungen „Aussagen- und Prädikatenlogik“ und „Formale Methoden im
Softwareentwurf“ oder vergleichbarer Veranstaltungen

Modulhandbuch M. Sc. Computer Science 32

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0794-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
lte raf
7 Benotung

ge K
Bausteinbegleitende Prüfung:

4 in
 [20-00-0794-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,
Standard)

/2 ht
8
23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
iS ch
W no

Kann in anderen Studiengängen verwendet werden.

e

9 Literatur
m st
de g i
ll dn :
so or n
ab un

10 Kommentar
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 33

Modulbeschreibung

Modulname

Multithreading in C++
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0953 300 h 210 h 1 Semester Jedes 2. Semester
10 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Deutsch und Englisch
Software und Hardware
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0953-iv Multithreading in C++ 10 Integrierte 6

4 in
Veranstaltung
2 Lerninhalt

/2 ht
C++ bietet eine der fortschrittlichsten Threadschnittstellen, die heute verfügbar sind. Am
23 nic
Beispiel C++ führt dieser Kurs in die parallele Programmierung für gemeinsamen Speicher mit
Threads ein.
iS ch

• Architekturen mit gemeinsamem Speicher

• Management von Threads
W no

• Zugriff auf gemeinsame Daten

• Synchronisierung nebenläufiger Operationen
e

• Entwurf lockbasierter nebenläufiger Datenstrukturen

m st

• Entwurf von nebenläufigem Code

de g i

• Testen und Fehlersuche

ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Kompetenz in der Entwicklung paralleler Programme

• Systematisch korrekte und effiziente parallele Programme entwickeln
D for

• Parallele Datenstrukturen entwerfen und umsetzen

In

4 Voraussetzung für die Teilnahme

Empfohlen: Kenntnisse in C/C++

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0953-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

Modulhandbuch M. Sc. Computer Science 34

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0953-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik

n. t.
M. Sc. Informatik

lte raf
M. Sc. Computer Science

ge K
Kann in anderen Studiengängen verwendet werden.

4 in
9 Literatur

/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 35

Modulbeschreibung

Modulname

Deep Learning für medizinische Bildgebung

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-1014 150 h 105 h 1 Semester
5 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1014-iv Deep Learning für 5 Integrierte 3

4 in
medizinische Bildgebung Veranstaltung
2 Lerninhalt

/2 ht
Formulierung der medizinischen Bildsegmentierung, Computergestützte Diagnostik und
23 nic
chirurgische Planung als Probleme des maschinellen Lernens, Deep Learning für medizinische
Bildsegmentierung, Deep Learning für computergestützte Diagnostik, Chirurgische Planung
iS ch

von präoperativen Bildern mit Deep Learning, Tool-Präsenz Erkennung und Lokalisierung von
endoskopischen Videos durch Deep Learning, Adversarial Beispiele für medizinische
W no

Bildgebung, Generative Adversarial Networks für Medizinische Bildgebung.

e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Nach erfolgreichem Abschluss des Kurses sind die Studierenden in der Lage sein, alle
ll dn :
so or n

Komponenten der Formulierung eines medizinischen Bildanalyseproblems als Problem des

ab un
e e tio

Maschinellen Lernens zu verstehen. Sie sind auch in der Lage sein, fundierte Entscheidungen
über die Wahl eines universellen Deep Learning Paradigmas für ein gegebenes medizinische
Si ies ma

Bildanalyseproblem zu treffen.
D for

4 Voraussetzung für die Teilnahme

Empfohlen:
In

- Programmierkenntnisse
- Verständnis des algorithmischen Designs
- Kenntnisse aus dem Bereich Lineare Algebra
- Der vorherige Besuche von „Bildverarbeitung“, „Computer Vision I“ und „Statistisches
Maschinelles Lernen“ oder vergleichbarer Veranstaltungen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1014-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 36

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1014-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

4 in
/2 ht
Kann in anderen Studiengängen verwendet werden.

9 Literatur 23 nic
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 37

Modulbeschreibung

Modulname

Tiefe Generative Modelle

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1035 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1035-iv Tiefe Generative Modelle 6 Integrierte 4

4 in
Veranstaltung
2 Lerninhalt

/2 ht
Generative Modelle, implizite und explizite Modelle, Variational AutoEncoders, Generative
23 nic
Adversarial Networks, Numerische Optimierung für generative Modelle, Anwendungen in der
medizinischen Bildverarbeitung
iS ch

3 Qualifikationsziele / Lernergebnisse
W no

Nachdem Studierende das Modul besucht haben, können sie

e

- den Aufbau und die Funktionsweise Tiefer Generativer Modelle (Deep Generative Models,
m st

DGM) erklären
de g i

- wissenschaftliche Veröffentlichungen zum Thema DGMs kritisch hinterfragen und damit

ll dn :
so or n
ab un

fachlich beurteilen
e e tio

- grundlegende DGMs in einer dafür ausgelegten höheren Programmiersprache selbstständig

Si ies ma

konstruieren / implementieren
- die Implementierung und Anwendung von DGMs auf unterschiedliche Anwendungen
D for

übertragen
In

4 Voraussetzung für die Teilnahme

Empfohlen:

- Programmierkenntnisse Python
- Kenntnisse aus dem Bereich Lineare Algebra
- Der vorherige Besuche von „Bildverarbeitung“, „Computer Vision I“ und „Statistisches
Maschinelles Lernen“ oder vergleichbarer Veranstaltungen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1035-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 38

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1035-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik

4 in
M. Sc. Artificial Intelligence and Machine Learning

/2 ht
Kann in anderen Studiengängen verwendet werden.

9 Literatur
23 nic
iS ch

Wird in Veranstaltung bekannt gegeben.

W no

10 Kommentar
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 39

Modulbeschreibung

Modulname
Verteilte Geometrieverarbeitung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1075 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1075-iv Verteilte 6 Integrierte 4

4 in
Geometrieverarbeitung Veranstaltung

/2 ht
2 Lerninhalt
* Grundlagen und Algorithmen der Geometrieverarbeitung: Smoothing, Remeshing, Delaunay-
23 nic
Triangulierung, Parametrisierung, Texturierung, u.a.
* Einführung in Big Data und Cloud Computing
iS ch

* Indexstrukturen für den schnellen Zugriff auf massive Geometriedatenmengen: Quad tree, R-
tree, Space-filling curves, u.a.
W no

* Verteilte und cloud-basierte Datenspeicherung

e

* Architekturen für verteilte Verarbeitungspipelines

m st

* Programmiermodelle für verteilte Algorithmen (z.B. MapReduce)

* Technologien und Frameworks für die verteilte Datenverarbeitung (z.B. Spark, Vert.x) und
de g i

Geometrieverarbeitung (Draco, u.a.)

ll dn :
so or n
ab un

* Deployment von verteilten Anwendungen in die Cloud

e e tio

* Ergänzend gibt es praktische und theoretische Übungen

Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Nach dem erfolgreichen Besuch der Veranstaltung besitzen die Studierenden grundlegende
Kenntnisse zur Geometrieverarbeitung sowie zur verteilten, cloud-basierten Verarbeitung sehr
In

großer Datenmengen im Allgemeinen. Sie sind in der Lage, selbstständig skalierbare

Anwendungen zu entwickeln und diese in der Cloud auszuführen, um die
Geometrieverarbeitung zu parallelisieren und damit die Performance zu erhöhen.

4 Voraussetzung für die Teilnahme

Empfohlen:

* Programmierkenntnisse in Java oder anderen JVM-Sprachen

* Grundlegende Algorithmen und Datenstrukturen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1075-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 40

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1075-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

n. t.
lte raf
Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science

9 Literatur
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch
W no

10 Kommentar
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 41

Modulbeschreibung

Modulname

Model Checking
Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
90 h 60 h 1 Semester
1115 3 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1115- Model Checking 3 Vorlesung 2

4 in
vl
2 Lerninhalt

/2 ht
* Temporallogiken:
23 nic
- Lineare temporal Logik (LTL), Computation Tree Logic (CTL) und CTL*: Syntax,
Semantik, Komplexität
iS ch

* Modelprüfungsverfahren für LTL, CTL, CTL*, insbesondere Büchiautomaten

* Partial Order Reduction
W no

* Timed Automata
e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Im Rahmen des Kurses sollen die Studierenden folgende Fähigkeiten erwerben:

ll dn :
so or n

* Verständnis der theoretischen Grundlagen der Temporallogiken LTL, CTL und CTL*
ab un
e e tio

* Fähigkeit zur Auswahl der geeigneten Logik zur Spezifikation und Modellprüfung in
Abhängigkeit von dem zu modellierenden System und der zu prüfenden Eigenschaft
Si ies ma

* Verfahren und Techniken zur Modellprüfung (Model Checking) z.B. Modellprüfung mit
Büchiautomaten, Partial Order Reduction u.ä.
D for

* Wissen über die Charakteristika und Grenzen der Modellprüfung

In

* Kenntnisse in der Modellprüfung von Timed Automate

* Fähigkeit zur Anwendung von Tools zur Modellprüfung

4 Voraussetzung für die Teilnahme

Empfohlen werden Kenntnisse in
* Aussagenlogik
* Deduktionssystemen
* Automatentheorie

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1115-vl] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 42

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%).

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1115-vl] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

n. t.
lte raf
100%, Standard)
8 Verwendbarkeit des Moduls

ge K
B. Sc. Informatik

4 in
M. Sc. Informatik
M. Sc. Computer Science

/2 ht
M. Sc. Artificial Intelligence and Machine Learning

23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no
e

10 Kommentar
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 43

Modulbeschreibung

Modulname

Hands-On HCI
Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
180 h 120 h 1 Semester
1116 6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1116- Hands-On HCI 6 Integrierte 4

4 in
iv Veranstaltung
2 Lerninhalt

/2 ht
Vielleicht haben Sie bereits von Virtual / Augmented Reality, 3D-Druck, am Körper
23 nic
getragenen oder anfassbaren (tangible) Benutzeroberflächen gehört oder diese sogar
ausprobiert. Der Bereich Human-Computer-Interaktion (HCI) deckt all diese spannenden
iS ch

Themen ab und bietet die Möglichkeit, neue Prototypen zu bauen und diese in
Benutzerstudien auszuprobieren. Wenn Sie Theorie und Praxis im Bereich der HCI
W no

verbinden möchten ist dieser Kurs - Hands-On HCI - genau das Richtige für Sie. Das Ziel
des Kurses ist es, Sie durch den gesamten Forschungszyklus im Bereich der HCI zu
e

führen. Damit kann dieser Kurs eine Vorbereitung für Ihre zukünftige Bachelor- /
m st

Masterarbeit in diesem Bereich sein, sowie einen ersten Baustein auf Ihrem akademischen
de g i

Weg darstellen.
ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Nach Abschluss des Moduls können Studierende

D for

- drei Ansätze zur HCI-Forschung voneinander unterscheiden und anwenden.

- drei Arten empirischer Untersuchungen unterscheiden.
In

- effektiv eine wissenschaftliche Publikation lesen.

- zwischen Arten von HCI-Beiträgen unterscheiden.
- Forschungsfragen, Hypothesen und experimentelle Variablen formulieren und
definieren.
- basierend auf den zuvor erarbeiteten Forschungsfragen ein dazu passendes
Studiendesign entwerfen.
- eine Studie durchführen und dabei quantitative und qualitative Methoden zur
Datensammlung verwenden.
- quantitative Daten auf der Basis von statistischen Methoden analysieren, auswerten und
interpretieren.
- qualitative Daten auf der Basis von Grounded Theory analysieren und interpretieren.
- den Peer-Review Prozess verstehen und sowie Reviews für eine wissenschaftliche
Publikation schreiben.

Modulhandbuch M. Sc. Computer Science 44

 - Evaluationstechniken mit und ohne Nutzern verstehen und anwenden.
- die gewonnenen Erkenntnisse als wissenschaftliche Publikation verschriftlichen und vor
einem Fachpublikum präsentieren.

4 Voraussetzung für die Teilnahme

Empfohlen wird die vorherige Belegung von „TK2: Human-Computer Interaction“ oder
einer vergleichbaren Veranstaltung.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1116-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

n. t.
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich

lte raf
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

ge K
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

4 in
Minuten), Hausübungen (optional: einschließlich Testaten)

/2 ht
6 Voraussetzung für die Vergabe von Leistungspunkten
23 nic
Bestehen der Prüfung (100%).
iS ch

7 Benotung
Bausteinbegleitende Prüfung:
W no

 [20-00-1116-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

e
m st

100%, Standard)
de g i
ll dn :

8 Verwendbarkeit des Moduls

so or n
ab un

B. Sc. Informatik
e e tio

M. Sc. Informatik
Si ies ma

M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

D for

9 Literatur
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 45

 Modulbeschreibung

Modulname

1.1.1. Mensch- und Identitätsfokussiertes Maschinelles Lernen

Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
180 h 120 h 1 Semester
1118 6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1118- Mensch- und 6 Integrierte 4

4 in
iv Identitätsfokussiertes Veranstaltung
Maschinelles Lernen

/2 ht
2 Lerninhalt
23 nic
Hintergründe und Konzepte von Human-Centric Machine Learning: Das Ziel von Identität
und Human-Centric Machine Learning. Die Unterschiede zwischen Identitätslernen und
iS ch

anderen gängigen Klassifikationsarten.

W no

Repräsentationsextraktion für subjektbezogene Daten: Methoden für die Feature

e

Erstellung für identitätsbezogene Anwendungen. Grundlagen und Hintergründe für

m st

handgefertigte oder Deep Learning Features.

de g i
ll dn :

Deep-Learning Strategien für Identitätsrepräsentationen: Erlernen von

so or n
ab un

Identitätsrepräsentationen mit Hilfe von Deep Learning. Lernstrategien und Loss-

e e tio

Funktionen.
Si ies ma

Netzwerkarchitekturen und identitätsspezifische Komponenten.

D for

Knowledge Transfer und Distillation: Transfer Learning und Identitätsrepräsentation.

Konzepte und Anwendungen von Knowledge Distillation.
In

Effizientes Machine Learning: Beziehung zwischen Ressourcenbeschränkungen, Green-AI

und Deep Learning. Methoden zum Aufbau effizienter Lösungen für Maschinelles Lernen.

Synthetische Identität: Die Notwendigkeit einer synthetischen Identität. Synthetische

Identität als Adversarial. Generierung synthetischer identitätsgesteuerter Daten unter
verschiedenen Einschränkungen.

Machine Learning Biases: Analyse der demografischen Fairness und der Ursachen der
Fairnessprobleme. ML-basierte Abmilderung von demografischen Bias.

Privatsphäre erlernen: Analyse von unbeabsichtigt gelernten Informationen.

Lernstrategien zur gezielten Unterdrückung von Informationen auf verschiedenen
Repräsentationsebenen.

Modulhandbuch M. Sc. Computer Science 46

 Data Utility: Verständnis der Auswirkungen von Data Utility im Lernprozess. Verstehen
von Sample Utility im Betrieb. ML-Konzepte und Strategien zur Schätzung von Sample
Utilities.

Angriffe auf Sample-Level: Überblick über Adversarial, Sample Manipulation und andere
Angriffe auf Human-Centric ML. Deep Learning Konzepte, Netzwerkblöcke und
LossStrategien um Sample-Level Angriffe zu erkennen und zu umgehen.

Explainability: Überblick über den Bedarf von Explainability in verschiedenenen

Entscheidungsprozessen. Verschiedene Strategien um Explainability für Themen aus
vergangenen Vorlesungen.

n. t.
lte raf
3 Qualifikationsziele / Lernergebnisse
Nach erfolgreichem Besuch des Kurses sind die Studierenden mit Konzepten des

ge K
maschinellen Lernens im Umgang mit personen- und identitätsbezogenen Informationen

4 in
vertraut. Sie verstehen die grundlegenden Techniken für die Extraktion
subjektspezifischer Repräsentationen, einschließlich der damit verbundenen Konzepte für

/2 ht
Knowledge Transfer und Distillation. Die Studierenden haben ein Verständnis für
23 nic
demografisch bedingte Verzerrungen beim maschinellen Lernen und
Datenschutzbedenken zu Function-Creep erlangt, einschließlich der wichtigsten Konzepte
iS ch

zur Abschwächung dieser Probleme. Sie kennen die Anforderungen und Techniken, die
für ein eingebettetes und effizientes HumanCentric Machine Learning erforderlich sind.
W no

Ebenfalls sind sie mit den Auswirkungen von Data Utility im Lernprozess und dem
e

Hauptkonzept zur Schätzung der Utility von subjektbezogenen Daten vertraut. Sie
m st

werden fundiertes Wissen über die Erklärungsmethoden für ML-Entscheidungen auf der
de g i

Grundlage von identitätsbezogenen Daten erlangen. Die Studierenden werden in die

ll dn :
so or n

Konzepte der KI-Ethik und der KIRegulierung im Zusammenhang mit der Verarbeitung
ab un
e e tio

und Speicherung personenbezogener Daten eingeführt. Sie sind in der Lage, diese
Techniken zur Lösung grundlegender Aufgaben im Bereich von Identitäts- und Human-
Si ies ma

Centric Machine Learning auf realistische Probleme anzuwenden.

D for

4 Voraussetzung für die Teilnahme

In

Empfohlen: Der vorherige Besuch der Veranstaltung „Visual Computing“ oder einer
vergleichbaren Veranstaltung. Grundlagen in Mathematik und
Wahrscheinlichkeitsrechnung.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1118-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

Modulhandbuch M. Sc. Computer Science 47

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%).

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1118-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
M. Sc. Autonome Systeme und Robotik

ge K
Kann in anderen Studiengängen verwendet werden.

4 in
9 Literatur

/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 48

Modulbeschreibung

Modulname

Programmanalyse
Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
180 h 120 h 1 Semester
1122 6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Software und Hardware
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1122- Programmanalyse 6 Vorlesung 4

4 in
vl und Übung
2 Lerninhalt

/2 ht
Statische Analysen sind Werkzeuge die Informationen von Programmen extrahieren ohne
23 nic
diese auszuführen. Statische Analysen haben vielseitige Anwendungen in integrierten
Entwicklungsumgebungen (IDEs), Compilern und Continous Integration Servern. Zum
iS ch

Beispiel werden statische Analysen in IDEs verwendet um Programmfehler und

Sicherheitslücken zu erkennen. Des Weiteren werden sie in Compilern zum Typechecking
W no

und für Optimierungen verwendet.

e

DIeser Kurs gibt einen Überblick über die zugrundeliegende Konzepte von statischen
m st

Analysen. Insbesondere diskutieren wir den Kompromiss zwischen der Performanz, der
de g i

Präzision, und der Korrektheit von statischen Analysen. Des Weiteren werden Ihnen
ll dn :
so or n

verschieden Sorten von statischen Analysen vorgestellt, wie zum Beispiel

ab un
e e tio

Kontrollflussanalysen, Datenflussanalysen, Zeigeranalysen, sowie Seiteneffekt- und

Unveränderlichkeitsanalysen. Abschließend lernen sie verschiedene Analyseframeworks
Si ies ma

kennen, wie das monotone Framework, Big-Step Abstrakte Interpreter und IFDS/IDE
Frameworks.
D for

In der begleitenden Übung wenden Sie die neuen Analysekonzepte praktisch an, und
In

erweitern oder entwickeln existierende Analysen.

3 Qualifikationsziele / Lernergebnisse
Das Ziel dieses Kurses ist es die zugrundeliegenden Konzepte von statischen Analysen zu
vermitteln. Dies erlaubt es Studierenden statische Analysen in IDEs effektiver zu
verwenden. Des Weiteren sind Studierende nach dem Kurs in der Lage Eigenschaften von
statischen Analysen wie Performanz und Präzision zu beurteilen

4 Voraussetzung für die Teilnahme

Empfohlen: Wir erwarten, dass Studierende die Konzepte der Programmiersprachen, wie
Zuweisungen, Schleifen, Ausnahmebehandlung, Objekte, und anonyme Funktionen gut
verstanden haben. Des Weiteren sollten die Kursteilnehmer*innen mit grundlegender
Universitätsmathematik und Logik vertraut sein.

Modulhandbuch M. Sc. Computer Science 49

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1122-vl] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%).

n. t.
lte raf
7 Benotung

ge K
Bausteinbegleitende Prüfung:

4 in
 [20-00-1122-vl] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

/2 ht
8
23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
iS ch

M. Sc. Computer Science

W no

Kann in anderen Studiengängen verwendet werden.

e
m st

9 Literatur
de g i
ll dn :
so or n
ab un
e e tio

10 Kommentar
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 50

 n. t.
lte raf
ge K
4 in
/2 ht
Modulhandbuch
23 nic
M. Sc. Computer Science
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio

Wahlbereich Theorie
Si ies ma

(Theoretische Informatik)
D for
In

Modulhandbuch M. Sc. Computer Science 51

Modulbeschreibung

Modulname

Statische und dynamische Programmanalyse

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-0580 180 h 120 h 1 Semester
6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Theorie
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0580-iv Statische und dynamische 6 Integrierte 4

4 in
Programmanalyse Veranstaltung
2 Lerninhalt

/2 ht
- operationelle Semantiken für sequentielle und parallele Programme
23 nic
- Übersicht über Techniken zur statischen und dynamischen Programmanalyse
- Abstrakte Interpretation
iS ch

- Datenflussanalysen
- Slicing-Techniken
W no

- typbasierte Programmanalysen
- Konzepte der Laufzeitüberwachung
e

- Implementierungstechniken zur Laufzeitüberwachung

m st

- Sprachbasierte Sicherheit
de g i

- Korrektheit und Präzision von Programmanalysen

ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Nach erfolgreicher Teilnahme an der Veranstaltung kennen Studierende ein Spektrum von
unterschiedlichen Programmanalysen. Sie verstehen die Funktionsweise der einzelnen
D for

Analysetechniken und verstehen die Unterschiede zwischen diesen. Sie können beurteilen,
welche Analysetechnik für welche Problemstellung in Frage kommt und haben die Fähigkeit,
In

die ausgewählte Analysetechnik einzusetzen. Sie können Programmanalysen bezüglich ihrer

Präzision und Korrektheit beurteilen. Sie können Programmanalysen auch implementieren
und Varianten von bekannten Programmanalysen definieren.

4 Voraussetzung für die Teilnahme

Empfohlen:

Informatik- und Mathematikkenntnisse entsprechend den ersten 4 Semestern des

Bachelorstudiengangs Informatik, insbesondere grundlegende Logikkenntnisse und Fähigkeit,
mit formalen Sprachen und Kalkülen umzugehen

5 Prüfungsform
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 52

  [20-00-0580-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung

n. t.
Bausteinbegleitende Prüfung:

lte raf
 [20-00-0580-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

ge K
Standard)

4 in
8 Verwendbarkeit des Moduls

/2 ht
B. Sc. Informatik
M. Sc. Informatik
23 nic
M. Sc. Computer Science
iS ch
Kann in anderen Studiengängen verwendet werden.
W no

9 Literatur
e
m st
de g i

10 Kommentar
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 53

Modulbeschreibung

Modulname

Automatische Softwareverifikation
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1069 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Theorie
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1069-iv Automatische 6 Integrierte 4

4 in
Softwareverifikation Veranstaltung
2 Lerninhalt

/2 ht
Die Veranstaltung befasst sich mit dem Techniken zur automatischen Softwareverifikation und
23 nic
behandelt dabei folgende Themebereiche:
- operationelle Semantik von sequentiellen Programmen
iS ch

- konfigurierbare Programmanalyse inklusive Konfiguration für Datenflussanalysen und Model

Checking
W no

- counter-example guided abstraction refinement (CEGAR)

- Bounded Model Checking
e

- k-Induktion
m st

- kooperative Verifikation, insbesondere Conditional Model Checking

de g i

- inkrementelle Verifikation
ll dn :
so or n

- Nachprüfung von Verifikationsergebnissen (a la Proof-Carrying Code, Witness Validation)

ab un
e e tio

- Generierung von Testeingaben mittels Verifizierern

Si ies ma

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung können die Studierenden eine Vielzahl von
D for

Verfahren zur automatischen Verfikation benennen. Sie können die den Verfahren zugrunde
In

liegenden Formalismen wiedergeben, die Funktionsweise der Verfahren beschreiben und die
Verfahren klassifizieren. Außerdem können die Studierenden die Verfahren auf Beispielen
anwenden und neue konfigurierbare Programmanalysen entwickeln.

4 Voraussetzung für die Teilnahme

Empfohlen:
Informatikkenntnisse entsprechend der ersten vier Semester des Bachelorstudiengangs
Informatik, insbesondere Kenntnisse aus der Vorlesung „Aussagen- und Prädikatenlogik“ oder
Vergleichbares.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1069-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 54

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1069-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

n. t.
lte raf
Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science

23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch
9 Literatur
W no
e

10 Kommentar
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 55

Modulbeschreibung

Modulname
Verifikation paralleler Programme

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1079 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Theorie

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1079-iv Verifikation paralleler 6 Integrierte 4

4 in
Programme Veranstaltung

/2 ht
2 Lerninhalt
Die Veranstaltung befasst sich mit überwiegend automatischen Techniken zur Verifikation von
23 nic
parallelen Programmen, insbesondere multi-threaded Programmen mit gemeinsamen Speicher.
Die Veranstaltung behandelt dabei folgende Themenbereiche:
iS ch

- Semantik von parallelen Programmen (z.B. Interleaving-Semantik, Semantik von

ausgewählten schwachen Speichermodellen)
W no

- Statische und dynamische Techniken zur Erkennung von Data Races

e

- Techniken der Deadlockanalyse

m st

- Analyse von Programmeigenschaften (z.B. mittels Sequentialisierung, Bounded Model

Checking, etc.)
de g i

- Partial Order Reduction

ll dn :
so or n
ab un

- Thread-modulare Verifikation
e e tio

- Verifikation unter schwachen Speichermodellen

Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Nach erfolgreicher Teilnahme an der Veranstaltung können die Studierenden Verfahren zur
Verifikation von parallelen Programmen, insbesondere Verfahren zur Analyse von Data Races,
In

Deadlocks und Sicherheitseigenschaften (Safety) benennen. Sie können die den Verfahren
zugrunde liegenden Formalismen wiedergeben, die Funktionsweise der Verfahren beschreiben
und die Verfahren auf Beispielen anwenden. Außerdem können die Studierenden die Stärken
und Schwächen der Verfahren beurteilen.

4 Voraussetzung für die Teilnahme

Empfohlen: Informatikkenntnisse entsprechend der ersten vier Semester des
Bachelorstudiengangs Informatik. Vorteilhaft, aber nicht erforderlich ist der Besuch der
Veranstaltung „Automatische Software Verifikation“.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1079-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 56

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1079-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

n. t.
lte raf
Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science

23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch
9 Literatur
W no
e

10 Kommentar
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 57

Modulbeschreibung

Modulname

Einführung in das Quantencomputing

Modul Nr. Leistungspun
Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
20-00- kte
180 h 120 h 1 Semester Jedes 2. Semester
1136 6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Wahlbereich
Englisch
Theorie
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1136- Einführung in das 6 Integrierte 4

4 in
iv Quantencomputing Veranstaltung
2 Lerninhalt

/2 ht
Allgemeine Einführung und Motivation
23 nic
Einführung in die Quantenmechanik (Zustände, Messungen, Evolution, ein kurzer Überblick zur
linearen Algebra)
iS ch

Elementare Quantengatter und Schaltkreismodell

Universelle Quantenberechnungen
W no

Quantenparallelismus und der Deutsch-Jozsa-Algorithmus

Simon’s Algorithm
e

Die Fourier-Transformation
m st

Der Shor-Algorithmus
de g i

Das Problem der versteckten Untergruppe

ll dn :
so or n

Der Grover-Algorithmus
ab un
e e tio

Quantenfehlerkorrektur und Fehlertoleranz

Verschränkung und Nichtlokalität
Si ies ma

Eine grundlegende Einführung in die Quantenschlüsselverteilung

Überblick über Quantencomputerplattformen und Aussagen zur Quantenüberlegenheit
D for

3 Qualifikationsziele / Lernergebnisse
In

Nach Abschluss des Kurses sind die Studierenden mit allen grundlegenden Konzepten der
Quanteninformationsverarbeitung und -berechnung vertraut und können diese mit der
Quantenprogrammiersprache Qiskit programmieren. Sie lernen die wichtigsten "Eigenheiten"
der Quantenwelt kennen und können diese mit rechnerischen und kryptographischen
Aufgabenstellungen verbinden. Am Ende der Vorlesung wird eine Zusammenfassung der
neuesten Entwicklungen in Industrie und Wissenschaft gegeben, die es den Studierenden
ermöglicht, ihre zukünftigen Interessen in diesem Bereich zu steuern.

4 Voraussetzung für die Teilnahme

Empfohlen werden grundlegende Kenntnisse in elementarer linearer Algebra
(Matrixmultiplikation, Ermittlung von Eigenwerten)

Modulhandbuch M. Sc. Computer Science 58

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1136-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30 Minuten),
Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Empfohlen werden grundlegende Kenntnisse in elementarer linearer Algebra

n. t.
(Matrixmultiplikation, Ermittlung von Eigenwerten)

lte raf
7 Benotung

ge K
Bausteinbegleitende Prüfung:

4 in
 [20-00-1136-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

/2 ht
Standard)

8
23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
iS ch

M. Sc. Informatik
W no

M. Sc. Computer Science

e

Kann in anderen Studiengängen verwendet werden.

m st
de g i

9 Literatur
ll dn :
so or n
ab un
e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 59

 n. t.
lte raf
ge K
4 in
/2 ht
Modulhandbuch
23 nic
M. Sc. Computer Science
iS ch
W no
e
m st

Vertiefung Data Science and Engineering

de g i
ll dn :
so or n
ab un
e e tio
Si ies ma

Wahlbereich Data Science Applications

D for
In

Modulhandbuch M. Sc. Computer Science 60

Modulbeschreibung

Modulname
Computer Vision

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0157 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Computer Vision 6 integrierte 4

4 in
0157-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
● Grundlagen der Bildformierung
● Lineare und (einfache) nichtlineare Bildfilterung
iS ch

● Grundlagen der Mehransichten-Geometrie

● Kamerakalibrierung & -posenschätzung
W no

● Grundlagen der 3D-Rekonstruktion

e

● Grundlagen der Bewegungsschätzung aus Videos

m st

● Template- und Unterraum-Ansätze zur Objekterkennung

de g i

● Objektklassifikation mit Bag of Words

ll dn :
so or n
ab un

● Objektdetektion
e e tio

● Grundlagen der Bildsegmentierung

Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Studierende beherrschen nach erfolgreichem Besuch der Veranstaltung die Grundlagen der
Computer Vision. Sie verstehen grundlegende Techniken der Bild- und Videoanalyse, und
In

können deren Annahmen und mathematische Formulierungen benennen, sowie die sich
ergebenden Algorithmen beschreiben. Sie sind in der Lage diese Techniken praktisch so
umzusetzen, dass sie grundlegende Bildanalyseaufgaben an Hand realistischer Bilddaten
lösen können.

4 Voraussetzung für die Teilnahme

Empfohlen: Der vorherige Besuch von „Visual Computing“ oder einer vergleichbaren
Veranstaltung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0157-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 61

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0157-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

n. t.
100%, Standard)

lte raf
8 Verwendbarkeit des Moduls

ge K
B. Sc. Informatik

4 in
M. Sc. Informatik
M. Sc. Computer Science

/2 ht
M. Sc. Autonome Systeme und Robotik
23 nic
M. Sc. Artificial Intelligence and Machine Learning
M. Sc. IT Sicherheit
iS ch

Kann in anderen Studiengängen verwendet werden.

W no
e

9 Literatur
m st

Literaturempfehlungen werden regelmässig aktualisiert und beinhalten beispielsweise:

de g i

● R. Szeliski, "Computer Vision: Algorithms and Applications", Springer 2011

ll dn :
so or n

● D. Forsyth, J. Ponce, "Computer Vision -- A Modern Approach", Prentice Hall, 2002

ab un
e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 62

Modulbeschreibung

Modulname
Computer Vision II

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0401 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Computer Vision II 6 integrierte 4

4 in
0401-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
● Computer Vision als (probabilistische) Inferenz
● Robuste Schätzung und Modellierung
iS ch

● Grundlagen der Bayes’schen Netze und Markov’schen Zufallsfelder

W no

● Grundlegende Inferenz- und Lernverfahren der Computer Vision

● Bildrestaurierung
e
m st

● Stereo
de g i

● Optischer Fluß
ll dn :

● Bayes’sches Tracking von (artikulierten) Objekten

so or n
ab un
e e tio

● Semantische Segmentierung
● Aktuelle Themen der Forschung
Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Studierende haben nach erfolgreichem Besuch der Veranstaltung ein vertieftes Verständnis
In

der Computer Vision. Sie formulieren Fragestellungen der Bild- und Videoanalyse als
Inferenzprobleme und berücksichtigen dabei Herausforderungen reeller Anwendungen, z.B.
im Sinne der Robustheit. Sie lösen das Inferenzproblem mittels diskreter oder
kontinuierlicher Inferenzalgorithmen, und wenden diese auf realistische Bilddaten an. Sie
evaluieren die anwendungsspezifischen Ergebnisse quantitativ.

4 Voraussetzung für die Teilnahme

Empfohlen: Der vorherige Besuch von „Visual Computing“ und „Computer Vision I“ oder
vergleichbaren Veranstaltungen ist empfohlen.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0401-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 63

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0401-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

n. t.
100%, Standard)

lte raf
ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik
M. Sc. Computer Science

/2 ht
M. Sc. Autonome Systeme und Robotik
23 nic
M. Sc. Artificial Intelligence and Machine Learning
M. Sc. IT Sicherheit
iS ch

Kann in anderen Studiengängen verwendet werden.

W no
e

9 Literatur
m st

Literaturempfehlungen werden regelmässig aktualisiert und beinhalten beispielsweise:

de g i

● S. Prince, “Computer Vision: Models, Learning, and Inference”, Cambridge University

ll dn :
so or n

Press, 2012
ab un
e e tio

● R. Szeliski, "Computer Vision: Algorithms and Applications", Springer 2011

Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 64

Modulbeschreibung

Modulname
Natural Language Processing and the Web

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0433 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Natural Language Processing and 6 integrierte 4

4 in
0433-iv the Web Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Das Web beinhaltet mehr als 10 Milliarden indexierbare Webseiten, die mittels
Stichwortsuche zugänglich sind. Die Vorlesung behandelt Methoden der automatischen
iS ch

Sprachverarbeitung bzw. des Natural Language Processing (NLP) zur Verarbeitung großer
Mengen unstrukturierter Texte im Web und zur Analyse von Online-Inhalten als wertvolle
W no

Ressource für andere sprachtechnologische Anwendungen im Web.

e
m st

Zentrale Inhalte:
de g i

● Verarbeitung unstrukturierter Texte im Web

ll dn :
so or n
ab un

○ NLP-Grundlagen: Tokenisierung, Wortartenerkennung, Stemming, Lemmatisierung,

e e tio

Chunking
○ UIMA: Grundlagen und Anwendungen
Si ies ma

○ Web-Inhalte und ihre Charakteristika, u.a. verschiedene Genres, z.B. persönliche

Seiten, Nachrichtenportale, Blogs, Foren, Wikis
D for

○ Das Web als Korpus, insb. innovative Verwendung des Webs als sehr großes,
In

verteiltes, verlinktes, wachsendes und multilinguales Korpus

● NLP-Anwendungen für das Web
○ Einführung in das Information Retrieval
○ Web-Suche und natürlichsprachliche Suchschnittstellen
○ Web-basierte Beantwortung von natürlichsprachlichen Fragen
○ Web-Mining im Web 2.0, z.B. Wikipedia, Wiktionary
○ Qualitätsbewertung von Web-Inhalten
○ Multilingualität
○ Internet-of-Services: Service Retrieval
○ Sentimentanalyse und Community Mining
○ Paraphrasen, Synonyme, semantische Verwandtschaft und das Web

Modulhandbuch M. Sc. Computer Science 65

3 Qualifikationsziele / Lernergebnisse
Nachdem Studierende die Veranstaltung besucht haben, können sie

● Methoden und Ansätze zur Verarbeitung unstrukturierter Texte verstehen und

differenzieren,

● die Arbeitsweise von Web-Suchmaschinen nachvollziehen und erläutern,

● exemplarische Anwendungen der Sprachverarbeitung im Web selbständig aufbauen und

analysieren,

● das Potenzial von Web-Inhalten für die Verbesserung von sprachtechnologischen

Anwendungen analysieren und einschätzen.

n. t.
lte raf
4 Voraussetzung für die Teilnahme

ge K
Empfohlen: Grundlegende Kenntnisse über Algorithmen und Datenstrukturen sowie
Programmierkenntnisse in Java werden erwartet

4 in
5 Prüfungsform

/2 ht
Bausteinbegleitende Prüfung:

 23 nic
[20-00-0433-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)
iS ch

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
W no
e

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
m st

Minuten), Hausübungen (optional: einschließlich Testaten)

de g i
ll dn :

6 Voraussetzung für die Vergabe von Leistungspunkten

so or n
ab un
e e tio

Bestehen der Prüfung (100%)

Si ies ma

7 Benotung
Bausteinbegleitende Prüfung:
D for

 [20-00-0433-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
In

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning
M. Sc. IT Sicherheit

Kann in anderen Studiengängen verwendet werden.

Modulhandbuch M. Sc. Computer Science 66

Modulbeschreibung

Modulname
Lernende Roboter

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0629 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Lernende Roboter 6 integrierte 4

4 in
0629-vl Veranstaltung

/2 ht
2 Lerninhalt
23 nic
- Grundlagen aus der Robotik und des Maschinellen Lernens für Lernende Roboter
- Maschinellen Lernen von Modellen
iS ch

- Representation einer Policy. Hierarchische Abstraktion mit Bewegungsprimitiven

W no

- Imitationslernen
e

- Optimale Steuerung mit gelernten Modellen

m st

- Reinforcement Learning und Policy Search-Verfahren

de g i

- Inverses Reinforcement Learning

ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Nach erfolgreichen Abschluss der Lehrveranstaltung verstehen Studierende die Grundlagen

des Maschinellen Lernens und der Robotik. Sie können maschinelle Lernverfahren
D for

anwenden um einen Roboter zu befähigen, neue Aufgaben zu erlernen. Studierende

In

verstehen die Grundlagen von Reinforcement Learning und können verschiedene

Algorithmen anwenden um eine Policy des Roboters aufgrund von Interaktion mit der
Umgebung zu erlernen. Sie verstehen den Unterschied zwischen Imitation Learning,
Reinforcement Learning, Policy Search und Inverse Reinforcement Learning und können
einschätzen, wann sie welchen Ansatz verwenden sollen. Sie können diese Ansätze auch
problemlos auf geeignete Aufgabenstellungen anwenden.

4 Voraussetzung für die Teilnahme

Empfohlen: Gute Programmierkenntnisse in Matlab und der vorherige Besuch von
„Statistisches Maschinelles Lernen“ oder einer vergleichbaren Veranstaltung sind hilfreich
aber nicht zwingend erforderlich

Modulhandbuch M. Sc. Computer Science 67

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0629-vl] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
lte raf
7 Benotung
Bausteinbegleitende Prüfung:

ge K
4 in
• [20-00-0629-vl] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

/2 ht
In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen
23 nic
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
iS ch

8 Verwendbarkeit des Moduls

W no

B. Sc. Informatik
e

M. Sc. Informatik
m st

M. Sc. Computer Science

M. Sc. Autonome Systeme und Robotik
de g i
ll dn :

M. Sc. Artificial Intelligence and Machine Learning

so or n
ab un

M. Sc. IT Sicherheit
e e tio
Si ies ma

Kann in anderen Studiengängen verwendet werden.

D for

9 Literatur
Deisenroth, M. P.; Neumann, G.; Peters, J. (2013). A Survey on Policy Search for Robotics,
In

Foundations and Trends in Robotics

Kober, J; Bagnell, D.; Peters, J. (2013). Reinforcement Learning in Robotics: A Survey,
International Journal of Robotics Research
C.M. Bishop, Pattern Recognition and Machine Learning (2006),
R. Sutton, A. Barto. Reinforcement Learning - an Introduction
Nguyen-Tuong, D.; Peters, J. (2011). Model Learning in Robotics: a Survey

10 Kommentar

Modulhandbuch M. Sc. Computer Science 68

Modulbeschreibung

Modulname

Deep Learning für medizinische Bildgebung

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-1014 150 h 105 h 1 Semester
5 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1014-iv Deep Learning für 5 Integrierte 3

4 in
medizinische Bildgebung Veranstaltung
2 Lerninhalt

/2 ht
Formulierung der medizinischen Bildsegmentierung, Computergestützte Diagnostik und
23 nic
chirurgische Planung als Probleme des maschinellen Lernens, Deep Learning für medizinische
Bildsegmentierung, Deep Learning für computergestützte Diagnostik, Chirurgische Planung
iS ch

von präoperativen Bildern mit Deep Learning, Tool-Präsenz Erkennung und Lokalisierung von
endoskopischen Videos durch Deep Learning, Adversarial Beispiele für medizinische
W no

Bildgebung, Generative Adversarial Networks für Medizinische Bildgebung.

e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Nach erfolgreichem Abschluss des Kurses sind die Studierenden in der Lage sein, alle
ll dn :
so or n

Komponenten der Formulierung eines medizinischen Bildanalyseproblems als Problem des

ab un
e e tio

Maschinellen Lernens zu verstehen. Sie sind auch in der Lage sein, fundierte Entscheidungen
über die Wahl eines universellen Deep Learning Paradigmas für ein gegebenes medizinische
Si ies ma

Bildanalyseproblem zu treffen.
D for

4 Voraussetzung für die Teilnahme

Empfohlen:
In

- Programmierkenntnisse
- Verständnis des algorithmischen Designs
- Kenntnisse aus dem Bereich Lineare Algebra
- Der vorherige Besuche von „Bildverarbeitung“, „Computer Vision I“ und „Statistisches
Maschinelles Lernen“ oder vergleichbarer Veranstaltungen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1014-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 69

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1014-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

4 in
/2 ht
Kann in anderen Studiengängen verwendet werden.

9 Literatur 23 nic
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 70

Modulbeschreibung

Modulname

Deep Learning: Architectures & Methods

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1034 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1034-iv Deep Learning: Architectures & 6 Integrierte 4

4 in
Methods Veranstaltung
2 Lerninhalt

/2 ht
• Auffrischung des Hintergrundwissens
23 nic
• Deep Feedforward Netze
• Regularisierung im Deep Learning
iS ch

• Optimierung zum Training tiefer Netze

• Convolutional tiefe Netze
W no

• Modelierung von Sequenzen durch Rekordernte und Rekursive Netze

• Lineare Faktor Modelle
e

• Autoenkoder
m st

• Repräsentationslernen
de g i

• Strukturierte Probabilistische Modelle zum Deep Learning

ll dn :
so or n

• Monte Carlo Methoden

ab un
e e tio

• Approximative Inferenz
• Tiefe generative Modelle
Si ies ma

• Deep Reinforcement Learning

• Deep Learning in Vision
D for

• Deep Learning in NLP

In

3 Qualifikationsziele / Lernergebnisse
Dieser Kurs richtet sich an Studierende mit fortgeschrittenem Erfahrung im maschinellen
Lernen und vermittelt diesen Studierenden das notwendige Wissen, um eigenständig
Forschungsprojekte im Bereich der Deep Learning durchzuführen, z.B. im Rahmen einer
Bachelor- oder Masterarbeit. Dies betrifft sowohl ein grundlegendes Verständnis der
algorithmischen Ansätze zum Deep Learning als auch die der Architekturen der tiefen tiefen
Netze.

4 Voraussetzung für die Teilnahme

Empfohlen: Der vorherige Besuch von „Statistisches Maschinelles Lernen“ und „Data Mining
und Maschinelles Lernen“ oder vergleichbarer Veranstaltungen

Modulhandbuch M. Sc. Computer Science 71

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1034-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
lte raf
7 Benotung

ge K
Bausteinbegleitende Prüfung:

4 in
 [20-00-1034-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,
Standard)

/2 ht
8
23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
iS ch

M. Sc. Computer Science

W no

M. Sc. Autonome Systeme und Robotik

M. Sc. Artificial Intelligence and Machine Learning
e
m st

Kann in anderen Studiengängen verwendet werden.

de g i
ll dn :
so or n

9 Literatur
ab un
e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 72

Modulbeschreibung

Modulname

Reinforcement Learning: Von Grundlagen zu den tiefen Ansätzen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1047 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1047-iv Reinforcement Learning: Von 6 Integrierte 4

4 in
Grundlagen zu den tiefen Veranstaltung
Ansätzen

/2 ht
2 Lerninhalt
23 nic
• Auffrischung des Hintergrundwissens
• Black box Reinforcement Learning
iS ch

• Modellierung als Bandit, Markov Decision Processes und Partially Observable Markov
Decision Processes
W no

• Optimale Steuerung und Regelung

• Modellernen
e

• Wertefunktionslernen
m st

• Policy Search
de g i

• Tiefe Wertefunktion Methoden

ll dn :
so or n

• Tiefe Policy Search Methoden

ab un
e e tio

• Exploration vs Exploitation
• Hierarchisches Reinforcement Learning
Si ies ma

• Intrinsische Motivation
D for

3 Qualifikationsziele / Lernergebnisse
Dieser Kurs richtet sich an Studierende mit erster Erfahrung im maschinellen Lernen und
In

vermittelt diesen Studierenden das notwendige Wissen, um eigenständig Forschungsprojekte im

Bereich der Reinforcement Learning durchzuführen, z.B. im Rahmen einer Bachelor- oder
Masterarbeit. Dies betrifft sowohl ein grundlegendes Verständnis der algorithmischen Ansätze
zum Reinforcement Learning als auch Anwendungen von tiefen Netzen.

4 Voraussetzung für die Teilnahme

Empfohlen:

Gute Programmierkenntnisse in Python.

Der vorherige Besuch von „Statistisches Maschinelles Lernen“ oder einer vergleichbaren
Veranstaltung ist hilfreich aber nicht zwingend erforderlich

Modulhandbuch M. Sc. Computer Science 73

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1047-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
lte raf
7 Benotung

ge K
Bausteinbegleitende Prüfung:

4 in
 [20-00-1047-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,
Standard)

/2 ht
8
23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
iS ch

M. Sc. Computer Science

W no

M. Sc. Autonome Systeme und Robotik

M. Sc. Artificial Intelligence and Machine Learning
e
m st

Kann in anderen Studiengängen verwendet werden.

de g i
ll dn :
so or n

9 Literatur
ab un
e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 74

 n. t.
lte raf
ge K
Modulhandbuch

4 in
/2 ht
M. Sc. Computer Science
23 nic
iS ch
W no

Vertiefung Data Science and Engineering

e
m st
de g i
ll dn :
so or n
ab un
e e tio

Wahlbereich Data Systems Engineering

Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 75

Modulbeschreibung

Modulname
Informationsvisualisierung und Visual Analytics

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0294 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Informationsvisualisierung und 6 integrierte 4

4 in
0294-iv Visual Analytics Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Diese Vorlesung wird eine detaillierte Einführung in die Informationsvisualisierung geben,
um sich dann intensiv den wissenschaftlichen Fragestellungen und praxisnahen
iS ch

Anwendungsszenarien von Visual Analytics zu widmen.

W no

•Überblick der Informationsvisualisierung und Visual Analytics (Definitionen, Modelle,

Historie)
e

•Datenpräsentierung und Datentransformation

m st

•Abbildung von Daten auf visuelle Strukturen

de g i
ll dn :

• Visuelle Repräsentierungen und Interaktion fuer bivariate, multivariate Daten, Zeitreihen,

so or n
ab un

Graphen und Geographische Daten

e e tio

• Grundlagen von Data Mining

Si ies ma

•Grundlagen von Visual Analytics: - Analytische Beweisführung - Data Mining

• Evaluation von Visual Analytics Systemen
D for

Anwendungsgebiete: Medizin, Biologie, Finanzen und Wirtschaft, Meteorologie,

In

Rettungsdienst,....

3 Qualifikationsziele / Lernergebnisse
Studierende können nach erfolgreichem Besuch der Veranstaltung

•Informationsvisualisierungsmethoden für verschiedene Datentypen benutzen

•interactive Visualisierungsysteme für Daten aus verschiedenen Anwendungsgebieten

designen

•Visualisierung und automatische Datenverarbeitung kombinieren um Big Data Probleme zu

lösen

Modulhandbuch M. Sc. Computer Science 76

 •Wissen über Hauptcharakteristika menschlicher visuellen Wahrnehmung in
Informationsvisualisierung und Visual Analytics anwenden

•geeignete Evaluationsmethode für spezifische Situationen und Szenarien auswählen

4 Voraussetzung für die Teilnahme

Empfohlen: Interesse an Methoden der Computergrafik und Visualisierung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0294-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

n. t.
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist

lte raf
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

ge K
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

4 in
Minuten), Hausübungen (optional: einschließlich Testaten)

/2 ht
6 Voraussetzung für die Vergabe von Leistungspunkten

23 nic
Bestehen der Prüfung (100%)

7 Benotung
iS ch

Bausteinbegleitende Prüfung:
W no

• [20-00-0294-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

e

100%, Standard)
m st
de g i
ll dn :

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

so or n
ab un

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
e e tio

Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
Si ies ma

8 Verwendbarkeit des Moduls

D for

B. Sc. Informatik
M. Sc. Informatik
In

M. Sc. Computer Science

M.Sc. IT Sicherheit

Kann in anderen Studiengängen verwendet werden.

9 Literatur
Wird in der Vorlesung bekanntgegeben. Beispiele für verwendete Literatur
könnten sein:
C. Ware: Information Visualization: Perception for Design
Ellis et al: Mastering the Information Age

10 Kommentar

Modulhandbuch M. Sc. Computer Science 77

Modulbeschreibung

Modulname
Software Engineering - Design and Construction

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0341 240 h 180 h 1 Semester Jedes 2. Semester
8 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Software Engineering - Design and 8 integrierte 4

4 in
0341-iv Construction Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Der primäre Inhalt der Veranstaltung ist der Entwurf modularer Software, um wartbare,
wiederverwendbare und erweiterbare Sofwaresysteme zu erhalten.
iS ch

Integraler Bestandteil der Veranstaltung ist die Diskussion der Beziehung zwischen den
W no

Eigenschaften fortschrittlicher Programmiersprachen und dadurch möglicher

Entwurfsalternativen. Weiterhin wird die Auswirkung der Programmiersprache auf den
e

Entwurf eines Softwaresystems als Ganzes besprochen.

m st

Die Vorlesung behandelt insbesondere:

de g i

● Prinzipien des Klassenentwurfs unter Verwendung fortgeschrittener Entwurfsmuster und

ll dn :
so or n

fortschrittlicher Programmiersprachen;
ab un
e e tio

● Prinzipien des Entwurfs auf Paketebene;

● Architekturelle Stile;
Si ies ma

● Dokumentation des Entwurfs;

● Refactorings existierender Software;
D for

● Metriken zur Evaluierung von Entwürfen.

In

3 Qualifikationsziele / Lernergebnisse
Nach dem erfolgreichen Abschluss der Lehrveranstaltung sind Studierende in der Lage die
folgenden Aufgaben durchzuführen:

● Sie können den Entwurf existierender Systeme in Hinblick auf ihre Modularität
analysieren und ggf. Refactorings vorschlagen, die der Verbesserung bzw. Wiederherstellung
selbiger dienen.

● Sie verstehen die mittel- und langfristigen Auswirkung nicht-modularer Softwaresysteme.

● Sie kennen fortgeschrittene Entwurfsmuster und können diese in existierendem Code

identifizieren und auch einsetzen, um neue Probleme zu lösen.

● Sie kennen etablierte architekturelle Stile und können diese einsetzen.

Modulhandbuch M. Sc. Computer Science 78

 ● Sie verstehen, dass die Lösung eines Entwurfsproblems von der gewählten
Programmiersprache abhängt und sind in der Lage entsprechende Entscheidungen kritisch
zu hinterfragen.

4 Voraussetzung für die Teilnahme

Empfohlen: Der erfolgreiche Besuch der Veranstaltung „Software Engineering“ oder einer
vergleichbaren Veranstaltung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0341-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

n. t.
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist

lte raf
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

ge K
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

4 in
Minuten), Hausübungen (optional: einschließlich Testaten)

/2 ht
6 Voraussetzung für die Vergabe von Leistungspunkten
23 nic
Bestehen der Prüfung (100%)

7 Benotung
iS ch

Bausteinbegleitende Prüfung:
W no
e

• [20-00-0341-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

m st

100%, Standard)
de g i
ll dn :
so or n
ab un
e e tio

8 Verwendbarkeit des Moduls

M. Sc. Computer Science
Si ies ma

M. Sc. Autonome Systeme und Robotik

M.Sc. IT Sicherheit
D for

Kann in anderen Studiengängen verwendet werden.

In

9 Literatur
● Bass, L.; Clements, P.; Kazman, R. ; Software Architecture in Practice, Addison-Wesley
● Booch, G. Object-Oriented Analysis and Design with Applications. Addison-Wesley
● Budd, T. Introduction to Object-Oriented Programming. 2nd. ed., Addison-Wesley
● Buschmann, F. et al. Pattern-Oriented Software Architecture: A System of Patterns. John
Wiley & Sons.
● Czarnecki, K. and Eisenecker, U. Generative Programming. Addison-Wesley.
● Garland, D. and Shaw, M. Software Architecture: Perspectives on an Emerging Discipline.
Prentice Hall.
● Gamma, E. et al. Design Patterns: Elements of Reusable Object-Oriented Software.
Addison-Wesley.
● Martin, Robert. Agile Software Development. Principles, Patterns, and Practices. Pearson
US Imports & PHIPEs.
● Riel, A. Object-Oriented Design Heuristics. Addison-Wesley.

Modulhandbuch M. Sc. Computer Science 79

 10
In
D for
Kommentar

Si ies ma
e e tio
so or n
ll dn :
ab un

Modulhandbuch M. Sc. Computer Science

de g i
m st
W no
iS ch
e
23 nic
/2 ht
4 in
ge K
lte raf
n. t.

80
Modulbeschreibung

Modulname

Multithreading in C++
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0953 300 h 210 h 1 Semester Jedes 2. Semester
10 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0953-iv Multithreading in C++ 10 Integrierte 6

4 in
Veranstaltung
2 Lerninhalt

/2 ht
C++ bietet eine der fortschrittlichsten Threadschnittstellen, die heute verfügbar sind. Am
23 nic
Beispiel C++ führt dieser Kurs in die parallele Programmierung für gemeinsamen Speicher mit
Threads ein.
iS ch

• Architekturen mit gemeinsamem Speicher

• Management von Threads
W no

• Zugriff auf gemeinsame Daten

• Synchronisierung nebenläufiger Operationen
e

• Entwurf lockbasierter nebenläufiger Datenstrukturen

m st

• Entwurf von nebenläufigem Code

de g i

• Testen und Fehlersuche

ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Kompetenz in der Entwicklung paralleler Programme

• Systematisch korrekte und effiziente parallele Programme entwickeln
D for

• Parallele Datenstrukturen entwerfen und umsetzen

In

4 Voraussetzung für die Teilnahme

Empfohlen:

Kenntnisse in C/C++

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0953-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

Modulhandbuch M. Sc. Computer Science 81

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0953-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik

n. t.
M. Sc. Informatik

lte raf
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

ge K
4 in
9 Literatur

/2 ht
10 Kommentar 23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 82

Modulbeschreibung

Modulname

Fortgeschrittenes Multithreading in C++

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0977 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0977-iv Fortgeschrittenes 6 Integrierte 4

4 in
Multithreading in C++ Veranstaltung
2 Lerninhalt

/2 ht
C++ bietet eine der modernsten Threadschnittstellen, die heute verfügbar sind. Am Beispiel
23 nic
C++ führt dieser Kurs in die fortgeschrittene parallele Programmierung für gemeinsamen
Speicher mit Threads ein.
iS ch

Aufbauend auf den Inhalten der Vorlesung Multithreading in C++ werden die folgenden
W no

Themen behandelt:
• C++ Speichermodell und atomare Operationen
e

• Entwurf lockfreier nebenläufiger Datenstrukturen

m st

• Forstgeschrittenes Thread-Management (z.B. Thread Pools)

de g i
ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Nachdem Studierende die Veranstaltung besucht haben, haben Sie erweiterte Kompetenz in der
Entwicklung paralleler Programme und sind in der Lage
D for

- Systematisch korrekte und effiziente parallele Programme zu entwickeln

- Parallele Datenstrukturen zu entwerfen und umzusetzen
In

4 Voraussetzung für die Teilnahme

Empfohlen:

• Kenntnisse in C/C++
• Basiskenntnisse der Programmierung von Threads in C++ (lockbasierte Synchronisation und
lockbasierte nebenläufige Datenstrukturen)

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0977-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 83

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0977-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science

4 in
Kann in anderen Studiengängen verwendet werden.

/2 ht
9 Literatur
23 nic
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 84

Modulbeschreibung

Modulname

Skalierbare Datenmanagement-Systeme
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1017 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1017-iv Skalierbares Datenmanagement 6 Integrierte 4

4 in
Veranstaltung
2 Lerninhalt

/2 ht
Diese Vorlesungen ist eine Einführung in die Basiskonzepte und die wesentlichen Paradigmen
23 nic
für skalierbare Datenmanagement-Systeme. Der Fokus der Vorlesung ist auf die system-
orientieren Aspekten und Interna solcher Systeme gerichtet, um große Datenmengen zu
iS ch

speichern, zu ändern, und zu analysieren.

W no

Themen der Vorlesung sind:

e

Database Architectures
m st

Parallel and Distributed Databases

de g i

Data Warehousing
ll dn :
so or n

MapReduce and Hadoop

ab un
e e tio

Spark and its Ecosystem

Optional: NoSQL Databases, Stream Processing, Graph Databases, Scalable Machine Learning
Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Nach dem Kurs haben die Studierenden einen Überblick über die wichtigsten Konzepte,
In

Algorithmen und System-Aspekte für skalierbare Datenmanagement-Systeme erworben. Das

Hauptziel ist es, dass die Studierenden das Wissen besitzen, solche Systeme zu designen und zu
entwickeln, inklusive praktischer Übungen auf Basis von bestehenden Systemen wie Spark.

4 Voraussetzung für die Teilnahme

Empfohlen:

Programmierkenntnisse in C++ and Java

Der vorherige Besuch von Informationsmanagement oder einer vergleichbaren Veranstaltung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1017-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 85

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1017-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

n. t.
lte raf
Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no
e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 86

Modulbeschreibung

Modulname

Advanced Data Management Systems

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1039 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1039-iv Advanced Data Management 6 Integrierte 4
Systems Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Dies ist eine fortgeschrittene Veranstaltung aus dem Bereich der Architektur und
Implementierung moderner Datenbanksysteme mit dem speziellen Fokus auf System-
iS ch
orientieren Aspekten und Interna solcher Systeme. Mögliche Themengebiete die in der
Vorlesung behandelt werden sind: moderne Hardwaretechnologien für das Datenbanksysteme,
W no

Optimierungen für Hauptspeicherdatenbanken, Parallelisierungsstrategien und Approximative

Anfrageausführung usw.
e
m st

Es wird erwartet, dass für jede Vorlesung aktuelle Veröffentlichungen (SIGMOD, VLDB, etc.)
de g i

vorher gelesen werden. Die Hauptideen ausgewählter Veröffentlichungen werden in

ll dn :
so or n
ab un

Programmierprojekten umgesetzt.
e e tio
Si ies ma

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreichem Abschluss der Veranstaltung haben Studierende ein vertieftes Verständnis
D for

von aktuellen Techniken für das Design von modernen Datenbanksystemen. Die Studierenden
können Vor- und Nachteile dieser Techniken mit dem Fokus auf möglichen Verbesserungen
In

diskutieren. Sie können einzelne Techniken implementieren und experimentelle Evaluierungen

dieser Techniken zum Vergleich von Designalternativen durchführen.

4 Voraussetzung für die Teilnahme

Empfohlen:

Solide Programmierkenntnisse in C and C++

Der vorherige Besuch von „Skalierbare Datenmanagement-Systeme“ und
„Informationsmanagement“ oder vergleichbaren Veranstaltungen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1039-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 87

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1039-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

n. t.
lte raf
Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no
e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 88

Modulbeschreibung

Modulname

Advanced C++modern programming

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1068 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1068-iv Advanced C++ modern 3 Integrierte 2

4 in
programming Veranstaltung
2 Lerninhalt

/2 ht
Die Vorlesung wird die letzten Änderungen und Erweiterungen der Sprache C++ behandeln
23 nic
und insbesondere auf die Standards:
ISO/IEC 14882:2011, 14882:2014, and 14882:2017 eingehen.
iS ch

Die Liste der Themen:

W no

1. Einführung in modernes C++

2. Verbessertes Typsystem
e

3. Uniforme Initialisierung
m st

4. Moderner Ansatz in Hinblick auf den Entwurf und Implementierung von Klassen
de g i

5. Verbesserungen für die Entwicklung von Bibliotheken

ll dn :
so or n

6. Moderne "generische Programmierung"

ab un
e e tio

7. Einführung in die Metaprogrammierung

8. Vereinfachung von Code durch den Einsatz von Standardkomponenten
Si ies ma

9. STL: Containers, Algorithmen und Iteratoren

10. Neueste Entwicklungen: C++17
D for

11. Die Zukunft von C++: C++20

In

3 Qualifikationsziele / Lernergebnisse
+ Die Studierenden werden in der Lage sein die Hauptunterschiede zwischen den modernen
C++ Standards zu benennen
+ Die Studierenden haben ein vertieftes Verständnis moderner "generischer Programmierung"
+ Die Studierenden sind in der Lage die neuen Hauptkomponenten der C++
Standardbibliothek zu verwenden
+ Die Studierenden können Abwägungen zwischen Flexibilität und Performance in modernen
C++ nachvollziehen
+ Die Studierenden haben ein Überblick über die Wahrscheinlichsten Entwicklungsschritte

4 Voraussetzung für die Teilnahme

Empfohlen:

Modulhandbuch M. Sc. Computer Science 89

 + Grundlagenwissen von C und C++
+ Vertrautheit mit den Grundlagen objektorientierter und generischer Programmierung
+ Grundlagenwissen im Bereich funktionale Programmierung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1068-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

n. t.
Minuten), Hausübungen (optional: einschließlich Testaten)

lte raf
6 Voraussetzung für die Vergabe von Leistungspunkten

ge K
Bestehen der Prüfung (100%)

4 in
7 Benotung

/2 ht
Bausteinbegleitende Prüfung:

 23 nic
[20-00-1068-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,
Standard)
iS ch
W no

8 Verwendbarkeit des Moduls

M. Sc. Computer Science
e
m st

Kann in anderen Studiengängen verwendet werden.

de g i
ll dn :
so or n

9 Literatur
ab un
e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 90

Modulbeschreibung

Modulname

Konzepte der Programmiersprachen

Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
180 h 120 h 1 Semester
1117 6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Data Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1117- Konzepte der 6 Integrierte 4

4 in
iv Programmiersprachen Veranstaltung
2 Lerninhalt

/2 ht
Kurze Einführung und Geschichte der Programmiersprachen, Kriterien zur Messung von
23 nic
Programmiersprachen, Grundkonzepte der PL wie Syntax, Semantik, Variablen, Namen,
Bindungen, Umfang, Subprogram, Expressionen, Arrays, Pointers, abstrakte Typen,
iS ch

funktionale Programme
W no

3 Qualifikationsziele / Lernergebnisse
e

Die Studierenden werden am Ende des Kurses in der Lage sein, die zugrundeliegenden
m st

Mechanismen der wichtigsten Konzepte hinter Programmiersprachen zu verstehen. Die

de g i

Studierenden werden auch Erfahrung erhalten, eine einfache Programmiersprache mit

ll dn :
so or n
ab un

einer beliebten Sprache Workbench namens MPS als Gruppenprojekt zu bauen.

e e tio

4 Voraussetzung für die Teilnahme

Si ies ma

Keine
D for

5 Prüfungsform
Bausteinbegleitende Prüfung:
In

 [20-00-1117-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%).

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 91

  [20-00-1117-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 92

 n. t.
lte raf
ge K
4 in
/2 ht
Modulhandbuch
23 nic
M. Sc. Computer Science
iS ch
W no
e
m st

Vertiefung Data Science and Engineering

de g i
ll dn :
so or n
ab un
e e tio
Si ies ma

Wahlbereich Foundations of Data Science

D for
In

Modulhandbuch M. Sc. Computer Science 93

Modulbeschreibung

Modulname
Data Mining und Maschinelles Lernen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0052 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Data Mining und Maschinelles 6 integrierte 4

4 in
0052-iv Lernen Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Durch die rasante Entwicklung der Informationstechnologie sind immer größere
Datenmengen verfügbar. Diese enthalten oft implizites Wissen, das, wenn es bekannt wäre,
iS ch

große wirtschaftliche oder wissenschaftliche Bedeutung hätte. Data Mining ist ein
Forschungsgebiet, das sich mit der Suche nach potentiell nützlichem Wissen in großen
W no

Datenmengen beschäftigt, und Maschinelles Lernverfahren gehören zu den

e

Schlüsseltechnologien innerhalb dieses Gebiets.

m st

Die Vorlesung bietet eine Einführung in das Gebiet des Maschinellen Lernens unter dem
de g i

besonderen Aspekt des Data Minings. Es werden Verfahren aus verschiedenen Paradigmen
ll dn :
so or n

des Maschinellen Lernens mit exemplarischen Anwendungen vorgestellt. Um das Wissen zu

ab un
e e tio

operationalisieren, werden in den Übungen prak-tisch-e Erfahrungen mit Lernalgorithmen

gesammelt.
Si ies ma

● Einführung (Grundbegriffe, Lernprobleme, Konzepte, Beispiele, Repräsentation)

● Regel-Lernen
D for

○ Lernen einzelner Regeln (Generalisierung und Spezialisierung, Strukturierte

Hypothesenräume, Version Spaces)
In

○ Lernen von Regel-Mengen (Covering Strategie, Evaluierungsmaße für Regeln,

Pruning, Mehr-Klassenprobleme)
● Evaluierung und kosten-sensitives Lernen (Accuracy,X-Val,ROC-Kurven,Cost-Sensitive
Learning)
● Instanzenbasiertes Lernen (kNN,IBL,NEAR,RISE)
● Entscheidungsbaum-Lernen (ID3, C4.5, etc.)
● Ensemble-Methoden (Bias/Variance, Bagging, Randomization, Boosting, Stacking, ECOCs)
● Pre-Processing (Feature Subset Selection, Diskretisierung, Sampling, Data Cleaning)
● Clustering und Lernen von Assoziationsregeln (Apriori)

Modulhandbuch M. Sc. Computer Science 94

3 Qualifikationsziele / Lernergebnisse
Nach der erfolgreichen Absolvierung dieser Lehrveranstaltung sind die Studierenden in der
Lage

● grundlegende Techniken des Data Mining und Maschinellen Lernens zu verstehen und
erklären

● praktische Data Mining Systeme selbständig einsetzen und deren Stärken und Schwächen
verstehen

● neue Entwicklungen auf diesem Gebiet kritisch beurteilen

4 Voraussetzung für die Teilnahme

n. t.
lte raf
ge K
5 Prüfungsform
Bausteinbegleitende Prüfung:

4 in
 [20-00-0052-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

/2 ht
23 nic
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
iS ch

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)
W no
e

6 Voraussetzung für die Vergabe von Leistungspunkten

m st

Bestehen der Prüfung (100%)

de g i
ll dn :
so or n

7 Benotung
ab un
e e tio

Bausteinbegleitende Prüfung:
Si ies ma

• [20-00-0052-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
D for

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

In

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning
M. Sc. IT Sicherheit

Kann in anderen Studiengängen verwendet werden.

Modulhandbuch M. Sc. Computer Science 95

9 Literatur
● Mitchell: Machine Learning, McGraw-Hill, 1997
● Ian H. Witten and Eibe Frank: Data Mining: Practical Machine Learning Tools and
Techniques with Java Implementations, Morgan-Kaufmann, 1999

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 96

Modulbeschreibung

Modulname
Statistisches Maschinelles Lernen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0358 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Statistisches Maschinelles Lernen 6 integrierte 4

4 in
0358-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
- Statistische Methodik für das Maschinelle Lernen
- Auffrischung zu Statistik, Optimierung und Linearer Algebra
iS ch

- Bayes’sche Entscheidungstheorie
W no

- Wahrscheinlichkeitsdichtenschätzung
e

- Nichtparametrische Modelle
m st

- Mixtur Modelle und der EM-Algorithmus

de g i

- Lineare Modele zur Klassifikation und Regression

ll dn :
so or n

- Statistische Lerntheorie
ab un
e e tio

- Kernel Methoden zur Klassification und Regression

Si ies ma

3 Qualifikationsziele / Lernergebnisse
Die Lehrveranstaltung ist eine systematische Einführung in die Grundlagen und Methodik
D for

des statistischen maschinellen Lernens. Nach erfolgreichen Abschluss der

In

Lehrveranstaltung, verstehen Studierende die wichtigsten Methoden und Ansätze des

Statischen Maschinellen Lernens. Sie können maschinelle Lernverfahren anwenden, um eine
Vielzahl neuer Probleme zu lösen.

4 Voraussetzung für die Teilnahme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0358-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 97

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0358-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

n. t.
In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

lte raf
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

ge K
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

4 in
8 Verwendbarkeit des Moduls
B. Sc. Informatik

/2 ht
M. Sc. Informatik
23 nic
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning
iS ch

M. Sc. IT Sicherheit
W no

Kann in anderen Studiengängen verwendet werden.

e
m st
de g i

9 Literatur
ll dn :
so or n

1. C.M. Bishop, Pattern Recognition and Machine Learning (2006), Springer

ab un
e e tio

2. K.P. Murphy, Machine Learning: a Probabilistic Perspective (expected 2012), MIT Press
3. D. Barber, Bayesian Reasoning and Machine Learning (2012), Cambridge University Press
Si ies ma

4. T. Hastie, R. Tibshirani, and J. Friedman (2003), The Elements of Statistical Learning,

Springer Verlag
D for

5. D. MacKay, Information Theory, Inference, and Learning Algorithms (2003), Cambridge

University Press
In

6. R.O. Duda, P.E. Hart, and D.G. Stork, Pattern Classification (2nd ed. 2001), Willey-
Interscience
7. T.M. Mitchell, Machine Learning (1997), McGraw-Hill

10 Kommentar

Modulhandbuch M. Sc. Computer Science 98

Modulbeschreibung

Modulname

Statistical Relational Artificial Intelligence: Logic, Probability, and Computation

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1011 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1011-iv Statistical Relational Artificial 6 Integrierte 4

4 in
Intelligence: Logic, Probability, Veranstaltung
and Computation

/2 ht
2 Lerninhalt
23 nic
+ logische Programmierung
+ Lernen von logischen Programmen aus Daten
iS ch

+ Probabilistische Graphische Modelle: Inferenz und Lernen

+ Statistisch-Relationale Modelle wie z.B. ProbLog und Markov Logic Networks
W no

+ Schlussfolgern in statistisch-relationalen Modellen

+ Lernen von statistisch-relationalen Modellen aus Daten
e

+ Relationale lineare und quadratische Programme

m st
de g i
ll dn :

3 Qualifikationsziele / Lernergebnisse
so or n
ab un
e e tio

Die Lehrveranstaltung ist eine systematische Einführung in die Grundlagen und Methodik des
statistisch-relationalen Lernens und Künstlichen Intelligenz: Das Studium und Design von
Si ies ma

intelligenten Agenten, die in verrauschten Welten agieren, die aus Individuen (Objekte, Dinge)
und komplexe Beziehungen zwischen den Individuen bestehen. Nach erfolgreichem Abschluss
D for

der Lehrveranstaltung verstehen Studierende die wichtigsten Methoden und Ansätze in der
statistisch-relationalen Künstlichen Intelligenz. Sie verstehen die grundlegenden
In

Herausforderungen von relationalen Domänen. Sie kennen aktuelle Ansätze, um diese

Herausforderungen zu lösen. Sie sind außerdem in der Lage ihre Kenntnisse auf aktuelle
Probleme anzuwenden.

4 Voraussetzung für die Teilnahme

Der vorherige Besuch von “Statistisches Maschinelles Lernen” und “Probabilistische Graphische
Modelle” oder vergleicharer Veranstaltungen ist empfohlen, ist aber keine Voraussetzung.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1011-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 99

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1011-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

n. t.
lte raf
Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
23 nic
M. Sc. Artificial Intelligence and Machine Learning
iS ch
Kann in anderen Studiengängen verwendet werden.
W no

9 Literatur
Literaturempfehlungen werden regelmäßig aktualisiert und beinhalten beispielsweise:
e
m st

Luc De Raedt, Kristian Kersting, Sriraam Natarajan, David Poole (2016): Statistical Relational
de g i

Artificial Intelligence: Logic, Probability, and Computation. Synthesis Lectures on Artificial

ll dn :
so or n
ab un

Intelligence and Machine Learning, Morgan & Claypool Publishers, ISBN: 9781627058414.
e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 100

Modulbeschreibung

Modulname

Tiefe Generative Modelle

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1035 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1035-iv Tiefe Generative Modelle 6 Integrierte 4

4 in
Veranstaltung
2 Lerninhalt

/2 ht
Generative Modelle, implizite und explizite Modelle, Variational AutoEncoders, Generative
23 nic
Adversarial Networks, Numerische Optimierung für generative Modelle, Anwendungen in der
medizinischen Bildverarbeitung
iS ch

3 Qualifikationsziele / Lernergebnisse
W no

Nachdem Studierende das Modul besucht haben, können sie

e

- den Aufbau und die Funktionsweise Tiefer Generativer Modelle (Deep Generative Models,
m st

DGM) erklären
de g i

- wissenschaftliche Veröffentlichungen zum Thema DGMs kritisch hinterfragen und damit

ll dn :
so or n
ab un

fachlich beurteilen
e e tio

- grundlegende DGMs in einer dafür ausgelegten höheren Programmiersprache selbstständig

Si ies ma

konstruieren / implementieren
- die Implementierung und Anwendung von DGMs auf unterschiedliche Anwendungen
D for

übertragen
In

4 Voraussetzung für die Teilnahme

Empfohlen:

- Programmierkenntnisse Python
- Kenntnisse aus dem Bereich Lineare Algebra
- Der vorherige Besuche von „Bildverarbeitung“, „Computer Vision I“ und „Statistisches
Maschinelles Lernen“ oder vergleichbarer Veranstaltungen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1035-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 101

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1035-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik

4 in
M. Sc. Artificial Intelligence and Machine Learning

/2 ht
Kann in anderen Studiengängen verwendet werden.

9 Literatur
23 nic
iS ch

Wird in Veranstaltung bekannt gegeben.

W no

10 Kommentar
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 102

Modulbeschreibung

Modulname

Model Checking
Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
90 h 60 h 1 Semester
1115 3 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Data Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1115- Model Checking 3 Vorlesung 2

4 in
vl
2 Lerninhalt

/2 ht
* Temporallogiken:
23 nic
- Lineare temporal Logik (LTL), Computation Tree Logic (CTL) und CTL*: Syntax,
Semantik, Komplexität
iS ch

* Modelprüfungsverfahren für LTL, CTL, CTL*, insbesondere Büchiautomaten

* Partial Order Reduction
W no

* Timed Automata
e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Im Rahmen des Kurses sollen die Studierenden folgende Fähigkeiten erwerben:

ll dn :
so or n

* Verständnis der theoretischen Grundlagen der Temporallogiken LTL, CTL und CTL*
ab un
e e tio

* Fähigkeit zur Auswahl der geeigneten Logik zur Spezifikation und Modellprüfung in
Abhängigkeit von dem zu modellierenden System und der zu prüfenden Eigenschaft
Si ies ma

* Verfahren und Techniken zur Modellprüfung (Model Checking) z.B. Modellprüfung mit
Büchiautomaten, Partial Order Reduction u.ä.
D for

* Wissen über die Charakteristika und Grenzen der Modellprüfung

In

* Kenntnisse in der Modellprüfung von Timed Automate

* Fähigkeit zur Anwendung von Tools zur Modellprüfung

4 Voraussetzung für die Teilnahme

Empfohlen werden Kenntnisse in
* Aussagenlogik
* Deduktionssystemen
* Automatentheorie

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1115-vl] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 103

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%).

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1115-vl] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

n. t.
lte raf
100%, Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no
e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 104

 n. t.
lte raf
ge K
4 in
Modulhandbuch

/2 ht
23 nic
M. Sc. Computer Science
iS ch
W no

Vertiefung Data Science and Engineering

e
m st
de g i
ll dn :
so or n
ab un
e e tio

Wahlbereich Studienbegleitende Leistungen

Si ies ma
D for

Praktika, Projektpraktika und ähnliche

In

Veranstaltungen

Modulhandbuch M. Sc. Computer Science 105

Modulbeschreibung

Modulname
Implementierung von Programmiersprachen
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0306 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch
Science and Engineering
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

n. t.
(CP)

lte raf
20-00-0306-pr Implementierung von 6 Praktikum 4

ge K
Programmiersprachen
2 Lerninhalt

4 in
Es werden Konzepte der Implementierung von Programmiersprachen

/2 ht
vermittelt. Ferner werden diese Konzepte angewendet, um Erweiterungen
für Programmiersprachen zu implementieren.

3
23 nic
Qualifikationsziele / Lernergebnisse
iS ch

Die Fähigkeit, eine professionelle Aufgabe aus der Informatik selbstständig und erfolgreich nach
den anerkannten Grundsätzen der Profession zu bearbeiten.
W no
e

4 Voraussetzung für die Teilnahme

m st

Es wird kein Vorwissen vorausgesetzt. Jedoch sind gute Programmiererfahrungen sowie

de g i

Kenntnisse über Kompilerbau und virtuelle Maschinen von Vorteil.

ll dn :
so or n
ab un
e e tio

5 Prüfungsform
Bausteinbegleitende Prüfung:
Si ies ma

 [20-00-0306-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

D for

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
In

oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0306-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

Modulhandbuch M. Sc. Computer Science 106

8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 107

Modulbeschreibung

Modulname
Software Development Tools
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0673 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

n. t.
(CP)

lte raf
20-00-0673-pr Software Development Tools 6 Praktikum 4

ge K
2 Lerninhalt

4 in
Die Entwicklung von Werkzeugen zur Unterstützung der Entwicklung von Software.

/2 ht
3
23 nic
Qualifikationsziele / Lernergebnisse
Gewinnen von praktischer Erfahrung in der Entwicklung von Softwareentwicklungswerkzeugen.
Verstehen der Grenzen von Softwareentwicklungswerkzeugen.
iS ch
W no

4 Voraussetzung für die Teilnahme

Empfohlen: Der vorherige Besuch der Veranstaltung „Software Engineering“ oder einer
e

vergleichbaren Veranstaltung
m st
de g i
ll dn :

5 Prüfungsform
so or n
ab un

Bausteinbegleitende Prüfung:
e e tio

 [20-00-0673-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Si ies ma

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
D for

oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
In

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)
7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0673-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

Modulhandbuch M. Sc. Computer Science 108

 B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 109

Modulbeschreibung

Modulname
Forschungsprojekt Knowledge Engineering und Maschinelles Lernen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0751 360 h 240 h 1 Semester Jedes 2. Semester
12 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Forschungsprojekt Knowledge 12 Projekt 8

4 in
0751-pj Engineering und Maschinelles
Lernen

/2 ht
2 Lerninhalt 23 nic
An einem individuellen Projekt soll das eigenständige Forschen in den Gebieten Knowledge
iS ch

Engineering, Künstliche Intelligenz, maschinelles Lernen und Data Mining unter Anleitung
erlernt werden. Dabei werden die Themen jeweils in Zusammenarbeit mit dem Betreuer
W no

definiert.
e

Mögliche Themenfelder:
m st

● Maschinelles Lernen und Data Mining

de g i

● Induktives Regel-Lernen
ll dn :
so or n
ab un

● Learning from Preferences

e e tio

● Multilabel Classification
Si ies ma

● Information Extraction
● Web Mining
● Semantic Web
D for

● Game Playing
In

Konkrete Aufgabenstellungen werden individuell vereinbart, und das Projekt kann jederzeit
begonnen werden.
Studierende, die an einem derartigen Projekt interessiert sind, wenden sich bitte an einen
Mitarbeiter des anbietenden Fachgebiets.

3 Qualifikationsziele / Lernergebnisse
Nach Bearbeitung dieses Projekts sind die Studierenden in der Lage

● selbständig kleinere Forschungsarbeiten in den Bereichen Knowledge Engineering,

Künstliche Intelligenz, maschinelles Lernen und Data Mining durchzuführen

● diese Ergebnisse in einem Abschlußreport zu dokumentieren

● in einem wissenschaftlichen Vortrag zu präsentieren

Modulhandbuch M. Sc. Computer Science 110

 ● in einer kritischen Diskussion zu verteidigen

4 Voraussetzung für die Teilnahme

Empfohlen: Grundlegende Kenntnisse in den Bereichen Knowledge Engineering, Künstliche
Intelligenz, Data Mining und maschinelles Lernen sind hilfreich. Es werden außerdem
grundlegende Kenntnisse in einer Programmiersprache (z.B. Java o.ä.) vorausgesetzt.

Darüber hinaus ist aber besonders die Motivation zur selbstständigen Arbeit und das
Interesse an aktuellen Forschungsfragen relevant.

5 Prüfungsform
Bausteinbegleitende Prüfung:

n. t.
• [20-00-0751-pj] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

lte raf
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist

ge K
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

4 in
Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:
einschließlich Präsentation)

/2 ht
6 23 nic
Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)
iS ch

7 Benotung
W no

Bausteinbegleitende Prüfung:
e
m st

• [20-00-0751-pj] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

de g i

100%, Standard)
ll dn :
so or n
ab un
e e tio

8 Verwendbarkeit des Moduls

B. Sc. Informatik
Si ies ma

M. Sc. Informatik
M. Sc. Computer Science
D for

M. Sc. Artificial Intelligence and Machine Learning

In

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

Modulhandbuch M. Sc. Computer Science 111

Modulbeschreibung

Modulname
Lernende Roboter: Integriertes Projekt, Teil 1

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0753 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Lernende Roboter: Integriertes 6 Praktikum 4

4 in
0753-pj Projekt, Teil 1

/2 ht
2 Lerninhalt
23 nic
In "Lernende Roboter: Integriertes Projekt, Teil 1" wird zunächst von Studierenden unter
Anleitung eine aktuelle Problemstellung des Roboter-Lernens erarbeitet, welche den
iS ch

Forschungsinteressen der Studierenden entspricht, und eine Literaturstudie durchgeführt.

Basierend auf diesen Vorarbeiten werden ein Projektplan ausgearbeitet, die notwendigen
W no

Algorithmen erprobt und eine prototypische Realisierung in Simulation erstellt.

e
m st

3 Qualifikationsziele / Lernergebnisse
de g i
ll dn :

Nach erfolgreichen Abschluss der Lehrveranstaltung, können Studierende unabhängig kleine

so or n
ab un

Forschungsprojekte im Bereich Robot Learning aufbauen und in Simulation erproben.

e e tio
Si ies ma

4 Voraussetzung für die Teilnahme

Empfohlen: Gleichzeitiger oder vorheriger Besuch der Vorlesung „Lernende Roboter“ oder
D for

einer vergleichbaren Veranstaltung.

In

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00-0753-pj] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 112

 • [20-00-0753-pj] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

n. t.
lte raf
9 Literatur

ge K
4 in
10 Kommentar

/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 113

Modulbeschreibung

Modulname
Lernende Roboter: Integriertes Projekt, Teil 2

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0754 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Lernende Roboter: Integriertes 6 Praktikum 4

4 in
0754-pj Projekt, Teil 2

/2 ht
2 Lerninhalt
23 nic
In "Lernende Roboter: Integriertes Projekt, Teil 2" werden die Lösungen aus dem "Teil 1"
vervollständigt und auf einen realen Roboter angewandt. Ein wissenschaftlicher Artikel wird
iS ch

über die Fragestellung, Methoden und Ergebnisse geschrieben sowie ggf. eingereicht.
W no
e

3 Qualifikationsziele / Lernergebnisse
m st

Nach erfolgreichem Abschluss der Lehrveranstaltung können Studierende unabhängig kleine

de g i

Forschungsprojekte im Bereich Robot Learning aufbauen und in Simulation erproben.

ll dn :
so or n
ab un
e e tio

4 Voraussetzung für die Teilnahme

Empfohlen: Gleichzeitiger oder vorheriger Besuch der Vorlesung „Lernende Roboter“ oder
Si ies ma

einer vergleichbaren Veranstaltung.

D for

5 Prüfungsform
Bausteinbegleitende Prüfung:
In

• [20-00-0754-pj] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 114

 • [20-00-0754-pj] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

n. t.
9 Literatur

lte raf
ge K
10 Kommentar

4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 115

Modulbeschreibung

Modulname

Projekt-Praktikum Knowledge Engineering und Maschinelles Lernen

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-0919 270 h 180 h 1 Semester
9 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0919- Projekt-Praktikum Knowledge 9 Projekt 6

4 in
pp Engineering und Maschinelles
Lernen

/2 ht
2 Lerninhalt
23 nic
Im Rahmen des Projektpratikums implementieren Studierende eine vordefinierte, größere
Aufgabe aus den Gebieten Knowledge Engineering, Künstliche Intelligenz, maschinelles
iS ch

Lernen und Data Mining. Dabei werden die Themen jeweils in Zusammenarbeit mit dem
Betreuer definiert.
W no

Mögliche Themenfelder:
e

- Maschinelles Lernen und Data Mining

m st

- Induktives Regel-Lernen
de g i

- Learning from Preferences

ll dn :
so or n

- Multilabel Classification
ab un
e e tio

- Information Extraction
- Web Mining
Si ies ma

- Semantic Web
- Game Playing
D for

Konkrete Aufgabenstellungen werden individuell vereinbart, und das Praktikum kann jederzeit
In

begonnen werden.

3 Qualifikationsziele / Lernergebnisse
Nach Bearbeitung dieses Projekts sind die Studierenden in der Lage
- selbständig größere Programmieraufgaben in den Bereichen Knowledge Engineering,
Künstliche Intelligenz, Maschinelles Lernen und Data Mining durchzuführen
- mit Hilfe der implementierte Instrumente wissenschaftliche Experimente und Evaluierungen
durchzuführen

4 Voraussetzung für die Teilnahme

Empfohlen: Grundlegende Kenntnisse in den Bereichen Knowledge Engineering, Künstliche
Intelligenz, Data Mining und maschinelles Lernen sind hilfreich. Es werden außerdem
grundlegende Kenntnisse in einer Programmiersprache (z.B. Java o.ä.) vorausgesetzt.

Modulhandbuch M. Sc. Computer Science 116

 Darüber hinaus ist aber besonders die Motivation zur selbstständigen Arbeit und das Interesse
an aktuellen Forschungsfragen relevant.

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00-0919-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

 Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

n. t.
lte raf
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

ge K
4 in
7 Benotung
Bausteinbegleitende Prüfung:

/2 ht
 [20-00-0919-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
23 nic
100%, Standard)
iS ch

8 Verwendbarkeit des Moduls

W no

B. Sc. Informatik
M. Sc. Informatik
e

M. Sc. Computer Science

m st

M. Sc. Artificial Intelligence and Machine Learning

de g i
ll dn :
so or n

Kann in anderen Studiengängen verwendet werden.

ab un
e e tio

9 Literatur
Si ies ma
D for

10 Kommentar
In

Modulhandbuch M. Sc. Computer Science 117

Modulbeschreibung

Modulname

Softwareprojekt Datenanalyse für natürliche Sprache

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0948 270 h 180 h 1 Semester Jedes 2. Semester
9 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0948-pp Softwareprojekt Datenanalyse 9 Praktikum 6

4 in
für natürliche Sprache
2 Lerninhalt

/2 ht
Große Datenmengen sind heute eine wertvolle Informationsquelle. Allerdings ist nur durch die
23 nic
Verwendung von intelligenter Datenanalyse das volle Potential dieser Daten nutzbar. Solche
Methoden ermöglichen es neue und praktisch nutzbare Informationen in großen
iS ch

natürlichsprachlichen Daten zu identifizieren und unterstützen dadurch die

Entscheidungsfindung bei komplexen Aufgaben. In diesem Projekt werden Studenten eigene
W no

Ideen und neue Softwaresysteme entwickeln die es ermöglichen Informationen für

verschiedene Aufgaben aus einer großen Menge natürlichsprachlicher Texte (Big Data) zu
e

extrahieren. Das jeweilige Rahmenthema der Veranstaltung wechselt jedes Semester und wird
m st

auf der Fachgebietshomepage bekannt gegeben.

de g i
ll dn :
so or n

Weitere Informationen: https://www.ukp.tu-darmstadt.de/teaching/courses/software-project/

ab un
e e tio
Si ies ma

3 Qualifikationsziele / Lernergebnisse
Nachdem Studierende die Veranstaltung besucht haben, können sie
D for

- sprachtechnologische Frameworks verstehen und einsetzen,

- komplexe NLP-Systeme eigenständig planen und umsetzen,
In

- große natürlichsprachliche Daten analysieren und

- die eigenen Ergebnisse mündlich und schriftlich präsentieren.

4 Voraussetzung für die Teilnahme

Empfohlen:

- Programmierkenntnisse (Scala, Java oder Python)

- Interesse mit Texten aus natürlicher Sprache zu arbeiten

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0948-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 118

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0948-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

n. t.
lte raf
100%, Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no
e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 119

Modulbeschreibung

Modulname

Projektpraktikum Deep Learning in der Computer Vision

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-0980 270 h 180 h 1 Semester
9 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0980- Projektpraktikum Deep 9 Praktikum 6

4 in
pp Learning in der Computer
Vision

/2 ht
2 Lerninhalt
23 nic
Im Rahmen des Projektpraktikums werden ausgewählte Themen aus dem Bereich des Deep
Learning (tiefe neuronale Netze) für Fragestellungen in der Computer Vision in Gruppen
iS ch

bearbeitet. Dazu gehört die praktische Umsetzung mit modernen Deep Learning Frameworks.
Die Ergebnisse werden am Ende in einem Vortrag vorgestellt. Die konkreten Themen
W no

orientieren sich am aktuellen Stand der Forschung und wechseln von Semester zu Semester.
e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Durch erfolgreiche Teilnahme erwerben Studierende vertiefte Kenntnisse in tiefen neuronalen

ll dn :
so or n

Netzen und deren Anwendungen in der Computer Vision. Sie können aktuelle Techniken in
ab un
e e tio

diesem Bereich analysieren, modifizieren und anwenden. Sie trainieren weiterhin

Präsentationsfähigkeiten und die Arbeit in einem Team.
Si ies ma

4 Voraussetzung für die Teilnahme

D for

Empfohlen:
In

* Gute Programmierkenntnisse in C/C++ oder Python oder Lua

* Vorherige oder parallele Belegung von "Computer Vision I" oder einer vergleichbaren
Veranstaltung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0980-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

Modulhandbuch M. Sc. Computer Science 120

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0980-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning

ge K
Kann in anderen Studiengängen verwendet werden.

4 in
9 Literatur

/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 121

Modulbeschreibung

Modulname

Parallele Programmiertechnologie
Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-1008 180 h 120 h 1 Semester
6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1008-pr Parallele 6 Praktikum 4

4 in
Programmiertechnologie
2 Lerninhalt

/2 ht
Die Praktikumsteilnehmer*innen entwickeln Technologien zur parallelen Programmierung aus
23 nic
den folgenden Themenbereichen und/oder wenden diese an:
• Erschließung möglicher Parallelität
iS ch

• Leistungsanalyse und –modellierung

• Korrektheitsanalyse
W no

• Profiling
• Skalierbare Algorithmen
e

• Ressourcenmanagement und Scheduling

m st

• Anwendungen (z.B. Deep Learning)

de g i
ll dn :
so or n
ab un

3 Qualifikationsziele / Lernergebnisse
e e tio

• Kennenlernen und praktische Entwicklung und/oder Anwendung paralleler

Si ies ma

Programmiertechnologien
• Einüben softwaretechnischer Methoden
D for

• Teamarbeit in Softwareprojekten
• Präsentation von Projektergebnissen in Berichten und Vorträgen
In

4 Voraussetzung für die Teilnahme

Empfohlen: Kenntnisse paralleler Programmierung und Systeme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1008-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

Modulhandbuch M. Sc. Computer Science 122

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1008-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
Kann in anderen Studiengängen verwendet werden.

ge K
9 Literatur

4 in
/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 123

Modulbeschreibung

Modulname
Data Management - Praktikum
Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-1041 180 h 120 h 1 Semester
6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)

ge K
20-00-1041-pr Data Management - Praktikum 6 Praktikum 4
2 Lerninhalt

4 in
Die Teilnehmenden lösen in kleinen Projektgruppen ein gegebenes Problem. Bei den

/2 ht
Problemen handelt es sich um Programmierprojekte, die sich auf Fragestellungen aus
aktuellen Forschungsthemen des Data Management Lab beziehen.
23 nic
Mögliche Themenbereiche sind:
iS ch

- Skalierbare Datenbanksysteme und moderne Hardware

- Cloud Datenbanken und Blockchains
W no

- Interaktive Daten- und Textexploration

e

- Natural Language Interfaces für Datenbanken

m st

- Skalierbare Systeme für Maschinelles Lernen

de g i
ll dn :

In dieser Veranstaltung setzen Studierende ein ausgewähltes Projekt um. Im Vergleich zum
so or n
ab un

Praktikum haben die Probleme des Projektpraktikums einen erweiterten Umfang.

e e tio
Si ies ma

3 Qualifikationsziele / Lernergebnisse
Nach Beendigung der Veranstaltung haben Studierende folgende Lernziele erreicht:
D for

- Vertieftes Verständnis von aktuellen Techniken für moderne Datenmanagement-Systeme

- Anwendung und Implementierung der Techniken in individuellen Projekten
In

- Evaluierung von möglichen Designalternativen mit Hilfe von Benchmarks bzw. realen
Workloads

4 Voraussetzung für die Teilnahme

Abhängig vom ausgewählten Thema.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1041-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 124

 Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:
einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1041-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

4 in
/2 ht
Kann in anderen Studiengängen verwendet werden.

9 Literatur 23 nic
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 125

Modulbeschreibung

Modulname
Data Management - Projektpraktikum
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1042 270 h 180 h 1 Semester Jedes 2. Semester
9 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)

ge K
20-00-1042-pp Data Management - 9 Projekt 6
Projektpraktikum

4 in
2 Lerninhalt

/2 ht
Die Teilnehmenden lösen in kleinen Projektgruppen ein gegebenes Problem. Bei den Problemen
handelt es sich um Programmierprojekte, die sich auf Fragestellungen aus aktuellen
23 nic
Forschungsthemen des Data Management Lab beziehen.
iS ch
Mögliche Themenbereiche sind:
- Skalierbare Datenbanksysteme und moderne Hardware
W no

- Cloud Datenbanken und Blockchains

- Interaktive Daten- und Textexploration
e

- Natural Language Interfaces für Datenbanken

m st

- Skalierbare Systeme für Maschinelles Lernen

de g i
ll dn :
so or n

In dieser Veranstaltung setzen Studierende ein ausgewähltes Projekt um. Im Vergleich zum
ab un
e e tio

Praktikum haben die Probleme des Projektpraktikums einen erweiterten Umfang.

Si ies ma

3 Qualifikationsziele / Lernergebnisse
Nach Beendigung der Veranstaltung haben Studierende folgende Lernziele erreicht:
D for

- Vertieftes Verständnis von aktuellen Techniken für moderne Datenmanagement-Systeme

- Anwendung und Implementierung der Techniken in individuellen Projekten
In

- Evaluierung von möglichen Designalternativen mit Hilfe von Benchmarks bzw. realen
Workloads
4 Voraussetzung für die Teilnahme
Abhängig vom ausgewählten Thema.
5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1042-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 126

 Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:
einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)
7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1042-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

4 in
Kann in anderen Studiengängen verwendet werden.

/2 ht
9 Literatur
23 nic
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 127

Modulbeschreibung

Modulname
Anwendung von Reinforcement Learning Methoden
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1048 270 h 180 h 1 Semester Jedes 2. Semester
9 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)

ge K
20-00-1048-pp Anwendung von Reinforcement 9 Projekt 6
Learning Methoden

4 in
2 Lerninhalt

/2 ht
In diesem Projekt lernen Studierende das experimentelle Arbeiten in einem interdisziplinären
Team, und bekommen so Einblicke in das wissenschaftliche Arbeiten im Reinforcement
23 nic
Learning. Im Projekt entwickeln Kleingruppen unter Anleitung ein gemeinsames Experiment im
Reinforcement Learning basierend auf speziellen Plattformen (Cartpole, Furuta-Pendel, etc),
iS ch
werten dieses aus und schreiben einen Forschungsbericht/Paper.
W no

3 Qualifikationsziele / Lernergebnisse
e
m st

Praktische Einführung in das wissenschaftliche Arbeiten, Durchführung eines Experimentes von

de g i

der Forschungsidee bis hin zur Veröffentlichung.

ll dn :
so or n
ab un
e e tio

4 Voraussetzung für die Teilnahme

Empfohlen: Gleichzeitige order vorhergehende Belegung der Vorlesung "Reinforcement
Si ies ma

Learning: Von Grundlagen zu den Tiefen Ansätzen" oder "Lernende Roboter" oder
vergleichbarer Veranstaltungen.
D for

5 Prüfungsform
In

Bausteinbegleitende Prüfung:

 [20-00-1048-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung

Modulhandbuch M. Sc. Computer Science 128

 Bausteinbegleitende Prüfung:

 [20-00-1048-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik

Kann in anderen Studiengängen verwendet werden.

n. t.
9 Literatur

lte raf
10 Kommentar

ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 129

Modulbeschreibung

Modulname

Expertenpraktikum im Robot Learning

Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
270 h 180 h 1 Semester
1108 9 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch
Data Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1108- Expertenpraktikum im Robot 9 Projekt 6
pp Learning

/2 ht
2 Lerninhalt
23 nic
In diesem Projekt perfektionieren Studierende das experimentelle Arbeiten in einem
interdisziplinären Team, und entwickeln sich zu Experten im wissenschaftliche Arbeiten
iS ch
im Robot Learning. Im Projekt entwickeln in einer Kleingruppen unter Anleitung ein
gemeinsames Experiment im Robot Learning basierend auf speziellen Robotik-
W no

Plattformen, werten dieses aus und schreiben einen Forschungsbericht/Paper, welches

die Qualität einer Einreichung bei einer internationalen wissenschaftlichen Konferenz
e

oder Zeitschrift erreicht.

m st
de g i
ll dn :

3 Qualifikationsziele / Lernergebnisse
so or n
ab un

Nachdem Studierende die Veranstaltung besucht haben, können sie die praktischen
e e tio

Fertigkeiten eines Experten im wissenschaftlichen Arbeiten im Roboter Lernen anwenden.

Si ies ma

Sie sind in der Lage, Experimente von der Forschungsidee bis hin zur Veröffentlichung zu
analysieren und synthetisieren
D for

4 Voraussetzung für die Teilnahme

In

Empfohlen wird die erfolgreiche Durchführung von

Lernende Roboter: Integriertes Projekt - Teil 1 und
Lernende Roboter: Integriertes Projekt - Teil 2

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1108-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

Modulhandbuch M. Sc. Computer Science 130

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%).

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1108-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

n. t.
M. Sc. Autonome Systeme und Robotik

lte raf
M. Sc. Artificial Intelligence and Machine Learning

ge K
Kann in anderen Studiengängen verwendet werden.

4 in
9 Literatur

/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 131

Modulbeschreibung

Modulname

Leistungsanalyse und Modellierung von Softwaresystemen

Modul Nr. Leistungspun
Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
20-00- kte
180 h 120 h 1 Semester Jedes Semester
1130 6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Data Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1130- Leistungsanalyse und 6 Praktikum 4

4 in
pr Modellierung von
Softwaresystemen

/2 ht
2 Lerninhalt
23 nic
Ziel dieses Praktikums ist:
1) Erfahrungen im Design von Experimenten zu sammeln, die die Leistung komplexer
iS ch

Softwaresysteme messen,
2) Ergebnisse verarbeiten und analysieren
W no

3) Modelle erstellen, die das Verhalten des Systems beschreiben.

e

Die experimentellen Ergebnisse und die Modelle werden verwendet, um die

m st

Komponenten des Systems zu bestimmen, die den Engpass für die Leistung darstellen.
de g i
ll dn :
so or n

Die im Praktikum erworbenen Fähigkeiten sollen für eine Vielzahl von Karrierewegen
ab un
e e tio

relevant sein: Studierende, die später in Systeme-Bereich promovieren, Data Scientists,

die mit großen verteilten Pipelines arbeiten werden, Software Engineers und DevOps, die
Si ies ma

an der Verbesserung der Leistung von IT-Systemen arbeiten.

D for

Um die oben genannten Ziele zu erreichen, werden wir einerseits über die relevante
Theorie sprechen (z.B., Statistical methods, Little's Law, Queuing Theory) und
In

andererseits eine Datenverarbeitungsanwendung implementieren. Anschließend wird die

Anwendung einem Benchmarking unterzogen und detailliert modelliert.

Das Praktikum schließt mit kurzen Projektpräsentationen ab, in denen die Studierenden
zeigen, dass sie das Verhalten ihrer Implementierung verstanden haben und anhand der
experimentellen Daten und der von ihnen erstellten Modelle Ideen zur Beseitigung von
Bottlenecks liefern können

3 Qualifikationsziele / Lernergebnisse
Nach Besuch der Veranstaltung können Studierende:
* Zwischen verschiedenen Experimenttypen wählen, um leistungsbezogene Fragen zu
einem Softwaresystem zu beantworten
* Detaillierte Modelle eines Softwaresystems erstellen
* Bottleneck-Analysen durchführen

Modulhandbuch M. Sc. Computer Science 132

 * die Ergebnisse der Experimente zusammenfassen und präsentieren

4 Voraussetzung für die Teilnahme

Die Studierenden sollten Einführungskurse in Computerarchitektur, Betriebssysteme und
Java-Programmierung besucht haben.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1130-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

n. t.
lte raf
Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:
einschließlich Präsentation)

ge K
4 in
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%).

/2 ht
7 Benotung 23 nic
Bausteinbegleitende Prüfung:
iS ch

 [20-00-1130-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

W no

100%, Standard)
e

8 Verwendbarkeit des Moduls

m st

B. Sc. Informatik
de g i

M. Sc. Informatik
ll dn :
so or n
ab un

M. Sc. Computer Science

e e tio

Kann in anderen Studiengängen verwendet werden.

Si ies ma

9 Literatur
D for
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 133

Modulbeschreibung

Modulname

Projektseminar Autonomes Fahren I

Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
18-su- kte Jedes 2.
180 h 135 h 1 Semester
2070 6 CP Semester
Sprache Modulverantwortliche Person
Deutsch Prof. Dr. rer. nat. Andreas Schürr
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)
18-su-2070- Projektseminar Autonomes 0 Projektseminar 3

ge K
pj Fahren I

4 in
2 Lerninhalt

/2 ht
 Praktische Programmiererfahrung mit C++ bei der Entwicklung eingebetteter
23 nic
Systemsoftware aus dem Bereich des autonomen Fahrens anhand eines
Modellautos
iS ch

 Anwenden von Regelungs- und Steuerungsmethoden aus dem Bereich des

W no

autonomen Fahrens
e
m st

 Einsatz von Software-Engineering-Techniken (Design, Dokumentation, Test, …)

de g i

eines nicht trivialen eingebetteten Software-Systems mit harten Echtzeit-

ll dn :
so or n

Anforderungen und beschränkten Ressourcen (Speicher, …)

ab un
e e tio

 Nutzung eines vorgegebenen Software-Rahmenwerks und Anwendung von

Si ies ma

weiteren Bibliotheken inklusive eines modular aufgebauten (Echtzeit-

)Betriebssystems
D for

 Einsatz von Source-Code-Management-Systemen, Zeiterfassungswerkzeugen und

In

sonstigen Projektmanagement-Tools

 Präsentation von Projektergebnissen im Rahmen von Vorträgen

3 Qualifikationsziele / Lernergebnisse
Studierende sammeln im Rahmen dieses Moduls praktische Erfahrung in der Software-
Entwicklung für eingebettete Systeme aus dem Bereich des autonomen Fahrens anhand
eines Modellautos. Dabei lernen sie in Teamarbeit eine umfangreiche Aufgabe zu
bewältigen. Zur Lösung dieser Aufgabe wird geübt, dass in der Gruppe vorhandene
theoretische Wissen (aus anderen Lehrveranstaltungen wie Echtzeitsysteme, Software-
Engineering - Einführung, C++ Praktikum, Digitale Regelungssysteme) gezielt zur
Lösung der praktischen Aufgabe einzusetzen.

Modulhandbuch M. Sc. Computer Science 134

 Studierende, die an diesem Modul erfolgreich teilgenommen haben, sind in der Lage, zu
einer vorgegebenen Problemstellung ein größeres Softwareprojekt in einem
interdisziplinären Team eigenständig zu organisieren und auszuführen. Die Teilnehmer
erwerben folgende Fähigkeiten im Detail:

 Eigenständiges Einarbeiten in ein vorgegebenes Rahmenwerk und vorgefertigten

Bibliotheken

 Umsetzung von theoretischem Wissen in ein Softwaresystem

 Umfangreicher Einsatz von Werkzeugen zur Versions-, Konfiguration- und

Änderungsverwaltung

n. t.


lte raf
Realistische Zeitplanung und Ressourceneinteilung (Projektmanagement)

 Entwicklung von Hardware-/Software-Systemen mit C++ unter Berücksichtigung

ge K
wichtiger Einschränkungen eingebetteter Systeme

4 in
 Planung und Durchführung umfangreicherer Qualitätssicherungsmaßnahmen

/2 ht

23 nic
Zusammenarbeit und Kommunikation in und zwischen mehreren Teams

4 Voraussetzung für die Teilnahme

iS ch
W no

 ETiT, WI-ETiT (DT), iST, Informatik: Grundlegende Softwaretechnik-Kenntnisse

e

sowie vertiefte Kenntnisse objektorientierter Programmiersprachen (insbesondere:

m st

C++)
de g i
ll dn :
so or n

Zusätzlich erwünscht:
ab un
e e tio

 Grundlagen der Entwicklung von Echtzeitsystemen oder der Bildverarbeitung

Si ies ma

 ETiT, WI-ETiT (AUT), MEC: Grundlagen der Regelungstechnik, Reglerentwurf im

D for

Zustandsraum, ggf. Grundlagen der digitalen Regelung

In

5 Prüfungsform
Modulabschlussprüfung:

 Modulprüfung (Studienleistung, mündliche Prüfung, Dauer 30 Min, Standard)

6 Voraussetzung für die Vergabe von Leistungspunkten

7 Benotung
Modulabschlussprüfung:

 Modulprüfung (Studienleistung, mündliche Prüfung, Gewichtung: 100%,

Standard)

8 Verwendbarkeit des Moduls

Modulhandbuch M. Sc. Computer Science 135

 MSc ETiT, BSc iST

9 Literatur
https://www.es.tu-darmstadt.de/lehre/aktuelle-veranstaltungen/ps-af-i/ und Moodle

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 136

 n. t.
lte raf
ge K
Modulhandbuch

4 in
M. Sc. Computer Science

/2 ht
23 nic
iS ch

Vertiefung Data Science and Engineering

W no
e
m st
de g i
ll dn :
so or n

Wahlbereich Studienbegleitende Leistungen

ab un
e e tio
Si ies ma

Seminare
D for
In

Modulhandbuch M. Sc. Computer Science 137

Modulbeschreibung

Modulname

Software Engineering - Projektseminar

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-0359 90 h 60 h 1 Semester
3 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0359-se Software Engineering - Projekt 3 Seminar 2

4 in
Seminar
2 Lerninhalt

/2 ht
 23 nic
Angebotsmesse der Auftraggeber
iS ch

 Projektauswahl
W no

 Anforderungsanalyse beim externen Auftraggeber

e

 Präsentation des Pflichtenheftes insbesondere der

m st

Projektorganisation und des iterativen Entwicklungsplans

de g i
ll dn :
so or n


ab un

Analyse der Werkzeuge und der Designkonzepte

e e tio

 Präsentation der Architektur und des Designs risikobehafteter

Si ies ma

Funktionen
D for

 Design und Implementierung der Iterationen

In

 Präsentation der Implementierung und der Qualitätssicherung

 Präsentation des abgeschlossenen Projekts der nächsten

Studentengeneration

3 Qualifikationsziele / Lernergebnisse

 Erfahrung mit selbständiger Durchführung von Softwareprojekten mittleren Umfangs

 Fähigkeit die verschiedenen Rollen innerhalb eines Softwareprojekts wahrzunehmen

 Fähigkeit die Methoden und Werkzeuge zu bewerten und einzusetzen

Modulhandbuch M. Sc. Computer Science 138

  Einschätzung der eigenen Kompetenz und Leistungsfähigkeit in realitätsnahen
Situationen

 Training der Soft Skills, insbesondere Teamfähigkeit

 Kommunikation mit Kunden

 Präsentationsfähigkeit

4 Voraussetzung für die Teilnahme

Empfohlen:

 Der vorherige oder parallele Besuch weiterführender Veranstaltungen aus dem Bereich

n. t.
Software Engineering

lte raf
 Empfehlenswert ist Praxiserfahrung

ge K
4 in
5 Prüfungsform
Bausteinbegleitende Prüfung:

/2 ht

23 nic
[20-00-0359-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
iS ch

eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
W no

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

e
m st

6 Voraussetzung für die Vergabe von Leistungspunkten

de g i

Bestehen der Prüfung (100%)

ll dn :
so or n
ab un
e e tio

7 Benotung
Bausteinbegleitende Prüfung:
Si ies ma

 [20-00-0359-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

D for

100%, Standard)
In

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

Modulhandbuch M. Sc. Computer Science 139

Modulbeschreibung

Modulname
Text Analytics

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0596 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Text Analytics 3 Seminar 2

4 in
0596-se

/2 ht
2 Lerninhalt
23 nic
Die Seminarreihe beschäftigt sich mit aktuellen Themen in der automatischen
Sprachverarbeitung. Es werden grundlegende Methoden und Technologien zur Analyse
iS ch

geschriebener, natürlicher Sprache vorgestellt, wobei der Schwerpunkt des Seminars in

jedem Semester neu gesetzt wird.
W no
e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Nachdem Studierende die Veranstaltung besucht haben, können sie

ll dn :
so or n
ab un

● aktuelle Forschungsfragen zum Seminarthema benennen und erläutern,

e e tio

● wissenschaftliche Veröffentlichungen verstehen, kritisch beurteilen und untereinander

Si ies ma

diskutieren,
D for

● ein Forschungsthema eigenständig aufarbeiten und

In

● dieses der Gruppe vorstellen und auf Rückfragen und Diskussionsbeiträge eingehen.

4 Voraussetzung für die Teilnahme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0596-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

Modulhandbuch M. Sc. Computer Science 140

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0596-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
M. Sc. Artificial Intelligence and Machine Learning

ge K
Kann in anderen Studiengängen verwendet werden.

4 in
/2 ht
9 Literatur
Wird in der Veranstaltung bekanntgegeben.
23 nic
10 Kommentar
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 141

Modulbeschreibung

Modulname
Fortgeschrittene Themen in Computer Vision und Maschinellem Lernen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0645 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Fortgeschrittene Themen in 3 Seminar 2

4 in
0645-se Computer Vision und
Maschinellem Lernen

/2 ht
2 Lerninhalt 23 nic
● Grundlagen der wissenschaftlichen Vortragstechnik und Begutachtung
iS ch

● Eigenständiges Einarbeiten in aktuelle Publikationen in Computer Vision oder

W no

Maschinellem Lernen (englischsprachig)

● Eigene darüber hinausgehende Recherche zur Hintergrund-Literatur, angeleitet von
e

Betreuer
m st

● Erstellen eines zweiteiligen Vortrags (Problemstellung und Lösungsansatz) über eine

de g i

Publikationen einschließlich Folienpräsentation, angeleitet durch Betreuer

ll dn :
so or n
ab un

● Erstellen eines (simulierten) wissenschaftlichen Gutachtens über eine zweite Publikation,

e e tio

angeleitet durch Betreuer

● Halten des Vortrags vor einem Publikum mit heterogenem Vorwissen
Si ies ma

● Führung der Fachdiskussion nach beiden Vortragsteilen

● Aktive Teilnahme an den Fachdiskussionen, sowie Feedback an die Vortragenden
D for
In

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung können die Studierenden sich
eigenständig in aktuelle Themen der Computer Vision und/oder des Maschinellen Lernens
anhand von wissenschaftlichen Veröffentlichungen einarbeiten. Sie können die wesentlichen
Beiträge der untersuchten Publikationen erkennen und diese kompakt einem Publikum mit
heterogenem Vorwissensstand präsentieren, unter Berücksichtigung von Prinzipien des
guten wissenschaftlichen Vortrags. Nach dem Vortrag können die Vortragenden aktiv eine
Fachdiskussion zu dem von ihnen präsentierten Thema bestreiten. Weiterhin sind sie in der
Lage ein wissenschaftliches Gutachten über eine aktuelle Publikation anzufertigen, welches
den üblichen Standards des wissenschaftlichen Begutachtungsprozesses genügt.

Modulhandbuch M. Sc. Computer Science 142

4 Voraussetzung für die Teilnahme
Empfohlen: Teilnehmer sollten Grundkenntnisse in Computer Vision, sowie idealerweise
maschinellem Lernen besitzen (z.B. durch Besuch von „Computer Vision I“ und
„Statistisches Maschinelles Lernen“).

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0645-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

n. t.
Kolloquium (optional: einschließlich Präsentation), Hausarbeit

lte raf
ge K
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

4 in
7 Benotung

/2 ht
Bausteinbegleitende Prüfung:


23 nic
[20-00-0645-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
iS ch

100%, Standard)
W no

8 Verwendbarkeit des Moduls

e

B. Sc. Informatik
m st

M. Sc. Informatik
de g i

M. Sc. Computer Science

ll dn :
so or n

M. Sc. Autonome Systeme und Robotik

ab un
e e tio

M. Sc. Artificial Intelligence and Machine Learning

Si ies ma

Kann in anderen Studiengängen verwendet werden.

D for

9 Literatur
Aktuelle Publikationen, überwiegend des vergangenen Jahres
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 143

Modulbeschreibung

Modulname

Symbolische Ausführung
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0702 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0702-se Symbolische Ausführung 3 Seminar 2

4 in
2 Lerninhalt

/2 ht
Symbolische Ausführung von Programmen ist eine fundamentale Analysetechnik, die u.a. die
Basis von Testgenerierung, Compileroptimierung, Verifikation oder Visualisierung darstellt. In
23 nic
den letzten Jahren wurden darin bedeutende Fortschritte erzielt. Im Seminar werden die
wichtigsten klassischen und neuen Arbeiten zur symbolischen Ausführung vorgestellt.
iS ch

3 Qualifikationsziele / Lernergebnisse
Nach Besuch der Veranstaltung verstehen die Teilnehmenden, was die Möglichkeiten und
W no

Grenzen dieser fundamentalen Programmanalysetechnik sind.

e
m st

4 Voraussetzung für die Teilnahme

de g i
ll dn :
so or n

5 Prüfungsform
ab un
e e tio

Bausteinbegleitende Prüfung:
Si ies ma

 [20-00-0702-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

D for

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
In

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0702-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

Modulhandbuch M. Sc. Computer Science 144

 M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 145

Modulbeschreibung

Modulname

Automatische Code Generierung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0790 90 h 60 h 1 Semester Jedes 2. Semester
4 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0790-se Automatische Code 4 Seminar 2

4 in
Generierung
2 Lerninhalt

/2 ht
- Beispiele von Domänen spezifischen Sprachen
23 nic
- Automatisches Differenzieren
- Automatische Erzeugung für an bestimmte Hardwarearchitekturen angepassten Code
iS ch

3 Qualifikationsziele / Lernergebnisse
W no

- Grundkenntnisse über die Entwicklung und Verwendung von DSL.

e

- Kennenlernen einiger Frameworks für DSL und zur Unterstützung des Model Driven Software
m st

Developments (MDSD).
de g i

- Grundlagen des automatischen Differenzierens und dessen Implementierung

ll dn :
so or n
ab un
e e tio

4 Voraussetzung für die Teilnahme

Si ies ma

Empfohlen: Grundkenntnisse der Differentialalgebra im Hinblick auf Ableitungen (Kettenregel,

Gradienten, Jacobi-Matrix)
D for

5 Prüfungsform
Bausteinbegleitende Prüfung:
In

 [20-00-0790-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 146

  [20-00-0790-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

n. t.
10 Kommentar

lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 147

Modulbeschreibung

Modulname

Typsysteme von Programmiersprachen

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-0796 90 h 60 h 1 Semester
3 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0796-se Typsysteme von 3 Seminar 2

4 in
Programmiersprachen
2 Lerninhalt

/2 ht
Typsysteme sind formale Methoden, die sicherstellen, dass sich Programme gemäß einer
23 nic
Spezifikation korrekt verhalten. Ihr Anwendungsgebiet ist breit gefächert und umfasst bspw.
Softwareentwicklung, Programmiersprachendesign und IT Sicherheit.
iS ch

Dieses Seminar beschäftigt sich mit grundlegenden und aktuellen Forschungsthemen zu

Typsystemen, zum Beispiel Dependent Types, Typinferenz, Verfahren zur Typprüfung,
W no

constraint-basierte Ansätze usw.

e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Neben praktischen Erfahrungen im wissenschaftlichen Arbeiten erlangen die

ll dn :
so or n

Studierenden ein tieferes Verständnis für aktuelle Entwicklungen und

ab un
e e tio

Herausforderungen in der Forschung an Typsystemen.

Si ies ma

4 Voraussetzung für die Teilnahme

Empfohlen: Grundkenntnisse in Mathematik und formalen Methoden der Informatik
D for

5 Prüfungsform
In

Bausteinbegleitende Prüfung:

 [20-00-0796-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 148

  [20-00-0796-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

n. t.
lte raf
10 Kommentar

ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 149

Modulbeschreibung

Modulname

Parallel Computing
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0994 120 h 75 h 1 Semester Jedes 2. Semester
4 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0994-se Parallel Computing 4 Seminar 3

4 in
2 Lerninhalt

/2 ht
Aktuelle Trends in der Parallelverarbeitung, z.B.
• Neue Anwendungsfelder (z.B. Deep-Learning)
23 nic
• Neue parallele Programmiermodelle
• Entwicklung paralleler Software für Smartphones
iS ch

• GPUs, Manycore-Architecturen
• FPGAs
W no

• Architekturen für die Post-Moore-Ära

• Parallele Dateisysteme
e

• Neue parallele Algorithmen

m st

• Exascale-Computing
de g i

• Cloud-Computing
ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

• Kennenlernen aktueller Themen im Bereich Parallelverarbeitung

• Literatur auswählen und analysieren
D for

• Verständliche Berichte formulieren

• Übersichtliche Folien erstellen
In

• Mündlich präsentieren
• Anderen Teilnehmern Feedback geben

4 Voraussetzung für die Teilnahme

Empfohlen:

• Kennnisse in Rechnerarchitektur, Programmierung, Softwaretechnik

• Grundlagen paralleler Systeme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0994-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 150

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0994-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

n. t.
lte raf
8 Verwendbarkeit des Moduls

ge K
B. Sc. Informatik
M. Sc. Informatik

4 in
M. Sc. Computer Science

/2 ht
Kann in anderen Studiengängen verwendet werden.

9 Literatur
23 nic
iS ch
W no

10 Kommentar
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 151

Modulbeschreibung

Modulname

Grundlagen statischer Analysen

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-1028 90 h 60 h 1 Semester
3 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1028-se Grundlagen statischer 3 Seminar 2

4 in
Analysen
2 Lerninhalt

/2 ht
Die Grundlagen statischer Analysen, die zur Implementierung von fortgeschrittenen Qualitäts-
23 nic
und Sicherheitsanalysen gebraucht werden.
iS ch

Exemplarische Auswahl der Themen:

- Berechnung von Kontrol- und Datenabhängigkeiten in der Gegenwart von unendlichen
W no

Schleifen und nicht reduzierbarer Kontrollflussgraphen.

- Slicing von Code
e

- Identifikation von Schleifen in Machinencode

m st

- Konstruktion von Aufrufgraphen

de g i

- Statische Analyse Frameworks (z.B., IDE, IFDS, Reactive Async)

ll dn :
so or n

- "Self-Adaptation" und statische Analysen

ab un
e e tio

- Sound(iness)
- Specification Mining
Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Die Studierenden werden vertraut sein mit den Grundlagen von fortgeschrittenen Analysen
In

und werden in der Lage sein, die Angemessenheit bestimmter Techniken und Algorithmen für
konkrete Anwendungsfälle zu beurteilen. Die Studierenden werden weiterhin in der Lage sein
fortgeschrittene, technische Themen im Bereich statische Analyse effektiv zu präsentieren.

4 Voraussetzung für die Teilnahme

Das Seminar richtet sich an fortgeschrittene Bachelor- und Masterstudierende. Vertrautheit
mit den Grundlagen des Compilerbaus (z.B. SSA Form) ist sehr empfehlenswert.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1028-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 152

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

n. t.
 [20-00-1028-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

lte raf
100%, Standard)

ge K
8 Verwendbarkeit des Moduls

4 in
B. Sc. Informatik
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no
e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 153

Modulbeschreibung

Modulname

Performance Engineering
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1038 90 h 60 h 1 Semester Jedes 2. Semester
4 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1038-se Performance Engineering 4 Seminar 2

4 in
2 Lerninhalt

/2 ht
- Architektur & Eigenschaften von shared-memory multiprocessor(SMP) Maschinen
- Messbarkeit & Verständnis von Performanz auf SMP Maschinen
23 nic
- Erste Erfahrung in der Benutzung von ausgewählten Performance Analyse Tools
iS ch

3 Qualifikationsziele / Lernergebnisse
W no

- Verstaendnis der Performanzfaktoren und -indikatoren von SMP Plattformen: Compute Units,
Memory Design, Synchronisation Protocols
e

- Verständnis der Wichtigkeit vergleichbarer, nachvollziehbarer und reproduzierbarer

m st

Messergebnisse
de g i
ll dn :
so or n
ab un

4 Voraussetzung für die Teilnahme

e e tio

Empfohlen:
Si ies ma

Grundlagen von C++ und OpenMP

D for

5 Prüfungsform
Bausteinbegleitende Prüfung:
In

 [20-00-1038-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 154

  [20-00-1038-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

n. t.
lte raf
10 Kommentar

ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 155

Modulbeschreibung

Modulname

Algorithmen und Plattformen des Reinforcement Learning

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1050 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1050-se Algorithmen und Plattformen 3 Seminar 2
des Reinforcement Learning

/2 ht
2 Lerninhalt
23 nic
Im Rahmen dieses Seminars werden wir Reinforcement Learning Algorithmen und deren
Anwendung in Intelligenten Technischen Systemen diskutieren. Hierbei sollen Studenten die
iS ch
Fähigkeit erwerben, sich einen unbekannten Text selbstständig zu erarbeiten, für eine
Präsentation aufzubereiten und einem Fachpublikum zu präsentieren.
W no

3 Qualifikationsziele / Lernergebnisse
e

Am Ende dieses Kurses verstehen Studierende die aktuellen Forschungsthemen im

m st

Reinforcement Learning und sind in der Lage die Literaturvorstudie für eine Forschungsarbeit in
de g i

diesem Bereich durchzuführen.

ll dn :
so or n
ab un
e e tio

4 Voraussetzung für die Teilnahme

Empfohlen:
Si ies ma

Gleichzeitige oder vorhergehende Belegung der Vorlesung "Reinforcement Learning: Von

D for

Grundlagen zu den Tiefen Ansätzen" oder "Lernende Roboter" oder vergleichbarer

Veranstaltungen.
In

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1050-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung

Modulhandbuch M. Sc. Computer Science 156

 Bausteinbegleitende Prüfung:

 [20-00-1050-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik

Kann in anderen Studiengängen verwendet werden.

9 Literatur

n. t.
lte raf
ge K
10 Kommentar

4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 157

Modulbeschreibung

Modulname

Erweitertes Seminar - Systems and Machine Learning

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1057 120 h 75 h 1 Semester Jedes 2. Semester
4 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1057-se Erweitertes Seminar - Systems 4 Seminar 3
and Machine Learning

/2 ht
2 Lerninhalt
23 nic
Dieses Seminar dient der Diskussion neuer Forschungspapiere im Zusammenhang von
Hardware-/Softwaresystemen und maschinellem Lernen (ML). Das Seminar zielt auf die
iS ch
Verbindungen zwischen diesen Themenbereichen ab und diskutiert Fragestellungen, die auf
praktisch anwendbares maschinelles Lernen zugeschnitten sind wie z.B. Hardware-
W no

Beschleuniger für ML, verteilte skalierbare ML-Systeme, neuer Programmierparadigmen für ML,
Automatisiertes ML, sowie Anwendungen von ML für Systeme.
e
m st

Jeder Teilnehmer/jede Teilnehmerin präsentiert ein Forschungspapier, das anschließend von

de g i

allen Teilnehmenden diskutiert wird. Darüber hinaus werden zusammenfassende Arbeiten in

ll dn :
so or n

Gruppen verfasst und einem Peer-Review Prozess unterzogen. Die vorzustellenden Arbeiten
ab un
e e tio

stellen in der Regel aktuelle Publikationen in relevanten Konferenzen und Zeitschriften dar.
Si ies ma

Das Seminar wird als Blockveranstaltung angeboten.

D for

3 Qualifikationsziele / Lernergebnisse
Nach diesem Seminar sind Studierende in der Lage:
In

- einen unbekannten Text aus den Bereichen des Seminars selbständig aufzuarbeiten
- eine Präsentation und eine schriftliche Zusammenfassung für ein Fachpublikum in diesem
Gebiet zu entwickeln
- an einer Fachdiskussion über ein Thema aus den Bereichen des Seminars sinnvoll
teilzunehmen
- die Meinung über eine wissenschaftliche Arbeit in der Form eines schriftlichen Peer-Reviews
zu artikulieren

4 Voraussetzung für die Teilnahme

Empfohlen: Grundkenntnisse in maschinellem Lernen, skalierbarem Datenmanagement und
Hardware-/Softwaresystemen.

Modulhandbuch M. Sc. Computer Science 158

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1057-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
7 Benotung

lte raf
Bausteinbegleitende Prüfung:

ge K
 [20-00-1057-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

4 in
100%, Standard)

/2 ht
8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
23 nic
M. Sc. Computer Science
iS ch

M. Sc. Artificial Intelligence and Machine Learning

W no

Kann in anderen Studiengängen verwendet werden.

e
m st

9 Literatur
de g i
ll dn :
so or n
ab un
e e tio

10 Kommentar
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 159

Modulbeschreibung

Modulname
Deep Learning und Digital Humanities

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1080 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering

n. t.
lte raf
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1080-se Deep Learning und Digital 3 Seminar 2
Humanities

/2 ht
2 Lerninhalt
23 nic
Der Fokus des Seminars wird auf Humanities Anwendungen wie Gedicht-Generierung und
Analyse, Metaphern- und Emotions-Identifikation, etc. liegen, und wie diese mithilfe von Deep
iS ch

Learning gelöst werden können. Die Studierenden werden Paper lesen und diese während des
Seminars präsentieren.
W no
e

3 Qualifikationsziele / Lernergebnisse
m st

Nach diesem Seminar werden Studierende dazu in der Lage sein:

de g i

* Probleme aus dem Umfeld von Digital Humanities zu verstehen

ll dn :
so or n

* verstehen, wie Deep Learning verwendet werden kann, um diese zu lösen

ab un
e e tio

* verstehen, wie man crowd-sourcing für Annotationen durchführt

Si ies ma

4 Voraussetzung für die Teilnahme

Veranstaltungen aus dem Bereich des Deep Learning sind hilfreich, aber nicht vorausgesetzt
D for

5 Prüfungsform
In

Bausteinbegleitende Prüfung:

 [20-00-1080-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 160

  [20-00-1080-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

9 Literatur

n. t.
lte raf
10 Kommentar

ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 161

Modulbeschreibung

Modulname
Software-Engineering für Künstliche Intelligenz

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1097 90 h 60 h 1 Semester Jedes 2. Semester
4 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering

n. t.
lte raf
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1097-se Software-Engineering für 4 Seminar 3
Künstliche Intelligenz

/2 ht
2 Lerninhalt
23 nic
Künstliche Intelligenz (KI) ist mittlerweile Bestandteil vieler datengetriebenen Anwendungen;
zum Beispiel in der Finanzindustrie, Medizin, Kognitionswissenschaft oder Biologie. Derartige
iS ch

Ansätze des maschinellen Lernens (ML) erfordern eine genaue Domänen- und
Anforderungsanalyse, angemessenes Softwaredesign und -Entwicklung, besonderes Testen und
W no

Debugging sowie spezielle Techniken, um Skalierbarkeit und Wartbarkeit sicherzustellen.

Während KI-Systeme zunehmend größeren Einfluss in vielen Bereichen besitzen, verwenden
e
m st

Entwickler und Data-Scientists weiterhin Methoden (Scripting, informelle/nicht-verschriftlichte

Spezifikationen, trial-and-error Testing), die nicht dem aktuellen Stand der Technik in den
de g i

Ingenieursdisziplinen entsprechen. Vor diesem Hintergrund ist es von entscheidender

ll dn :
so or n

Bedeutung die Jahrzehnte lange Entwicklung im Software-Engineering (SE) zur

ab un
e e tio

Systematisierung von Entwicklungsprozessen für diesen Bereich zu nutzen.

Si ies ma

In diesem Kurs wird Studierenden ein Thema im Bereich SE für KI zugewiesen. Ausgehend von
vorgegebenen Quellen und persönlicher erweiternder Literaturrecherche bereiten Studierende
D for

eine Präsentation mit anschließender Diskussion vor. Diese werden an regelmäßigen Terminen
gehalten. Alle Studierenden, die an einem Termin nicht präsentieren, bereiten sich auf die
In

jeweilige Diskussion mit einführendem Lesematerial vor. Die Benotung basiert auf der
Vorbereitung und der Präsentation der zugewiesenen Themenschwerpunkte sowie auf der
Teilnahme an allen Diskussionen.

Beachten Sie bitte die Kursseite für mehr Informationen und Ankündigungen:
https://allprojects.github.io/SE4AI/

3 Qualifikationsziele / Lernergebnisse
Die Studierenden entwickeln ein tieferes Verständnis zu SE für KI. Dies umfasst die
Schwerpunkte Requirements Engineering, Qualitätssicherung, Entwicklungsprozesse sowie
Softwarearchitektur und -Design für Modularität, Wiederverwendbarkeit, Effizienz,
Skalierbarkeit, Fairness und Privatsphäre.

Modulhandbuch M. Sc. Computer Science 162

 Die Studierenden lernen die Vorbereitung und Präsentation von wissenschaftlichen Inhalten für
ein Publikum mit unterschiedlichem Hintergrundwissen. Außerdem üben die Studierenden die
effiziente Vorbereitung von und aktive Teilnahme an wissenschaftlichen Diskussionen sowie
deren Moderation.

4 Voraussetzung für die Teilnahme

Empfohlen: Basiswissen zu Software-Engineering. Interesse an Künstlicher Intelligenz.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1097-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

n. t.
lte raf
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

ge K
Kolloquium (optional: einschließlich Präsentation), Hausarbeit

4 in
/2 ht
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%).

7 Benotung
23 nic
iS ch

Bausteinbegleitende Prüfung:
W no

 [20-00-1097-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
e
m st

8 Verwendbarkeit des Moduls

de g i
ll dn :

B. Sc. Informatik
so or n
ab un

M. Sc. Informatik
e e tio

M. Sc. Computer Science

Si ies ma

M. Sc. Autonome Systeme und Robotik

M. Sc. Artificial Intelligence and Machine Learning
D for

Kann in anderen Studiengängen verwendet werden.

In

9 Literatur

10 Kommentar

Modulhandbuch M. Sc. Computer Science 163

 n. t.
lte raf
ge K
Modulhandbuch

4 in
/2 ht
M. Sc. Computer Science
23 nic
iS ch
W no

Vertiefung Data Science and Engineering

e
m st
de g i
ll dn :
so or n
ab un
e e tio

Wahlbereich Studienbegleitende Leistungen

Si ies ma
D for

Praktikum in der Lehre

In

Modulhandbuch M. Sc. Computer Science 164

Modulbeschreibung

Modulname

Praktikum in der Lehre - Softwaretechnik

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0443 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch
Science and Engineering
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0443-pl Praktikum in der Lehre - 5 Praktikum in 3

4 in
Softwaretechnik der Lehre
2 Lerninhalt

/2 ht
Vorbereitung und Korrektur von Übungen, Abhalten von Übungsstunden, Betreuung von
23 nic
Praktischen Übungen.
iS ch

3 Qualifikationsziele / Lernergebnisse
W no

Es sollen Fähigkeiten erlernt werden, geeignete Lernmaterialien für Schulungen in

Informatikthemen selbst zu erstellen, ihren Einsatz kritisch zu begleiten und dabei auch die
e

Lernenden zu betreuen und anzuleiten.

m st
de g i

4 Voraussetzung für die Teilnahme

ll dn :
so or n
ab un
e e tio

5 Prüfungsform
Si ies ma

Bausteinbegleitende Prüfung:
D for

 [20-00-0443-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

In

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0443-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

Modulhandbuch M. Sc. Computer Science 165

8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 166

Modulbeschreibung

Modulname

Praktikum in der Lehre - Data Management

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1040 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1040-pl Praktikum in der Lehre - Data 5 Praktikum in 3
Management der Lehre

/2 ht
2 Lerninhalt
23 nic
Erstellung von Übungs- und Vorlesungsmaterial
iS ch

3 Qualifikationsziele / Lernergebnisse
Erfahrung in der Betreuung von Studierenden im Themenbereich Datenmanagement, mit dem
W no

Fokus auf das neu erstelle Übungs- und Vorlesungsmaterial

e
m st

4 Voraussetzung für die Teilnahme

de g i

Empfohlen: Der vorherige Besucht der Veranstaltung „Informationsmanagement“ oder einer

ll dn :
so or n

vergleichbaren Veranstaltung
ab un
e e tio

5 Prüfungsform
Si ies ma

Bausteinbegleitende Prüfung:
D for

 [20-00-1040-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

In

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1040-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

Modulhandbuch M. Sc. Computer Science 167

8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 168

Modulbeschreibung

Modulname

Praktikum in der Lehre - Deep Learning for Natural Language Processing

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1044 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Deutsch und Englisch
Science and Engineering

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1044-pl Praktikum in der Lehre - Deep 5 Praktikum in 3
Learning for Natural Language der Lehre

/2 ht
Processing
2 Lerninhalt 23 nic
Vorbereitung, Abhalten und Korrektur eines Shared Tasks. Bei einem Shared Task erhalten die
iS ch
Studierenden ein aktuelles Forschungsproblem und müssen für dieses die Methoden aus der
Vorlesung nutzen um innovative Lösungen zu entwickeln. Die Lösungen können quantitativ
W no

miteinander verglichen werden, um die beste Lösung zu identifizieren. Die Aufgabe ist es einen
entsprechenden Datensatz auszuwählen und vorzubereiten, die Studierenden in die Aufgabe
e

einzuführen sowie die abschließende quantitative und qualitative Bewertung der entwickelten
m st

Systeme. Während des Shared Tasks müssen Rückfragen beantwortet werden und falls nötig
de g i

individuelle Hilfe angeboten werden. Neben dem Shared Task erfolgt eine Unterstützung bei
ll dn :
so or n

den wöchentlichen Übungen, beispielsweise für die Beantwortung von Fragen zu den
ab un
e e tio

Hausübungen oder Unterstützung bei der Korrektur von Übungen.

Si ies ma

3 Qualifikationsziele / Lernergebnisse
In einem Praktikum der Lehre bearbeiten die Studierenden Probleme, die sowohl fachliche als
D for

auch didaktische Aspekte haben und wirken an der Umsetzung der von ihnen erarbeitet
In

Resultate mit.

4 Voraussetzung für die Teilnahme

Empfohlen:

Der vorherige Besuche der Veranstaltung “Deep Learning for Natural Language Processing” oder
einer vergleichbaren Veranstaltung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1044-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 169

 Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich
der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1044-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

4 in
Kann in anderen Studiengängen verwendet werden.

/2 ht
9 Literatur
23 nic
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 170

Modulbeschreibung

Modulname
Praktikum in der Lehre - Statistisches Maschinelles Lernen
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1070 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Data
Englisch
Science and Engineering
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)

ge K
20-00-1070-pl Praktikum in der Lehre - 5 Praktikum in 3
Statistisches Maschinelles der Lehre

4 in
Lernen

/2 ht
2 Lerninhalt
Unterstützung der Lehre wie z.B., Betreuung von Übungsgruppen, Sprechstunden, o.ä.

3
23 nic
Qualifikationsziele / Lernergebnisse
iS ch

Vorbereitung auf eigenständige Lehrtätigkeit.

W no

4 Voraussetzung für die Teilnahme

e

Empfohlen: Erfolgreiche Absolvierung der Veranstaltung „Statistisches Maschinelles Lernen“

m st

oder entsprechende Kenntnisse.

de g i
ll dn :
so or n

5 Prüfungsform
ab un
e e tio

Bausteinbegleitende Prüfung:
Si ies ma

 [20-00-1070-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

D for

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
In

oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1070-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

Modulhandbuch M. Sc. Computer Science 171

 B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 172

Modulbeschreibung

Modulname
Praktikum in der Lehre - Foundations of Language Technology (FOLT)
Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-1110 150 h 105 h 1 Semester
5 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Data Science and Engineering
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

n. t.
(CP)

lte raf
20-00-1110- Praktikum in der Lehre - 5 Praktikum in 3

ge K
pl Foundations of Language der Lehre
Technology (FOLT)

4 in
2 Lerninhalt

/2 ht
Vorbereitung, Abhalten und Korrektur eines Shared Tasks, Anbieten von Sprechstunden
für die Lerninhalte, Halten von Tutorien, und vergleichbare Aufgaben für die Lehre

3
23 nic
Qualifikationsziele / Lernergebnisse
iS ch

Nach Abschluss der Veranstaltung sind die Studierenden in der Lage, eigenständig ein
Tutorium zu veranstalten, eine Shared Task vorzubereiten und vergleichbare Aufgaben
W no

der Lehre zu übernehmen.

e

4 Voraussetzung für die Teilnahme

m st

Empfohlen wird das vorherige Belegen von „Foundations of Language Technology“

de g i

(FOLT) oder vergleichbarer Kurse (z.B. „Deep Learning for Natural Language Processing“
ll dn :
so or n

(DL4NLP))
ab un
e e tio

5 Prüfungsform
Si ies ma

Bausteinbegleitende Prüfung:
D for

 [20-00-1110-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

In

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional:

einschließlich der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%).

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1110-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

Modulhandbuch M. Sc. Computer Science 173

8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 174

 n. t.
lte raf
ge K
4 in
Modulhandbuch

/2 ht
M. Sc. Computer Science
23 nic
iS ch
W no

Vertiefung Distributed Computing

e
m st
de g i
ll dn :
so or n
ab un
e e tio

Wahlbereich Computer Networks and

Si ies ma

Distributed Systems
D for
In

Modulhandbuch M. Sc. Computer Science 175

Modulbeschreibung

Modulname
TK1: Verteilte Systeme und Algorithmen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0065 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- TK1: Verteilte Systeme und 6 integrierte 4

4 in
0065-iv Algorithmen Veranstaltung

/2 ht
2 Lerninhalt
Lernziele:
23 nic
iS ch

● Umfassendes Überblickswissen über die grundlegenden Probleme und Ansätze

W no

● Tiefgehendes Methodenwissen zu klassischen verteilten Algorithmen und

Programmierparadigmen
e
m st

● Anwendbare exemplarische Kenntnis aktueller Entwicklungen und Standards

de g i
ll dn :

Stoffplan:
so or n
ab un
e e tio

● Einführung
Si ies ma

● Auffrischung und Ergänzung von Kapitel 1 der Kanonik Net-Centric Computing

● Überblick über die Vorlesung
D for

● Verteilte Algorithmen
In

○ Elementaralgorithmen (z.B. globaler Zustand)

○ Basisalgorithmen (z.B. Ausschluss, Konsens, Kooperation)
○ Formalisierung (Eigenschaften und deren Nachweis)

● Verteiltes Programmieren

○ Push-Paradigmen (z.B. IPC, RPC, DOC)

○ aktuelle Ansätze (z.B. Pull-Paradigmen, Objektmobilität)

3 Qualifikationsziele / Lernergebnisse
Studierende kennen nach erfolgreichem Besuch der Veranstaltung die Grundlagen der
verteilten Programmierung und verteilter Algorithmen. Sie verstehen die grundlegenden

Modulhandbuch M. Sc. Computer Science 176

 Probleme verteilter Systeme und die klassischen verteilen Algorithmen und
Programmierparadigmen. Sie können klassische und aktuelle Standards verteilter
Programmierung praktisch anwenden.

4 Voraussetzung für die Teilnahme

Empfohlen: „Computer Netze und verteilte Systeme“

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0065-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist

n. t.
lte raf
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

ge K
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

4 in
6 Voraussetzung für die Vergabe von Leistungspunkten

/2 ht
Bestehen der Prüfung (100%)

7 Benotung
23 nic
Bausteinbegleitende Prüfung:
iS ch
W no

• [20-00-0065-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

e

100%, Standard)
m st
de g i

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

ll dn :

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
so or n
ab un

Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

e e tio

Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

Si ies ma

8 Verwendbarkeit des Moduls

B. Sc. Informatik
D for

M. Sc. Informatik
M. Sc. Computer Science
In

M. Sc. Autonome Systeme und Robotik

M.Sc. IT Sicherheit

Kann in anderen Studiengängen verwendet werden.

9 Literatur
Literaturempfehlungen werden kontinuierlich aktualisiert, Beispiele für verwendete
Literatur könnten sein:
● George Coulouris, Jean Dollimore, Tim Kindberg: Distributed Systems. Concepts and
Design (Gebundene Ausgabe) 832 Seiten, Addison Wesley; Auflage: 4th (14. Juni 2005),
ISBN: 0321263545
● M. Boger: Java in verteilten Systemen, 1999, dpunkt-Verlag, Heidelberg, ISBN:
3932588320

Modulhandbuch M. Sc. Computer Science 177

 ● G. Tel: Introduction to Distributed Algorithms, 2nd Ed 2001, Cambridge University Press,
ISBN: 0521794838
● A. Tanenbaum, M.v.Steen, Verteilte Systeme: Grundlagen und Paradigmen, Pearson
Studium 2003, ISBN: 3827370574
● A. Tanenbaum: Computernetzwerke. 4te Auflage. Pearson Studium 2003, ISBN-10:
3827370469
● J. Kurose, K. Ross: Computer Networking, 1. Ed. 2000, Adison-Wesley. ISBN: 0201477114
● L. Peterson, B. Davie, Computernetze, 1. Aufl. 2000, dpunkt Heidelberg, ISBN:
393258869X
● Hammerschall, U.: Verteilte Systeme und Anwendungen. Pearson, München 2005, ISBN:
3827370965

n. t.
10 Kommentar

lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 178

Modulbeschreibung

Modulname
Netzsicherheit

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0512 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Netzsicherheit 6 integrierte 4

4 in
0512-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Die integrierte Veranstaltung Netzsicherheit umfasst Sicherheits-Prinzipien und -Praxis in
Telekommunikationsnetzen und dem Internet. Die grundlegenden Verfahren aus dem
iS ch

Bereich IT Sicherheit und Kryptographie werden auf den Bereich der Kommunikationsnetze
übertragen. Hierbei verfolgen wir einen Top-down Ansatz. Beginnend mit der
W no

Anwendungsschicht erfolgt eine detaillierte Betrachtung von Prinzipien und Protokollen zur
e

Absicherung von Netzen. Ergänzend zu etablierten Mechanismen werden ausgewählte

m st

aktuelle Entwicklungen im Bereich Netzsicherheit erläutert.

de g i

Lerninhalte:
ll dn :
so or n

- Netzsicherheit: Einführung, Motivation und Herausforderungen

ab un
e e tio

- Grundlagen: Ein Referenzmodell für Netzsicherheit, Sicherheitsstandards für Netze und

das Internet, Bedrohungen, Angriffe, Sicherheitsdienste und -mechanismen
Si ies ma

- Kryptographische Grundlagen zur Absicherung von Netzen: Symmetrische Kryptographie

und deren Anwendung in Netzen, asymmetrische Kryptographie und deren Anwendung in
D for

Netzen, unterstützende Mechanismen zur Implementierung von Sicherheitslösungen

- Sicherheit auf der Anwendungschicht
In

- Sicherheit auf der Transportschicht

- Sicherheit auf der Vermittlungsschicht
- Sicherheit auf der Sicherungsschicht
- Sicherheit auf der Bitübertragungsschit und physische Sicherheit
- Angewandte Netzsicherheit: Firewalls, Intrusion Detection Systeme
- Ausgewählte Themen der Netzsicherheit

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung haben die Studierenden ein
umfassendes Wissen auf dem Gebiet der Netzsicherheit mit dem Schwerpunkt auf
Internetsicherheit. Sie können die wichtigsten Grundlagen der IT Sicherheit sowie der
Kryptographie auf den Bereich Kommunikationsnetze übertragen und anwenden. Die
Studierenden können die wichtigsten Basistechnologien zur Absicherung von Netzen

Modulhandbuch M. Sc. Computer Science 179

 unterscheiden. Sie weisen ein tiefgehendes Verständnis von Sicherheitsmechanismen auf
den unterschiedlichen Protokollschichten auf (Anwendungschicht, Transportschicht,
Vermittlungsschicht, Sicherungsschicht, physikalische Schicht). Somit sind sie in der Lage,
die Charakteristiken und Grundprinzipien des Problemraumes Netzsicherheit detailliert zu
erläutern und weisen auf diesem Feld ein fundiertes Wissen in Praxis und Theorie auf.
Darüber hinaus können sie aktuelle Entwicklungen im Bereich Netzsicherheit erläutern (z.B.
Sicherheit in peer-to-peer Systemen, Sicherheit in mobilen Netzen, etc.). Die Übung vertieft
das theoretische Wissen durch Literatur-, Rechen- und praktische Implementierungs-
/Anwendungsübungen.

4 Voraussetzung für die Teilnahme

Empfohlen: Grundlagen der IT-Sicherheit, Kryptographie und Kommunikationsnetze

n. t.
lte raf
5 Prüfungsform

ge K
Bausteinbegleitende Prüfung:

4 in
 [20-00-0512-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

/2 ht
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist

23 nic
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
iS ch

Minuten), Hausübungen (optional: einschließlich Testaten)

W no
e
m st

6 Voraussetzung für die Vergabe von Leistungspunkten

de g i

Bestehen der Prüfung (100%)

ll dn :
so or n
ab un

7 Benotung
e e tio

Bausteinbegleitende Prüfung:
Si ies ma

 [20-00-0512-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
D for

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

In

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
M. Sc. IT Sicherheit

Kann in anderen Studiengängen verwendet werden.

Modulhandbuch M. Sc. Computer Science 180

9 Literatur
Charlie Kaufman, Radia Perlman, Mike Speciner: Network Security – Private
Communication in a Public World, 2nd Edition, Prentice Hall, 2002, ISBN: 978-0-14-
046019-6; weiterhin ausgewählte Buchkapitel und ausgewählte wissenschaftliche
Veröffentlichungen
10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 181

Modulbeschreibung

Modulname
Sichere Mobile Systeme

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0583 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Sichere Mobile Systeme 3 integrierte 2

4 in
0583-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Die integrierte Veranstaltung Sichere Mobile Systeme befasst sich mit Fragen zur Sicherheit
in drahtlosen und Mobilen Netzen und Kommunikationssystemen. Grundlagen der Thematik
iS ch

werden durch aktuelle Forschungsthemen ergänzt.

W no

Lerninhalte:
- Sicherheitsbetrachtung und Modellierung von Bedrohungen bei mobilen und drahtlosen
e

Systemen
m st

- Ausgewählte Angriffe und Sicherheitsmechanismen spezifisch für mobile und drahtlosen

de g i

Systeme
ll dn :
so or n
ab un

- Sicherheit in drahtlosen Sensornetzen

e e tio

- Sicherheit in drahtlosen Mesh-Netzen

Si ies ma

- Bedrohungen und Schutz der Privatsphäre in mobilen und drahtlosen Systemen

- Sicherheit in zellularen Netzen (GSM, UMTS, LTE)
D for

- Sicherheit auf der Bitübertragungsschicht

- Ausgewählte Forschungsthemen in mobilen und drahtlosen Systemen
In

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung besitzen die Studierenden ein
spezialiertes Wissen auf dem Gebiet der Sicherheit in mobilen, verteilten, drahtlosen Netzen
mit dem Schwerpunkt auf Internetsicherheit. Sie können die wichtigsten Grundlagen der IT
Sicherheit, der Kryptographie sowie der Netzsicherheit in klassischen Netzen auf mobile
Systeme übertragen und anwenden.

Die Studierenden weisen ein tiefgehendes Verständnis von Sicherheitsmechanismen auf den
unterschiedlichen Protokollschichten auf (Anwendungschicht, Transportschicht,
Vermittlungsschicht, Sicherungsschicht, physikalische Schicht). Somit sind sie in der Lage,

Modulhandbuch M. Sc. Computer Science 182

 die Charakteristiken und Grundprinzipien des Problemraumes zu erfassen und weisen auf
dem Feld sicherer mobiler Systeme ein fundiertes Wissen in Praxis und Theorie auf.

4 Voraussetzung für die Teilnahme

Empfohlen: Grundlagen der Netzsicherheit und der Mobilen Netze

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0583-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

n. t.
lte raf
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

ge K
4 in
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

/2 ht
7 Benotung
23 nic
Bausteinbegleitende Prüfung:
iS ch

 [20-00-0583-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
W no
e

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

m st

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
de g i

Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

ll dn :
so or n

Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

ab un
e e tio

8 Verwendbarkeit des Moduls

B. Sc. Informatik
Si ies ma

M. Sc. Informatik
M. Sc. Computer Science
D for

M. Sc. IT Sicherheit
In

Kann in anderen Studiengängen verwendet werden.

9 Literatur
Levente Buttyan, Jean-Pierre Hubaux: Security and Cooperation in Wireless Networks,
Cambridge University Press, 2008, ISBN: 978-0-521-87371-0 (book is available online for
download).
Ausgewählte Buchkapitel und ausgewählte wissenschaftliche Veröffentlichungen.

10 Kommentar

Modulhandbuch M. Sc. Computer Science 183

Modulbeschreibung

Modulname
Mobile Netze

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0748 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Mobile Netze 6 integrierte 4

4 in
0748-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Mobilkommunikation und drahtlose Kommunikationstechniken haben sich in den letzten
Jahren rapide weiterentwickelt. Die integrierte Veranstaltung erläutert Charakteristiken und
iS ch

Grundprinzipien mobiler Netze, und praktische Lösungsansätze werden vorgestellt. Der

Fokus der Veranstaltung liegt hierbei auf der Vermittlungsschicht (Netzwerkschicht).
W no

Zusätzlich zum Stand der Technik werden in der Veranstaltung aktuelle Forschungsfragen
e

diskutiert und Methoden und Werkzeuge zur systematischen Behandlung dieser Fragen
m st

erläutert. Die Inhalte werden in Übungseinheiten vertieft.

de g i

Lerninhalte:
ll dn :
so or n

- Einleitung: Drahtlose und mobile Kommunikation: Anwendungen, Geschichte,

ab un
e e tio

Marktchancen
- Überblick über drahtlose Kommunikation: Drahtlose Übertragung, Frequenzen und
Si ies ma

Frequenzregulierung, Signale, Antennen, Signalausbreitung, Multiplex, Modulation,

Spreizband-Technik, Zellulare Systeme
D for

- Medienzugriff: SDMA, FDMA, CDMA, TDMA (Feste Zuordnung, Aloha, CSMA, DAMA,
PRMA, MACA, Kollisionsvermeidung, Polling)
In

- Drahtlose Lokale Netze (Wireless LAN): IEEE 802.11 Standard inklusive

Bitübertragungsschicht, Sicherungsschicht und Zugriffverfahren, Dienstgüte,
Energieverwaltung
- Drahtlose Stadtnetze, drahtlose Mesh Netze, IEEE 802.16 Standard inklusive Betriebsmodi,
Medienzugriff, Dienstgüte, Ablaufkoordination
- Mobilität auf der Netzwerkschicht: Konzepte zur Mobilitätsunterstützung, Mobile IP
- Ad hoc Netze: Terminologie, Grundlagen und Applikationen, Charakteristika von Ad hoc
Kommunikation, Ad hoc Routing Paradigmen und Protokolle
- Leistungsbewertung von mobilen Netzen: Einführung in die Leistungsbewertung,
systematischer Ansatz/häufige Fehler und wie man sie vermeiden kann, experimentelles
Design und Analyse
- Mobilität auf der Transportschicht: Varianten von TCP (Indirect TCP, Snoop TCP, Mobile
TCP, Wireless TCP)

Modulhandbuch M. Sc. Computer Science 184

 - Mobilität auf der Anwendungsschicht: Anwendungen für mobile Netze und drahtlose
Sensornetze
3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung haben Studierende ein umfassendes
Wissen der Funktionsweise mobiler Kommunikationsnetze. Sie können die wichtigsten
Grundlagen drahtloser Kommunikationstechniken erläutern. Die Studierenden können
weiterhin Medienzugriffsverfahren kategorisieren und die Funktionsweise dieser Verfahren
im Detail erklären. Insbesondere weisen sie ein tiefgehendes Verständnis von Verfahren auf
Vermittlungsschicht und Transportschicht auf, mit Schwerpunktsetzung auf Ad hoc und
Mesh Netze. Die Studierenden erlangen Wissen über die Zusammenhänge zwischen
unterschiedlichen Protokollschichten und können ihr erworbenes Wissen auf die

n. t.
methodische Analyse von realen Kommunikationssystemen anwenden. Sie sind somit in der

lte raf
Lage, die Charakteristiken und Grundprinzipien des Problemraumes drahtloser und mobiler
Kommunikation detailliert zu erläutern und weisen auf diesem Feld ein fundiertes Wissen in

ge K
Praxis und Theorie auf. Die Übungsteile der integrierten Veranstaltung vertiefen das

4 in
theoretische Wissen durch Literatur-, Rechen- und praktische Implementierungs-
/Anwendungsübungen.

/2 ht
4
23 nic
Voraussetzung für die Teilnahme
Empfohlen: Grundlagen der Kommunikationsnetze
iS ch

5 Prüfungsform
W no

Bausteinbegleitende Prüfung:
e

 [20-00-0748-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

m st
de g i

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
ll dn :
so or n

eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
ab un
e e tio

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Si ies ma

Minuten), Hausübungen (optional: einschließlich Testaten)

D for

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)
In

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0748-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Modulhandbuch M. Sc. Computer Science 185

 M. Sc. Autonome Systeme und Robotik
M. Sc. IT Sicherheit

Kann in anderen Studiengängen verwendet werden.

9 Literatur
Ausgewählte Buchkapitel und ausgewählte wissenschaftliche Veröffentlichungen

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 186

Modulbeschreibung

Modulname

Concepts and Technologies for Distributed Systems and Big Data Processing
Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-0951 90 h 60 h 1 Semester
3 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0951-iv Concepts and Technologies for 3 Integrierte 2

4 in
Distributed Systems and Big Veranstaltung
Data Processing

/2 ht
2 Lerninhalt
23 nic
The course provides an overview of recent advances in distributed systems for Big Data
processing. The course starts presenting computational models for high throughput batch
iS ch

processing like MapReduce. Next, we will introduce software engineering techniques for
distributed systems such as REST and component-based architectures. We will then cover low
W no

latency real time stream processing and complex event processing. Finally, we will present
advanced topics in distributed data-intensive systems, such as geodistribution and
e

security.
m st
de g i

The course focuses both on the fundamental concepts as well as on the concrete technologies
ll dn :
so or n

and applications of the aforementioned techniques to real-world case studies.

ab un
e e tio
Si ies ma

3 Qualifikationsziele / Lernergebnisse
- The students are familiar with basic concepts and technologies on distributed systems and
D for

big data and are able to implement basic cloud based/distributed applications.
In

- The students are familiar with the fundamental computational models behind recent
advances in distributed systems, such as models for batch processing of massive data amounts,
stream processing and complex event processing.

- The students are familiar with selected advanced topics on big data, including security and
geolocalization.

- The students know about real-world case studies that apply the concepts and the
technologies presented during the course.

4 Voraussetzung für die Teilnahme

Modulhandbuch M. Sc. Computer Science 187

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0951-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
lte raf
7 Benotung

ge K
Bausteinbegleitende Prüfung:

4 in
 [20-00-0951-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,
Standard)

/2 ht
8
23 nic
Verwendbarkeit des Moduls
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning
iS ch
W no

Kann in anderen Studiengängen verwendet werden.

e

9 Literatur
m st
de g i
ll dn :
so or n
ab un

10 Kommentar
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 188

 n. t.
lte raf
ge K
Modulhandbuch

4 in
/2 ht
M. Sc. Computer Science
23 nic
iS ch
W no

Vertiefung Distributed Computing

e
m st
de g i
ll dn :
so or n
ab un
e e tio

Wahlbereich Data-Intensive Systems and

Si ies ma

heterogeneous Hardware
D for
In

Modulhandbuch M. Sc. Computer Science 189

Modulbeschreibung

Modulname
Algorithmen für Hardware-Entwurfswerkzeuge

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0183 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Algorithmen für Hardware- 3 integrierte 2

4 in
0183-vl Entwurfswerkzeuge Veranstaltung

/2 ht
2 Lerninhalt
23 nic
- Das VLSI-Entwurfsproblem
- Grundlegende Graphenrepräsentationen und -algorithmen
iS ch

- Darstellung von hierarchischen Schaltungen

W no

- Realisierungstechnologien für integrierte Schaltungen

e

- Layout-Kompaktierung
m st

- Timing-Analyse
de g i

- Heuristische Optimierungsverfahren
ll dn :
so or n

- Platzierungsprobleme, -verfahren und -kostenfunktionen

ab un
e e tio

- Exakte Optimierungsverfahren
- Partitionierung mit Anwendung in der Platzierung
Si ies ma

- Floorplanningprobleme, -repräsentationen und -verfahren

- Verdrahtungsprobleme, -verfahren und -kostenfunktionen
D for
In

3 Qualifikationsziele / Lernergebnisse
Studierende kennen nach erfolgreichem Besuch der Veranstaltung verschiedene
Technologien für die Realisierung von integrierten Schaltungen. Sie können aus den
verschiedenen Technologien die Anforderungen an Automatisierungswerkzeuge für
verschiedene Teilaufgaben des Entwurfs- und Realisierungsprozesses herleiten. Sie sind
vertraut mit der Modellierung technologischer Probleme durch formale Konzepte wie
Graphen, Gleichungssysteme etc. Sie verstehen grundlegende Verfahren zur Lösung auch
von harten Problemen und können aufbauend auf Erfahrungen mit verschiedenen
Basisalgorithmen neue bzw. verfeinerte Implementierungen zur Erledigung der
Entwurfsaufgaben entwickeln.

4 Voraussetzung für die Teilnahme

Modulhandbuch M. Sc. Computer Science 190

 Empfohlen: Empfohlen wird der erfolgreiche Besuch der Veranstaltungen “Digitaltechnik”
sowie “Algorithmen und Datenstrukturen” und “Funktionale und objektorientierte
Programmierung” oder vergleichbarer Veranstaltungen.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0183-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

n. t.
lte raf
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

ge K
6 Voraussetzung für die Vergabe von Leistungspunkten

4 in
Bestehen der Prüfung (100%)

/2 ht
7 Benotung
23 nic
Bausteinbegleitende Prüfung:
iS ch

• [20-00-0183-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
W no
e

8 Verwendbarkeit des Moduls

m st

B. Sc. Informatik
de g i

M. Sc. Informatik
ll dn :
so or n

M. Sc. Computer Science

ab un
e e tio

M.Sc. IT Sicherheit
Si ies ma

Kann in anderen Studiengängen verwendet werden.

D for

9 Literatur
In

Literaturempfehlungen werden kontinuierlich aktualisiert, Beispiele für verwendete

Literatur könnten sein:
Gerez: Algorithms for VLSI Design Automation
Wang/Chang/Cheng: Electronic Design Automation

10 Kommentar

Modulhandbuch M. Sc. Computer Science 191

Modulbeschreibung

Modulname
Programmierung Massiv-Paralleler Prozessoren

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0419 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Programmierung Massiv-Paralleler 6 integrierte 4

4 in
0419-iv Prozessoren Veranstaltung

/2 ht
2 Lerninhalt
23 nic
- Grundlagen massiv-paralleler Hardware mit einem Schwerpunkt auf modernen
Beschleunigern
iS ch

- parallele Algorithmen
W no

- effiziente Programmierung massiv-paralleler Systeme

- praktische Programmierprojekte mit Co-Betreuung durch einen Wissenschaftler au seiner
e
m st

Anwendungsdomain
de g i
ll dn :

3 Qualifikationsziele / Lernergebnisse
so or n
ab un
e e tio

Nach dem erfolgreichen Besuch der Veranstaltung sind Studierende dazu in der Lage,
Problemstellungen im Kontext massiv-paralleler Systeme zu analysieren. Sie können
Si ies ma

selbständig neue Anwendungen entwickeln und ihre Performanz systematisch verbessern.

Sie verstehen grundlegende parallele Algorithmen und Programmierparadigmen und
D for

können sich selbständig aktuelle Literatur erarbeiten.

In

4 Voraussetzung für die Teilnahme

Empfohlen:

solide Programmierkenntnisse in C/C++

Kentnisse in paralleler Programmierung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0419-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 192

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0419-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

n. t.
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU

lte raf
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

ge K
8 Verwendbarkeit des Moduls

4 in
B. Sc. Informatik
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
23 nic
M. Sc. Autonome Systeme und Robotik
M. Sc. IT Sicherheit
iS ch

Kann in anderen Studiengängen verwendet werden.

W no
e

9 Literatur
m st

wird in der Veranstaltung bekanntgegeben

de g i
ll dn :
so or n
ab un

10 Kommentar
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 193

Modulbeschreibung

Modulname
Fortgeschrittener Compilerbau

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0701 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Fortgeschrittener Compilerbau 5 integrierte 3

4 in
0701-vl Veranstaltung

/2 ht
2 Lerninhalt
23 nic
- Compilierung und Laufzeitumgebung für objektorientierte Programmiersprachen
- Kontrollflussgraphen als Zwischendarstellung
iS ch

- Statische Datenflußanalyse
W no

- Static Single Assignment Form

e

- Eliminierung totaler und partieller Redundanz

m st

- Skalare Optimierung
de g i

- Registerallokation
ll dn :
so or n

- Ablaufplanung
ab un
e e tio

- Schleifenoptimerung
- Aufbau realer Compiler (z.B. Phasen, Zwischendarstellung, Compilefluß)
Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Studierende verstehen nach erfolgreichem Besuch Techniken für die Übersetzung und
In

Ausführung von objektorientierten Programmen auf Maschinenebene. Sie können die

statische Datenflussanalyse auf Kontrollflussgraphen anwenden und sind geübt im
praktischen Umgang mit deren SSA-Darstellung. Sie beherrschen Optimierungsverfahren für
eine Reihe von Aufgaben sowie fundamentale Verfahren für die Registerallokation. Sie
kennen die interne Struktur von realen Compilern für den Produktivbetrieb.

4 Voraussetzung für die Teilnahme

Empfohlen: Erfolgreicher Besuch der Veranstaltung “Einführung in den Compilerbau” oder
vergleichbarer Veranstaltungen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0701-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 194

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0701-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

n. t.
100%, Standard)

lte raf
ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik
M. Sc. Computer Science

/2 ht
M. Sc. IT Sicherheit
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no

Literaturempfehlungen werden kontinuierlich aktualisiert, Beispiele für verwendete

e

Literatur könnten sein:

m st

Cooper/Torczon: Engineering a Compiler

de g i

Muchnick: Advanced Compiler Design and Implementation

ll dn :
so or n
ab un

Aho/Lam/Sethi/Ullman: Compilers - Principles, Techniques, and Tools

e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 195

Modulbeschreibung

Modulname

Advanced Data Management Systems

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1039 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1039-iv Advanced Data Management 6 Integrierte 4
Systems Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Dies ist eine fortgeschrittene Veranstaltung aus dem Bereich der Architektur und
Implementierung moderner Datenbanksysteme mit dem speziellen Fokus auf System-
iS ch
orientieren Aspekten und Interna solcher Systeme. Mögliche Themengebiete die in der
Vorlesung behandelt werden sind: moderne Hardwaretechnologien für das Datenbanksysteme,
W no

Optimierungen für Hauptspeicherdatenbanken, Parallelisierungsstrategien und Approximative

Anfrageausführung usw.
e
m st

Es wird erwartet, dass für jede Vorlesung aktuelle Veröffentlichungen (SIGMOD, VLDB, etc.)
de g i

vorher gelesen werden. Die Hauptideen ausgewählter Veröffentlichungen werden in

ll dn :
so or n

Programmierprojekten umgesetzt.
ab un
e e tio
Si ies ma

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreichem Abschluss der Veranstaltung haben Studierende ein vertieftes Verständnis
D for

von aktuellen Techniken für das Design von modernen Datenbanksystemen. Die Studierenden
können Vor- und Nachteile dieser Techniken mit dem Fokus auf möglichen Verbesserungen
In

diskutieren. Sie können einzelne Techniken implementieren und experimentelle Evaluierungen

dieser Techniken zum Vergleich von Designalternativen durchführen.

4 Voraussetzung für die Teilnahme

Empfohlen:

Solide Programmierkenntnisse in C and C++

Der vorherige Besuch von „Skalierbare Datenmanagement-Systeme“ und
„Informationsmanagement“ oder vergleichbaren Veranstaltungen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1039-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 196

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1039-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

n. t.
lte raf
Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no
e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 197

 n. t.
lte raf
ge K
4 in
/2 ht
Modulhandbuch
23 nic
M. Sc. Computer Science
iS ch
W no
e
m st

Vertiefung Distributed Computing

de g i
ll dn :
so or n
ab un
e e tio
Si ies ma

Wahlbereich System Modelling and

D for

Engineering
In

Modulhandbuch M. Sc. Computer Science 198

Modulbeschreibung

Modulname

Applied Static Analysis

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-0949 90 h 60 h 1 Semester
3 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0949-iv Applied Static Analysis 3 Integrierte 2

4 in
Veranstaltung
2 Lerninhalt

/2 ht
Foundations of (scalable) static analyses for large(r) software systems; in particular
23 nic
- Basic Terminology:
- AST, SSA,
iS ch

- Object-/ Field-/ Context-/ Flow-/ Path Sensitivity

- (I)CFG
W no

- Inter-procedural analyses
-…
e

- stack based intermediate representations (JVM Bytecode)

m st

- register based intermediate representations (LLVM IR)

de g i

- program transformations and native code analyses using LLVM

ll dn :
so or n

Concrete static analyses and algorithms:

ab un
e e tio

- Call graph algorithms for libraries and applications

- Inter procedural data- and control-flow analyses
Si ies ma

- IDE/IFDS
- Points-to analyses
D for

- Escape analyses
Applications
In

- General software quality analyses

- Capability Analysis
- Security Vulnerabilities Detection
- Dead Paths/Computations
- Next generation software development tools

3 Qualifikationsziele / Lernergebnisse
Students can effectively use the basic static analyses related terminology.
Students are familiar with modern static analyses working on intermediate representations.
They are able to apply and adapt available static analysis algorithms to new scenarios.

4 Voraussetzung für die Teilnahme

Empfohlen:

Modulhandbuch M. Sc. Computer Science 199

 The lecture is targeted towards Master students with a very high degree of interest in reading,
analyzing and also writing code. Basic knowledge in compiler construction is helpful. Deep
knowledge of object-oriented programming concepts and in particular of object-oriented
programming in Java is required. Interest in learning new programming languages (in
particular Scala) is required.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0949-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

n. t.
lte raf
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

ge K
4 in
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

/2 ht
7 Benotung
23 nic
Bausteinbegleitende Prüfung:
iS ch

 [20-00-0949-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

Standard)
W no
e

8 Verwendbarkeit des Moduls

m st

M. Sc. Computer Science

de g i
ll dn :
so or n

Kann in anderen Studiengängen verwendet werden.

ab un
e e tio

9 Literatur
Si ies ma
D for

10 Kommentar
In

Modulhandbuch M. Sc. Computer Science 200

Modulbeschreibung

Modulname

Fortgeschrittenes Multithreading in C++

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0977 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0977-iv Fortgeschrittenes 6 Integrierte 4

4 in
Multithreading in C++ Veranstaltung
2 Lerninhalt

/2 ht
C++ bietet eine der modernsten Threadschnittstellen, die heute verfügbar sind. Am Beispiel
23 nic
C++ führt dieser Kurs in die fortgeschrittene parallele Programmierung für gemeinsamen
Speicher mit Threads ein.
iS ch

Aufbauend auf den Inhalten der Vorlesung Multithreading in C++ werden die folgenden
W no

Themen behandelt:
• C++ Speichermodell und atomare Operationen
e

• Entwurf lockfreier nebenläufiger Datenstrukturen

m st

• Forstgeschrittenes Thread-Management (z.B. Thread Pools)

de g i
ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Nachdem Studierende die Veranstaltung besucht haben, haben Sie erweiterte Kompetenz in der
Entwicklung paralleler Programme und sind in der Lage
D for

- Systematisch korrekte und effiziente parallele Programme zu entwickeln

- Parallele Datenstrukturen zu entwerfen und umzusetzen
In

4 Voraussetzung für die Teilnahme

Empfohlen:

• Kenntnisse in C/C++
• Basiskenntnisse der Programmierung von Threads in C++ (lockbasierte Synchronisation und
lockbasierte nebenläufige Datenstrukturen)

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0977-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 201

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0977-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science

4 in
Kann in anderen Studiengängen verwendet werden.

/2 ht
9 Literatur
23 nic
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 202

Modulbeschreibung

Modulname

Model Checking
Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
90 h 60 h 1 Semester
1115 3 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1115- Model Checking 3 Vorlesung 2

4 in
vl
2 Lerninhalt

/2 ht
* Temporallogiken:
23 nic
- Lineare temporal Logik (LTL), Computation Tree Logic (CTL) und CTL*: Syntax,
Semantik, Komplexität
iS ch

* Modelprüfungsverfahren für LTL, CTL, CTL*, insbesondere Büchiautomaten

* Partial Order Reduction
W no

* Timed Automata
e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Im Rahmen des Kurses sollen die Studierenden folgende Fähigkeiten erwerben:

ll dn :
so or n

* Verständnis der theoretischen Grundlagen der Temporallogiken LTL, CTL und CTL*
ab un
e e tio

* Fähigkeit zur Auswahl der geeigneten Logik zur Spezifikation und Modellprüfung in
Abhängigkeit von dem zu modellierenden System und der zu prüfenden Eigenschaft
Si ies ma

* Verfahren und Techniken zur Modellprüfung (Model Checking) z.B. Modellprüfung mit
Büchiautomaten, Partial Order Reduction u.ä.
D for

* Wissen über die Charakteristika und Grenzen der Modellprüfung

In

* Kenntnisse in der Modellprüfung von Timed Automate

* Fähigkeit zur Anwendung von Tools zur Modellprüfung

4 Voraussetzung für die Teilnahme

Empfohlen werden Kenntnisse in
* Aussagenlogik
* Deduktionssystemen
* Automatentheorie

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1115-vl] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 203

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%).

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1115-vl] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

n. t.
lte raf
100%, Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no
e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 204

Modulbeschreibung

Modulname

Konzepte der Programmiersprachen

Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
180 h 120 h 1 Semester
1117 6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1117- Konzepte der 6 Integrierte 4

4 in
iv Programmiersprachen Veranstaltung
2 Lerninhalt

/2 ht
Kurze Einführung und Geschichte der Programmiersprachen, Kriterien zur Messung von
23 nic
Programmiersprachen, Grundkonzepte der PL wie Syntax, Semantik, Variablen, Namen,
Bindungen, Umfang, Subprogram, Expressionen, Arrays, Pointers, abstrakte Typen,
iS ch

funktionale Programme
W no

3 Qualifikationsziele / Lernergebnisse
e

Die Studierenden werden am Ende des Kurses in der Lage sein, die zugrundeliegenden
m st

Mechanismen der wichtigsten Konzepte hinter Programmiersprachen zu verstehen. Die

de g i

Studierenden werden auch Erfahrung erhalten, eine einfache Programmiersprache mit

ll dn :
so or n
ab un

einer beliebten Sprache Workbench namens MPS als Gruppenprojekt zu bauen.

e e tio

4 Voraussetzung für die Teilnahme

Si ies ma

Keine
D for

5 Prüfungsform
Bausteinbegleitende Prüfung:
In

 [20-00-1117-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%).

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 205

  [20-00-1117-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 206

 n. t.
lte raf
ge K
4 in
Modulhandbuch

/2 ht
23 nic
M. Sc. Computer Science
iS ch
W no
e

Vertiefung Distributed Computing

m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma

Wahlbereich Studienbegleitende Leistungen

D for

Praktika, Projektpraktika und ähnliche

In

Veranstaltungen

Modulhandbuch M. Sc. Computer Science 207

Modulbeschreibung

Modulname
Praktikum Algorithmen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0189 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Praktikum Algorithmen 6 Praktikum 4

4 in
0189-pr

/2 ht
2 Lerninhalt
23 nic
Lösung eines algorithmischen Problems aus der Praxis und Umsetzung der Lösung in
Software.
iS ch

Konkrete Themenstellung nach Absprache in der Vorbesprechung.

W no
e

3 Qualifikationsziele / Lernergebnisse
m st

In dieser Veranstaltung erwerben Studierende die Kompetenz zur Lösung algorithmischer

de g i

Problemstellungen aus der Praxis und die Fähigkeit, Algorithmen in praktisch effiziente
ll dn :
so or n

Implementationen umzusetzen.
ab un
e e tio

4 Voraussetzung für die Teilnahme

Si ies ma

Empfohlen:
D for

- Kenntnis einer geeigneten Programmiersprache (z.B. Java / C++)

- Vorwissen über grundlegende Algorithmen und Datenstrukturen

In

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0189-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

Modulhandbuch M. Sc. Computer Science 208

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0189-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
Kann in anderen Studiengängen verwendet werden.

ge K
9 Literatur

4 in
wird in der Veranstaltung bekannt gegeben

/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 209

Modulbeschreibung

Modulname
Implementierung von Programmiersprachen
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0306 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch
Distributed Computing
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

n. t.
(CP)

lte raf
20-00-0306-pr Implementierung von 6 Praktikum 4

ge K
Programmiersprachen
2 Lerninhalt

4 in
Es werden Konzepte der Implementierung von Programmiersprachen

/2 ht
vermittelt. Ferner werden diese Konzepte angewendet, um Erweiterungen
für Programmiersprachen zu implementieren.

3
23 nic
Qualifikationsziele / Lernergebnisse
iS ch

Die Fähigkeit, eine professionelle Aufgabe aus der Informatik selbstständig und erfolgreich nach
den anerkannten Grundsätzen der Profession zu bearbeiten.
W no
e

4 Voraussetzung für die Teilnahme

m st

Es wird kein Vorwissen vorausgesetzt. Jedoch sind gute Programmiererfahrungen sowie

de g i

Kenntnisse über Kompilerbau und virtuelle Maschinen von Vorteil.

ll dn :
so or n
ab un
e e tio

5 Prüfungsform
Bausteinbegleitende Prüfung:
Si ies ma

 [20-00-0306-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

D for

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
In

oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0306-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

Modulhandbuch M. Sc. Computer Science 210

8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 211

Modulbeschreibung

Modulname
Praktikum Sichere Mobile Netze
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0552 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
Kurs Kursname Arbeitsaufwand Lehrform SWS

lte raf
Nr. (CP)
20-00- Praktikum Sichere Mobile Netze 6 Praktikum 4

ge K
0552-pr

4 in
2 Lerninhalt

/2 ht
Das Praktikum Sichere Mobile Netze behandelt die angewandte Softwareentwicklung und

23 nic
Hardware-Software Entwicklung in den Themenbereichen Kommunikationsnetze,
Sicherheit, Mobile Netze und Drahtloser Kommunikation bzw. der Kombination dieser
Bereiche. Ziel ist das Lösen einer Problemstellung im Team aus den genannten Bereichen
iS ch

durch Implementierung in Software bzw. Hardware/Software.

W no

Lerninhalte:
e

- Lösen einer Fragestellung im Bereich Kommunikationsnetze, Sicherheit, Mobile Netze und

m st

Drahtloser Kommunikation
de g i

- Rechereche von Lösungsalternativen und Abwägung von Vor-/Nachteilen der Alternativen

ll dn :

- Konzipieren einer Softwarearchitektur bzw. kombinierten Hardware-Software Architektur

so or n
ab un

- Entwerfen eines auf die Zielplattform angepassten Hardware-/Softwaredesigns

e e tio

- Prototypische Umsetzung auf der ausgewählten Zielplattform

- Evaluation des Gesamtsystems in Bezug auf verschiedene Gütemaße
Si ies ma

- Dokumentation der erstellten Lösung

D for

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung besitzen die Studierenden die Fähigkeit
In

Problemstellungen im Bereich Sichere Mobile Netze softwaretechnisch zu lösen. Die

Studierenden haben hierzu Kenntnisse im Entwurf/der Umsetzung komplexer Protokolle
bzw. Anwendungen in einem/mehreren der Bereiche Kommunikationsnetze, Sicherheit,
Mobile Netze und Drahtloser Kommunikation erlangt. Die Studierenden sind in der Lage die
gewählten Protokolle und Anwendungen zu implementieren, zu testen und deren
Funktionsfähigkeit und Leistungsfähigkeit zu evaluieren. Sie sind in der Lage die erstellten
Softwareartefakte verständlich zu dokumentieren und die erzielten Projektfortschritten und
-ergebnissen verständlich zu präsentieren.
4 Voraussetzung für die Teilnahme
Empfohlen:

Erfolgreiche Teilnahme an einer Integrierten Veranstaltung des Fachgebiets SEEMOO

Modulhandbuch M. Sc. Computer Science 212

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0552-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

n. t.
Bestehen der Prüfung (100%)

lte raf
7 Benotung

ge K
Bausteinbegleitende Prüfung:

4 in
 [20-00-0552-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

/2 ht
8 23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
iS ch

M. Sc. Informatik
M. Sc. Computer Science
W no

M. Sc. IT Sicherheit
e
m st

Kann in anderen Studiengängen verwendet werden.

de g i
ll dn :

9 Literatur
so or n
ab un

Themenspezifisch ausgewählte, aktuelle wissenschaftliche Veröffentlichungen

e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 213

Modulbeschreibung

Modulname
Projektpraktikum Sichere Mobile Netze

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0553 270 h 180 h 1 Semester Jedes 2. Semester
9 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Projektpraktikum Sichere Mobile 9 Projektpraktikum 6

4 in
0553- Netze
pp

/2 ht
2 Lerninhalt 23 nic
Das Projektpraktikum Sichere Mobile Netze behandelt die angewandte Softwareentwicklung
iS ch

und Hardware-Software Entwicklung in den Themenbereichen Kommunikationsnetze,

Sicherheit, Mobile Netze und Drahtloser Kommunikation bzw. der Kombination dieser
W no

Bereiche. Ziel ist das eigenständige Bearbeiten eines Entwicklungsprojektes im Team.

e
m st

Lerninhalte:
de g i

- Eigenständiges Bearbeiten eines Entwicklungsprojektes im Bereich Kommunikationsnetze,

ll dn :
so or n

Sicherheit, Mobile Netze und Drahtloser Kommunikation

ab un
e e tio

- Projektplanung und Projektmanagement

Si ies ma

- Rechereche von Lösungsalternativen und Abwägung von Vor-/Nachteilen der Alternativen

- Konzipieren einer Softwarearchitektur bzw. kombinierten Hardware-Software Architektur
- Entwerfen eines auf die Zielplattform angepassten Hardware-/Softwaredesigns
D for

- Prototypische Umsetzung auf der ausgewählten Zielplattform

In

- Evaluation des Gesamtsystems in Bezug auf verschiedene Gütemaße

- Dokumentation der erstellten Lösung sowie ausführliche Dokumentation des
Projektmanagements

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung besitzen die Studierenden die Fähigkeit
komplexe Problemstellungen im Bereich Sichere Mobile Netze softwaretechnisch zu lösen.
Die Studierenden können hierzu eigenständig ein Projekt definieren, verwalten und
durchführen. Die Studierenden haben Kenntnisse im Entwurf/der Umsetzung komplexer
Protokolle bzw. Anwendungen in einem/mehreren der Bereiche Kommunikationsnetze,
Sicherheit, Mobile Netze und Drahtloser Kommunikation erlangt. Die Studierenden sind in
der Lage die gewählten Protokolle und Anwendungen zu implementieren, zu testen und
deren Funktionsfähigkeit und Leistungsfähigkeit zu evaluieren. Sie sind in der Lage die

Modulhandbuch M. Sc. Computer Science 214

 Projektplanung und -verwaltung sowie die erstellten Softwareartefakte verständlich zu
dokumentieren und die erzielten Projektfortschritten und -ergebnissen verständlich zu
präsentieren.

4 Voraussetzung für die Teilnahme

Empfohlen: Erfolgreiche Teilnahme an einer Integrierten Veranstaltung des Fachgebiets
SEEMOO

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0553-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

n. t.
lte raf
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

ge K
4 in
Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:
einschließlich Präsentation)

/2 ht
6
23 nic
Voraussetzung für die Vergabe von Leistungspunkten
iS ch

Bestehen der Prüfung (100%)

W no

7 Benotung
e

Bausteinbegleitende Prüfung:
m st

 [20-00-0553-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

de g i
ll dn :

100%, Standard)
so or n
ab un
e e tio

8 Verwendbarkeit des Moduls

Si ies ma

B. Sc. Informatik
M. Sc. Informatik
D for

M. Sc. Computer Science

M. Sc. IT Sicherheit
In

Kann in anderen Studiengängen verwendet werden.

9 Literatur
Themenspezifisch ausgewählte, aktuelle wissenschaftliche Veröffentlichungen

10 Kommentar

Modulhandbuch M. Sc. Computer Science 215

Modulbeschreibung

Modulname
Praktikum zu Algorithmen für Hardware-Entwurfswerkzeuge

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0571 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Praktikum zu Algorithmen für 6 Praktikum 4

4 in
0571-pr Hardware-Entwurfswerkzeuge

/2 ht
2 Lerninhalt
23 nic
- Realisieren von Hardware-Entwurfswerkzeugen aus dem Bereich Layout-Synthese, speziell
zu Themen wie Timing Analyse, Platzierung und Verdrahtung
iS ch

- Evaluieren der Ergebnisqualität und Rechenzeit- und Speicheranforderungen der eigenen

W no

Werkzeuge im Vergleich zu existierenden Implementierungen

e

3 Qualifikationsziele / Lernergebnisse
m st

Nach erfolgreichem Absolvieren der Veranstaltung können die Studierenden eigenständig

de g i

Hardware-Entwurfswerkzeuge für eine vorgegebene Zieltechnologie von integrierten

ll dn :

Schaltungen erstellen. Sie können ihre Werkzeuge bezüglich verschiedener Gütemaße

so or n
ab un
e e tio

evaluieren und mit anderen existierenden Implementierungen vergleichen.

Si ies ma

4 Voraussetzung für die Teilnahme

Empfohlen: Der erfolgreiche Besuch bzw. die aktive parallele Teilnahme an der
D for

Veranstaltung “Algorithmen für Hardware-Entwurfswerkzeuge” ist dringend empfohlen.

In

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0571-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Modulhandbuch M. Sc. Computer Science 216

 Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0571-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

n. t.
lte raf
Kann in anderen Studiengängen verwendet werden.

ge K
9 Literatur

4 in
Bereitgestellte wissenschaftliche Arbeiten zu den vorgeschlagenen Basisverfahren.

/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 217

Modulbeschreibung

Modulname

Praktikum Compilerbau
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0911 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0911-pr Praktikum Compilerbau 6 Praktikum 4

4 in
2 Lerninhalt

/2 ht
Eigenständiges Implementieren eines Compilers bzw. von wesentlichen Teilen davon (z.B.
einzelne Optimierungspasses oder Back-Ends).
23 nic
3 Qualifikationsziele / Lernergebnisse
iS ch

Nach erfolgreichem Absolvieren der Veranstaltung können die Studierenden wesentliche Teile
W no

von modernen Compilern selbständig implementieren und ggf. in existierende Compiler-

Frameworks integrieren. Dabei können sie ihre Kenntnisse sowohl von compiler-spezifischem
e
m st

Wissen (beispielsweise über verschiedene Zwischendarstellungen) als auch allgemeinen

Programmiertechnik (z.B. Design Patterns) anwenden und vertiefen.
de g i
ll dn :
so or n
ab un

4 Voraussetzung für die Teilnahme

e e tio

Empfohlen: Erfolgreicher Besuch der Vorlesungen „Rechnerorganisation“, „Einführung in den

Si ies ma

Compilerbau“ und „Fortgeschrittener Compilerbau“ bzw. entsprechende Kenntnisse aus anderen

Veranstaltungen
D for

5 Prüfungsform
In

Bausteinbegleitende Prüfung:

 [20-00-0911-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung

Modulhandbuch M. Sc. Computer Science 218

 Bausteinbegleitende Prüfung:

 [20-00-0911-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

n. t.
9 Literatur

lte raf
Wird jeweils passend für die aktuelle Aufgabenstellung bekanntgegeben (z.B. wissenschaftliche
Arbeiten zu Optimierungsverfahren, Beschreibung eines Zielprozessors)

ge K
4 in
10 Kommentar

/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 219

Modulbeschreibung

Modulname

Embedded System Hands-On 1: Entwurf und Realisierung von Hardware/Software-Systemen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0959 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0959-pr Embedded System Hands-On 1: 6 Praktikum 4

4 in
Entwurf und Realisierung von
Hardware/Software-Systemen

/2 ht
2 Lerninhalt
23 nic
Diese Veranstaltung richtet sich an Studierende, die grundlegende praktische
Kenntnisse im Entwurf und der Realisierung eingebetteter Systeme erwerben möchten.
iS ch

Nach der Einführung

W no

von wichtigen Konzepten und Techniken wie

e

- Grundlagen der Elektotechnik

m st

- Umgang mit Laborelektonik

de g i

- Entwurf und Realisierung von elektronischen Schaltungen

ll dn :
so or n

- Sensordaten: Erfassung und Verarbeitung

ab un
e e tio

- Bus-Systeme in eingebetteten Systemen

- Programmieren und Debuggen von heterogenen eingebetteten Systemen
Si ies ma

- Linux Kernel in eingebetteten Systemen

D for

entwickeln die Teilnehmerinnen und Teilnehmer auf Basis des zuvor

Gelernten ein eigenes eingebettetes System.
In

Dabei stehen verschiedene

Projekte zur Auswahl, welche je nach eigenen Interessen eine Fokusierung auf die Software-
oder die Hardware-Entwicklung erlauben.

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme sind Studierende mit dem praktischen Entwurf und der
Realisierung von eingebetten Hardware/Software-Systemen vertraut.

Dazu gehören auch Kenntnisse von elektrotechnischen Grundlagen und der Umgang mit
Laborelektronik, die Verwendung von Beschreibungssprachen und EDA/CAD-Werkzeugen für
den Hardware-Entwurf, das Programmieren und Debuggen speziell im Umfeld eingebetteter
Systeme sowie auch der Einsatz von Linux als Betriebssystem in diesem Kontext.

Modulhandbuch M. Sc. Computer Science 220

4 Voraussetzung für die Teilnahme
Empfohlen: Erfolgreicher Besuch der Vorlesungen „Digitaltechnik“, „Rechnerorganisation“,
„Architektur und Entwurf von Rechnersystemen“, „Betriebssysteme“ und „Parallele
Programmierung“ oder vergleichbare Kenntnisse aus anderen Veranstaltungen.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0959-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine

n. t.
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

lte raf
ge K
Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:
einschließlich Präsentation)

4 in
/2 ht
6 Voraussetzung für die Vergabe von Leistungspunkten

23 nic
Bestehen der Prüfung (100%)

7 Benotung
iS ch

Bausteinbegleitende Prüfung:
W no

 [20-00-0959-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

e

100%, Standard)
m st
de g i

8 Verwendbarkeit des Moduls

ll dn :
so or n

B. Sc. Informatik
ab un
e e tio

M. Sc. Informatik
M. Sc. Computer Science
Si ies ma

Kann in anderen Studiengängen verwendet werden.

D for
In

9 Literatur

10 Kommentar

Modulhandbuch M. Sc. Computer Science 221

Modulbeschreibung

Modulname

Embedded Systems Hands-On 2: Entwurf von Hardware-Beschleunigern für Systems-on-Chip

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0968 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0968-pr Embedded Systems Hands-On 6 Praktikum 4

4 in
2: Entwurf von Hardware-
Beschleunigern für Systems-on-

/2 ht
Chip
2 Lerninhalt 23 nic
Diese Veranstaltung richtet sich an Studierende, die grundlegende
iS ch

Kenntnisse im Design von Hardwarebeschleunigern im Rahmen eines Systems-on-Chip

erhalten möchten.
W no

Im Rahmen des Praktikums erhalten Studierende umfangreiche Einblicke in

e

relevante Themen wie:

m st

- Treiber für selbst erstellte Hardwarebeschleuniger

de g i

- Einbindung von in Bluespec erstellten Beschleunigern in ein Zynq SoC

ll dn :
so or n

- Toolchains für Hardware- und Software-Komponenten

ab un
e e tio

Die Teilnehmer werden im Rahmen des Praktikums Aufgaben zu einem

Si ies ma

typischen Einsatzgebiet von Hardwarebeschleunigung bearbeiten.

Ein typisches Anwendungsgebiet eines solchen Hardwarebeschleunigers ist
D for

die Verarbeitung und Erfassung von Kamerabildern, zum Beispiel im Rahmen

von Stereo Vision.
In

3 Qualifikationsziele / Lernergebnisse
Die Teilnehmenden erwerben die Fertigkeiten, das in vorangehenden Veranstaltungen
erworbene Methodenwissen nun anzuwenden, um ein eingebettetes System mittels
Hardware/Software-Co-Entwurf zu realisieren.

4 Voraussetzung für die Teilnahme

Empfohlen:

Grundlegende Kenntnisse im Umgang mit embedded Linux zum Beispiel aus

„Embedded Systems Hands-On 1“

Bluespec SystemVerilog aus „Architektur und Entwurf von Rechnersystemen“

Modulhandbuch M. Sc. Computer Science 222

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0968-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

n. t.
Bestehen der Prüfung (100%)

lte raf
7 Benotung

ge K
Bausteinbegleitende Prüfung:

4 in
 [20-00-0968-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

/2 ht
100%, Standard)

8 23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
iS ch

M. Sc. Informatik
M. Sc. Computer Science
W no
e

Kann in anderen Studiengängen verwendet werden.

m st
de g i
ll dn :

9 Literatur
so or n
ab un
e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 223

Modulbeschreibung

Modulname
Distributed Systems Programming: Projektpraktikum
Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-0984 270 h 180 h 1 Semester
9 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

n. t.
(CP)

lte raf
20-00-0984- Distributed Systems 9 Praktikum 6

ge K
pp Programming:
Projektpraktikum

4 in
2 Lerninhalt

/2 ht
Das "DSP-Projektpraktikum" adressiert Forschungsthemen im Bereich von distributed systems
(DS, deutsch verteilten Anwendungen) und Programmiersprachen für DS. Die angebotenen
23 nic
Themen hängen von der aktuellen Forschung der DSP Gruppe ab und umfassen unter
anderem:
iS ch

 Software-defined networking (SDN)

W no

 Network function virtualization (NFV) and in-network processing (INP)

e

 Traffic engineering (TE)

m st

 Network monitoring
de g i

 Resource management in datacenters (RMF)

ll dn :
so or n

 Big data analytics (Spark, YARN, OpenStack, ..)

ab un
e e tio

 Event-based systems
 Security in SDN, INP, and big data
Si ies ma

 Geo-distributed data processing

 Compiler infrastructures for DS
D for

 Language abstractions for DS

In

 Session types / calculi for DS

 Network Protocols

Die teilnehmenden Studierenden realisieren ein Forschungsprojekt welches zusammen mit

den Betreuern definiert wird.
Das “DSP: Projektpraktikum” hat im Vergleich zum “DSP: Praktikum” einen größeren Umfang.
3 Qualifikationsziele / Lernergebnisse
Nach der Teilnahme am "DSP-Projektpraktikum" können Studierende technische und
wissenschaftliche Probleme im Bereich DS lösen.

Je nach ausgewähltem Thema erlernen Studierende folgende Kompetenzen:

Entwurf komplexer DS
Methodische Analyse und Auswertung von:
Modulhandbuch M. Sc. Computer Science 224
  Modellen
 Experimenten
 Software
 Entwurf von Programmiersprachen
 Schreiben von technischen Dokumenten oder Projektberichten
 Erstellen und vortragen eines Abschlussvortrages
4 Voraussetzung für die Teilnahme
Empfohlen: Interesse am Erarbeiten von Lösungsvorschlägen für herausfordernde Probleme im
Bereich DS, eigenverantwortliches arbeiten und ein großes Interesse an aktuellen
Forschungsthemen.

Da die angebotenen Themen ein großes Themengebiet abdecken, sind die Anforderungen sehr

n. t.
verschieden und projektabhängig. Eine detaillierte Beschreibung der Themen als auch der

lte raf
Anforderungen wird während des ersten Termins präsentiert.

ge K
5 Prüfungsform
Bausteinbegleitende Prüfung:

4 in
 [20-00-0984-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

/2 ht
23 nic
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
iS ch

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

W no

einschließlich Präsentation)
e
m st

6 Voraussetzung für die Vergabe von Leistungspunkten

de g i

Bestehen der Prüfung (100%)

ll dn :
so or n
ab un
e e tio

7 Benotung
Bausteinbegleitende Prüfung:
Si ies ma

 [20-00-0984-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

D for

100%, Standard)
In

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

Modulhandbuch M. Sc. Computer Science 225

Modulbeschreibung

Modulname

Fortgeschrittene Themen in Eingebetteten Systemen und ihren Anwendungen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1001 270 h 180 h 1 Semester Jedes 2. Semester
9 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1001-pp Fortgeschrittene Themen in 9 Projekt 6
Eingebetteten Systemen und

/2 ht
ihren Anwendungen
2 Lerninhalt 23 nic
Der Kurs bearbeitet aktuelle Forschungs- und Entwicklungsthemen
iS ch
aus dem Bereich von Rechnersystemen und Programmierwerkzeugen, auch speziell
im Umfeld von eingebetteten und anwendungsspezifischen Architekturen. Die
W no

Themen bestimmen sich aus den spezifischen Arbeitsgebieten der Mitarbeiter und
vermitteln technische und einleitende wissenschaftliche Kompetenzen, zum
e

Beispiel aus einem oder mehreren der folgenden Gebiete:

m st
de g i

- Rechnerarchitekturen auf Prozessor- und Systemebene

ll dn :
so or n

- Entwurf digitaler Schaltungen und Hardware-Systeme

ab un
e e tio

- Einsatz von Field-Programmable Gate Arrays

- Hardware/Software-Entwurfs- und Programmierwerkzeuge
Si ies ma

- Betriebssysteme und hardware-nahe Programmierung

- Hardware/Software-Co-Design
D for

- Anwendungsspezifische Architekturen und Techniken

- Entwurf und/oder Programmierung von Rechenbeschleunigern
In

- Debugging und Analyseverfahren für Hardware/Software-Systeme

3 Qualifikationsziele / Lernergebnisse
Der/die Studierende sollen Erfahrungen mit der Einarbeitung in ein neues Themenfeld und der
praktischen Bearbeitung einer komplexeren Aufgabe aus diesem sammeln. Zu diesen
Erfahrungen können Literaturrecherchen, das Einarbeiten in bestehende Code-Basen aus dem
Hardware/Software-Bereich, sowie ganz praktische Implementierung von Hardware und/oder
Software gehören. Beim Abschlussvortrag sind auch geeignete Präsentationstechniken
anzuwenden.

Modulhandbuch M. Sc. Computer Science 226

4 Voraussetzung für die Teilnahme
Empfohlen:

Das Interesse, zu den Lehrinhalten anspruchsvolle Lösungen zu entwickeln. Dabei sind jeweils
themenspezifische Kenntnisse, u.a. zum Hardware-Entwurf, dem Compilerbau und der
parallelen Programmierung erforderlich. Diese Kenntnisse können beispielsweise durch den
Besuch der entsprechenden Lehrveranstaltungen erworben werden.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1001-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

n. t.
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine

lte raf
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

ge K
Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

4 in
einschließlich Präsentation)

/2 ht
6 Voraussetzung für die Vergabe von Leistungspunkten
23 nic
Bestehen der Prüfung (100%)
iS ch

7 Benotung
Bausteinbegleitende Prüfung:
W no

 [20-00-1001-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

e
m st

100%, Standard)
de g i
ll dn :

8 Verwendbarkeit des Moduls

so or n
ab un

B. Sc. Informatik
e e tio

M. Sc. Informatik
Si ies ma

M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

D for

9 Literatur
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 227

Modulbeschreibung

Modulname

Parallele Programmiertechnologie
Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-1008 180 h 120 h 1 Semester
6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1008-pr Parallele 6 Praktikum 4

4 in
Programmiertechnologie
2 Lerninhalt

/2 ht
Die Praktikumsteilnehmer entwickeln Technologien zur parallelen Programmierung aus den
23 nic
folgenden Themenbereichen und/oder wenden diese an:
• Erschließung möglicher Parallelität
iS ch

• Leistungsanalyse und –modellierung

• Korrektheitsanalyse
W no

• Profiling
• Skalierbare Algorithmen
e

• Ressourcenmanagement und Scheduling

m st

• Anwendungen (z.B. Deep Learning)

de g i
ll dn :
so or n
ab un

3 Qualifikationsziele / Lernergebnisse
e e tio

• Kennenlernen und praktische Entwicklung und/oder Anwendung paralleler

Si ies ma

Programmiertechnologien
• Einüben softwaretechnischer Methoden
D for

• Teamarbeit in Softwareprojekten
• Präsentation von Projektergebnissen in Berichten und Vorträgen
In

4 Voraussetzung für die Teilnahme

Empfohlen: Kenntnisse paralleler Programmierung und Systeme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1008-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

Modulhandbuch M. Sc. Computer Science 228

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1008-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
Kann in anderen Studiengängen verwendet werden.

ge K
9 Literatur

4 in
/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 229

Modulbeschreibung

Modulname
Compiler Tooling
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1013 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)

ge K
20-00-1013-pr Compiler Tooling 6 Praktikum 4
2 Lerninhalt

4 in
Moderne Compiler zielen primär darauf ab, effizienten Code für eine bestimmte Plattform zu

/2 ht
generieren und hierfür nutzen sie fortgeschrittene Analysis- und Transformationswerkzeuge.
Eine solche Infrastruktur ist aber auch nützlich für Quellcodetransformation, z.B. für
23 nic
Werkzeuge, die Codes annotieren, instrumentieren, oder in eine kanonische Form bringen. Die
Entwicklung solcher Werkzeuge ist für die C++ Sprache aufgrund ihrer Komplexität eine
iS ch

Herausforderung. Eine offene Compiler Infrastruktur, die in einer Vielzahl von Forschungs- und
Produktionscompilern genutzt wird, ist die LLVM Infrastruktur (www.llvm.org). Ein
W no

vielgenutztes Front-End für C, C++ und objective C ist Clang, welches mächtige Mechanismen
e

für die Extraktion von Information aus dem abstrakten Syntaxbaum zur Verfügung stellt, und so
m st

Modifikationen des Quellcodes wie auch die Generierung der Zwischenrepräsentation von
LLVM ermöglicht.
de g i
ll dn :
so or n
ab un

Die Studierenden arbeiten mit verschiedenen Komponenten und Techniken des Clang/LLVM
e e tio

Frameworks und implementieren praktische Übungen für Quelltransformationen. Die

Clang/LLVM Techniken beinhalten insbesondere die Handhabung und Matching Techniken auf
Si ies ma

dem abstrakten Syntaxbaum von Clang. Beispiele von Quelltransformationen werden

verschiedene Facetten von Code-Erweiterung under -Refactoring beinhalten, z.B. für die
D for

Instrumentierung paralleler Codes, für die Übermittlung von Information zwischen der
statischen Analyse und der Laufzeitumgebung von (parallelen) Codes, oder für Code
In

Refactoring um bestimmte Coding Standards einzuhalten.

3 Qualifikationsziele / Lernergebnisse
Nach dem Besuch dieses Kurses kennen die Studierenden grundlegende und fortgeschrittene
Konzepte der syntaktischen und semantischen Code Analyse und Quelltext-Transformation,
basierend auf der Clang/LLVM Technologie. Insbesondere können sie auf spezielle Aufgaben
zugeschnittene statische Analyse- und Code- Transformations Werkzeuge entwerfen und
implementieren, das geeignete Abstraktionsniveau für die zu lösende Aufgabe reflektieren und
entscheiden, und weitere Nutzungsszzenarien für Compiler Technologie erstellen.

Modulhandbuch M. Sc. Computer Science 230

4 Voraussetzung für die Teilnahme
Empfohlen:

Der vorherige Besuch von „Einführung in Compilerbau“ und „Parallele Programmierung“ oder
vergleichbarer Veranstaltungen, Kentnisse von C++

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1013-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

n. t.
lte raf
Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:
einschließlich Präsentation)

ge K
4 in
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

/2 ht
7 Benotung
23 nic
Bausteinbegleitende Prüfung:
iS ch

 [20-00-1013-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
W no
e

8 Verwendbarkeit des Moduls

m st

B. Sc. Informatik
de g i

M. Sc. Informatik
ll dn :
so or n

M. Sc. Computer Science

ab un
e e tio

Kann in anderen Studiengängen verwendet werden.

Si ies ma

9 Literatur
D for
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 231

Modulbeschreibung

Modulname
Data Management - Praktikum
Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-1041 180 h 120 h 1 Semester
6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)

ge K
20-00-1041-pr Data Management - Praktikum 6 Praktikum 4
2 Lerninhalt

4 in
Die Teilnehmenden lösen in kleinen Projektgruppen ein gegebenes Problem. Bei den

/2 ht
Problemen handelt es sich um Programmierprojekte, die sich auf Fragestellungen aus
aktuellen Forschungsthemen des Data Management Lab beziehen.
23 nic
Mögliche Themenbereiche sind:
iS ch

- Skalierbare Datenbanksysteme und moderne Hardware

- Cloud Datenbanken und Blockchains
W no

- Interaktive Daten- und Textexploration

e

- Natural Language Interfaces für Datenbanken

m st

- Skalierbare Systeme für Maschinelles Lernen

de g i
ll dn :

In dieser Veranstaltung setzen Studierende ein ausgewähltes Projekt um. Im Vergleich zum
so or n
ab un

Praktikum haben die Probleme des Projektpraktikums einen erweiterten Umfang.

e e tio
Si ies ma

3 Qualifikationsziele / Lernergebnisse
Nach Beendigung der Veranstaltung haben Studierende folgende Lernziele erreicht:
D for

- Vertieftes Verständnis von aktuellen Techniken für moderne Datenmanagement-Systeme

- Anwendung und Implementierung der Techniken in individuellen Projekten
In

- Evaluierung von möglichen Designalternativen mit Hilfe von Benchmarks bzw. realen
Workloads

4 Voraussetzung für die Teilnahme

Abhängig vom ausgewählten Thema.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1041-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 232

 Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:
einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1041-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

4 in
/2 ht
Kann in anderen Studiengängen verwendet werden.

9 Literatur 23 nic
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 233

Modulbeschreibung

Modulname
Data Management - Projektpraktikum
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1042 270 h 180 h 1 Semester Jedes 2. Semester
9 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)

ge K
20-00-1042-pp Data Management - 9 Projekt 6
Projektpraktikum

4 in
2 Lerninhalt

/2 ht
Die Teilnehmenden lösen in kleinen Projektgruppen ein gegebenes Problem. Bei den Problemen
handelt es sich um Programmierprojekte, die sich auf Fragestellungen aus aktuellen
23 nic
Forschungsthemen des Data Management Lab beziehen.
iS ch
Mögliche Themenbereiche sind:
- Skalierbare Datenbanksysteme und moderne Hardware
W no

- Cloud Datenbanken und Blockchains

- Interaktive Daten- und Textexploration
e

- Natural Language Interfaces für Datenbanken

m st

- Skalierbare Systeme für Maschinelles Lernen

de g i
ll dn :
so or n

In dieser Veranstaltung setzen Studierende ein ausgewähltes Projekt um. Im Vergleich zum
ab un
e e tio

Praktikum haben die Probleme des Projektpraktikums einen erweiterten Umfang.

Si ies ma

3 Qualifikationsziele / Lernergebnisse
Nach Beendigung der Veranstaltung haben Studierende folgende Lernziele erreicht:
D for

- Vertieftes Verständnis von aktuellen Techniken für moderne Datenmanagement-Systeme

- Anwendung und Implementierung der Techniken in individuellen Projekten
In

- Evaluierung von möglichen Designalternativen mit Hilfe von Benchmarks bzw. realen
Workloads
4 Voraussetzung für die Teilnahme
Abhängig vom ausgewählten Thema.
5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1042-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 234

 Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:
einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)
7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1042-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

4 in
Kann in anderen Studiengängen verwendet werden.

/2 ht
9 Literatur
23 nic
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 235

 n. t.
lte raf
ge K
Modulhandbuch

4 in
M. Sc. Computer Science

/2 ht
23 nic
iS ch

Vertiefung Distributed Computing

W no
e
m st
de g i
ll dn :
so or n

Wahlbereich Studienbegleitende Leistungen

ab un
e e tio
Si ies ma

Seminare
D for
In

Modulhandbuch M. Sc. Computer Science 236

Modulbeschreibung

Modulname
Forschungsseminar zu Netzen, Sicherheit, Mobilität und Drahtloser Kommunikation

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0549 120 h 75 h 1 Semester Jedes 2. Semester
4 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Forschungsseminar zu Netzen, 4 Seminar 3

4 in
0549-se Sicherheit, Mobilität und
Drahtloser Kommunikation

/2 ht
2 Lerninhalt 23 nic
Das Forschungsseminar zu Netzen, Sicherheit, Mobilität und Drahtloser Kommunikation
iS ch

erarbeitet aktuelle Fragstellungen, die als hoch-relevant für die zukünftige Entwicklung der
genannten Themenfelder eingeschätzt werden. Es umfasst das Studium, die kritische
W no

Analyse und Diskussion, das Zusammenfassen und die Präsentation ausgewählter

e

erstklassiger Forschungsbeiträge. Ein Einblick in wissenschaftliche Arbeitsweise wird

m st

vermittelt. Ein Kurzreferat und ein abschließendes Referat sowie eine schriftliche
de g i

Ausarbeitung werden erstellt.

ll dn :
so or n

Die Themen des Forschungsseminars speisen sich aus den aktuellen Forschungsthemen der
ab un
e e tio

Arbeitsgruppe SEEMOO.
Si ies ma

Lernziele:
- Eigenständiges Einarbeiten in ein Thema auf dem Gebiet Kommunikationsnetze,
D for

Sicherheit, Mobilität und Drahtloser Kommunikation (i.d.R. englischsprachig)

- Eigene darüber hinausgehende Literaturrecherchen
In

- Interpretation und Einordnen der Ergebnisse der Literaturarbeit

- Erstellen eines einführenden und eines vertiefenden Vortrags über die Thematik
einschließlich Folienpräsentationen
- Halten der beiden Vorträge vor einem Publikum mit heterogenem Vorwissen
- Fachdiskussion nach jedem Vortrag
- Feedback an die Vortragenden zu den Vorträgen (u.a. betreffend Rhetorik,
Präsentationstechniken) und zur Fachdiskussion
- Kennen des wissenschaftlichen Arbeitsprozesses und Publikationsprozesses

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung besitzen die Studierenden die Fähigkeit
selbstständig wissenschaftlich neue Themen zu erschließen. Sie haben ein tiefgreifendes
Verständnis ausgewählter Basismechanismen, Methoden und Anwendungen in dem

Modulhandbuch M. Sc. Computer Science 237

 bearbeiteten Themenfeld erworben. Arbeitstechniken wie ausführliche Literaturrecherche,
kritische Diskussion und Analyse wissenschaftlicher Artikel und die Presentation der
erzielten Arbeitsergebnisse werden von den Studierenden beherrscht. Die Studierenden
können ihre Arbeit vor einem kritischen Fachpublikum verteidigen.

4 Voraussetzung für die Teilnahme

Empfohlen: Erfolgreiche Teilnahme an einer integrierten Veranstaltung des Fachgebiets
SEEMOO

5 Prüfungsform
Bausteinbegleitende Prüfung:

n. t.
[20-00-0549-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

lte raf
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist

ge K
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

4 in
Kolloquium (optional: einschließlich Präsentation), Hausarbeit

/2 ht
6 Voraussetzung für die Vergabe von Leistungspunkten
23 nic
Bestehen der Prüfung (100%)

7 Benotung
iS ch

Bausteinbegleitende Prüfung:
W no

 [20-00-0549-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

e

100%, Standard)
m st
de g i
ll dn :

8 Verwendbarkeit des Moduls

so or n
ab un

B. Sc. Informatik
e e tio

M. Sc. Informatik
Si ies ma

M. Sc. Computer Science

M. Sc. IT Sicherheit
D for

Kann in anderen Studiengängen verwendet werden.

In

9 Literatur
Themenspezifisch ausgewählte, aktuelle wissenschaftliche Veröffentlichungen

10 Kommentar

Modulhandbuch M. Sc. Computer Science 238

Modulbeschreibung

Modulname
Seminar zu Netzen, Sicherheit, Mobilität und Drahtloser Kommunikation

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0582 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Seminar zu Netzen, Sicherheit, 3 Seminar 2

4 in
0582-se Mobilität und Drahtloser
Kommunikation

/2 ht
2 Lerninhalt 23 nic
Das Seminar zu Netzen, Sicherheit, Mobilität und Drahtloser Kommunikation erarbeitet
iS ch

aktuelle Fragestellungen auf den genannten Gebieten. Unter Anleitung der Dozenten
umfasst es das Studium, die kritische Analyse und Diskussion, das Zusammenfassen und die
W no

Präsentation ausgewählter Forschungsbeiträge. Ein Kurzreferat und ein abschließendes

e

Referat sowie eine schriftliche Ausarbeitung werden erstellt.

m st

Die Themen des Seminars speisen sich aus den aktuellen Forschungsthemen der
de g i

Arbeitsgruppe SEEMOO.
ll dn :
so or n

Lernziele:
ab un
e e tio

- Eigenständiges Einarbeiten in ein Thema auf dem Gebiet Kommunikationsnetze,

Sicherheit, Mobilität und Drahtloser Kommunikation (i.d.R. englischsprachig)
Si ies ma

- Darüber hinausgehende Literaturrecherchen, angeleitet von Betreuer

- Interpretation und Einordnen der Ergebnisse der Literaturarbeit, angeleitet von Betreuer
D for

- Erstellen eines einführenden und eines vertiefenden Vortrags über die Thematik
einschließlich Folienpräsentationen, angeleitet von Betreuer
In

- Halten der beiden Vorträge vor einem Publikum mit heterogenem Vorwissen
- Fachdiskussion nach jedem Vortrag
- Feedback an die Vortragenden zu den Vorträgen (u.a. betreffend Rhetorik,
Präsentationstechniken) und zur Fachdiskussion

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung besitzen die Studierenden die Fähigkeit
unter Anleitung wissenschaftlich zu arbeiten. Sie kennen die grundlegenden Techniken der
wissenschaftlichen Literaturarbeit und können diese für ein definiertes Thema anwenden.
Sie haben ein mitteltiefes Verständnis ausgewählter Basismechanismen, Methoden und
Anwendungen in dem bearbeiteten Themenfeld. Die Studierenden können dieses erworbene

Modulhandbuch M. Sc. Computer Science 239

 Wissen einem heterogenen Publikum verständlich präsentieren und die technischen Details
des bearbeiteten Themas erläutern.

4 Voraussetzung für die Teilnahme

Empfohlen: Erfolgreiche Teilnahme an einer Integrierten Veranstaltung des Fachgebiets
SEEMOO

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0582-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist

n. t.
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

lte raf
Kolloquium (optional: einschließlich Präsentation), Hausarbeit

ge K
4 in
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

/2 ht
7 Benotung
23 nic
Bausteinbegleitende Prüfung:
iS ch

 [20-00-0582-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
W no
e
m st

8 Verwendbarkeit des Moduls

B. Sc. Informatik
de g i
ll dn :

M. Sc. Informatik
so or n
ab un

M. Sc. Computer Science

e e tio

M. Sc. IT Sicherheit
Si ies ma

Kann in anderen Studiengängen verwendet werden.

D for

9 Literatur
In

Themenspezifisch ausgewählte, aktuelle wissenschaftliche Veröffentlichungen

10 Kommentar

Modulhandbuch M. Sc. Computer Science 240

Modulbeschreibung

Modulname

Symbolische Ausführung
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0702 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0702-se Symbolische Ausführung 3 Seminar 2

4 in
2 Lerninhalt

/2 ht
Symbolische Ausführung von Programmen ist eine fundamentale Analysetechnik, die u.a. die
Basis von Testgenerierung, Compileroptimierung, Verifikation oder Visualisierung darstellt. In
23 nic
den letzten Jahren wurden darin bedeutende Fortschritte erzielt. Im Seminar werden die
wichtigsten klassischen und neuen Arbeiten zur symbolischen Ausführung vorgestellt.
iS ch

3 Qualifikationsziele / Lernergebnisse
Nach Besuch der Veranstaltung verstehen die Teilnehmenden, was die Möglichkeiten und
W no

Grenzen dieser fundamentalen Programmanalysetechnik sind.

e
m st

4 Voraussetzung für die Teilnahme

de g i
ll dn :
so or n

5 Prüfungsform
ab un
e e tio

Bausteinbegleitende Prüfung:
Si ies ma

 [20-00-0702-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

D for

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
In

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0702-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

Modulhandbuch M. Sc. Computer Science 241

 M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 242

Modulbeschreibung

Modulname

Aktuelle Themen zu Nebenläufigkeit und Parallelität

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0960 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0960-se Aktuelle Themen zu 3 Seminar 2

4 in
Nebenläufigkeit und
Parallelität

/2 ht
2 Lerninhalt
23 nic
In diesem Seminar werden Forschungsartikel zu verschiedenen Aspekten von Nebenläufigkeit
und Parallelität diskutiert; die Forschungsartikel behandeln beispielsweise:
iS ch

- Semantik der Nebenläufigkeit (Interleaving-Sematik, Multicore-Semantik, Weak Memory

W no

Models),
- Parallele Architekturen (Grundlagen von parallelen Architekturen, symmetrische
e

Multiprozessorsysteme, Massenparallelrechner),
m st

- Parallele Programmierung (parallele Programmierungsmodelle, Kommunikation,

de g i

Synchronisation),
ll dn :
so or n

- Parallelisierung und Kompilierung (Voll-/Halbautomatische Parallelisierung,

ab un
e e tio

Datenabhängigkeiten, Lastverteilung),
- Verifikation von nebenläufigen Programmen (Separation Logic, Rely/Guarantee Reasoning).
Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Nach erfolgreicher Teilnahme an diesem Seminar werden die Studierenden fähig sein, aktuelle
In

Entwicklungen in den Bereichen Nebenläufigkeit und Parallelität zu diskutieren. Des Weiteren

werden die Studierenden ihre Fähigkeiten im Lesen und Verstehen wissenschaftlicher Artikel
und im Präsentieren, Diskutieren und Vergleichen wissenschaftlicher Ergebnisse verbessern.

4 Voraussetzung für die Teilnahme

Empfohlen:

Informatikkenntnisse entsprechend der ersten vier Semester des Bachelorstudiengangs

Informatik.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0960-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 243

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0960-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

n. t.
lte raf
8 Verwendbarkeit des Moduls

ge K
B. Sc. Informatik
M. Sc. Informatik

4 in
M. Sc. Computer Science

/2 ht
Kann in anderen Studiengängen verwendet werden.
9 Literatur 23 nic
iS ch
W no

10 Kommentar
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 244

Modulbeschreibung

Modulname

Schutz von verteilten Infrastrukturen und Netzwerken

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1022 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1022-se Schutz von verteilten 3 Seminar 2

4 in
Infrastrukturen und
Netzwerken

/2 ht
2 Lerninhalt
23 nic
Das Seminar zum Schutz von verteilten Infrastrukturen und Netzwerken setzt sich aus der
strukturierten Arbeit an wissenschaftlichen Veröffentlichungen auseinander. Die Themen
iS ch

befassen sich hierbei mit:

- Vertrauen
W no

- Privatheit
- Resilienz
e

in Infrastrukturen und Netzwerken.

m st
de g i
ll dn :

3 Qualifikationsziele / Lernergebnisse
so or n
ab un
e e tio

Studenten, die an dem Seminar teilnehmen, haben die Chance die Themen durch strukturierte
Forschung, näher kennen zu lernen.
Si ies ma

Ihre Aufgabe wird es sein, aktuelle wissenschaftliche Veröffentlichungen zu verstehen, um

deren Beitrag zu erklären. Außerdem muss ein Survey über das bearbeitete Thema verfasst
D for

werden.
In

4 Voraussetzung für die Teilnahme

Empfohlen:

Grundlegendes Verständnis von IT-Sicherheit und verteilten Systemen.

Veranstaltungen:
Computersystemsicherheit
Computer Netze und verteilte Systeme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1022-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 245

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1022-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

n. t.
lte raf
8 Verwendbarkeit des Moduls

ge K
B. Sc. Informatik
M. Sc. Informatik

4 in
M. Sc. Computer Science

/2 ht
Kann in anderen Studiengängen verwendet werden.

9 Literatur
23 nic
iS ch
W no

10 Kommentar
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 246

Modulbeschreibung

Modulname

Erweitertes Seminar - Systems and Machine Learning

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1057 120 h 75 h 1 Semester Jedes 2. Semester
4 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1057-se Erweitertes Seminar - Systems 4 Seminar 3
and Machine Learning

/2 ht
2 Lerninhalt
23 nic
Dieses Seminar dient der Diskussion neuer Forschungspapiere im Zusammenhang von
Hardware-/Softwaresystemen und maschinellem Lernen (ML). Das Seminar zielt auf die
iS ch
Verbindungen zwischen diesen Themenbereichen ab und diskutiert Fragestellungen, die auf
praktisch anwendbares maschinelles Lernen zugeschnitten sind wie z.B. Hardware-
W no

Beschleuniger für ML, verteilte skalierbare ML-Systeme, neuer Programmierparadigmen für ML,
Automatisiertes ML, sowie Anwendungen von ML für Systeme.
e
m st

Jeder Teilnehmer/jede Teilnehmerin präsentiert ein Forschungspapier, das anschließend von

de g i

allen Teilnehmenden diskutiert wird. Darüber hinaus werden zusammenfassende Arbeiten in

ll dn :
so or n

Gruppen verfasst und einem Peer-Review Prozess unterzogen. Die vorzustellenden Arbeiten
ab un
e e tio

stellen in der Regel aktuelle Publikationen in relevanten Konferenzen und Zeitschriften dar.
Si ies ma

Das Seminar wird als Blockveranstaltung angeboten.

D for

3 Qualifikationsziele / Lernergebnisse
Nach diesem Seminar sind Studierende in der Lage:
In

- einen unbekannten Text aus den Bereichen des Seminars selbständig aufzuarbeiten
- eine Präsentation und eine schriftliche Zusammenfassung für ein Fachpublikum in diesem
Gebiet zu entwickeln
- an einer Fachdiskussion über ein Thema aus den Bereichen des Seminars sinnvoll
teilzunehmen
- die Meinung über eine wissenschaftliche Arbeit in der Form eines schriftlichen Peer-Reviews
zu artikulieren

4 Voraussetzung für die Teilnahme

Empfohlen: Grundkenntnisse in maschinellem Lernen, skalierbarem Datenmanagement und
Hardware-/Softwaresystemen.

Modulhandbuch M. Sc. Computer Science 247

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1057-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
7 Benotung

lte raf
Bausteinbegleitende Prüfung:

ge K
 [20-00-1057-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

4 in
100%, Standard)

/2 ht
8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
23 nic
M. Sc. Computer Science
iS ch

M. Sc. Artificial Intelligence and Machine Learning

W no

Kann in anderen Studiengängen verwendet werden.

e
m st

9 Literatur
de g i
ll dn :
so or n
ab un
e e tio

10 Kommentar
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 248

Modulbeschreibung

Modulname

Distributed Systems Programming: Seminar

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1066 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1066-se Distributed Systems 3 Seminar 2
Programming: Seminar

/2 ht
2 Lerninhalt
23 nic
Das "DSP-Praktikum" adressiert Forschungsthemen im Bereich von distributed systems (DS,
deutsch verteilten Anwendungen) und Programmiersprachen für DS. Die angebotenen Themen
iS ch
hängen von der aktuellen Forschung der DSP Gruppe ab und umfassen unter anderem:
- Software-defined networking (SDN)
W no

- Network function virtualization (NFV) and in-network processing (INP)

- Traffic engineering (TE)
e

- Network monitoring
m st

- Resource management in datacenters (RMF)

de g i

- Big data analytics (Spark, YARN, OpenStack, ..)

ll dn :
so or n

- Event-based systems
ab un
e e tio

- Security in SDN, INP, and big data

- Geo-distributed data processing
Si ies ma

- Compiler infrastructures for DS

- Language abstractions for DS
D for

- Session types / calculi for DS

- Network Protocols
In

Die teilnehmenden Studierenden realisieren eine Seminararbeit welches zusammen mit dem
Betreuer definiert wird.

3 Qualifikationsziele / Lernergebnisse
Nach der Teilnahme am "DSP-Seminar" können Studierende technische und wissenschaftliche
Probleme im Bereich DS aufarbeiten und präsentieren.

Je nach ausgewähltem Thema erlernen Studierende folgende Kompetenzen:

- Literaturrecherche im Themenbereich
- Methodische Analyse und Auswertung von:
- Modellen
- Experimenten
- Software

Modulhandbuch M. Sc. Computer Science 249

 - Schreiben von technischen Dokumenten oder Projektberichten
- Erstellen und Vortragen eines Abschlussvortrages

4 Voraussetzung für die Teilnahme

Empfohlen:

Interesse am Erarbeiten von Lösungsvorschlägen für herausfordernde Probleme im Bereich DS,

eigenverantwortliches arbeiten und ein großes Interesse an aktuellen Forschungsthemen.

Vorlesung TK1 (optional)

Da die angebotenen Themen ein großes Themengebiet abdecken, sind die Anforderungen sehr
verschieden und projektabhängig. Eine detaillierte Beschreibung der Themen als auch der

n. t.
Anforderungen wird in der ersten Vorlesung präsentiert und können anschließend von den

lte raf
Studenten ausgewählt werden.

ge K
5 Prüfungsform

4 in
Bausteinbegleitende Prüfung:

/2 ht
 [20-00-1066-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

23 nic
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
iS ch

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

W no
e

6 Voraussetzung für die Vergabe von Leistungspunkten

m st

Bestehen der Prüfung (100%)

de g i
ll dn :

7 Benotung
so or n
ab un
e e tio

Bausteinbegleitende Prüfung:


Si ies ma

[20-00-1066-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
D for

8 Verwendbarkeit des Moduls

In

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

Modulhandbuch M. Sc. Computer Science 250

Modulbeschreibung

Modulname
Aktor-basierte Programmiersprachen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1074 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing

n. t.
lte raf
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1074-se Aktor-basierte 3 Seminar 2
Programmiersprachen

/2 ht
2 Lerninhalt
23 nic
Im Zentrum des Seminars stehen Aktor-basierte Modellierungs- und Programmiersprachen wie
Scala/Akka, ABS, Encore, u.ä.
iS ch

Teilnehmer_innen dieses Seminars sollen einzelne Vertreter der Aktor-basierten Sprachen

W no

vorstellen, die realisierten Konzepte erklären und diskutieren.

e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

* Fähigkeit ein wissenschaftliche Thema aufzuarbeiten und zu präsentieren

ll dn :
so or n

* Fähigkeit wissenschaftliche Berichte zu lesen und verwandte Arbeiten zu recherchieren

ab un
e e tio

* Erwerb von Wissen über Aktor-basierte Sprachen und deren Anwendung

Si ies ma

4 Voraussetzung für die Teilnahme

Empfohlen: Interesse in Programmiersprachen und verteilten Systemen
D for

5 Prüfungsform
In

Bausteinbegleitende Prüfung:

 [20-00-1074-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 251

  [20-00-1074-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

n. t.
lte raf
10 Kommentar

ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 252

Modulbeschreibung

Modulname
Fortgeschrittene Techniken der Softwareverifikation

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1078 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing

n. t.
lte raf
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1078-se Fortgeschrittene Techniken der 3 Seminar 2
Softwareverifikation

/2 ht
2 Lerninhalt
23 nic
Im Seminar befassen Sie sich mit Themen zu den aktuellen Forschungsinhalten der
Arbeitsgruppe Semantik und Verifikation paralleler System. Es werden sowohl klassische als
iS ch

auch aktuelle Forschungsarbeiten im Bereich Softwareverifikation (d.h. Model Checking,

Programmanalyse, Testen, etc.) behandelt.
W no

Während des Seminars werden Sie unter Anleitung

e
m st

- sich auf Basis von vorgegebener und selbst gefundener, wissenschaftlicher Literatur in Ihr
Thema einarbeiten
de g i

- einen Vortrag über Ihr Thema vorbereiten und vor den anderen Teilnehmern halten, um mit
ll dn :
so or n

ihnen anschließend über Ihr Thema zu diskutieren,

ab un
e e tio

- eine wissenschaftliche Ausarbeitung verfassen, die einen zusammenfassenden Überblick über

Ihr Thema gibt.
Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Nach erfolgreichem Abschluss des Seminars können sich die Studierenden anhand von
In

Ausgangsliteratur eigenständig in ein wissenschaftliches Thema einarbeiten und dieses Thema

einem heterogenen Fachpublikum sowohl mündlich als auch schriftlich präsentieren.

Im Detail können die Studierenden Methoden zur Literaturrecherche anwenden und die
Relevanz von gefundener Literatur beurteilen. Sie können den wesentlichen Inhalt einer
wissenschaftlichen Veröffentlichung ermitteln und diesen kritisch beurteilen. Außerdem sind sie
in der Lage verschiedene wissenschaftliche Arbeiten miteinander zu vergleichen. In einem
mündlichen Vortrag können die Studierenden ihr Thema und ihre Ergebnisse einem
heterogenen Fachpublikum erklären und ihre Ergebnisse vor diesem Publikum verteidigen.
Zusätzlich können die Studierenden in einer schriftlichen Ausarbeitung ihr Thema und ihre
Ergebnisse beschreiben.

4 Voraussetzung für die Teilnahme

Modulhandbuch M. Sc. Computer Science 253

 Empfohlen: Informatik- und Mathematikkenntnisse entsprechend den ersten 4 Semestern des
Bachelorstudiengangs Informatik
Hilfreich: Besuch einer Veranstaltung des Fachgebietes Semantik und Verifikation paralleler
Systeme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1078-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

n. t.
Kolloquium (optional: einschließlich Präsentation), Hausarbeit

lte raf
6 Voraussetzung für die Vergabe von Leistungspunkten

ge K
Bestehen der Prüfung (100%)

4 in
7 Benotung

/2 ht
Bausteinbegleitende Prüfung:

 23 nic
[20-00-1078-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)
iS ch

8 Verwendbarkeit des Moduls

W no

B. Sc. Informatik
e

M. Sc. Informatik
m st

M. Sc. Computer Science

de g i
ll dn :
so or n

Kann in anderen Studiengängen verwendet werden.

ab un
e e tio

9 Literatur
Si ies ma
D for

10 Kommentar
In

Modulhandbuch M. Sc. Computer Science 254

Modulbeschreibung

Modulname
Aktuelle Themen aus dem Bereich Concurrency Theory

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1093 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Distributed Computing

n. t.
lte raf
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1093-se Aktuelle Themen aus dem 3 Seminar 2
Bereich Concurrency Theory

/2 ht
2 Lerninhalt
23 nic
Moderne Software-Systeme sind verteilt und Abhängig von Kommunikation. Dies führt zu
zusätzlichen Problem bei der Verifikation solcher Systeme, mit denen sich das Forschungsgebiet
iS ch

Concurrency Theory beschäftigt. Hier werden verschiedene Methoden zur Modellierung,

Simulation und Analyse verteilter Systeme untersucht. Der Bereich der Modellierungssprachen
W no

umfasst graphische Modelle so wie Petrinetze oder Event Structures genauso wie
Programiersprachen nahe Modelle wie z.B. Prozesskalküle. Um solche Systeme zu analysieren,
e
m st

wurden verschiedene Techniken so wie Typsysteme, Model Checking und interaktives

Theorembeweisen auf die speziellen Ansprüche verteilter Systeme angepasst und vielle neue
de g i

Techniken wurden entwickelt. In diesem Seminar werden aktuelle Forschungspapier aus dem
ll dn :
so or n

Bereich Concurrency Theory vorgestellt und diskutiert.

ab un
e e tio
Si ies ma

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme haben Studierende eine Vorstellung von den aktuell bearbeiteten
D for

Themen im Bereich Concurrency Theory. Sie können Resultate aus diesem Bereich präsentieren
und die Vorteile der präsentierten Methoden kritisch hinterfragen. Die Vorstellung der
In

vorliegenden Resultate wird ihnen dabei helfen ihre eigenen Arbeiten klar darzustellen und zu
verteidigen.

4 Voraussetzung für die Teilnahme

Empfohlen werden Informatik- und Mathematikkenntnisse entsprechend den ersten 4
Semestern des Bachelorstudiengangs Informatik, insbesondere formalen Sprachen.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1093-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 255

 Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1093-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

n. t.
B. Sc. Informatik

lte raf
M. Sc. Informatik
M. Sc. Computer Science

ge K
Kann in anderen Studiengängen verwendet werden.

4 in
9 Literatur

/2 ht
23 nic
10 Kommentar
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 256

Modulbeschreibung

Modulname

Seminar Softwaresystemtechnologie
Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
18-su- kte Jedes 2.
120 h 90 h 1 Semester
2080 4 CP Semester
Sprache Modulverantwortliche Person
Deutsch Prof. Dr. rer. nat. Andreas Schürr
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)
18-su-2080- Seminar 0 Seminar 2

ge K
se Softwaresystemtechnologie

4 in
2 Lerninhalt

/2 ht
In diesem Seminar werden von den Studierenden wissenschaftliche Ausarbeitungen aus
wechselnden Themenbereichen angefertigt. Dies umfasst die Einarbeitung in ein aktuelles
23 nic
Thema der IT-Systementwicklung mit schriftlicher Präsentation in Form einer
Ausarbeitung und mündlicher Präsentation in Form eines Vortrages. Die Themen des
iS ch

aktuellen Semesters sind der Webseite der Lehrveranstaltung zu entnehmen

https://www.es.tu-darmstadt.de/lehre/aktuelle-veranstaltungen/sst-s.
W no
e

3 Qualifikationsziele / Lernergebnisse
m st

Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage sich in ein
de g i

unbekanntes Themengebiet einzuarbeiten, die Zuverlässigkeit von Informationsquellen

ll dn :
so or n

einzuschätzen und diese nach wissenschaftlichen Aspekten aufzuarbeiten. Studierende

ab un
e e tio

erlernen die Bearbeitung eines Themas durch Literaturrecherche zu unterstützen und

kritisch zu hinterfragen. Weiterhin wird die Fähigkeit erworben, ein klar umrissenes
Si ies ma

Thema in Form einer schriftlichen Ausarbeitung und in Form eines mündlichen Vortrags
unter Anwendung von Präsentationstechniken zu präsentieren.
D for
In

4 Voraussetzung für die Teilnahme

Grundkenntnisse der Softwaretechnik sowie Programmiersprachenkenntnisse

5 Prüfungsform
Modulabschlussprüfung:

 Modulprüfung (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Bericht und/oder Präsentation und/oder Kolloquium. Die Art der Prüfung wird zu Beginn
der Lehrveranstaltung bekannt gegeben.

6 Voraussetzung für die Vergabe von Leistungspunkten

7 Benotung

Modulhandbuch M. Sc. Computer Science 257

 Modulabschlussprüfung:

 Modulprüfung (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

BSc iST, BSc Informatik, MSc ETiT

9 Literatur
https://www.es.tu-darmstadt.de/lehre/aktuelle-veranstaltungen/sst-s

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 258

 n. t.
lte raf
ge K
4 in
Modulhandbuch

/2 ht
23 nic
M. Sc. Computer Science
iS ch
W no
e

Vertiefung Distributed Computing

m st
de g i
ll dn :
so or n
ab un
e e tio

Wahlbereich Studienbegleitende Leistungen

Si ies ma
D for

Praktikum in der Lehre

In

Modulhandbuch M. Sc. Computer Science 259

Modulbeschreibung

Modulname

Praktikum in der Lehre - Formale Methoden im Softwareentwurf

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0531 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0531-pl Praktikum in der Lehre - 5 Praktikum in 3

4 in
Formale Methoden im der Lehre
Softwareentwurf

/2 ht
2 Lerninhalt
23 nic
Vorbereitung und Korrektur von Übungsaufgaben, Betreuung von Übungsgruppen
iS ch

3 Qualifikationsziele / Lernergebnisse
W no

Es sollen Fähigkeiten erlernt werden, geeignete Lernmaterialien für Schulungen in

Informatikthemen selbst zu erstellen, ihren Einsatz kritisch zu begleiten und dabei auch die
e

Lernenden zu betreuen und anzuleiten.

m st
de g i

4 Voraussetzung für die Teilnahme

ll dn :
so or n
ab un

Empfohlen: Formale Methoden im Softwareentwurf

e e tio

5 Prüfungsform
Si ies ma

Bausteinbegleitende Prüfung:
D for

 [20-00-0531-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

In

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0531-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

Modulhandbuch M. Sc. Computer Science 260

8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 261

Modulbeschreibung

Modulname

Praktikum in der Lehre - Internetsicherheit und Sicherheit in Mobilen Netzen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0957 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0957-pl Praktikum in der Lehre - 5 Praktikum in 3

4 in
Internetsicherheit und der Lehre
Sicherheit in Mobilen Netzen

/2 ht
2 Lerninhalt
23 nic
Dieser Kurs befasst sich mit damit Lehrinhalte der Themenschwerpunkte Internetsicherheit und
Sicherheit in Mobilen Netzen didaktisch aufzubereiten und durch begleitende praktische
iS ch

Übungen besser verständlich zu machen.

W no

Dies umfasst unter anderem: Die Implementierung von Systemen die in der Vorlesung
behandelte Schwachstellen aufweisen und den Studierenden für praktische Übungen verfügbar
e

gemacht werden; die Erstellung von Minitests zur Leistungskontrolle; die Konzeption von
m st

Materialien für leistungsschwache wie leistungsstarke Studenten um Inhalte der Vorlesung zu

de g i

vertiefen; das Erstellen von anspruchsvollen Bonussystemen.

ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Die Studierenden können nach erfolgreicher Durchführung der Veranstaltung:

- Lehrinhalte aus der Vorlesung für Haus- und Präsenzübungen aufbereiten
D for

- Praxisnahe Übungsformen konzipieren und erstellen

- Übungen mit Studierendengruppen aller Leistungsniveaus konzipieren und durchführen
In

- Ein Konzept für aufeinander aufbauende praktische Übungen entwickeln

- Methoden der Lernkontrolle für die Lerninhalte der Vorlesung anwenden

4 Voraussetzung für die Teilnahme

Empfohlen:

Erfolgreicher Besuch der SEEMOO Veranstaltung für die das PIDL durchgeführt wird.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0957-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 262

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0957-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

n. t.
lte raf
100%, Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science

23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch
9 Literatur
W no
e

10 Kommentar
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 263

Modulbeschreibung

Modulname
Praktikum in der Lehre - Einführung in den Compilerbau
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0988 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch
Distributed Computing
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)

ge K
20-00-0988-pl Praktikum in der Lehre - 5 Praktikum in 3
Einführung in den Compilerbau der Lehre

4 in
2 Lerninhalt

/2 ht
- Erstellen von Übungs- und Lehrmaterial zu Einführung in den Compilerbau
- Betreuung von Studierenden zu Themen der Einführung in den Compilerbau, insbesondere
23 nic
unter Verwendung des neuen Lehrmaterials
3 Qualifikationsziele / Lernergebnisse
iS ch

Nach erfolgreichem Absolvieren der Veranstaltung sind die Studierenden in der Lage,
selbständig Lehrmaterialien zu Informatikthemen zu erstellen. Sie können das Material in
W no

Schulungen erfolgreich einsetzen und seine didaktische Wirksamkeit kritisch beurteilen. Sie
e

können Studierende in direktem persönlichen Kontakt, aber auch über elektronische

m st

Kommunikationsmedien anleiten und betreuen.

de g i
ll dn :

4 Voraussetzung für die Teilnahme

so or n
ab un

Empfohlen:
e e tio

Kenntnisse aus Funktionale und Objektorientierte Programmierkonzepte, Algorithmen und

Datenstrukturen, Einführung in den Compilerbau sowie Rechnerorganisation (oder
Si ies ma

vergleichbaren Veranstaltungen)
5 Prüfungsform
D for

Bausteinbegleitende Prüfung:
In

 [20-00-0988-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 264

  [20-00-0988-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)
8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 265

Modulbeschreibung

Modulname

Praktikum in der Lehre - Data Management

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1040 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Distributed Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1040-pl Praktikum in der Lehre - Data 5 Praktikum in 3
Management der Lehre

/2 ht
2 Lerninhalt
23 nic
Erstellung von Übungs- und Vorlesungsmaterial
iS ch

3 Qualifikationsziele / Lernergebnisse
Erfahrung in der Betreuung von Studierenden im Themenbereich Datenmanagement, mit dem
W no

Fokus auf das neu erstelle Übungs- und Vorlesungsmaterial

e
m st

4 Voraussetzung für die Teilnahme

de g i

Empfohlen: Der vorherige Besucht der Veranstaltung „Informationsmanagement“ oder einer

ll dn :
so or n

vergleichbaren Veranstaltung
ab un
e e tio

5 Prüfungsform
Si ies ma

Bausteinbegleitende Prüfung:
D for

 [20-00-1040-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

In

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1040-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

Modulhandbuch M. Sc. Computer Science 266

8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 267

Modulbeschreibung

Modulname
Praktikum in der Lehre - Echtzeitsysteme
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1060 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch
Distributed Computing
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)

ge K
20-00-1060-pl Praktikum in der Lehre - 5 Praktikum in 3
Echtzeitsysteme der Lehre

4 in
2 Lerninhalt

/2 ht
Konzeption, Betreuung und Durchführung von Übungen sowie vorlesungsbegleitenden Praktika
der Vorlesung „Echtzeitsysteme“.

3
23 nic
Qualifikationsziele / Lernergebnisse
iS ch

Studierende sind in der Lage:

• Lehrinhalte in Übungen zu präsentieren und zu erklären
W no

• Praktikumsgruppen zu betreuen
e

• Methoden zur Kontrolle des Lernerfolgs systematisch anzuwenden

m st
de g i

4 Voraussetzung für die Teilnahme

ll dn :
so or n
ab un

Empfohlen: Erfolgreiche Absolvierung der Echtzeitsysteme-Veranstaltung oder entsprechende

e e tio

Kenntnisse.
Si ies ma

5 Prüfungsform
Bausteinbegleitende Prüfung:
D for

 [20-00-1060-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

In

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 268

  [20-00-1060-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

n. t.
10 Kommentar

lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 269

 n. t.
lte raf
ge K
4 in
/2 ht
23 nic
Modulhandbuch
iS ch
W no

M. Sc. Computer Science

e
m st
de g i
ll dn :
so or n
ab un

Vertiefung Visual Computing

e e tio
Si ies ma
D for

Wahlbereich Computer Graphics

In

Modulhandbuch M. Sc. Computer Science 270

Modulbeschreibung

Modulname
Graphische Datenverarbeitung I

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0040 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Graphische Datenverarbeitung I 6 integrierte 4

4 in
0040-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Einführung in die Grundlagen der Computergraphik, insb. Ein- u. Ausgabegeräte, Rendering
Pipeline am Beispiel von OpenGL, räumliche Datenstrukturen, Beleuchtungsmodelle, Ray
iS ch

Tracing, aktuelle Entwicklungen in der Computergraphik

W no
e

3 Qualifikationsziele / Lernergebnisse
m st

Nach erfolgreichem Besuch dieser Veranstaltung sind Studierende in der Lage alle
de g i

Komponenten der Graphikpipeline zu verstehen und dadurch variable Bestandteile (Vertex-

ll dn :

Shader, Fragment-Shader, etc.) anzupassen. Sie können Objekte im 3D-Raum anordnen,

so or n
ab un
e e tio

verändern und effektiv speichern, sowie die Kamera und die Perspektive entsprechend
wählen und verschiedene Shading-Techniken und Beleuchtungsmodelle nutzen, um alle
Si ies ma

Schritte auf dem Weg zum dargestellten 2D-Bild anzupassen.

D for

4 Voraussetzung für die Teilnahme

Empfohlen:
In

● Programmierkenntnisse

● Kentnisse über grundlegende Algorithmen und Datenstrukturen

● Kenntnisse im Bereich Lineare Algebra

● Kenntnisse im Bereich Analysis

● Inhalte der Vorlesung „Visual Computing“ oder einer vergleichbaren Veranstaltung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0040-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 271

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

n. t.
• [20-00-0040-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

lte raf
100%, Standard)

ge K
In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU

4 in
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

/2 ht
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
8
23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
iS ch

M. Sc. Computer Science

M. Sc. Autonome Systeme und Robotik
W no

M.Sc. IT Sicherheit
e
m st

Kann in anderen Studiengängen verwendet werden.

de g i
ll dn :
so or n
ab un

9 Literatur
e e tio

● Real-Time Rendering: Tomas Akenine-Möller, Eric Haines, Naty Hoffman A.K. Peters Ltd.,
Si ies ma

3rd edition, ISBN 987-1-56881-424-7

● Fundamentals of Computer Graphics: Peter Shirley, Steve Marschner, third edition, ISBN
D for

979-1-56881-469-8
● Weitere aktuelle Literaturhinweise werden in der Veranstaltung gegeben.
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 272

Modulbeschreibung

Modulname
Graphische Datenverarbeitung II

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0041 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Graphische Datenverarbeitung II 6 integrierte 4

4 in
0041-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Grundlagen der verschiedenen Objekt- und Oberflächen-Repräsentationen in der
graphischen Datenverarbeitung. Kurven und Oberflächen (Polynome, Splines, RBF)
iS ch

Interpolation und Approximation, Displaytechniken, Algorithmen: de Casteljau, de Boor,

Oslo, etc. Volumen und implizite Oberflächen. Visualisierungstechniken, Iso-Surfaces, MLS,
W no

Oberflächen-Rendering, Marching-Cubes. Polygonnetze. Netz Kompression , Netz-

e

Vereinfachung, Multiskalen Darstellung, Subdivision. Punktwolken: Renderingtechniken,

m st

Oberflächen-Rekonstruktion, Voronoi-Diagramme und Delaunay-Triangulierung.

de g i

3 Qualifikationsziele / Lernergebnisse
ll dn :
so or n
ab un

Nach erfolgreichem Besuch dieser Veranstaltung sind Studierende in der Lage mit diversen
e e tio

Objekt- und Oberflächen-Repräsentationen umzugehen, das heißt diese zu verwenden,

Si ies ma

anzupassen, anzuzeigen (rendern) und effektiv zu speichern. Dazu gehören mathematisch

polynomiale Repräsentationen, Iso-oberflächen, volumen Darstellungen, implizite
D for

Oberflächen, Polygonnetze, Subdivision-Kontrollnetze und Punktwolken.

In

4 Voraussetzung für die Teilnahme

Empfohlen:

Der vorherige Besuch von „Algorithmen und Datenstrukturen“ und „Graphische

Datenverarbeitung I“ oder vergleichbaren Veranstaltungen

Kenntnisse über Grundlagen aus der Höheren Mathematik

Programmierkenntnisse in C / C++

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0041-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 273

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

n. t.
lte raf
• [20-00-0041-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

ge K
4 in
In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU

/2 ht
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

8
23 nic
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
Verwendbarkeit des Moduls
iS ch

B. Sc. Informatik
M. Sc. Informatik
W no

M. Sc. Computer Science

e

M.Sc. IT Sicherheit
m st
de g i

Kann in anderen Studiengängen verwendet werden.

ll dn :
so or n
ab un
e e tio

9 Literatur
● Real-Time Rendering: Tomas Akenine-Möller, Eric Haines, Naty Hoffman A.K. Peters Ltd.,
Si ies ma

3rd edition, ISBN 987-1-56881-424-7

● Weitere aktuelle Literaturhinweise werden in der Veranstaltung gegeben.
D for
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 274

Modulbeschreibung

Modulname
Geometrische Methoden des CAE/CAD

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0140 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Geometrische Methoden des 6 integrierte 4

4 in
0140-iv CAE/CAD Veranstaltung

/2 ht
2 Lerninhalt
23 nic
● parametrische Kurvenmodelle
● parametrische Flächenmodelle
iS ch

● Topologie und CAD-Volumenmodelle

W no

● CAD-Operationen auf Flächen

● Tessellierung
e
m st

● Approximation von Kurven und Flächen

de g i

● Finite-Elemente-Methode und Strömungssimulation

ll dn :

● verschiedene Anwendungen aus dem CAD-Bereich

so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Studierende beherrschen nach erfolgreichem Besuch der Veranstaltung die Grundlagen der
rechnergestützten Methoden der geometrischen Modellierung und Simulation. Sie verstehen
D for

verschiedene parametrische Kurven- und Oberflächenrepräsentationen und können diese

In

auswerten und miteinander vergleichen. Weiter kennen Sie klassische Datenstrukturen und
Algorithmen aus dem Computer Aided Design (CAD). Sie sind in der Lage, diese Techniken
praktisch umzusetzen und damit 3D-Geometrie im Rechner darzustellen und zu
visualisieren.

4 Voraussetzung für die Teilnahme

Empfohlen: Grundwissen in Informatik

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0140-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 275

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

n. t.
• [20-00-0140-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

lte raf
100%, Standard)

ge K
In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU

4 in
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

/2 ht
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
8
23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
iS ch

M. Sc. Computer Science

M.Sc. IT Sicherheit
W no
e

Kann in anderen Studiengängen verwendet werden.

m st
de g i
ll dn :

9 Literatur
so or n
ab un

Vorlesungsfolien
e e tio

Lee: Principles of CAD / CAM / CAE Systems, Addison-Wesley.

Si ies ma

Piegl, Tiller: The NURBS Book, Springer Verlag.

Farin: Kurven und Flächen im Computer Aided Geometric Design, vieweg
D for

Shah, Mäntylä: Parametric and Feature-based CAD/CAM, Wiley & Sons

In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 276

Modulbeschreibung

Modulname
Programmierung Massiv-Paralleler Prozessoren

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0419 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Programmierung Massiv-Paralleler 6 integrierte 4

4 in
0419-iv Prozessoren Veranstaltung

/2 ht
2 Lerninhalt
23 nic
- Grundlagen massiv-paralleler Hardware mit einem Schwerpunkt auf modernen
Beschleunigern
iS ch

- parallele Algorithmen
W no

- effiziente Programmierung massiv-paralleler Systeme

- praktische Programmierprojekte mit Co-Betreuung durch einen Wissenschaftler au seiner
e
m st

Anwendungsdomain
de g i
ll dn :

3 Qualifikationsziele / Lernergebnisse
so or n
ab un
e e tio

Nach dem erfolgreichen Besuch der Veranstaltung sind Studierende dazu in der Lage,
Problemstellungen im Kontext massiv-paralleler Systeme zu analysieren. Sie können
Si ies ma

selbständig neue Anwendungen entwickeln und ihre Performanz systematisch verbessern.

Sie verstehen grundlegende parallele Algorithmen und Programmierparadigmen und
D for

können sich selbständig aktuelle Literatur erarbeiten.

In

4 Voraussetzung für die Teilnahme

Empfohlen:

solide Programmierkenntnisse in C/C++

Kentnisse in paralleler Programmierung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0419-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 277

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0419-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

n. t.
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU

lte raf
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

ge K
8 Verwendbarkeit des Moduls

4 in
B. Sc. Informatik
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
23 nic
M. Sc. Autonome Systeme und Robotik
M. Sc. IT Sicherheit
iS ch

Kann in anderen Studiengängen verwendet werden.

W no
e

9 Literatur
m st

wird in der Veranstaltung bekanntgegeben

de g i
ll dn :
so or n
ab un

10 Kommentar
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 278

Modulbeschreibung

Modulname
Physikalisch-basierte Animation

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0682 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Physikalisch-basierte Animation 6 integrierte 4

4 in
0682-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
1. Grundlagen der physikalisch-basierten Animation
- Anwendungen
iS ch

- Simulationsmodelle
W no

- Definition holonomer und nichtholonomer Zwangsbedingungen

e

- Bewegungsgleichungen für Partikel

m st

- Gewöhnliche Differentialgleichungen
de g i

- Numerische Integrationsverfahren
ll dn :
so or n

2. Partikelsysteme
ab un
e e tio

- Aufbau von Partikelsystemen

- Simulation physikalischer Effekte
Si ies ma

3. Simulation von Haaren

- Haarmodelle
D for

- Simulationsverfahren
- Haar-Haar Interaktion
In

4. Simulation von Kleidung

- Masse-Feder-Systeme
- Finite-Elemente-Methoden
- Positionsbasierte Verfahren
5. Simulation von Weichkörpern
- Generierung von Volumennetzen
- Masse-Feder-Systeme
- Finite-Elemente-Methoden
- Positionsbasierte Verfahren
- Volumenerhaltung
6. Starrkörper
- Grundlagen
- Bewegungsgleichungen für Starrkörper

Modulhandbuch M. Sc. Computer Science 279

 - Simulation von Gelenken
7. Kollisionserkennung
- Hüllkörper
- Hüllkörperhierarchien
- Zellrasterverfahren
- Kollisionstests für Starrkörper
- Kollisionstests für deformierbare Körper
- Kontinuierliche Kollisionserkennung
- Bildbasierte Verfahren
8. Brüche
- Animation von Brüchen mit Bruchmustern

n. t.
- Simulation spröder Brüche

lte raf
- Anpassung des Simulationsnetzes

ge K
4 in
3 Qualifikationsziele / Lernergebnisse
Studierende kennen nach einem erfolgreichen Besuch der Veranstaltung Mehrkörpersysteme

/2 ht
und diskrete und kontinuierliche deformierbare Simulationsmodelle. Sie verstehen die
23 nic
numerischen Simulationsverfahren sowie deren jeweiligen Anwendungsbereiche und
können diese Verfahren anwenden. Sie haben einen grundlegenden Überblick über
iS ch

Verfahren der Echtzeitsimulation in der Computergraphik.

W no

4 Voraussetzung für die Teilnahme

e

Empfohlen: Grundlegende Kenntnisse von Numerik, Algorithmen und Datenstrukturen,

m st

Computergraphik
de g i
ll dn :

5 Prüfungsform
so or n
ab un
e e tio

Bausteinbegleitende Prüfung:


Si ies ma

[20-00-0682-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
D for

eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
In

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0682-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

Modulhandbuch M. Sc. Computer Science 280

 B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
M. Sc. IT Sicherheit

Kann in anderen Studiengängen verwendet werden.

9 Literatur
wird in der Vorlesung bekannt gegeben

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 281

Modulbeschreibung

Modulname
Verteilte Geometrieverarbeitung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1075 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1075-iv Verteilte 6 Integrierte 4

4 in
Geometrieverarbeitung Veranstaltung

/2 ht
2 Lerninhalt
* Grundlagen und Algorithmen der Geometrieverarbeitung: Smoothing, Remeshing, Delaunay-
23 nic
Triangulierung, Parametrisierung, Texturierung, u.a.
* Einführung in Big Data und Cloud Computing
iS ch

* Indexstrukturen für den schnellen Zugriff auf massive Geometriedatenmengen: Quad tree, R-
tree, Space-filling curves, u.a.
W no

* Verteilte und cloud-basierte Datenspeicherung

e

* Architekturen für verteilte Verarbeitungspipelines

m st

* Programmiermodelle für verteilte Algorithmen (z.B. MapReduce)

* Technologien und Frameworks für die verteilte Datenverarbeitung (z.B. Spark, Vert.x) und
de g i

Geometrieverarbeitung (Draco, u.a.)

ll dn :
so or n
ab un

* Deployment von verteilten Anwendungen in die Cloud

e e tio

* Ergänzend gibt es praktische und theoretische Übungen

Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Nach dem erfolgreichen Besuch der Veranstaltung besitzen die Studierenden grundlegende
Kenntnisse zur Geometrieverarbeitung sowie zur verteilten, cloud-basierten Verarbeitung sehr
In

großer Datenmengen im Allgemeinen. Sie sind in der Lage, selbstständig skalierbare

Anwendungen zu entwickeln und diese in der Cloud auszuführen, um die
Geometrieverarbeitung zu parallelisieren und damit die Performance zu erhöhen.

4 Voraussetzung für die Teilnahme

Empfohlen:

* Programmierkenntnisse in Java oder anderen JVM-Sprachen

* Grundlegende Algorithmen und Datenstrukturen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1075-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 282

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1075-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

n. t.
lte raf
Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science

23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch
9 Literatur
W no
e

10 Kommentar
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 283

 n. t.
lte raf
ge K
4 in
/2 ht
23 nic
Modulhandbuch
iS ch
W no

M. Sc. Computer Science

e
m st
de g i
ll dn :
so or n
ab un

Vertiefung Visual Computing

e e tio
Si ies ma
D for

Wahlbereich Computer Vision und Machine

In

Learning

Modulhandbuch M. Sc. Computer Science 284

Modulbeschreibung

Modulname
Data Mining und Maschinelles Lernen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0052 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Data Mining und Maschinelles 6 integrierte 4

4 in
0052-iv Lernen Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Durch die rasante Entwicklung der Informationstechnologie sind immer größere
Datenmengen verfügbar. Diese enthalten oft implizites Wissen, das, wenn es bekannt wäre,
iS ch

große wirtschaftliche oder wissenschaftliche Bedeutung hätte. Data Mining ist ein
Forschungsgebiet, das sich mit der Suche nach potentiell nützlichem Wissen in großen
W no

Datenmengen beschäftigt, und Maschinelles Lernverfahren gehören zu den

e

Schlüsseltechnologien innerhalb dieses Gebiets.

m st

Die Vorlesung bietet eine Einführung in das Gebiet des Maschinellen Lernens unter dem
de g i

besonderen Aspekt des Data Minings. Es werden Verfahren aus verschiedenen Paradigmen
ll dn :
so or n

des Maschinellen Lernens mit exemplarischen Anwendungen vorgestellt. Um das Wissen zu

ab un
e e tio

operationalisieren, werden in den Übungen prak-tisch-e Erfahrungen mit Lernalgorithmen

gesammelt.
Si ies ma

● Einführung (Grundbegriffe, Lernprobleme, Konzepte, Beispiele, Repräsentation)

● Regel-Lernen
D for

○ Lernen einzelner Regeln (Generalisierung und Spezialisierung, Strukturierte

Hypothesenräume, Version Spaces)
In

○ Lernen von Regel-Mengen (Covering Strategie, Evaluierungsmaße für Regeln,

Pruning, Mehr-Klassenprobleme)
● Evaluierung und kosten-sensitives Lernen (Accuracy,X-Val,ROC-Kurven,Cost-Sensitive
Learning)
● Instanzenbasiertes Lernen (kNN,IBL,NEAR,RISE)
● Entscheidungsbaum-Lernen (ID3, C4.5, etc.)
● Ensemble-Methoden (Bias/Variance, Bagging, Randomization, Boosting, Stacking, ECOCs)
● Pre-Processing (Feature Subset Selection, Diskretisierung, Sampling, Data Cleaning)
● Clustering und Lernen von Assoziationsregeln (Apriori)

Modulhandbuch M. Sc. Computer Science 285

3 Qualifikationsziele / Lernergebnisse
Nach der erfolgreichen Absolvierung dieser Lehrveranstaltung sind die Studierenden in der
Lage

● grundlegende Techniken des Data Mining und Maschinellen Lernens zu verstehen und
erklären

● praktische Data Mining Systeme selbständig einsetzen und deren Stärken und Schwächen
verstehen

● neue Entwicklungen auf diesem Gebiet kritisch beurteilen

4 Voraussetzung für die Teilnahme

n. t.
lte raf
ge K
5 Prüfungsform
Bausteinbegleitende Prüfung:

4 in
 [20-00-0052-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

/2 ht
23 nic
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
iS ch

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)
W no
e

6 Voraussetzung für die Vergabe von Leistungspunkten

m st

Bestehen der Prüfung (100%)

de g i
ll dn :
so or n

7 Benotung
ab un
e e tio

Bausteinbegleitende Prüfung:
Si ies ma

• [20-00-0052-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
D for

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

In

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning
M. Sc. IT Sicherheit

Kann in anderen Studiengängen verwendet werden.

Modulhandbuch M. Sc. Computer Science 286

9 Literatur
● Mitchell: Machine Learning, McGraw-Hill, 1997
● Ian H. Witten and Eibe Frank: Data Mining: Practical Machine Learning Tools and
Techniques with Java Implementations, Morgan-Kaufmann, 1999

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 287

Modulbeschreibung

Modulname
Bildverarbeitung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0155 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Bildverarbeitung 3 integrierte 2

4 in
0155-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Überblick über die Grundlagen der Bildverarbeitung:
- Bildeigenschaften
iS ch

- Bildtransformationen
W no

- einfache und komplexere Filterung

e

- Bildkompression,
m st

- Segmentierung
de g i

- Klassifikation
ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Noch erfolgreichem Besuch der Veranstaltung haben die Studierenden einen Überblick über
die Funktionsweise und die Möglichkeiten der modernen Bildverarbeitung. Studierende sind
D for

dazu in der Lage, einfache bis mittlere Bildverarbeitungsaufgaben selbständig zu lösen.

In

4 Voraussetzung für die Teilnahme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0155-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

Modulhandbuch M. Sc. Computer Science 288

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0155-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
M. Sc. Autonome Systeme und Robotik
M. Sc. IT Sicherheit

ge K
4 in
Kann in anderen Studiengängen verwendet werden.

/2 ht
9 Literatur
23 nic
● Gonzalez, R.C., Woods, R.E., "Digital Image Processing", Addison- Wesley Publishing
Company, 1992
iS ch

● Haberaecker, P., "Praxis der Digitalen Bildverarbeitung und Mustererkennung", Carl

Hanser Verlag, 1995
W no

● Jaehne, B., "Digitale Bildverarbeitung", Springer Verlag, 1997

e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 289

Modulbeschreibung

Modulname
Computer Vision

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0157 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Computer Vision 6 integrierte 4

4 in
0157-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
● Grundlagen der Bildformierung
● Lineare und (einfache) nichtlineare Bildfilterung
iS ch

● Grundlagen der Mehransichten-Geometrie

● Kamerakalibrierung & -posenschätzung
W no

● Grundlagen der 3D-Rekonstruktion

e

● Grundlagen der Bewegungsschätzung aus Videos

m st

● Template- und Unterraum-Ansätze zur Objekterkennung

de g i

● Objektklassifikation mit Bag of Words

ll dn :
so or n
ab un

● Objektdetektion
e e tio

● Grundlagen der Bildsegmentierung

Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Studierende beherrschen nach erfolgreichem Besuch der Veranstaltung die Grundlagen der
Computer Vision. Sie verstehen grundlegende Techniken der Bild- und Videoanalyse, und
In

können deren Annahmen und mathematische Formulierungen benennen, sowie die sich
ergebenden Algorithmen beschreiben. Sie sind in der Lage diese Techniken praktisch so
umzusetzen, dass sie grundlegende Bildanalyseaufgaben an Hand realistischer Bilddaten
lösen können.

4 Voraussetzung für die Teilnahme

Empfohlen: Der vorherige Besuch von „Visual Computing“ oder einer vergleichbaren
Veranstaltung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0157-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 290

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0157-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

n. t.
100%, Standard)

lte raf
8 Verwendbarkeit des Moduls

ge K
B. Sc. Informatik

4 in
M. Sc. Informatik
M. Sc. Computer Science

/2 ht
M. Sc. Autonome Systeme und Robotik
23 nic
M. Sc. Artificial Intelligence and Machine Learning
M. Sc. IT Sicherheit
iS ch

Kann in anderen Studiengängen verwendet werden.

W no
e

9 Literatur
m st

Literaturempfehlungen werden regelmässig aktualisiert und beinhalten beispielsweise:

de g i

● R. Szeliski, "Computer Vision: Algorithms and Applications", Springer 2011

ll dn :
so or n

● D. Forsyth, J. Ponce, "Computer Vision -- A Modern Approach", Prentice Hall, 2002

ab un
e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 291

Modulbeschreibung

Modulname
Statistisches Maschinelles Lernen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0358 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Statistisches Maschinelles Lernen 6 integrierte 4

4 in
0358-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
- Statistische Methodik für das Maschinelle Lernen
- Auffrischung zu Statistik, Optimierung und Linearer Algebra
iS ch

- Bayes’sche Entscheidungstheorie
W no

- Wahrscheinlichkeitsdichtenschätzung
e

- Nichtparametrische Modelle
m st

- Mixtur Modelle und der EM-Algorithmus

de g i

- Lineare Modele zur Klassifikation und Regression

ll dn :
so or n

- Statistische Lerntheorie
ab un
e e tio

- Kernel Methoden zur Klassification und Regression

Si ies ma

3 Qualifikationsziele / Lernergebnisse
Die Lehrveranstaltung ist eine systematische Einführung in die Grundlagen und Methodik
D for

des statistischen maschinellen Lernens. Nach erfolgreichen Abschluss der

In

Lehrveranstaltung, verstehen Studierende die wichtigsten Methoden und Ansätze des

Statischen Maschinellen Lernens. Sie können maschinelle Lernverfahren anwenden, um eine
Vielzahl neuer Probleme zu lösen.

4 Voraussetzung für die Teilnahme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0358-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 292

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0358-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

n. t.
In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

lte raf
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

ge K
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

4 in
8 Verwendbarkeit des Moduls
B. Sc. Informatik

/2 ht
M. Sc. Informatik
23 nic
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning
iS ch

M. Sc. IT Sicherheit
W no

Kann in anderen Studiengängen verwendet werden.

e
m st
de g i

9 Literatur
ll dn :
so or n

1. C.M. Bishop, Pattern Recognition and Machine Learning (2006), Springer

ab un
e e tio

2. K.P. Murphy, Machine Learning: a Probabilistic Perspective (expected 2012), MIT Press
3. D. Barber, Bayesian Reasoning and Machine Learning (2012), Cambridge University Press
Si ies ma

4. T. Hastie, R. Tibshirani, and J. Friedman (2003), The Elements of Statistical Learning,

Springer Verlag
D for

5. D. MacKay, Information Theory, Inference, and Learning Algorithms (2003), Cambridge

University Press
In

6. R.O. Duda, P.E. Hart, and D.G. Stork, Pattern Classification (2nd ed. 2001), Willey-
Interscience
7. T.M. Mitchell, Machine Learning (1997), McGraw-Hill

10 Kommentar

Modulhandbuch M. Sc. Computer Science 293

Modulbeschreibung

Modulname
Medizinische Bildverarbeitung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0379 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Medizinische Bildverarbeitung 3 integrierte 2

4 in
0379-vl Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Die Vorlesung gliedert sich in zwei Teile.
In der ersten Hälfte der Vorlesung wird die Funktionsweise von Geräten, welche
iS ch

medizinische Bilder liefern (CT, MRI, PET, SPECT, Ultraschall), erklärt.

W no

In der zweiten Hälfte werden verschiedene Bildverarbeitungsmethoden erklärt, welche

typischerweise für die Bearbeitung medizinischer Bilder eingesetzt werden.
e
m st
de g i

3 Qualifikationsziele / Lernergebnisse
ll dn :

Noch erfolgreichem Besuch der Veranstaltung haben die Studierenden einen Überblick über
so or n
ab un
e e tio

die Funktionsweise und die Möglichkeiten der modernen medizinischen Bildverarbeitung.

Studierende sind dazu in der Lage, einfache bis mittlere medizinische
Si ies ma

Bildverarbeitungsaufgaben selbständig zu lösen.

D for

4 Voraussetzung für die Teilnahme

Empfohlen: Mathematische Grundlagen sind dringend empfehlenswert. Ferner wird
In

empfohlen, die Vorlesung „Bildverarbeitung“ oder eine vergleichbare Veranstaltung vorher

besucht zu haben.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0379-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Modulhandbuch M. Sc. Computer Science 294

 Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0379-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

n. t.
M.Sc. IT Sicherheit

lte raf
ge K
Kann in anderen Studiengängen verwendet werden.

4 in
9 Literatur

/2 ht
1) Heinz Handels: Medizinische Bildverarbeitung

23 nic
2) 2) Gonzalez/Woods: Digital Image Processing (last edition)
3) 3) Bernd Jähne: Digitale Bildverarbeitung. 6. überarbeitete und erweiterte Auflage.
Springer, Berlin u. a. 2005, ISBN 3-540-24999-0.
iS ch

4) Kristian Bredies, Dirk Lorenz: Mathematische Bildverarbeitung. Einführung in

W no

Grundlagen und moderne Theorie. Vieweg+Teubner, Wiesbaden 2011, ISBN 978-3-8348-

1037-3.
e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 295

Modulbeschreibung

Modulname
Computer Vision II

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0401 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Computer Vision II 6 integrierte 4

4 in
0401-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
● Computer Vision als (probabilistische) Inferenz
● Robuste Schätzung und Modellierung
iS ch

● Grundlagen der Bayes’schen Netze und Markov’schen Zufallsfelder

W no

● Grundlegende Inferenz- und Lernverfahren der Computer Vision

● Bildrestaurierung
e
m st

● Stereo
de g i

● Optischer Fluß
ll dn :

● Bayes’sches Tracking von (artikulierten) Objekten

so or n
ab un
e e tio

● Semantische Segmentierung
● Aktuelle Themen der Forschung
Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Studierende haben nach erfolgreichem Besuch der Veranstaltung ein vertieftes Verständnis
In

der Computer Vision. Sie formulieren Fragestellungen der Bild- und Videoanalyse als
Inferenzprobleme und berücksichtigen dabei Herausforderungen reeller Anwendungen, z.B.
im Sinne der Robustheit. Sie lösen das Inferenzproblem mittels diskreter oder
kontinuierlicher Inferenzalgorithmen, und wenden diese auf realistische Bilddaten an. Sie
evaluieren die anwendungsspezifischen Ergebnisse quantitativ.

4 Voraussetzung für die Teilnahme

Empfohlen: Der vorherige Besuch von „Visual Computing“ und „Computer Vision I“ oder
vergleichbaren Veranstaltungen ist empfohlen.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0401-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 296

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0401-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

n. t.
100%, Standard)

lte raf
ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik
M. Sc. Computer Science

/2 ht
M. Sc. Autonome Systeme und Robotik
23 nic
M. Sc. Artificial Intelligence and Machine Learning
M. Sc. IT Sicherheit
iS ch

Kann in anderen Studiengängen verwendet werden.

W no
e

9 Literatur
m st

Literaturempfehlungen werden regelmässig aktualisiert und beinhalten beispielsweise:

de g i

● S. Prince, “Computer Vision: Models, Learning, and Inference”, Cambridge University

ll dn :
so or n

Press, 2012
ab un
e e tio

● R. Szeliski, "Computer Vision: Algorithms and Applications", Springer 2011

Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 297

Modulbeschreibung

Modulname

Statistical Relational Artificial Intelligence: Logic, Probability, and Computation

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1011 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1011-iv Statistical Relational Artificial 6 Integrierte 4

4 in
Intelligence: Logic, Probability, Veranstaltung
and Computation

/2 ht
2 Lerninhalt
23 nic
+ logische Programmierung
+ Lernen von logischen Programmen aus Daten
iS ch

+ Probabilistische Graphische Modelle: Inferenz und Lernen

+ Statistisch-Relationale Modelle wie z.B. ProbLog und Markov Logic Networks
W no

+ Schlussfolgern in statistisch-relationalen Modellen

+ Lernen von statistisch-relationalen Modellen aus Daten
e

+ Relationale lineare und quadratische Programme

m st
de g i
ll dn :

3 Qualifikationsziele / Lernergebnisse
so or n
ab un
e e tio

Die Lehrveranstaltung ist eine systematische Einführung in die Grundlagen und Methodik des
statistisch-relationalen Lernens und Künstlichen Intelligenz: Das Studium und Design von
Si ies ma

intelligenten Agenten, die in verrauschten Welten agieren, die aus Individuen (Objekte, Dinge)
und komplexe Beziehungen zwischen den Individuen bestehen. Nach erfolgreichem Abschluss
D for

der Lehrveranstaltung verstehen Studierende die wichtigsten Methoden und Ansätze in der
statistisch-relationalen Künstlichen Intelligenz. Sie verstehen die grundlegenden
In

Herausforderungen von relationalen Domänen. Sie kennen aktuelle Ansätze, um diese

Herausforderungen zu lösen. Sie sind außerdem in der Lage ihre Kenntnisse auf aktuelle
Probleme anzuwenden.

4 Voraussetzung für die Teilnahme

Der vorherige Besuch von “Statistisches Maschinelles Lernen” und “Probabilistische Graphische
Modelle” oder vergleicharer Veranstaltungen ist empfohlen, ist aber keine Voraussetzung.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1011-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 298

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1011-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

n. t.
lte raf
Standard)

ge K
8 Verwendbarkeit des Moduls
B. Sc. Informatik

4 in
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
23 nic
M. Sc. Artificial Intelligence and Machine Learning
iS ch
Kann in anderen Studiengängen verwendet werden.
W no

9 Literatur
Literaturempfehlungen werden regelmäßig aktualisiert und beinhalten beispielsweise:
e
m st

Luc De Raedt, Kristian Kersting, Sriraam Natarajan, David Poole (2016): Statistical Relational
de g i

Artificial Intelligence: Logic, Probability, and Computation. Synthesis Lectures on Artificial

ll dn :
so or n
ab un

Intelligence and Machine Learning, Morgan & Claypool Publishers, ISBN: 9781627058414.
e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 299

Modulbeschreibung

Modulname

Deep Learning für medizinische Bildgebung

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-1014 150 h 105 h 1 Semester
5 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Visual Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1014-iv Deep Learning für 5 Integrierte 3

4 in
medizinische Bildgebung Veranstaltung
2 Lerninhalt

/2 ht
Formulierung der medizinischen Bildsegmentierung, Computergestützte Diagnostik und
23 nic
chirurgische Planung als Probleme des maschinellen Lernens, Deep Learning für medizinische
Bildsegmentierung, Deep Learning für computergestützte Diagnostik, Chirurgische Planung
iS ch

von präoperativen Bildern mit Deep Learning, Tool-Präsenz Erkennung und Lokalisierung von
endoskopischen Videos durch Deep Learning, Adversarial Beispiele für medizinische
W no

Bildgebung, Generative Adversarial Networks für Medizinische Bildgebung.

e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Nach erfolgreichem Abschluss des Kurses sind die Studierenden in der Lage sein, alle
ll dn :
so or n

Komponenten der Formulierung eines medizinischen Bildanalyseproblems als Problem des

ab un
e e tio

Maschinellen Lernens zu verstehen. Sie sind auch in der Lage sein, fundierte Entscheidungen
über die Wahl eines universellen Deep Learning Paradigmas für ein gegebenes medizinische
Si ies ma

Bildanalyseproblem zu treffen.
D for

4 Voraussetzung für die Teilnahme

Empfohlen:
In

- Programmierkenntnisse
- Verständnis des algorithmischen Designs
- Kenntnisse aus dem Bereich Lineare Algebra
- Der vorherige Besuche von „Bildverarbeitung“, „Computer Vision I“ und „Statistisches
Maschinelles Lernen“ oder vergleichbarer Veranstaltungen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1014-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 300

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1014-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

4 in
/2 ht
Kann in anderen Studiengängen verwendet werden.

9 Literatur 23 nic
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 301

Modulbeschreibung

Modulname

Deep Learning: Architectures & Methods

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1034 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1034-iv Deep Learning: Architectures & 6 Integrierte 4

4 in
Methods Veranstaltung
2 Lerninhalt

/2 ht
• Auffrischung des Hintergrundwissens
23 nic
• Deep Feedforward Netze
• Regularisierung im Deep Learning
iS ch

• Optimierung zum Training tiefer Netze

• Convolutional tiefe Netze
W no

• Modelierung von Sequenzen durch Rekordernte und Rekursive Netze

• Lineare Faktor Modelle
e

• Autoenkoder
m st

• Repräsentationslernen
de g i

• Strukturierte Probabilistische Modelle zum Deep Learning

ll dn :
so or n

• Monte Carlo Methoden

ab un
e e tio

• Approximative Inferenz
• Tiefe generative Modelle
Si ies ma

• Deep Reinforcement Learning

• Deep Learning in Vision
D for

• Deep Learning in NLP

In

3 Qualifikationsziele / Lernergebnisse
Dieser Kurs richtet sich an Studierende mit fortgeschrittenem Erfahrung im maschinellen
Lernen und vermittelt diesen Studierenden das notwendige Wissen, um eigenständig
Forschungsprojekte im Bereich der Deep Learning durchzuführen, z.B. im Rahmen einer
Bachelor- oder Masterarbeit. Dies betrifft sowohl ein grundlegendes Verständnis der
algorithmischen Ansätze zum Deep Learning als auch die der Architekturen der tiefen tiefen
Netze.

4 Voraussetzung für die Teilnahme

Empfohlen: Der vorherige Besuch von „Statistisches Maschinelles Lernen“ und „Data Mining
und Maschinelles Lernen“ oder vergleichbarer Veranstaltungen

Modulhandbuch M. Sc. Computer Science 302

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1034-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
lte raf
7 Benotung

ge K
Bausteinbegleitende Prüfung:

4 in
 [20-00-1034-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,
Standard)

/2 ht
8
23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
iS ch

M. Sc. Computer Science

W no

M. Sc. Autonome Systeme und Robotik

M. Sc. Artificial Intelligence and Machine Learning
e
m st

Kann in anderen Studiengängen verwendet werden.

de g i
ll dn :
so or n

9 Literatur
ab un
e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 303

Modulbeschreibung

Modulname

Reinforcement Learning: Von Grundlagen zu den tiefen Ansätzen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1047 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1047-iv Reinforcement Learning: Von 6 Integrierte 4

4 in
Grundlagen zu den tiefen Veranstaltung
Ansätzen

/2 ht
2 Lerninhalt
23 nic
• Auffrischung des Hintergrundwissens
• Black box Reinforcement Learning
iS ch

• Modellierung als Bandit, Markov Decision Processes und Partially Observable Markov
Decision Processes
W no

• Optimale Steuerung und Regelung

• Modellernen
e

• Wertefunktionslernen
m st

• Policy Search
de g i

• Tiefe Wertefunktion Methoden

ll dn :
so or n

• Tiefe Policy Search Methoden

ab un
e e tio

• Exploration vs Exploitation
• Hierarchisches Reinforcement Learning
Si ies ma

• Intrinsische Motivation
D for

3 Qualifikationsziele / Lernergebnisse
Dieser Kurs richtet sich an Studierende mit erster Erfahrung im maschinellen Lernen und
In

vermittelt diesen Studierenden das notwendige Wissen, um eigenständig Forschungsprojekte im

Bereich der Reinforcement Learning durchzuführen, z.B. im Rahmen einer Bachelor- oder
Masterarbeit. Dies betrifft sowohl ein grundlegendes Verständnis der algorithmischen Ansätze
zum Reinforcement Learning als auch Anwendungen von tiefen Netzen.

4 Voraussetzung für die Teilnahme

Empfohlen:

Gute Programmierkenntnisse in Python.

Der vorherige Besuch von „Statistisches Maschinelles Lernen“ oder einer vergleichbaren
Veranstaltung ist hilfreich aber nicht zwingend erforderlich

Modulhandbuch M. Sc. Computer Science 304

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1047-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
lte raf
7 Benotung

ge K
Bausteinbegleitende Prüfung:

4 in
 [20-00-1047-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,
Standard)

/2 ht
8
23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
iS ch

M. Sc. Computer Science

W no

M. Sc. Autonome Systeme und Robotik

M. Sc. Artificial Intelligence and Machine Learning
e
m st

Kann in anderen Studiengängen verwendet werden.

de g i
ll dn :
so or n

9 Literatur
ab un
e e tio
Si ies ma

10 Kommentar
D for
In

Modulhandbuch M. Sc. Computer Science 305

 Modulbeschreibung

Modulname

1.1.2. Mensch- und Identitätsfokussiertes Maschinelles Lernen

Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
180 h 120 h 1 Semester
1118 6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Visual Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1118- Mensch- und 6 Integrierte 4

4 in
iv Identitätsfokussiertes Veranstaltung
Maschinelles Lernen

/2 ht
2 Lerninhalt
23 nic
Hintergründe und Konzepte von Human-Centric Machine Learning: Das Ziel von Identität
und Human-Centric Machine Learning. Die Unterschiede zwischen Identitätslernen und
iS ch

anderen gängigen Klassifikationsarten.

W no

Repräsentationsextraktion für subjektbezogene Daten: Methoden für die Feature

e

Erstellung für identitätsbezogene Anwendungen. Grundlagen und Hintergründe für

m st

handgefertigte oder Deep Learning Features.

de g i
ll dn :

Deep-Learning Strategien für Identitätsrepräsentationen: Erlernen von

so or n
ab un

Identitätsrepräsentationen mit Hilfe von Deep Learning. Lernstrategien und Loss-

e e tio

Funktionen.
Si ies ma

Netzwerkarchitekturen und identitätsspezifische Komponenten.

D for

Knowledge Transfer und Distillation: Transfer Learning und Identitätsrepräsentation.

Konzepte und Anwendungen von Knowledge Distillation.
In

Effizientes Machine Learning: Beziehung zwischen Ressourcenbeschränkungen, Green-AI

und Deep Learning. Methoden zum Aufbau effizienter Lösungen für Maschinelles Lernen.

Synthetische Identität: Die Notwendigkeit einer synthetischen Identität. Synthetische

Identität als Adversarial. Generierung synthetischer identitätsgesteuerter Daten unter
verschiedenen Einschränkungen.

Machine Learning Biases: Analyse der demografischen Fairness und der Ursachen der
Fairnessprobleme. ML-basierte Abmilderung von demografischen Bias.

Privatsphäre erlernen: Analyse von unbeabsichtigt gelernten Informationen.

Lernstrategien zur gezielten Unterdrückung von Informationen auf verschiedenen
Repräsentationsebenen.

Modulhandbuch M. Sc. Computer Science 306

 Data Utility: Verständnis der Auswirkungen von Data Utility im Lernprozess. Verstehen
von Sample Utility im Betrieb. ML-Konzepte und Strategien zur Schätzung von Sample
Utilities.

Angriffe auf Sample-Level: Überblick über Adversarial, Sample Manipulation und andere
Angriffe auf Human-Centric ML. Deep Learning Konzepte, Netzwerkblöcke und
LossStrategien um Sample-Level Angriffe zu erkennen und zu umgehen.

Explainability: Überblick über den Bedarf von Explainability in verschiedenenen

Entscheidungsprozessen. Verschiedene Strategien um Explainability für Themen aus
vergangenen Vorlesungen.

n. t.
lte raf
3 Qualifikationsziele / Lernergebnisse
Nach erfolgreichem Besuch des Kurses sind die Studierenden mit Konzepten des

ge K
maschinellen Lernens im Umgang mit personen- und identitätsbezogenen Informationen

4 in
vertraut. Sie verstehen die grundlegenden Techniken für die Extraktion
subjektspezifischer Repräsentationen, einschließlich der damit verbundenen Konzepte für

/2 ht
Knowledge Transfer und Distillation. Die Studierenden haben ein Verständnis für
23 nic
demografisch bedingte Verzerrungen beim maschinellen Lernen und
Datenschutzbedenken zu Function-Creep erlangt, einschließlich der wichtigsten Konzepte
iS ch

zur Abschwächung dieser Probleme. Sie kennen die Anforderungen und Techniken, die
für ein eingebettetes und effizientes HumanCentric Machine Learning erforderlich sind.
W no

Ebenfalls sind sie mit den Auswirkungen von Data Utility im Lernprozess und dem
e

Hauptkonzept zur Schätzung der Utility von subjektbezogenen Daten vertraut. Sie
m st

werden fundiertes Wissen über die Erklärungsmethoden für ML-Entscheidungen auf der
de g i

Grundlage von identitätsbezogenen Daten erlangen. Die Studierenden werden in die

ll dn :
so or n

Konzepte der KI-Ethik und der KIRegulierung im Zusammenhang mit der Verarbeitung
ab un
e e tio

und Speicherung personenbezogener Daten eingeführt. Sie sind in der Lage, diese
Techniken zur Lösung grundlegender Aufgaben im Bereich von Identitäts- und Human-
Si ies ma

Centric Machine Learning auf realistische Probleme anzuwenden.

D for

4 Voraussetzung für die Teilnahme

In

Empfohlen: Der vorherige Besuch der Veranstaltung „Visual Computing“ oder einer
vergleichbaren Veranstaltung. Grundlagen in Mathematik und
Wahrscheinlichkeitsrechnung.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1118-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

Modulhandbuch M. Sc. Computer Science 307

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%).

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1118-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
M. Sc. Autonome Systeme und Robotik

ge K
Kann in anderen Studiengängen verwendet werden.

4 in
9 Literatur

/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 308

Modulbeschreibung

Modulname

Affective Computing
Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
180 h 120 h 1 Semester
1120 6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Visual Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1120- Affective Computing 6 Integrierte 4

4 in
iv Veranstaltung
2 Lerninhalt

/2 ht
- Einführung in das Affective Computing mit einem Überblick über die Anwendung in
23 nic
Unterhaltung, Gesundheit und Pädagogik
- Emotionstheorien: Psychologie, Kognitionswissenschaft und Neurowissenschaft
iS ch

- Diskussion über Möglichkeiten, wie Maschinen Emotionen "haben" können

- Experimenteller Aufbau, Methodik und Analyse
W no

- Emotionen und das Gehirn

- Körperlicher Ausdruck von Emotionen
e

- Synthese von emotionalem Verhalten

m st

- Emotionen und soziale Interaktion

de g i

- Persönlichkeit und Kulturen

ll dn :
so or n

- Emotionserkennung in Text, Sprache und Gesicht

ab un
e e tio

- Praktische Programmiererfahrung für Affective Computing

- Vorurteile und Ethik des Affective Computing
Si ies ma

3 Qualifikationsziele / Lernergebnisse
D for

Dieser Kurs zielt darauf ab, die Theorien, Methoden und Anwendungen rund um
In

Affective Computing in einer interdisziplinären Perspektive zu lehren. Nach erfolgreichem

Abschluss des Kurses verstehen die Studierenden affektive Interaktionen und deren
Auswirkungen auf die Mensch-Computer-Interaktion, lernen Methoden zur Erhebung,
Analyse und Auswertung affektiver Verhaltensdaten anzuwenden. Sie demonstrieren
Kenntnisse zur computergestützten Analyse, Synthese und Erkennung menschlicher
affektiver Verhaltensdaten und zum Entwurf emotionssensibler interaktiver Technologien
wie Interaktionen mit virtuellen Agenten, Robotern und Spielen. Sie gewinnen praktische
Erfahrung mit den Rahmenbedingungen für menschliches Affekt- und
Verhaltensverständnis und ein Bewusstsein für potenzielle Verzerrungen in Daten sowie
mögliche Gefahren im Umgang mit sensitiven personenbezogenen Daten.

Modulhandbuch M. Sc. Computer Science 309

4 Voraussetzung für die Teilnahme
Empfohlen werden:

- Programmierkenntnisse
- Statistisches Maschinelles Lernen oder Einführung in die Künstliche Intelligenz

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1120-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

n. t.
lte raf
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

ge K
4 in
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%).

/2 ht
7 Benotung
23 nic
Bausteinbegleitende Prüfung:
iS ch

 [20-00-1120-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

W no

100%, Standard)
e

8 Verwendbarkeit des Moduls

m st

B. Sc. Informatik
de g i

M. Sc. Informatik
ll dn :
so or n

M. Sc. Computer Science

ab un
e e tio

M. Sc. Autonome Systeme und Robotik

Si ies ma

Kann in anderen Studiengängen verwendet werden.

D for

9 Literatur
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 310

 n. t.
lte raf
ge K
4 in
/2 ht
23 nicModulhandbuch
iS ch

M. Sc. Computer Science

W no
e
m st
de g i
ll dn :

Vertiefung Visual Computing

so or n
ab un
e e tio
Si ies ma
D for

Wahlbereich Integrated Methods of Graphics

In

and Vision

Modulhandbuch M. Sc. Computer Science 311

Modulbeschreibung

Modulname
Virtuelle und Erweiterte Realität

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0160 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Virtuelle und Erweiterte Realität 6 integrierte 4

4 in
0160-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Im Rahmen dieser Lehrveranstaltung werden zuerst die Grundlagen, Begriffsbildungen und
Referenzmodelle zur Einordnung der Thematik im Rahmen der Computer-
iS ch

Graphik/Computer-Vision aufgezeigt. Aufbauend darauf werden die besonderen

Technologien, Algorithmen und Standards der Augmented Reality (AR) und der Virtual
W no

Reality (VR) behandelt. Dazu gehören:

e

● Datenschnittstellen (Standards, Vorverarbeitung, Systeme, etc.)

m st

● Interaktionstechniken (z.B. Interaktion mit Hilfe von Rangekameras)

de g i

● Darstellungsverfahren (z.B. Echtzeit-Rendering)

ll dn :
so or n
ab un

● Web-basierte VR/AR
e e tio

● Computer-Vision-basiertes Tracking für Augmented-Reality

Si ies ma

● Augmented Reality mit Rangekamera-Technologien

● Augmented Reality auf Smartphonesystemen
D for

Schließlich werden diese Techniken an Beispielen aktueller Forschungsarbeiten aus den

Bereichen „AR/VR-Wartungsunterstützung“ und „AR/VR-gestützte Präsentation von
In

Kulturgütern“ dokumentiert.

3 Qualifikationsziele / Lernergebnisse
Studierende kennen nach erfolgreichem Besuch der Veranstaltung die Anforderungen und
Problematiken von Virtual/Augmented Reality und sie wissen, für welche Problemstellungen
diese Technologien eingesetzt werden können. Sie kennen die Standards, mit deren Hilfe
VR/AR-Anwendungen spezifiziert werden, insb. wissen die Studierenden, welche Computer-
Vision-Technologien eingesetzt werden können, um in verschiedenen Umgebungen die
Kamerapose stabil zu tracken.

4 Voraussetzung für die Teilnahme

Empfohlen: Grundlagen der Graphischen Datenverarbeitung (GDV)

Modulhandbuch M. Sc. Computer Science 312

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0160-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
lte raf
7 Benotung
Bausteinbegleitende Prüfung:

ge K
4 in
• [20-00-0160-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

/2 ht
8 23 nic
Verwendbarkeit des Moduls
B. Sc. Informatik
iS ch

M. Sc. Informatik
M. Sc. Computer Science
W no

M. Sc. Autonome Systeme und Robotik

e

M.Sc. IT Sicherheit
m st
de g i

Kann in anderen Studiengängen verwendet werden.

ll dn :
so or n
ab un
e e tio

9 Literatur
Dörner, R., Broll, W., Grimm, P., Jung, B. Virtual und Augmented Reality (VR / AR)
Si ies ma
D for

10 Kommentar
In

Modulhandbuch M. Sc. Computer Science 313

Modulbeschreibung

Modulname
Informationsvisualisierung und Visual Analytics

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0294 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Informationsvisualisierung und 6 integrierte 4

4 in
0294-iv Visual Analytics Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Diese Vorlesung wird eine detaillierte Einführung in die Informationsvisualisierung geben,
um sich dann intensiv den wissenschaftlichen Fragestellungen und praxisnahen
iS ch

Anwendungsszenarien von Visual Analytics zu widmen.

W no

•Überblick der Informationsvisualisierung und Visual Analytics (Definitionen, Modelle,

Historie)
e

•Datenpräsentierung und Datentransformation

m st

•Abbildung von Daten auf visuelle Strukturen

de g i
ll dn :

• Visuelle Repräsentierungen und Interaktion fuer bivariate, multivariate Daten, Zeitreihen,

so or n
ab un

Graphen und Geographische Daten

e e tio

• Grundlagen von Data Mining

Si ies ma

•Grundlagen von Visual Analytics: - Analytische Beweisführung - Data Mining

• Evaluation von Visual Analytics Systemen
D for

Anwendungsgebiete: Medizin, Biologie, Finanzen und Wirtschaft, Meteorologie,

In

Rettungsdienst,....

3 Qualifikationsziele / Lernergebnisse
Studierende können nach erfolgreichem Besuch der Veranstaltung

•Informationsvisualisierungsmethoden für verschiedene Datentypen benutzen

•interactive Visualisierungsysteme für Daten aus verschiedenen Anwendungsgebieten

designen

•Visualisierung und automatische Datenverarbeitung kombinieren um Big Data Probleme zu

lösen

Modulhandbuch M. Sc. Computer Science 314

 •Wissen über Hauptcharakteristika menschlicher visuellen Wahrnehmung in
Informationsvisualisierung und Visual Analytics anwenden

•geeignete Evaluationsmethode für spezifische Situationen und Szenarien auswählen

4 Voraussetzung für die Teilnahme

Empfohlen: Interesse an Methoden der Computergrafik und Visualisierung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0294-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

n. t.
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist

lte raf
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

ge K
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

4 in
Minuten), Hausübungen (optional: einschließlich Testaten)

/2 ht
6 Voraussetzung für die Vergabe von Leistungspunkten

23 nic
Bestehen der Prüfung (100%)

7 Benotung
iS ch

Bausteinbegleitende Prüfung:
W no

• [20-00-0294-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

e

100%, Standard)
m st
de g i
ll dn :

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

so or n
ab un

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
e e tio

Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
Si ies ma

8 Verwendbarkeit des Moduls

D for

B. Sc. Informatik
M. Sc. Informatik
In

M. Sc. Computer Science

M.Sc. IT Sicherheit

Kann in anderen Studiengängen verwendet werden.

9 Literatur
Wird in der Vorlesung bekanntgegeben. Beispiele für verwendete Literatur
könnten sein:
C. Ware: Information Visualization: Perception for Design
Ellis et al: Mastering the Information Age

10 Kommentar

Modulhandbuch M. Sc. Computer Science 315

Modulbeschreibung

Modulname
Ambient Intelligence

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0390 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Ambient Intelligence 6 integrierte 4

4 in
0390-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Die Vorlesung führt in aktuelle Entwicklungen von Ambient Intelligence ein. Im
Vordergrund der Vorlesung steht die Mensch-Maschine-Interaktion (MMI) in intelligenten
iS ch

Umgebungen in einem allgegenwärtigen Informationsraum, wie sie beispielsweise

zunehmend durch eingebettete Systeme in alltägliche Gebrauchsobjekte gegeben ist.
W no

Spezieller Fokus wird auf den mobilen Aspekt eines allgegenwärtigen Informationszugriffs
e

und der Informationsaufbereitung und -darstellung in mobilen Endgeräten gelegt. Dabei soll
m st

einerseits ein Einblick in die grundlegenden Technologien, Anwendungen und Experimente

de g i

gegeben werden und anderseits (nicht im Schwerpunkt) auch die sozio-kulturellen

ll dn :

Implikationen und Aspekte neuer Ambient Intelligence Lösungen diskutiert werden.

so or n
ab un
e e tio

Zusätzliche Themen der Vorlesung sind System-Architekturen für verteilte Umgebungen,

Kontext-Awareness und Kontext-Management, Benutzermodelle und deren Implikationen,
Si ies ma

Sensornetzwerke und Interaktionstechniken. Die Vorlesung wird Beispiele aktueller Projekte

diskutieren und die internationalen Forschungslinien von Ambient Intelligence beleuchten.
D for

3 Qualifikationsziele / Lernergebnisse
In

Nachdem Studierende die Veranstaltung erfolgreich besucht haben, können sie

Technologietrends und Forschungserkenntnisse im Bereich Ambient Intelligence
beschreiben. Die wichtigsten Konzepte zur Realisierung „intelligenter Umgebungen“ -
intelligente Netzwerke und Objekte, Techniken der erweiterten, mobilen Realität, ubiquitäre
und allgegenwärtige Informationsräume, nomadische Kommunikationen, Echt-Zeit-
Kommunikation und relevante Middleware, Eingebettete Systeme, Sensor Netzwerke und
Wearable Computing - können diskutiert und eingeordnet werden. Nach Abschluss der
zugehörigen Übung können Studierende die Projektphasen der Entwicklung einer Ambient-
Intelligence Anwendung eigenständig planen und realisieren.

Modulhandbuch M. Sc. Computer Science 316

4 Voraussetzung für die Teilnahme
Empfohlen: Der vorherige Besuch von “Visual Computing“ und „Multimodale Interaktion
mit intelligenten Umgebungen“ oder vergleichbarer Veranstaltungen

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0390-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

n. t.
Minuten), Hausübungen (optional: einschließlich Testaten)

lte raf
6 Voraussetzung für die Vergabe von Leistungspunkten

ge K
Bestehen der Prüfung (100%)

4 in
7 Benotung

/2 ht
Bausteinbegleitende Prüfung:

 23 nic
[20-00-0390-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)
iS ch

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

W no

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
e

Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen

m st

Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

de g i

8 Verwendbarkeit des Moduls

ll dn :
so or n

B. Sc. Informatik
ab un
e e tio

M. Sc. Informatik
M. Sc. Computer Science
Si ies ma

M. Sc. Autonome Systeme und Robotik

M. Sc. Artificial Intelligence and Machine Learning
D for

M. Sc. IT Sicherheit
In

Kann in anderen Studiengängen verwendet werden.

9 Literatur
Wird jeweils passend zu den aktuellen Themen bekanntgegeben

10 Kommentar

Modulhandbuch M. Sc. Computer Science 317

Modulbeschreibung

Modulname
Medizinische Visualisierung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0467 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Medizinische Visualisierung 6 integrierte 4

4 in
0467-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Medizinische Bilddaten; Bildaufbereitung; Medizinische Visualisierung mit VTK; Indirekte
Volumenvisualisierung; Direkte Volumenvisualisierung; Transfer-Funktionen; Interaktive
iS ch

Volumenvisualisierung; Illustratives Rendering; Beispiel: Visualisierung von Tensor-

W no

Bilddaten; Beispiel: Visualisierung von Baumstrukturen; Beispiel: Virtuelle Endoskopie;

Beispiel: Bildgestützte Chirurgie
e
m st
de g i

3 Qualifikationsziele / Lernergebnisse
ll dn :

Studierende kennen nach erfolgreichem Besuch der Veranstaltung Techniken der

so or n
ab un
e e tio

Volumenvisualisierung. Sie verstehen die Notwendigkeit der Bildverbesserung für die

Visualisierung. Sie können das "Visualization Toolkit“ (VTK) anwenden, um mit dessen Hilfe
Si ies ma

Anwendungen für die Visualisierung von medizinischen Bilddaten für Diagnose, Planung
und Therapie zu erstellen.
D for

4 Voraussetzung für die Teilnahme

In

Empfohlen: GDV I, (Medizinische) Bildverarbeitung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0467-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Modulhandbuch M. Sc. Computer Science 318

 Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0467-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.
8 Verwendbarkeit des Moduls

n. t.
lte raf
M. Sc. Computer Science
M. Sc. IT Sicherheit

ge K
Kann in anderen Studiengängen verwendet werden.

4 in
/2 ht
9 Literatur
23 nic
Preim, Botha: Visual Computing for Medicine
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 319

Modulbeschreibung

Modulname
Capturing Reality

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0489 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Capturing Reality 6 integrierte 4

4 in
0489-iv Veranstaltung

/2 ht
2 Lerninhalt
23 nic
Dieser Kurs deckt ein breites Spektrum von Techniken zur Digitalisierung und Modellierung
unserer Welt mit einem Fokus auf Anwendungen in der Computergraphik und Computer
iS ch

Vision ab. Dies beinhaltet insbesondere:

W no

- grundlegende Werkzeuge und Kalibrationstechniken für die Digitalisierung

- Digitalisierungs- und Modellierungstechniken für verschiedenste Objekt- und
e

Szeneneigenschaften (z.B. Geometrie, Reflexionseigenschaften)

m st

- grundlegende mathematische Modellierungs- und Optimierunstechniken

de g i
ll dn :

- Implementierung und praktische Anwendung einer Reihe von Techniken

so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Nach dem erfolgreichen Besuch der Veranstaltung sind Studierende dazu in der Lage,
Digitalisierungs- und Modellierungsprobleme für Objekte und Szenen in Computergraphik
D for

und Computer Vision sowie die zugrunde liegenden Techniken zu analysieren. Sie können
selbständig neue Versuchsaufbauten entwickeln, Experimente durchführen und die
In

Ergebnisse auswerten.

4 Voraussetzung für die Teilnahme

Empfohlen: Der vorherige Besuch der Veranstaltungen „Graphische Datenverarbeitung I“
oder „Computer Vision I“ oder vergleichbaren Veranstaltungen sowie grundlegende
Programmierkenntnisse in C/C++

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0489-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 320

 Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0489-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

In dieser Veranstaltung findet eine Anrechnung von vorlesungsbegleitenden Leistungen

n. t.
statt, die lt. §25(2) der 6. Novelle der Allgemeinen Prüfungsbestimmungen der TU

lte raf
Darmstadt und den vom Fachbereich Informatik am 14.07.2022 beschlossenen
Anrechnungsregeln zu einer Notenverbesserung um bis zu 1.0 führen kann.

ge K
8 Verwendbarkeit des Moduls

4 in
B. Sc. Informatik
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
23 nic
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning
M. Sc. IT Sicherheit
iS ch
W no

Kann in anderen Studiengängen verwendet werden.

e
m st

9 Literatur
de g i

Noriko Kurachi: The Magic of Computer Graphics. A K Peters/CRC Press

ll dn :
so or n

Richard Szeliski: Algorithms and Applications, Springer

ab un
e e tio

Marcus Magnor, Oliver Grau, Olga Sorkine-Hornung, Christian Theobalt: Digital

Representations of the Real World: How to Capture, Model, and Render Visual Reality
Si ies ma

Wolfgang Förstner, Bernhard P. Wrobel: Photogrammetric Computer Vision - Geometry,

Orientation and Reconstruction
D for
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 321

Modulbeschreibung

Modulname

Geometric Algebra Computing

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0490 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0490-iv Geometric Algebra Computing 6 Integrierte 4

4 in
Veranstaltung
2 Lerninhalt

/2 ht
Geometric Computing mit Hilfe einer geometrisch intuitiven Algebra.
23 nic
3 Qualifikationsziele / Lernergebnisse
iS ch

Nach Besuch der Veranstaltung sind die Teilnehmenden in der Lage ein neues math. System auf
W no

Gebieten wie Visual Computing und Robotik anzuwenden.

e
m st

4 Voraussetzung für die Teilnahme

de g i
ll dn :

5 Prüfungsform
so or n
ab un
e e tio

Bausteinbegleitende Prüfung:


Si ies ma

[20-00-0490-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
D for

oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
In

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30
Minuten), Hausübungen (optional: einschließlich Testaten)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0490-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,

Standard)

Modulhandbuch M. Sc. Computer Science 322

8 Verwendbarkeit des Moduls
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur
1. Geometric Algebra for Computer Science von Dorst, Fontijne und Mann
2. Dissertation: http://tuprints.ulb.tu-darmstadt.de/epda/000764/

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 323

Modulbeschreibung

Modulname

User-Centered Design in Visual Computing

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0793 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0793-iv User-Centered Design in Visual 3 Integrierte 2

4 in
Computing Veranstaltung
2 Lerninhalt

/2 ht
Die Entwicklung von benutzerzentrierten Softwarelösungen dient nicht nur zur besseren und
23 nic
effizienteren Nutzung von Software, sie erhöht vielmehr die Akzeptanz und somit auch die
Verbreitung und Verwendung. Die Vorlesung “User Centered Design in Visual Computing“
iS ch

richtet sich in erster Linie an Studierende des Fachbereichs Informatik und vermittelt Modelle,
Methoden und Techniken zur benutzerzentrierten Entwicklung von Visualisierungssoftware und
W no

visuell-interaktiven Benutzerschnittstellen. Dabei werden insbesondere Methoden vorgestellt,

die zu einer gesteigerten Akzeptanz und effizienterer Benutzung der entworfenen Lösungen
e

führen. Des Weiteren werden Methoden der Evaluation vorgestellt, die die Akzeptanz und
m st

Nutzbarkeit messen. Die Vorlesung behandelt die eingeführten Themen mit besonderem Bezug
de g i

zu Visual Computing und graphischen Benutzerschnittstellen.

ll dn :
so or n

Stoffplan:
ab un
e e tio

• Usability
• User Experience
Si ies ma

• Task Analysis
• Benutzerschnittstellen
D for

• Interaktionsdesign
• Prototyping
In

• Graphikdesign und Informationsvisualisierung

• Evaluation während und nach der Softwareentwicklung
• Anwendungen

3 Qualifikationsziele / Lernergebnisse
Studierende können nach erfolgreichem Besuch der Veranstaltung:
• Geeignete Methoden zur Entwicklung von benutzerzentrierten Softwarelösungen
identifizieren und begründen
• Techniken zu benutzerzentrierten Nutzungsschnittstellen anwenden
• Evaluationsmethoden zur Untersuchung der eingesetzten Techniken in den verschiedenen
Phasen der Entwicklung identifizieren und auswählen
• Verbesserungen zur Informationsaufnahme und Navigation auf Basis vorhandener
Untersuchungen und Evaluationen vorschlagen

Modulhandbuch M. Sc. Computer Science 324

4 Voraussetzung für die Teilnahme
Empfohlen: Grundlagen des Visual Computing, wie sie beispielsweise in den Veranstaltungen
„Visual Computing“ und „Graphische Datenverarbeitung I„ vermittelt werden

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0793-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

n. t.
Minuten), Hausübungen (optional: einschließlich Testaten)

lte raf
6 Voraussetzung für die Vergabe von Leistungspunkten

ge K
Bestehen der Prüfung (100%)

4 in
7 Benotung

/2 ht
Bausteinbegleitende Prüfung:

 23 nic
[20-00-0793-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung: 100%,
Standard)
iS ch
W no

8 Verwendbarkeit des Moduls

B. Sc. Informatik
e

M. Sc. Informatik
m st

M. Sc. Computer Science

de g i
ll dn :
so or n

Kann in anderen Studiengängen verwendet werden.

ab un
e e tio

9 Literatur
Si ies ma
D for

10 Kommentar
In

Modulhandbuch M. Sc. Computer Science 325

Modulbeschreibung

Modulname

Hands-On HCI
Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
180 h 120 h 1 Semester
1116 6 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Englisch
Visual Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1116- Hands-On HCI 6 Integrierte 4

4 in
iv Veranstaltung
2 Lerninhalt

/2 ht
Vielleicht haben Sie bereits von Virtual / Augmented Reality, 3D-Druck, am Körper
23 nic
getragenen oder anfassbaren (tangible) Benutzeroberflächen gehört oder diese sogar
ausprobiert. Der Bereich Human-Computer-Interaktion (HCI) deckt all diese spannenden
iS ch

Themen ab und bietet die Möglichkeit, neue Prototypen zu bauen und diese in
Benutzerstudien auszuprobieren. Wenn Sie Theorie und Praxis im Bereich der HCI
W no

verbinden möchten ist dieser Kurs - Hands-On HCI - genau das Richtige für Sie. Das Ziel
des Kurses ist es, Sie durch den gesamten Forschungszyklus im Bereich der HCI zu
e

führen. Damit kann dieser Kurs eine Vorbereitung für Ihre zukünftige Bachelor- /
m st

Masterarbeit in diesem Bereich sein, sowie einen ersten Baustein auf Ihrem akademischen
de g i

Weg darstellen.
ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Nach Abschluss des Moduls können Studierende

D for

- drei Ansätze zur HCI-Forschung voneinander unterscheiden und anwenden.

- drei Arten empirischer Untersuchungen unterscheiden.
In

- effektiv eine wissenschaftliche Publikation lesen.

- zwischen Arten von HCI-Beiträgen unterscheiden.
- Forschungsfragen, Hypothesen und experimentelle Variablen formulieren und
definieren.
- basierend auf den zuvor erarbeiteten Forschungsfragen ein dazu passendes
Studiendesign entwerfen.
- eine Studie durchführen und dabei quantitative und qualitative Methoden zur
Datensammlung verwenden.
- quantitative Daten auf der Basis von statistischen Methoden analysieren, auswerten und
interpretieren.
- qualitative Daten auf der Basis von Grounded Theory analysieren und interpretieren.
- den Peer-Review Prozess verstehen und sowie Reviews für eine wissenschaftliche
Publikation schreiben.

Modulhandbuch M. Sc. Computer Science 326

 - Evaluationstechniken mit und ohne Nutzern verstehen und anwenden.
- die gewonnenen Erkenntnisse als wissenschaftliche Publikation verschriftlichen und vor
einem Fachpublikum präsentieren.

4 Voraussetzung für die Teilnahme

Empfohlen wird die vorherige Belegung von „TK2: Human-Computer Interaction“ oder
einer vergleichbaren Veranstaltung.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1116-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Standard)

n. t.
Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich

lte raf
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

ge K
Klausur (Dauer 60 oder 90 oder 120 Minuten), Mündliche Prüfung (Dauer 15 oder 30

4 in
Minuten), Hausübungen (optional: einschließlich Testaten)

/2 ht
6 Voraussetzung für die Vergabe von Leistungspunkten
23 nic
Bestehen der Prüfung (100%).
iS ch

7 Benotung
Bausteinbegleitende Prüfung:
W no

 [20-00-1116-iv] (Fachprüfung, mündliche / schriftliche Prüfung, Gewichtung:

e
m st

100%, Standard)
de g i
ll dn :

8 Verwendbarkeit des Moduls

so or n
ab un

B. Sc. Informatik
e e tio

M. Sc. Informatik
Si ies ma

M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

D for

9 Literatur
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 327

 n. t.
lte raf
ge K
Modulhandbuch

4 in
/2 ht
M. Sc. Computer Science
23 nic
iS ch
W no

Vertiefung Visual Computing

e
m st
de g i
ll dn :
so or n
ab un

Wahlbereich Studienbegleitende Leistungen

e e tio
Si ies ma
D for

Praktika, Projektpraktika und ähnliche

In

Veranstaltungen

Modulhandbuch M. Sc. Computer Science 328

Modulbeschreibung

Modulname
Serious Games Praktikum

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0236 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Serious Games Praktikum 6 Praktikum 4

4 in
0236-pr

/2 ht
2 Lerninhalt
23 nic
In dem Praktikum werden für aktuelle Themen aus dem Bereich Serious Games
(beispielsweise für Bildung, Gesundheit und Sport) Konzepte entwickelt und prototypisch
iS ch

realisiert.
W no

Die Themen haben jeweils Bezug zur aktuell laufenden Forschung des Fachgebiets, teilweise
in Kooperation mit Partnern aus der Games Industrie und/oder Serious Games Anwendern.
e
m st
de g i

3 Qualifikationsziele / Lernergebnisse
ll dn :

Nach erfolgreichem Absolvieren der Veranstaltung können die Studierenden eine praktische
so or n
ab un
e e tio

Aufgabenstellung aus dem „Serious Games“-Umfeld eigenständig bearbeiten sowie die dafür
nötige Software konzipieren und prototypisch umsetzen. Außerdem können sie die von
Si ies ma

ihnen erzielten Ergebnisse einem Publikum unter Anwendung von verschiedenen

Präsentationstechniken vorstellen sowie eine dazugehörige Fachdiskussion aktiv bestreiten.
D for

4 Voraussetzung für die Teilnahme

In

Empfohlen: Programmierkenntnisse (die Programmiersprache ist jeweils abhängig von

Thema und kann teilweise frei gewählt werden).

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00-0236-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Modulhandbuch M. Sc. Computer Science 329

 Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0236-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

n. t.
lte raf
Kann in anderen Studiengängen verwendet werden.

ge K
9 Literatur
Keine

4 in
/2 ht
10 Kommentar

23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 330

Modulbeschreibung

Modulname

Visualisierung und Animation von Algorithmen und Datenstrukturen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0344 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0344-pr Visualisierung und Animation 6 Praktikum 4

4 in
von Algorithmen und
Datenstrukturen

/2 ht
2 Lerninhalt
23 nic
Im Rahmen des Praktikums beschäften wir uns mit der Frage, wie die Dynamik von
Algorithmen und Datenstrukturen sinnvoll dargestellt werden kann. Dazu wird die Erstellung
iS ch

solcher Animation praktisch an einem System erprobt.

W no

3 Qualifikationsziele / Lernergebnisse
e

Nach dem Besuch der Veranstaltung sind Studierende in der Lage,

m st
de g i

- die zur Verfügung gestellte API zur Animation von Algorithmen anzuwenden.
ll dn :
so or n
ab un

- einen gegebenen Algorithmus auf seine zentralen Elemente zu untersuchen.

e e tio

- jeweils eine Visualisierung für die zentralen Elemente von zwei ausgewählten Algorithmus zu
Si ies ma

konstruieren.
- die erstellten Visualisierungen durch die geeignete Wahl von Parametern zu generalisieren.
D for

- kritisch zu beurteilen, ob die gewählte Visualisierung den Lernprozess beim Betrachter

unterstützt.
In

4 Voraussetzung für die Teilnahme

Empfohlen:

Die Teilnehmer benötigen neben guten Java-Kenntnissen Verständnis für Algorithmen und
Datenstrukturen.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0344-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 331

 Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:
einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0344-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

n. t.
8 Verwendbarkeit des Moduls

lte raf
B. Sc. Informatik
M. Sc. Informatik

ge K
M. Sc. Computer Science

4 in
Kann in anderen Studiengängen verwendet werden.

/2 ht
9 Literatur
23 nic
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 332

Modulbeschreibung

Modulname
Praktikum aus Künstlicher Intelligenz

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0412 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Praktikum aus Künstlicher 6 Praktikum 4

4 in
0412-pr Intelligenz

/2 ht
2 Lerninhalt
23 nic
Studierende müssen alleine oder in Gruppen ein konkretes praktisches Problem aus dem
Bereich der Künstlichen Intelligenz bearbeiten und mit Hilfe von selbst zu entwickelnden
iS ch

oder dem Einsatz von bestehenden Software-Werkzeugen lösen.

W no

In Semestern, in denen die Veranstaltung nicht auf diesen Seiten angekündigt wird, besteht
oftmals dennoch die Möglichkeit zur Bearbeitung individueller Themen (auf Nachfrage).
e
m st
de g i

3 Qualifikationsziele / Lernergebnisse
ll dn :

Nach Bearbeitung dieses Praktikums sind die Studierenden in der Lage

so or n
ab un
e e tio

● Einsatzmöglichkeiten von Werkzeugen der künstlichen Intelligenz zu erkennen

Si ies ma

● für gegebene Aufgaben passende Werkzeuge auszuwählen und selbständig einzusetzen

D for

● den Erfolg des Einsatzes solcher Techniken evaluieren und messen zu können
In

4 Voraussetzung für die Teilnahme

Empfohlen: Basic knowledge in artificial intelligence

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00-0412-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Modulhandbuch M. Sc. Computer Science 333

 Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0412-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

n. t.
M. Sc. Autonome Systeme und Robotik

lte raf
M. Sc. Artificial Intelligence and Machine Learning

ge K
Kann in anderen Studiengängen verwendet werden.

4 in
/2 ht
9 Literatur

10 Kommentar 23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 334

Modulbeschreibung

Modulname
Praktikum Visual Computing

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0418 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Praktikum Visual Computing 6 Praktikum 4

4 in
0418-pr

/2 ht
2 Lerninhalt
23 nic
Im Rahmen dieses Praktikums werden ausgewählte Themen aus dem Bereich Visual
Computing von den Studierenden bearbeitet und am Ende des Praktikums in einem Vortrag
iS ch

vorgestellt. Die konkreten Themen wechseln von Semester zu Semester und sollten direkt
mit einem der Lehrenden angesprochen werden.
W no
e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Nach dem erfolgreichen Abschluss des Praktikums sind die Studierenden dazu in der Lage,
ll dn :

selbständig ein Problem aus dem Bereich des Visual Computings zu analysieren, zu lösen
so or n
ab un
e e tio

und die Ergebnisse zu bewerten.

Si ies ma

4 Voraussetzung für die Teilnahme

Empfohlen:
D for

praktische Programmierkenntnisse, z. B. in Java, C++

In

Grundkenntnisse oder Interesse, sich mit Fragestellungen des Visual Computing zu befassen

der Besuch mindestens einer Einführungsvorlesung im Bereich Visual Computing

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00-0418-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

Modulhandbuch M. Sc. Computer Science 335

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0418-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning

ge K
4 in
Kann in anderen Studiengängen verwendet werden.

/2 ht
9 Literatur
23 nic
wird in der Veranstaltung bekanntgegeben
iS ch

10 Kommentar
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 336

Modulbeschreibung

Modulname
Fortgeschrittenes Praktikum Visual Computing

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0537 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Fortgeschrittenes Praktikum Visual 6 Praktikum 4

4 in
0537-pr Computing

/2 ht
2 Lerninhalt
23 nic
Im Rahmen dieses Praktikums werden ausgewählte fortgeschrittene Themen aus dem
Bereich Visual Computing von den Studierenden bearbeitet und am Ende des Praktikums in
iS ch

einem Vortrag vorgestellt. Die konkreten Themen wechseln von Semester zu Semester und
sollten direkt mit einem der Lehrenden angesprochen werden.
W no
e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Nach dem erfolgreichen Abschluss des Praktikums sind die Studierenden dazu in der Lage,
ll dn :

selbständig ein fortgeschrittenes Problem aus dem Bereich des Visual Computings zu
so or n
ab un
e e tio

analysieren, zu lösen und die Ergebnisse zu bewerten.

Si ies ma

4 Voraussetzung für die Teilnahme

Empfohlen:
D for

praktische Programmierkenntnisse, z. B. in Java, C++

In

Grundkenntnisse in Visual Computing

der Besuch mindestens einer Einführungsvorlesung im Bereich Visual Computing sowie

„Praktikum Visual Computing“ oder einer vergleichbaren Veranstaltung

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00-0537-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

Modulhandbuch M. Sc. Computer Science 337

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0537-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
M. Sc. Artificial Intelligence and Machine Learning

ge K
Kann in anderen Studiengängen verwendet werden.

4 in
/2 ht
9 Literatur
wird in der Veranstaltung bekanntgegeben
23 nic
10 Kommentar
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 338

Modulbeschreibung

Modulname
Advanced User Interfaces
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0570 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing
1 Kurse des Moduls

n. t.
Kurs Kursname Arbeitsaufwand Lehrform SWS

lte raf
Nr. (CP)
20-00- Advanced User Interfaces 6 Praktikum 4

ge K
0570-pr

4 in
2 Lerninhalt

/2 ht
● Analyse von Requirements für eine gegebene Problemstellung
● Ausarbeitung und Präsentation eines User Interface Konzepts
23 nic
● Prototypische Implementierung des Konzepts
iS ch

3 Qualifikationsziele / Lernergebnisse
Studierende haben einen Einblick in die Prinzipien und Methoden zum Entwurf und zur
W no

Entwicklung multimedialer, kollaborativer und adaptiver Bernutzungsschnittstellen an Hand

e

einer praktischen Anwendung unter Berücksichtigung verschiedener Kontextbedingungen

m st

bekommen.
de g i
ll dn :
so or n
ab un
e e tio

4 Voraussetzung für die Teilnahme

Empfohlen:
Si ies ma

● Interesse an neuen, innovativen Benutzungsschnittstellen

● Wünschenswert sind Grundkenntnisse der Human Computer Interaction
● gute Programmierkenntnisse (C#/WPF und/oder Java)
D for
In

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00-0570-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung

Modulhandbuch M. Sc. Computer Science 339

 Bausteinbegleitende Prüfung:

• [20-00-0570-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

n. t.
9 Literatur

lte raf
Abhängig von der Aufgabenstellung

ge K
10 Kommentar

4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 340

Modulbeschreibung

Modulname
Serious Games Projektpraktikum

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0649 270 h 180 h 1 Semester Jedes 2. Semester
9 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00- Serious Games Projektpraktikum 9 Projektpraktikum 6

4 in
0649-pp

/2 ht
2 Lerninhalt
23 nic
In dem Projektpraktikum werden für aktuelle Themen aus dem Bereich Serious Games
(beispielsweise für Bildung, Gesundheit und Sport) Konzepte entwickelt und prototypisch
iS ch

realisiert.
W no

Die Themen haben jeweils Bezug zur aktuell laufenden Forschung des Fachgebiets, teilweise
in Kooperation mit Partnern aus der Games Industrie und/oder Serious Games Anwendern.
e
m st
de g i

3 Qualifikationsziele / Lernergebnisse
ll dn :

Nach erfolgreichem Absolvieren der Veranstaltung können die Studierenden eine praktische
so or n
ab un
e e tio

Aufgabenstellung aus dem „Serious Games“-Umfeld eigenständig bearbeiten sowie die dafür
nötige Software konzipieren und prototypisch umsetzen. Zusätzlich erwerben sie praktisches
Si ies ma

Wissen im Bereich des Projektmanagements, dass sie nicht nur auf ihr eigenes Thema
anwenden, sondern auch auf zukünftige Projekte transferieren können. Außerdem können
D for

sie die von ihnen erzielten Ergebnisse einem Publikum unter Anwendung von verschiedenen
Präsentationstechniken vorstellen sowie eine dazugehörige Fachdiskussion aktiv bestreiten.
In

4 Voraussetzung für die Teilnahme

Empfohlen: Programmierkenntnisse (die Programmiersprache ist jeweils abhängig von
Thema und kann teilweise frei gewählt werden).

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00- 0649-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

Modulhandbuch M. Sc. Computer Science 341

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00- 0649-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
ge K
Kann in anderen Studiengängen verwendet werden.

4 in
9 Literatur

/2 ht
Keine

10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 342

Modulbeschreibung

Modulname
Lernende Roboter: Integriertes Projekt, Teil 1

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0753 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Lernende Roboter: Integriertes 6 Praktikum 4

4 in
0753-pj Projekt, Teil 1

/2 ht
2 Lerninhalt
23 nic
In "Lernende Roboter: Integriertes Projekt, Teil 1" wird zunächst von Studierenden unter
Anleitung eine aktuelle Problemstellung des Roboter-Lernens erarbeitet, welche den
iS ch

Forschungsinteressen der Studierenden entspricht, und eine Literaturstudie durchgeführt.

Basierend auf diesen Vorarbeiten werden ein Projektplan ausgearbeitet, die notwendigen
W no

Algorithmen erprobt und eine prototypische Realisierung in Simulation erstellt.

e
m st

3 Qualifikationsziele / Lernergebnisse
de g i
ll dn :

Nach erfolgreichen Abschluss der Lehrveranstaltung, können Studierende unabhängig kleine

so or n
ab un

Forschungsprojekte im Bereich Robot Learning aufbauen und in Simulation erproben.

e e tio
Si ies ma

4 Voraussetzung für die Teilnahme

Empfohlen: Gleichzeitiger oder vorheriger Besuch der Vorlesung „Lernende Roboter“ oder
D for

einer vergleichbaren Veranstaltung.

In

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00-0753-pj] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 343

 • [20-00-0753-pj] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

n. t.
lte raf
9 Literatur

ge K
4 in
10 Kommentar

/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 344

Modulbeschreibung

Modulname
Projektpraktikum Programmierung Massiv Paralleler Systeme

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0763 270 h 180 h 1 Semester Jedes 2. Semester
9 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Projektpraktikum Programmierung 9 Projektpraktikum 6

4 in
0763- Massiv Paralleler Systeme
pp

/2 ht
2 Lerninhalt 23 nic
Im Rahmen dieses Projektpraktikums werden größere ausgewählte Themen aus dem
iS ch

Bereich der Programmierung massiv-paralleler Systeme (wie z.B. GPUs) von den
Studierenden in Gruppen bearbeitet und am Ende des Projektpraktikums in einem Vortrag
W no

vorgestellt. Die konkreten Themen wechseln von Semester zu Semester.

e
m st

3 Qualifikationsziele / Lernergebnisse
de g i
ll dn :

Nach dem erfolgreichen Abschluss des Projektpraktikums sind die Studierenden in der Lage
so or n
ab un

große massiv-parallele Projekte zu bearbeiten, welche den Umfang der meisten anderen
e e tio

Projekte während des Studiums weit übersteigen. Hierzu können sie aktuelle Techniken
Si ies ma

analysieren, modifizieren und anwenden.

D for

4 Voraussetzung für die Teilnahme

Empfohlen: gute C/C++ Programmierkenntnisse, Grundlagen der massiv-parallelen
In

Programmierung (z.B. aus der Veranstaltung „Programmierung Massiv-Paralleler

Prozessoren“)

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00-0763-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

Modulhandbuch M. Sc. Computer Science 345

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0763-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
ge K
Kann in anderen Studiengängen verwendet werden.

4 in
9 Literatur

/2 ht
wird in der Veranstaltung bekanntgegeben

10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 346

Modulbeschreibung

Modulname
Projektpraktikum Capturing Reality

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0764 270 h 180 h 1 Semester Jedes 2. Semester
9 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Projektpraktikum Capturing 9 Projektpraktikum 6

4 in
0764- Reality
pp

/2 ht
2 Lerninhalt 23 nic
Im Rahmen dieses Projektpraktikums werden größere ausgewählte Themen aus dem
iS ch

Bereich Capturing Reality - also an der Schnittstelle von Computer Vision und
Computergraphik - von den Studierenden in Gruppen bearbeitet und am Ende des
W no

Projektpraktikums in einem Vortrag vorgestellt. Die konkreten Themen wechseln von

e

Semester zu Semester.
m st
de g i

3 Qualifikationsziele / Lernergebnisse
ll dn :
so or n
ab un

Im Rahmen des Projektpraktikums lernen Studierende, eine umfangreiches Problem an der

e e tio

Schnittstelle von Computergraphik und Computer Vision im Team zu lösen. Hierzu können
Si ies ma

sie aktuelle Techniken analysieren, modifizieren und anwenden.

D for

4 Voraussetzung für die Teilnahme

Empfohlen: empfohlen wird der vorherige Besuch der Veranstaltung „Capturing Reality“
In

oder einer vergleichbaren Veranstaltung sowie grundlegende Programmierkenntnisse in

C/C++

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00-0764-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Modulhandbuch M. Sc. Computer Science 347

 Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

• [20-00-0764-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

n. t.
lte raf
Kann in anderen Studiengängen verwendet werden.

ge K
9 Literatur

4 in
wird in der Veranstaltung bekanntgegeben

/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 348

Modulbeschreibung

Modulname

Projekt-Praktikum Knowledge Engineering und Maschinelles Lernen

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-0919 270 h 180 h 1 Semester
9 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Visual Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0919- Projekt-Praktikum Knowledge 9 Projekt 6

4 in
pp Engineering und Maschinelles
Lernen

/2 ht
2 Lerninhalt
23 nic
Im Rahmen des Projektpratikums implementieren Studierende eine vordefinierte, größere
Aufgabe aus den Gebieten Knowledge Engineering, Künstliche Intelligenz, maschinelles
iS ch

Lernen und Data Mining. Dabei werden die Themen jeweils in Zusammenarbeit mit dem
Betreuer definiert.
W no

Mögliche Themenfelder:
e

- Maschinelles Lernen und Data Mining

m st

- Induktives Regel-Lernen
de g i

- Learning from Preferences

ll dn :
so or n

- Multilabel Classification
ab un
e e tio

- Information Extraction
- Web Mining
Si ies ma

- Semantic Web
- Game Playing
D for

Konkrete Aufgabenstellungen werden individuell vereinbart, und das Praktikum kann jederzeit
In

begonnen werden.

3 Qualifikationsziele / Lernergebnisse
Nach Bearbeitung dieses Projekts sind die Studierenden in der Lage
- selbständig größere Programmieraufgaben in den Bereichen Knowledge Engineering,
Künstliche Intelligenz, Maschinelles Lernen und Data Mining durchzuführen
- mit Hilfe der implementierte Instrumente wissenschaftliche Experimente und Evaluierungen
durchzuführen

4 Voraussetzung für die Teilnahme

Empfohlen: Grundlegende Kenntnisse in den Bereichen Knowledge Engineering, Künstliche
Intelligenz, Data Mining und maschinelles Lernen sind hilfreich. Es werden außerdem
grundlegende Kenntnisse in einer Programmiersprache (z.B. Java o.ä.) vorausgesetzt.

Modulhandbuch M. Sc. Computer Science 349

 Darüber hinaus ist aber besonders die Motivation zur selbstständigen Arbeit und das Interesse
an aktuellen Forschungsfragen relevant.

5 Prüfungsform
Bausteinbegleitende Prüfung:

• [20-00-0919-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

n. t.
lte raf
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

ge K
4 in
7 Benotung
Bausteinbegleitende Prüfung:

/2 ht
 [20-00-0919-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
23 nic
100%, Standard)
iS ch

8 Verwendbarkeit des Moduls

B. Sc. Informatik
W no

M. Sc. Informatik
e

M. Sc. Computer Science

m st

M. Sc. Artificial Intelligence and Machine Learning

de g i
ll dn :

Kann in anderen Studiengängen verwendet werden.

so or n
ab un
e e tio

9 Literatur
Si ies ma
D for

10 Kommentar
In

Modulhandbuch M. Sc. Computer Science 350

Modulbeschreibung

Modulname

Projektpraktikum Deep Learning in der Computer Vision

Leistungspun Angebotsturnus
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer
kte Jedes 2.
20-00-0980 270 h 180 h 1 Semester
9 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch und Englisch
Visual Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0980- Projektpraktikum Deep 9 Praktikum 6

4 in
pp Learning in der Computer
Vision

/2 ht
2 Lerninhalt
23 nic
Im Rahmen des Projektpraktikums werden ausgewählte Themen aus dem Bereich des Deep
Learning (tiefe neuronale Netze) für Fragestellungen in der Computer Vision in Gruppen
iS ch

bearbeitet. Dazu gehört die praktische Umsetzung mit modernen Deep Learning Frameworks.
Die Ergebnisse werden am Ende in einem Vortrag vorgestellt. Die konkreten Themen
W no

orientieren sich am aktuellen Stand der Forschung und wechseln von Semester zu Semester.
e
m st

3 Qualifikationsziele / Lernergebnisse
de g i

Durch erfolgreiche Teilnahme erwerben Studierende vertiefte Kenntnisse in tiefen neuronalen

ll dn :
so or n

Netzen und deren Anwendungen in der Computer Vision. Sie können aktuelle Techniken in
ab un
e e tio

diesem Bereich analysieren, modifizieren und anwenden. Sie trainieren weiterhin

Präsentationsfähigkeiten und die Arbeit in einem Team.
Si ies ma

4 Voraussetzung für die Teilnahme

D for

Empfohlen:
In

* Gute Programmierkenntnisse in C/C++ oder Python oder Lua

* Vorherige oder parallele Belegung von "Computer Vision I" oder einer vergleichbaren
Veranstaltung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0980-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

Modulhandbuch M. Sc. Computer Science 351

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0980-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning

ge K
Kann in anderen Studiengängen verwendet werden.

4 in
9 Literatur

/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 352

Modulbeschreibung

Modulname

Gründung eines IT-Start-Up

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1016 180 h 120 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1016-pr Gründung eines IT-Start-Up 6 Praktikum 4

4 in
2 Lerninhalt

/2 ht
Kennenlernen von Methoden zur Entwicklung und Umsetzung innovativer Geschäftsmodelle.
Erlernen von Werkzeugen für die einzelnen Prozessschritte. Dabei werden Beispiele aus der
23 nic
Praxis vorgestellt und besprochen.
iS ch

Einüben der vorgestellten Methoden an einem selbstgewählten Beispiel. Präsentation der

Ergebnisse nach jedem Teilschritt im Rahmen der Erarbeitung des Geschäftsmodells.
W no
e

3 Qualifikationsziele / Lernergebnisse
m st

Nach erfolgreichem Besuch dieser Veranstaltung haben die Studierenden die Grundlagen für
de g i

die Erstellung eines Businessplans kennengelernt. Sie sind in der Lage die relevanten
ll dn :
so or n

Fragestellungen bei der Erstellung von Businessplänen für innovative Geschäftsmodelle zu

ab un
e e tio

identifizieren und zu bearbeiten.

Si ies ma

4 Voraussetzung für die Teilnahme

Empfohlen:
D for

Der vorherige Besuche von „Software Engineering“ und „Teamprojekt Softwareentwicklung“

In

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1016-pr] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

Modulhandbuch M. Sc. Computer Science 353

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1016-pr] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

n. t.
Kann in anderen Studiengängen verwendet werden.

lte raf
ge K
9 Literatur
Literaturhinweise werden in der Veranstaltung gegeben

4 in
/2 ht
10 Kommentar

23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 354

Modulbeschreibung

Modulname
Anwendung von Reinforcement Learning Methoden
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1048 270 h 180 h 1 Semester Jedes 2. Semester
9 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing
1 Kurse des Moduls

n. t.
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

lte raf
(CP)

ge K
20-00-1048-pp Anwendung von Reinforcement 9 Projekt 6
Learning Methoden

4 in
2 Lerninhalt

/2 ht
In diesem Projekt lernen Studierende das experimentelle Arbeiten in einem interdisziplinären
Team, und bekommen so Einblicke in das wissenschaftliche Arbeiten im Reinforcement
23 nic
Learning. Im Projekt entwickeln in einer Kleingruppen unter Anleitung ein gemeinsames
Experiment im Reinforcement Learning basierend auf speziellen Plattformen (Cartpole, Furuta-
iS ch
Pendel, etc), werten dieses aus und schreiben einen Forschungsbericht/Paper.
W no

3 Qualifikationsziele / Lernergebnisse
e
m st

Praktische Einführung in das wissenschaftliche Arbeiten, Durchführung eines Experimentes von

de g i

der Forschungsidee bis hin zur Veröffentlichung.

ll dn :
so or n
ab un
e e tio

4 Voraussetzung für die Teilnahme

Empfohlen: Gleichzeitige Belegung der Vorlesung "Reinforcement Learning: Von Grundlagen zu
Si ies ma

den Tiefen Ansätzen" oder vorhergehende Belegung von "Lernende Roboter."

5 Prüfungsform
D for

Bausteinbegleitende Prüfung:
In

 [20-00-1048-pp] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Bericht (optional: einschließlich der Abgabe von Quellcode), Kolloquium (optional:

einschließlich Präsentation)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 355

  [20-00-1048-pp] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik

Kann in anderen Studiengängen verwendet werden.

9 Literatur

n. t.
lte raf
10 Kommentar

ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 356

Modulbeschreibung

Modulname
Projektseminar Autonomes Fahren I
Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
18-su-2070 180 h 135 h 1 Semester Jedes 2. Semester
6 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

n. t.
(CP)

lte raf
18-su-2070-pj Projektseminar Autonomes 0 Projektsemina 3

ge K
Fahren I r
2 Lerninhalt

4 in
 Praktische Programmiererfahrung mit C++ bei der Entwicklung eingebetteter

/2 ht
Systemsoftware aus dem Bereich des autonomen Fahrens anhand eines Modellautos
 Anwenden von Regelungs- und Steuerungsmethoden aus dem Bereich des autonomen
Fahrens 23 nic
 Einsatz von Software-Engineering-Techniken (Design, Dokumentation, Test, …) eines
iS ch

nicht trivialen eingebetteten Software-Systems mit harten Echtzeit-Anforderungen und

W no

beschränkten Ressourcen (Speicher, …)

 Nutzung eines vorgegebenen Software-Rahmenwerks und Anwendung von weiteren
e
m st

Bibliotheken inklusive eines modular aufgebauten (Echtzeit-)Betriebssystems

 Einsatz von Source-Code-Management-Systemen, Zeiterfassungswerkzeugen und
de g i
ll dn :
so or n

sonstigen Projektmanagement-Tools
ab un
e e tio

 Präsentation von Projektergebnissen im Rahmen von Vorträgen

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Studierende sammeln im Rahmen dieses Projektseminars praktische Erfahrung in der Software-

Entwicklung für eingebettete Systeme aus dem Bereich des autonomen Fahrens anhand eines
D for

Modellautos. Dabei lernen sie in Teamarbeit eine umfangreiche Aufgabe zu bewältigen. Zur
In

Lösung dieser Aufgabe wird geübt, dass in der Gruppe vorhandene theoretische Wissen (aus
anderen Lehrveranstaltungen wie Echtzeitsysteme, Software-Engineering - Einführung, C++
Praktikum, Digitale Regelungssysteme) gezielt zur Lösung der praktischen Aufgabe einzusetzen.

Studierende, die an diesem Projektseminar erfolgreich teilgenommen haben, sind in der Lage,
zu einer vorgegebenen Problemstellung ein größeres Softwareprojekt in einem
interdisziplinären Team eigenständig zu organisieren und auszuführen. Die Teilnehmer
erwerben folgende Fähigkeiten im Detail:
 Eigenständiges Einarbeiten in ein vorgegebenes Rahmenwerk und vorgefertigten
Bibliotheken
 Umsetzung von theoretischem Wissen in ein Softwaresystem
 Umfangreicher Einsatz von Werkzeugen zur Versions-, Konfiguration- und
Änderungsverwaltung
 Realistische Zeitplanung und Ressourceneinteilung (Projektmanagement)

Modulhandbuch M. Sc. Computer Science 357

  Entwicklung von Hardware-/Software-Systemen mit C++ unter Berücksichtigung
wichtiger Einschränkungen eingebetteter Systeme
 Planung und Durchführung umfangreicherer Qualitätssicherungsmaßnahmen
 Zusammenarbeit und Kommunikation in und zwischen mehreren Teams
4 Voraussetzung für die Teilnahme
Empfohlene Voraussetzungen sind:
 ETiT, WI-ETiT (DT), iST, Informatik: Grundlegende Softwaretechnik-Kenntnisse sowie
vertiefte Kenntnisse objektorientierter Programmiersprachen (insbesondere: C++)
Zusätzlich erwünscht:
 Grundlagen der Entwicklung von Echtzeitsystemen oder der Bildverarbeitung
 ETiT, WI-ETiT (AUT), MEC: Grundlagen der Regelungstechnik, Reglerentwurf im

n. t.
Zustandsraum, ggf. Grundlagen der digitalen Regelung

lte raf
5 Prüfungsform
Modulabschlussprüfung:

ge K
 Modulprüfung (Studienleistung, mündliche Prüfung, Dauer 30 Min, Standard)

4 in
6 Voraussetzung für die Vergabe von Leistungspunkten

/2 ht
7 Benotung

23 nic
Modulabschlussprüfung:
 Modulprüfung (Studienleistung, mündliche Prüfung, Gewichtung: 100%)
8 Verwendbarkeit des Moduls
iS ch

MSc ETiT, BSc iST

W no

9 Literatur
https://www.es.tu-darmstadt.de/lehre/aktuelle-veranstaltungen/ps-af-i/ und Moodle
e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 358

 n. t.
lte raf
Modulhandbuch

ge K
M. Sc. Computer Science

4 in
/2 ht
23 nic
Vertiefung Visual Computing
iS ch
W no
e
m st

Wahlbereich Studienbegleitende Leistungen

de g i
ll dn :
so or n
ab un
e e tio
Si ies ma

Seminare
D for
In

Modulhandbuch M. Sc. Computer Science 359

Modulbeschreibung

Modulname
Seminar aus Data Mining und Maschinellem Lernen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0102 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und English
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Seminar aus Data Mining und 3 Seminar 2

4 in
0102-se Maschinellem Lernen

/2 ht
2 Lerninhalt
23 nic
Dieses Seminar dient zur Aufarbeitung neuerer Forschungsarbeiten im Bereich des Data
Mining und des Maschinellen Lernens. Für jeden Seminar-Termin wird ein Teilnehmer/eine
iS ch

Teilnehmerin ein Papier vortragen, welches dann von allen Teilnehmenden diskutiert wird.
Ausgewählt werden neuere Publikationen aus den relevanten Journalen des Gebiets,
W no

insbesondere aus den Journalen “Data Mining and Knowledge Discovery”, "Machine
e

Learning", sowie "Journal of Machine Learning Research". Es können aber (nach

m st

Rücksprache) auch eigene Themenvorschläge ausgearbeitet werden.

de g i
ll dn :
so or n
ab un

3 Qualifikationsziele / Lernergebnisse
e e tio

Nach diesem Seminar sind Studierende in der Lage

Si ies ma

● einen unbekannten Text im Bereich des maschinellen Lernens selbständig aufzuarbeiten

D for

● eine Präsentation für ein Fachpublikum in diesem Gebiet zu entwickeln

In

● an einer Fachdiskussion über ein Thema aus dem Gebiet des maschinellen Lernens
sinnvoll teilzunehmen

4 Voraussetzung für die Teilnahme

Empfohlen: Basic knowledge in Machine Learning in Data Mining

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0102-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 360

 Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0102-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

n. t.
M. Sc. Computer Science

lte raf
M. Sc. Autonome Systeme und Robotik
M. Sc. Artificial Intelligence and Machine Learning

ge K
4 in
Kann in anderen Studiengängen verwendet werden.

/2 ht
9 Literatur
23 nic
10 Kommentar
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 361

Modulbeschreibung

Modulname
3D Animation & Visualisierung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0216 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- 3D Animation & Visualisierung 3 Seminar 2

4 in
0216-se

/2 ht
2 Lerninhalt
23 nic
Im Mittelpunkt dieses Seminars stehen aktuelle Arbeiten aus den Themenbereichen
physikalisch basierte Simulation, Animation, Echtzeitrendering und Visualisierung.
iS ch

● eigenständiges Einarbeiten in ein Thema anhand von bereitgestellten wissenschaftlichen

W no

Arbeiten (i.d.R. englischsprachig)

● Interpretation und Einordnen der Ergebnisse der Literaturarbeit
e

● Erstellen einer textuellen Zusammenfassung und eines Vortrags über die Thematik
m st

● Präsentation vor einem Publikum mit heterogenem Vorwissen + Fachdiskussion

de g i
ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Si ies ma

Die Studierenden erhalten in diesem Seminar Fach- und Methodenkompetenz durch die
Erarbeitung eines wissenschaftlichen Themas anhand vorgegebener und selbst
D for

recherchierter Fachliteratur. Sie können die wesentlichen Aspekte der untersuchten Arbeiten
erkennen und diese kompakt aufbereiten, sowohl in textueller als auch in Vortragsform für
In

ein Publikum mit heterogenem Vorwissensstand. Nach dem Vortrag können die
Vortragenden aktiv eine Fachdiskussion zu dem von ihnen präsentierten Thema bestreiten.

4 Voraussetzung für die Teilnahme

Empfohlen: GDV I, (GDV II)

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0216-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Modulhandbuch M. Sc. Computer Science 362

 Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0216-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

n. t.
B. Sc. Informatik

lte raf
M. Sc. Informatik
M. Sc. Computer Science

ge K
4 in
Kann in anderen Studiengängen verwendet werden.

/2 ht
9 Literatur
23 nic
Ausgewählte Artikel von ACM SIGGRAPH, EUROGRPAHICS, IEEE und ähnlichen
Konferenzen. Alle Artikel sind in englischer Sprache.
iS ch

Selected articles from ACM SIGGRAPH, EUROGRPAHICS, IEEE and similar Conferences. All
W no

articles are written in English.

e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 363

Modulbeschreibung

Modulname
Visual Analytics: Interaktive Visualisierung sehr großer Datenmengen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0268 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Visual Analytics: Interaktive 3 Seminar 2

4 in
0268-se Visualisierung sehr großer
Datenmengen

/2 ht
2 Lerninhalt 23 nic
Dieses Seminar richtet sich an Informatiker, die sich für den Bereich der
iS ch

Informationsvisualisierung interessieren, insbesondere den Teilbereich, der sich mit der

Visualisierung extrem großer Datenmengen beschäftigt. Die Studenten werden in diesem
W no

Seminar eigene Themen im Bereich Visual Analytics erarbeiten, wissenschaftlich aufarbeiten

e

und präsentieren. Zudem wird im Seminar von jedem Teilnehmer ein Aufsatz zum selben
m st

Thema ausgearbeitet werden.

de g i
ll dn :
so or n
ab un

3 Qualifikationsziele / Lernergebnisse
e e tio

Nach erfolgreichem Besuch der Veranstaltung haben die Studierenden die Fach- und
Si ies ma

Methodenkompetenz zur Erarbeitung eines wissenschaftlichen Themas anhand

vorgegebener und selbst recherchierter Fachliteratur. Die Studierenden können Themen
D for

analysieren, präsentieren und fachlich intensiv diskutieren.

In

4 Voraussetzung für die Teilnahme

Empfohlen: Interesse sich mit einer graphisch-analytischen Fragestellung bzw. Anwendung
aus der aktuellen Fachliteratur zu befassen. Vorkenntnisse in Graphischer
Datenverarbeitung, Informationssysteme oder Informationsvisualisierung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0268-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

Modulhandbuch M. Sc. Computer Science 364

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0268-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
Kann in anderen Studiengängen verwendet werden.

ge K
4 in
9 Literatur

/2 ht
10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 365

Modulbeschreibung

Modulname
Serious Games Seminar

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0328 120 h 90 h 1 Semester Jedes 2. Semester
4 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Serious Games Seminar 4 Seminar 2

4 in
0328-se

/2 ht
2 Lerninhalt
23 nic
In dem Seminar wird der aktuelle Stand der Forschung bezüglich des Einsatzes von Serious
Games (beispielsweise für Bildung, Gesundheit und Sport) analysiert und diskutiert.
iS ch

Die Themen haben jeweils Bezug zur aktuell laufenden Forschung des Fachgebiets, teilweise
W no

in Kooperation mit Partnern aus der Games Industrie und/oder Serious Games Anwendern.
e
m st
de g i

3 Qualifikationsziele / Lernergebnisse
ll dn :

Nach erfolgreicher Teilnahme an dem Seminar können sich die Studierenden eigenständig
so or n
ab un
e e tio

in ein Thema aus dem Bereich „Serious Games“ einarbeiten. Sie sind mit Techniken der
Literaturrecherche im Bereich von wissenschaftlichen Veröffentlichungen und von
Si ies ma

Industriequellen vertraut. Die dort genannten Techniken bzw. Ergebnisse können von ihnen
zusammengefasst, bewertet und untereinander verglichen werden. Außerdem können sie
D for

die von ihnen erzielten Ergebnisse einem Publikum unter Anwendung von verschiedenen
Präsentationstechniken vorstellen sowie eine dazugehörige Fachdiskussion aktiv bestreiten.
In

4 Voraussetzung für die Teilnahme

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0328-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

Modulhandbuch M. Sc. Computer Science 366

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0328-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
Kann in anderen Studiengängen verwendet werden.

ge K
4 in
9 Literatur

/2 ht
Keine

10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 367

Modulbeschreibung

Modulname
Aktuelle Trends im Medical Computing

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0468 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Aktuelle Trends im Medical 3 Seminar 2

4 in
0468-se Computing

/2 ht
2 Lerninhalt
23 nic
- Selbstständiges Studium aktueller Conference und Journal Papers aus dem Bereich
Medical Imaging zu einem ausgewählten Thema im Bereich grundlegender Methoden.
iS ch

- Kritische Auseinandersetzung mit dem behandelten Thema

W no

- Eigene weiterführende Literaturrecherchen

- Erstellen eines Vortrags (schriftliche Ausarbeitung und Folienpräsentation) über die
e
m st

behandelte Thematik
- Präsentation des Vortrags vor Publikum mit heterogenem Vorwissen
de g i
ll dn :

- Fachliche Diskussion über die behandelte Thematik nach dem Vortrag

so or n
ab un

- Medizinische Anwendungsfelder sind u.a. Onkologie, Orthopädie, navigierte Chirurgie

e e tio

Behandelte Methoden umfassen u.a.: Segmentierung, Registrierung, Visualisierung,

Si ies ma

Simulation, Navigation und Tracking.

D for

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung können die Studierenden sich
In

eigenständig in ein Thema anhand von wissenschaftlichen Veröffentlichungen einarbeiten.

Sie lernen die wesentlichen Aspekte der untersuchten Arbeiten zu erkennen und auf
verständliche Weise einem heterogenen Publikum vorzutragen. Dabei wenden sie
verschiedene Präsentationstechniken an. Nach dem Vortrag können die Studierenden aktiv
eine Fachdiskussion zu dem präsentierten Thema leiten und bestreiten.

4 Voraussetzung für die Teilnahme

Empfohlen: Bachelor ab 4. Semester, Master ab 1. Semester.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0468-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 368

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

n. t.
[20-00-0468-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

lte raf
100%, Standard)

ge K
8 Verwendbarkeit des Moduls

4 in
B. Sc. Informatik
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no

Wird zu Beginn der Veranstaltung bekanntgegeben.

e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 369

Modulbeschreibung

Modulname
Skalenraum- und PDE-Methoden in der Bildanalyse und -verarbeitung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0469 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Skalenraum- und PDE-Methoden 3 Seminar 2

4 in
0469-se in der Bildanalyse und -
verarbeitung

/2 ht
2 Lerninhalt 23 nic
Bildanalyse und -verarbeitung beschäftigen sich mit der Untersuchung von Bildern und der
iS ch

Anwendung bestimmer Aufgaben auf Bilder, wie Verbesserung, Rauschunterdrückung,

Schärfung und Segmentierung. In diesem Kurs werden häufig verwendete mathematische
W no

Methoden vorgestellt und diskutiert. Der Schwerpunkt liegt dabei auf der axiomatischen
e

Modellwahl, deren mathematischen Eigenschaften und dem praktischen Nutzen.

m st

Stichwörter:
de g i

● Filterung (Kantenerkennung, Verbesserung, Wiener, Fourier, ...)

ll dn :
so or n

● Bilder & Beobachtungen: Skalenraum, Regularisierung, Distributionen

ab un
e e tio

● Objekte: Differenzstruktur, Invarianten, Feature-Erkennung

● Tiefenstruktur: Katastrophen und Multi-Skalen-Hierarchie
Si ies ma

● Variationsmethoden und Partielle Differentialmethoden: Perona-Malik, anisotrope

Diffusion, Total Variation, Mumford-Shah, Chan-Vese, geometrische partielle
D for

Differentialgleichungen, Level-Sets.
● Kurvenevolution: Normalenbewegung, mittlere Krümmungsbewegung, euklidische
In

Verkürzungsbewegung.

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreichem Besuch der Veranstaltung beschreiben Studierende die Grundkonzepte
sowie grundlegenden mathematische Modelle und Methoden der Bildanalyse und -
verarbeitung. Sie erklären wichtige Verfahren zu Skalenraum- sowie zu PDE-Ansätzen und
können damit repräsentative Fachbeiträge beschreiben, beurteilen, und transferieren.

4 Voraussetzung für die Teilnahme

Empfohlen: Da Bildanalyse und -verarbeitung eine Mischung aus verschiedenen Disziplinen,
wie Physik, Mathematik, Vision, Informatik und Engineering, ist, ist dieser Kurs gezielt auf
ein breites Publikum zugeschnitten. Daher werden nur Grundkenntnisse in Analysis

Modulhandbuch M. Sc. Computer Science 370

 angenommen. Weitere notwendige mathematische Werkzeuge werden in den Sitzungen
skizziert.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0469-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

n. t.
6 Voraussetzung für die Vergabe von Leistungspunkten

lte raf
Bestehen der Prüfung (100%)

ge K
7 Benotung

4 in
Bausteinbegleitende Prüfung:

/2 ht
 [20-00-0469-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
23 nic
100%, Standard)
iS ch

8 Verwendbarkeit des Moduls

B. Sc. Informatik
W no

M. Sc. Informatik
e

M. Sc. Computer Science

m st
de g i

Kann in anderen Studiengängen verwendet werden.

ll dn :
so or n
ab un
e e tio

9 Literatur
Si ies ma

Main:
● B. M. ter Haar Romeny, Front-End Vision and Multi-scale Image Analysis, Dordrecht,
Kluwer Academic Publishers, 2003.
D for
In

Recommended:
● T. Lindeberg: Scale-Space Theory in Computer Vision, Dordrecht, Kluwer Academic
Publishers, 1994.
● J. Weickert: Anisotropic Diffusion in Image Processing, Teubner-Verlag, Stuttgart,
Germany, 1998.
● G. Aubert & P. Kornprobst: Mathematical problems in image processing: Partial
Differential Equations and the Calculus of Variations (second edition), Springer, Applied
Mathematical Sciences, Vol 147, 2006.

10 Kommentar

Modulhandbuch M. Sc. Computer Science 371

Modulbeschreibung

Modulname
Semantik Visualisierung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0542 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und English
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Semantik Visualisierung 3 Seminar 2

4 in
0542-se

/2 ht
2 Lerninhalt
23 nic
Eigenständige wissenschaftliche Ausarbeitung eines in der Forschung aktuellen Themas aus
dem Bereich Semantik Visualisierung
iS ch

•Eigene Literaturrecherchen, angeleitet von Betreuer

W no

•Interpretation und Einordnen der Ergebnisse der Literaturarbeit, zusammen mit Betreuer
•Erstellen einer schriftlichen Ausarbeitung zu dem gewählten Thema (Deutsch oder
e
m st

Englisch), angeleitet vom Betreuer

•Erstellen eines Vortrages zu der ausgearbeiteten Thematik, angeleitet von Betreuer
de g i
ll dn :

•Halten des Vortrages vor einem Fachpublikum

so or n
ab un

Feedback an die Vortragenden zu den Vorträgen (u.a. betreffend Rhetorik,

e e tio

Präsentationstechniken) und zur Fachdiskussion

Si ies ma
D for

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung können die Studierenden sich
In

eigenständig in ein Thema anhand von wissenschaftlichen Veröffentlichungen einarbeiten

und dieses wissenschaftlich beschreiben. Sie lernen diverse Techniken und Ressourcen der
Literaturrecherche kennen und können diese auch für weitere Arbeiten einsetzen. Des
Weiteren werden die Studierenden mit praktischen und aktuellen Themen aus der
angewandten Forschung konfrontiert und lernen dabei interessante Themengebiete kennen.

Die schriftliche Ausarbeitung ermöglicht die wissenschaftliche Wiedergabe in Form von

Schrift, während die Präsentation vor einem Fachpublikum die mündliche Wiedergabe
fördert. Somit lernen die Studierenden ein Thema zu recherchieren, schriftlich
auszuarbeiten und zu präsentieren.

Nach dem Vortrag können die Vortragenden aktiv eine Fachdiskussion zu dem von ihnen
präsentierten Thema bestreiten.

Modulhandbuch M. Sc. Computer Science 372

4 Voraussetzung für die Teilnahme
Empfohlen: Besuch der Vorlesung Visual Computing oder einer vergleichbaren
Veranstaltung

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0542-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist

n. t.
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

lte raf
Kolloquium (optional: einschließlich Präsentation), Hausarbeit

ge K
6 Voraussetzung für die Vergabe von Leistungspunkten

4 in
Bestehen der Prüfung (100%)

/2 ht
7 Benotung
23 nic
Bausteinbegleitende Prüfung:


iS ch

[20-00-0542-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)
W no
e

8 Verwendbarkeit des Moduls

m st

B. Sc. Informatik
de g i

M. Sc. Informatik
ll dn :
so or n

M. Sc. Computer Science

ab un
e e tio

Kann in anderen Studiengängen verwendet werden.

Si ies ma

9 Literatur
D for

Wird jeweils passend zu den aktuellen Themen bekanntgegeben

In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 373

Modulbeschreibung

Modulname
Fortgeschrittene Themen in der Computergraphik

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0604 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Fortgeschrittene Themen in der 3 Seminar 2

4 in
0604-se Computergraphik

/2 ht
2 Lerninhalt
23 nic
• Grundlagen der wissenschaftlichen Vortragstechnik und Begutachtung
• Eigenständiges Einarbeiten in aktuelle Publikationen in Computergraphik
iS ch

(englischsprachig)
W no

• Eigene darüber hinausgehende Recherche zur Hintergrund-Literatur, angeleitet von

Betreuer
e
m st

• Erstellen eines zweiteiligen Vortrags (Problemstellung und Lösungsansatz) über eine

Publikationen einschließlich Folienpräsentation, angeleitet durch Betreuer
de g i
ll dn :

• Erstellen eines (simulierten) wissenschaftlichen Gutachtens über eine zweite Publikation,

so or n
ab un

angeleitet durch Betreuer

e e tio

• Halten des Vortrags vor einem Publikum mit heterogenem Vorwissen

Si ies ma

• Führung der Fachdiskussion nach beiden Vortragsteilen

• Aktive Teilnahme an den Fachdiskussionen, sowie Feedback an die Vortragenden
D for
In

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung können die Studierenden sich
eigenständig in aktuelle Themen der Computergraphik anhand von wissenschaftlichen
Veröffentlichungen einarbeiten. Sie können die wesentlichen Beiträge der untersuchten
Publikationen erkennen und diese kompakt einem Publikum mit heterogenem
Vorwissensstand präsentieren, unter Berücksichtigung von Prinzipien des guten
wissenschaftlichen Vortrags. Nach dem Vortrag können die Vortragenden aktiv eine
Fachdiskussion zu dem von ihnen präsentierten Thema bestreiten. Weiterhin sind sie in der
Lage ein wissenschaftliches Gutachten über eine aktuelle Publikation anzufertigen, welches
den üblichen Standards des wissenschaftlichen Begutachtungsprozesses genügt.

4 Voraussetzung für die Teilnahme

Modulhandbuch M. Sc. Computer Science 374

 Empfohlen: Teilnehmer sollten Grundkenntnisse in Computergraphik besitzen (z.B. durch
Besuch von Graphische Datenverarbeitung I).

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0604-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

n. t.
6 Voraussetzung für die Vergabe von Leistungspunkten

lte raf
Bestehen der Prüfung (100%)

ge K
7 Benotung

4 in
Bausteinbegleitende Prüfung:

/2 ht
 [20-00-0604-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
23 nic
100%, Standard)
iS ch

8 Verwendbarkeit des Moduls

B. Sc. Informatik
W no

M. Sc. Informatik
e

M. Sc. Computer Science

m st
de g i

Kann in anderen Studiengängen verwendet werden.

ll dn :
so or n
ab un
e e tio

9 Literatur
Si ies ma

aktuelle Publikationen, überwiegend des vergangenen Jahres

D for

10 Kommentar
In

Modulhandbuch M. Sc. Computer Science 375

Modulbeschreibung

Modulname
Fortgeschrittene Themen in Computer Vision und Maschinellem Lernen

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0645 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Fortgeschrittene Themen in 3 Seminar 2

4 in
0645-se Computer Vision und
Maschinellem Lernen

/2 ht
2 Lerninhalt 23 nic
● Grundlagen der wissenschaftlichen Vortragstechnik und Begutachtung
iS ch

● Eigenständiges Einarbeiten in aktuelle Publikationen in Computer Vision oder

W no

Maschinellem Lernen (englischsprachig)

● Eigene darüber hinausgehende Recherche zur Hintergrund-Literatur, angeleitet von
e

Betreuer
m st

● Erstellen eines zweiteiligen Vortrags (Problemstellung und Lösungsansatz) über eine

de g i

Publikationen einschließlich Folienpräsentation, angeleitet durch Betreuer

ll dn :
so or n
ab un

● Erstellen eines (simulierten) wissenschaftlichen Gutachtens über eine zweite Publikation,

e e tio

angeleitet durch Betreuer

● Halten des Vortrags vor einem Publikum mit heterogenem Vorwissen
Si ies ma

● Führung der Fachdiskussion nach beiden Vortragsteilen

● Aktive Teilnahme an den Fachdiskussionen, sowie Feedback an die Vortragenden
D for
In

3 Qualifikationsziele / Lernergebnisse
Nach erfolgreicher Teilnahme an der Veranstaltung können die Studierenden sich
eigenständig in aktuelle Themen der Computer Vision und/oder des Maschinellen Lernens
anhand von wissenschaftlichen Veröffentlichungen einarbeiten. Sie können die wesentlichen
Beiträge der untersuchten Publikationen erkennen und diese kompakt einem Publikum mit
heterogenem Vorwissensstand präsentieren, unter Berücksichtigung von Prinzipien des
guten wissenschaftlichen Vortrags. Nach dem Vortrag können die Vortragenden aktiv eine
Fachdiskussion zu dem von ihnen präsentierten Thema bestreiten. Weiterhin sind sie in der
Lage ein wissenschaftliches Gutachten über eine aktuelle Publikation anzufertigen, welches
den üblichen Standards des wissenschaftlichen Begutachtungsprozesses genügt.

Modulhandbuch M. Sc. Computer Science 376

4 Voraussetzung für die Teilnahme
Empfohlen: Teilnehmer sollten Grundkenntnisse in Computer Vision, sowie idealerweise
maschinellem Lernen besitzen (z.B. durch Besuch von Computer Vision I, Statistisches
Maschinelles Lernen).

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0645-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

n. t.
Kolloquium (optional: einschließlich Präsentation), Hausarbeit

lte raf
ge K
6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

4 in
7 Benotung

/2 ht
Bausteinbegleitende Prüfung:


23 nic
[20-00-0645-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
iS ch

100%, Standard)
W no

8 Verwendbarkeit des Moduls

e

B. Sc. Informatik
m st

M. Sc. Informatik
de g i

M. Sc. Computer Science

ll dn :
so or n

M. Sc. Autonome Systeme und Robotik

ab un
e e tio

M. Sc. Artificial Intelligence and Machine Learning

Si ies ma

Kann in anderen Studiengängen verwendet werden.

D for

9 Literatur
Aktuelle Publikationen, überwiegend des vergangenen Jahres
In

10 Kommentar

Modulhandbuch M. Sc. Computer Science 377

Modulbeschreibung

Modulname
Computergestützte Planung und Navigation in der Medizin

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0677 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Computergestützte Planung und 3 Seminar 2

4 in
0677-se Navigation in der Medizin

/2 ht
2 Lerninhalt
23 nic
- Selbstständiges Studium aktueller Konferenz- und Journal-Papers aus dem Bereich Medical
Imaging zu einem ausgewählten Thema im Bereich der Planung und chirurgischen
iS ch

Navigation.
W no

- Kritische Auseinandersetzung mit dem behandelten Thema

- Eigene weiterführende Literaturrecherchen
e
m st

- Erstellen eines Vortrags (schriftliche Ausarbeitung und Folienpräsentation) über die

behandelte Thematik
de g i
ll dn :

- Präsentation des Vortrags vor Publikum mit heterogenem Vorwissen

so or n
ab un

- Fachliche Diskussion über die behandelte Thematik nach dem Vortrag

e e tio

Behandelte Methoden, die in Zusammenhang mit der Operationsplanung und navigierten

Si ies ma

Chirurgie stehen sind u.a.: Segmentierung, Registrierung, Visualisierung, Simulation,

Navigation und Tracking.
D for

3 Qualifikationsziele / Lernergebnisse
In

Nach erfolgreicher Teilnahme an der Veranstaltung können die Studierenden sich

eigenständig in ein Thema anhand von wissenschaftlichen Veröffentlichungen einarbeiten.

Sie lernen die wesentlichen Aspekte der untersuchten Arbeiten zu erkennen und auf
verständliche Weise einem heterogenen Publikum vorzutragen. Dabei wenden sie
verschiedene Präsentationstechniken an. Nach dem Vortrag können die Studierenden aktiv
eine Fachdiskussion zu dem präsentierten Thema leiten und bestreiten.

4 Voraussetzung für die Teilnahme

Empfohlen: Bachelor ab 4. Semester, Master ab 1. Semester.

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0677-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Modulhandbuch M. Sc. Computer Science 378

 Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

n. t.
[20-00-0677-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

lte raf
100%, Standard)

ge K
8 Verwendbarkeit des Moduls

4 in
B. Sc. Informatik
M. Sc. Informatik

/2 ht
M. Sc. Computer Science
23 nic
Kann in anderen Studiengängen verwendet werden.
iS ch

9 Literatur
W no

Wird zu Beginn der Veranstaltung bekanntgegeben.

e
m st

10 Kommentar
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 379

Modulbeschreibung

Modulname
Angewandte Themen der Computergraphik

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0724 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Angewandte Themen der 3 Seminar 2

4 in
0724-se Computergraphik

/2 ht
2 Lerninhalt
23 nic
Ausgewählte aktuelle Arbeiten aus Forschung und Literatur werden zur Bearbeitung
ausgegeben.
iS ch

Die Arbeiten stammen aus folgenden Feldern der Computergraphik:

W no

● Visualisierung / Rendering
● Simulation
e
m st

● Geometrieverarbeitung und Modellierung

● Semantik und 3D
de g i
ll dn :
so or n
ab un
e e tio

3 Qualifikationsziele / Lernergebnisse
Studierende kennen nach erfolgreichem Besuch der Veranstaltung einen Ausschnitt an
Si ies ma

aktuellen Themen der Computergraphik. Sie können sich selbständig den Inhalt einer
Veröffentlichung erarbeiten, die Problemstellung und den Lösungsansatz erkennen und
D for

präsentieren. Weiter sind sie in der Lage, Verbesserungspotenzial in den Arbeiten zu

In

analysieren und darzustellen.

4 Voraussetzung für die Teilnahme

Empfohlen: Vorkenntnisse in GDV oder Geom. Methoden CAD/CAE sind vorteilhaft

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0724-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

Modulhandbuch M. Sc. Computer Science 380

6 Voraussetzung für die Vergabe von Leistungspunkten
Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0724-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik

n. t.
M. Sc. Computer Science

lte raf
Kann in anderen Studiengängen verwendet werden.

ge K
4 in
9 Literatur

/2 ht
Wird in der Veranstaltung bekanntgegeben.

10 Kommentar
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 381

Modulbeschreibung

Modulname

Algorithmen und Plattformen des Reinforcement Learning

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1050 90 h 60 h 1 Semester Jedes 2. Semester
3 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1050-se Algorithmen und Plattformen 3 Seminar 2
des Reinforcement Learning

/2 ht
2 Lerninhalt
23 nic
Im Rahmen dieses Seminars werden wir Reinforcement Learning Algorithmen und deren
Anwendung in Intelligenten Technischen Systemen diskutieren. Hierbei sollen Studenten die
iS ch
Fähigkeit erwerben, sich einen unbekannten Text selbstständig zu erarbeiten, für eine
Präsentation aufzubereiten und einem Fachpublikum zu präsentieren.
W no

3 Qualifikationsziele / Lernergebnisse
e

Am Ende dieses Kurses verstehen Studierende die aktuellen Forschungsthemen im

m st

Reinforcement Learning und sind in der Lage die Literaturvorstudie für eine Forschungsarbeit in
de g i

diesem Bereich durchzuführen.

ll dn :
so or n
ab un
e e tio

4 Voraussetzung für die Teilnahme

Empfohlen:
Si ies ma

Gleichzeitige Belegung der Vorlesung "Reinforcement Learning: Von Grundlagen zu den Tiefen
D for

Ansätzen" oder vorhergehende Belegung von "Lernende Roboter."

In

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1050-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 382

  [20-00-1050-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Autonome Systeme und Robotik

Kann in anderen Studiengängen verwendet werden.

9 Literatur

n. t.
lte raf
10 Kommentar

ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 383

Modulbeschreibung

Modulname

Erweitertes Seminar - Systems and Machine Learning

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1057 120 h 75 h 1 Semester Jedes 2. Semester
4 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Englisch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1057-se Erweitertes Seminar - Systems 4 Seminar 3
and Machine Learning

/2 ht
2 Lerninhalt
23 nic
Dieses Seminar dient der Diskussion neuer Forschungspapiere im Zusammenhang von
Hardware-/Softwaresystemen und maschinellem Lernen (ML). Das Seminar zielt auf die
iS ch
Verbindungen zwischen diesen Themenbereichen ab und diskutiert Fragestellungen, die auf
praktisch anwendbares maschinelles Lernen zugeschnitten sind wie z.B. Hardware-
W no

Beschleuniger für ML, verteilte skalierbare ML-Systeme, neuer Programmierparadigmen für ML,
Automatisiertes ML, sowie Anwendungen von ML für Systeme.
e
m st

Jeder Teilnehmer/jede Teilnehmerin präsentiert ein Forschungspapier, das anschließend von

de g i

allen Teilnehmenden diskutiert wird. Darüber hinaus werden zusammenfassende Arbeiten in

ll dn :
so or n

Gruppen verfasst und einem Peer-Review Prozess unterzogen. Die vorzustellenden Arbeiten
ab un
e e tio

stellen in der Regel aktuelle Publikationen in relevanten Konferenzen und Zeitschriften dar.
Si ies ma

Das Seminar wird als Blockveranstaltung angeboten.

D for

3 Qualifikationsziele / Lernergebnisse
Nach diesem Seminar sind Studierende in der Lage:
In

- einen unbekannten Text aus den Bereichen des Seminars selbständig aufzuarbeiten
- eine Präsentation und eine schriftliche Zusammenfassung für ein Fachpublikum in diesem
Gebiet zu entwickeln
- an einer Fachdiskussion über ein Thema aus den Bereichen des Seminars sinnvoll
teilzunehmen
- die Meinung über eine wissenschaftliche Arbeit in der Form eines schriftlichen Peer-Reviews
zu artikulieren

4 Voraussetzung für die Teilnahme

Empfohlen: Grundkenntnisse in maschinellem Lernen, skalierbarem Datenmanagement und
Hardware-/Softwaresystemen.

Modulhandbuch M. Sc. Computer Science 384

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-1057-se] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Hausarbeit

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

n. t.
7 Benotung

lte raf
Bausteinbegleitende Prüfung:

ge K
 [20-00-1057-se] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

4 in
100%, Standard)

/2 ht
8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
23 nic
M. Sc. Computer Science
iS ch

M. Sc. Artificial Intelligence and Machine Learning

W no

Kann in anderen Studiengängen verwendet werden.

e
m st

9 Literatur
de g i
ll dn :
so or n
ab un
e e tio

10 Kommentar
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 385

 n. t.
lte raf
Modulhandbuch

ge K
M. Sc. Computer Science

4 in
/2 ht
23 nic
Vertiefung Visual Computing
iS ch
W no
e
m st

Wahlbereich Studienbegleitende Leistungen

de g i
ll dn :
so or n
ab un
e e tio
Si ies ma

Praktikum in der Lehre

D for
In

Modulhandbuch M. Sc. Computer Science 386

Modulbeschreibung

Modulname

Praktikum in der Lehre - Visual Computing

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0519 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0519-pl Praktikum in der Lehre - Visual 5 Praktikum in 3

4 in
Computing der Lehre
2 Lerninhalt

/2 ht
Mitarbeit in der Ausrichtung der Lehrveranstaltung Visual Computing (Übungskonzeption,
23 nic
Korrektur, Begleitung des Lernenden)
iS ch

3 Qualifikationsziele / Lernergebnisse
W no

Es sollen Fähigkeiten erlernt werden, geeignete Lernmaterialien für Schulungen in

Informatikthemen selbst zu erstellen, ihren Einsatz kritisch zu begleiten und dabei auch die
e

Lernenden zu betreuen und anzuleiten.

m st
de g i

4 Voraussetzung für die Teilnahme

ll dn :
so or n
ab un

Empfohlen:
e e tio

Der vorherige Besuch der Veranstaltung „Visual Computing“ oder einer vergleichbaren
Si ies ma

Veranstaltung
D for

5 Prüfungsform
Bausteinbegleitende Prüfung:
In

 [20-00-0519-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 387

  [20-00-0519-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

9 Literatur

n. t.
lte raf
10 Kommentar

ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 388

Modulbeschreibung

Modulname
Praktikum in der Lehre - Informationsvisualisierung und Visual Analytics

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0767 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Kursname Arbeitsaufwand Lehrform SWS
Nr. (CP)

ge K
20-00- Praktikum in der Lehre - 5 Praktikum in der 3

4 in
0767-pl Informationsvisualisierung und Lehre
Visual Analytics

/2 ht
2 Lerninhalt 23 nic
Dieser Kurs ermöglicht es Studierenden, die Haus- und Präsenzübungen für die Vorlesung
iS ch

“Informationsvisualisierung und Visual Analytics” unter Anleitung durch die Lehrenden zu

konzipieren, durchzuführen und die Lernergebnisse der Vorlesungsteilnehmer zu evaluieren.
W no
e
m st

3 Qualifikationsziele / Lernergebnisse
Die Studierenden können nach erfolgreicher Durchführung der Veranstaltung:
de g i
ll dn :

•Lehrinhalte aus der Vorlesung für Haus- und Präsenzübungen aufbereiten

so or n
ab un

•Übungen mit Studentengruppen konzipieren und durchführen

e e tio

•Ein Konzept für aufeinander aufbauende praktische Übungen entwickeln

Si ies ma

•Methoden der Lernkontrolle für die Lerninhalte der Vorlesung anwenden

4 Voraussetzung für die Teilnahme
D for

Empfohlen: Informationsvisualisierung und Visual Analytics

In

5 Prüfungsform
Bausteinbegleitende Prüfung:

 [20-00-0767-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist
eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional:

einschließlich der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

Modulhandbuch M. Sc. Computer Science 389

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0767-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

n. t.
lte raf
9 Literatur

ge K
10 Kommentar

4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 390

Modulbeschreibung

Modulname

Praktikum in der Lehre - Graphische Datenverarbeitung II

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-0954 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-0954-pl Praktikum in der Lehre - 5 Praktikum in 3

4 in
Graphische Datenverarbeitung der Lehre
II

/2 ht
2 Lerninhalt
23 nic
Das Erstellen von Lehrmaterial, die Beurteilung und Betreuung von Übungen.
iS ch

3 Qualifikationsziele / Lernergebnisse
Aufbereitung und Vermittlung des Vorlesungsinhaltes.
W no
e

4 Voraussetzung für die Teilnahme

m st

Empfohlen: Der Vorlesungsinhalt von „Graphische Datenverarbeitung II“

de g i
ll dn :
so or n

5 Prüfungsform
ab un
e e tio

Bausteinbegleitende Prüfung:
Si ies ma

 [20-00-0954-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

D for

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.
In

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-0954-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

Modulhandbuch M. Sc. Computer Science 391

8 Verwendbarkeit des Moduls
B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

9 Literatur

10 Kommentar

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 392

Modulbeschreibung

Modulname

Praktikum in der Lehre - Algorithmenvisualisierung

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1036 150 h 105 h 1 Semester Jedes 2. Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch
Computing

n. t.
1 Kurse des Moduls

lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

ge K
(CP)

4 in
20-00-1036-pl Praktikum in der Lehre - 5 Praktikum in 3
Algorithmenvisualisierung der Lehre

/2 ht
2 Lerninhalt
23 nic
Im Rahmen des Praktikums in der Lehre Algorithmenvisualisierung werden ein
Animationssystem weiterentwickelt, die Aufgabenstellungen des assoziierten Praktikums
iS ch
überarbeitet und die studentischen Abgaben im Rahmen des Praktikums betreut.
W no

3 Qualifikationsziele / Lernergebnisse
e

Die Teilnehmer am Praktikum in der Lehre Algorithmenvisualisierung vertiefen ihre Kenntnisse

m st

im Bereich der Visualisierung sowie der Algorithmen und Datenstrukturen. Gleichzeitig erhalten
de g i

sie Einblicke in die Lehrtätigkeit durch Betreuung von Studierenden, Bewertung von Aufgaben
ll dn :
so or n

und Überarbeitung von Aufgaben.

ab un
e e tio

4 Voraussetzung für die Teilnahme

Si ies ma
D for

5 Prüfungsform
Bausteinbegleitende Prüfung:
In

 [20-00-1036-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

Modulhandbuch M. Sc. Computer Science 393

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1036-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

n. t.
lte raf
9 Literatur

ge K
4 in
10 Kommentar

/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 394

 Modulbeschreibung

Modulname
1.1.3. Praktikum in der Lehre - Graphische Datenverarbeitung I
Modul Nr. Leistungspun Angebotsturnus
Arbeitsaufwand Selbststudium Moduldauer
20-00- kte Jedes 2.
150 h 105 h 1 Semester
1101 5 CP Semester
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung
Deutsch
Visual Computing
1 Kurse des Moduls
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS

n. t.
(CP)

lte raf
20-00-1101- Praktikum in der Lehre - 5 Praktikum in 3

ge K
pl Graphische der Lehre
Datenverarbeitung I

4 in
2 Lerninhalt

/2 ht
Das Erstellen von Lehrmaterial, die Beurteilung und Betreuung von Übungen.

3 23 nic
Qualifikationsziele / Lernergebnisse
Es sollen Fähigkeiten erlernt werden, geeignete Lernmaterialien für Schulungen in
iS ch

Informatikthemen selbst zu erstellen, ihren Einsatz kritisch zu begleiten und dabei auch
die Lernenden zu betreuen und anzuleiten.
W no
e
m st

4 Voraussetzung für die Teilnahme

Empfohlen wird:
de g i
ll dn :
so or n
ab un

- Besuch der Veranstaltung "Graphische Datenverarbeitung I" mit sehr guter

e e tio

Abschlussnote
- Programmierkenntnisse in C++ und OpenGL
Si ies ma

5 Prüfungsform
D for

Bausteinbegleitende Prüfung:
In

 [20-00-1101-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich
ist eine oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional:

einschließlich der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

Modulhandbuch M. Sc. Computer Science 395

7 Benotung
Bausteinbegleitende Prüfung:

 [20-00-1101-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:

100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science

Kann in anderen Studiengängen verwendet werden.

n. t.
lte raf
9 Literatur

ge K
10 Kommentar

4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 396

Modulbeschreibung

Modulname

Praktikum in der Lehre - Visuelle Inferenz

Leistungspun
Modul Nr. Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
kte
20-00-1131 150 h 105 h 1 Semester Jedes Semester
5 CP
Modulverantwortliche Person
Sprache
Koordinatoren/Koordinatorinnen Vertiefung Visual
Deutsch und Englisch
Computing
1 Kurse des Moduls

n. t.
lte raf
Kurs Nr. Kursname Arbeitsaufwand Lehrform SWS
(CP)

ge K
20-00-1131-pl Praktikum in der Lehre - 5 Praktikum in 3

4 in
Visuelle Inferenz der Lehre
2 Lerninhalt

/2 ht
Erstellung von Übungs- und Vorlesungsmaterial zu Lehrveranstaltungen des FG Visuelle
Inferenz 23 nic
iS ch

3 Qualifikationsziele / Lernergebnisse
W no

Studierende sind in der Lage:

-Lehrinhalte in Übungen zu präsentieren und zu erklären
e

-Praktikumsgruppen zu betreuen
m st

-Methoden zur Kontrolle des Lernerfolgs systematisch anzuwenden

de g i
ll dn :
so or n
ab un

4 Voraussetzung für die Teilnahme

e e tio

Empfohlen wird die erfolgreiche Teilnahme an den Vorlesungen „Computer Vision“ und/oder
Si ies ma

„Computer Vision II“ oder vergleichbaren Veranstaltungen, je nach Semester.

5 Prüfungsform
D for

Bausteinbegleitende Prüfung:
In

 [20-00-1131-pl] (Studienleistung, mündliche / schriftliche Prüfung, Standard)

Die Form der Prüfung wird zu Beginn der Lehrveranstaltung bekannt gegeben. Möglich ist eine
oder eine Kombination von maximal zwei der nachfolgend aufgeführten Formen.

Kolloquium (optional: einschließlich Präsentation), Portfolio, Bericht (Optional: einschließlich

der Abgabe von Lehrmaterial)

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%).

7 Benotung
Bausteinbegleitende Prüfung:

Modulhandbuch M. Sc. Computer Science 397

  [20-00-1131-pl] (Studienleistung, mündliche / schriftliche Prüfung, Gewichtung:
100%, Standard)

8 Verwendbarkeit des Moduls

B. Sc. Informatik
M. Sc. Informatik
M. Sc. Computer Science
M. Sc. Artificial Intelligence and Machine Learning

Kann in anderen Studiengängen verwendet werden.

9 Literatur

n. t.
lte raf
10 Kommentar

ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 398

 In
D for
Si ies ma
e e tio
so or n
ll dn :
ab un

Modulhandbuch M. Sc. Computer Science

de g i
m st
W no
iS ch

Masterarbeit
e Modulhandbuch
23 nic
/2 ht
M. Sc. Computer Science

4 in
ge K
lte raf
n. t.

399
Modulbeschreibung

Modulname
Masterarbeit Computer Science
Modul Nr. Leistungspun
Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
20-AM- kte
900 h 900 h Jedes Semester
XXXX 30 CP
Sprache Modulverantwortliche Person
Deutsch/Englisch Studiendekan/Studiendekanin
1 Kurse des Moduls
Kurs Kursname Arbeitsaufwand Lehrform SWS

n. t.
Nr. (CP)

lte raf
ge K
2 Lerninhalt

4 in
Selbständige Bearbeitung einer wissenschaftlichen Fragestellung der Informatik nach
wissenschaftlichen Grundsätzen in begrenzter Zeit. Die Problemstellung, Vorgehensweise

/2 ht
sowie die Ergebnisse werden schriftlich dokumentiert und mündlich in einem Kolloquium
präsentiert. 23 nic
iS ch

3 Qualifikationsziele / Lernergebnisse / Kompetenzen

Die Studierenden sind nach der Masterarbeit in der Lage,
W no

• eine komplexere wissenschaftliche Fragestellung mit Forschungsbezug nach

wissenschaftlichen Grundsätzen selbstständig zu bearbeiten,
e
m st

• die im Studium erworbenen Kenntnisse, Methoden und Kompetenzen zu verknüpfen und

anzuwenden,
de g i

• die relevante Literatur zu recherchieren, einzugrenzen und auszuwerten,

ll dn :
so or n

• das Thema sinnvoll zu systematisieren und einen Argumentationsstrang aufzubauen,

ab un
e e tio

• die Validität von Pro- und Kontraargumenten nachvollziehbar abzuwägen,

• die Ergebnisse in die aktuelle Forschung einzuordnen und zu bewerten,
Si ies ma

• die Ergebnisse schriftlich nach wissenschaftlichen Grundsätzen niederzulegen,

• die Ergebnisse zu präsentieren und argumentativ zu vertreten.
D for

4 Voraussetzung für die Teilnahme

In

5 Prüfungsform
Thesis

6 Voraussetzung für die Vergabe von Leistungspunkten

Bestehen der Prüfung (100%)

7 Benotung
Standard (Ziffernote)

8 Verwendbarkeit des Moduls

M.Sc. Computer Science

Modulhandbuch M. Sc. Computer Science 400

9 Literatur
- Sandberg, Berit: Wissenschaftlich Arbeiten von Abbildung bis Zitat: Lehr- und Übungsbuch
für Bachelor, Master und Promotion. De Gruyter Oldenbourg; Auflage: 3, 2017
Ergänzt durch Literatur entsprechend dem Themengebiet der Abschlussarbeit.

10 Kommentar
Die Abschlussarbeit muss innerhalb von 26 Wochen angefertigt und eingereicht werden. Sie
hat einen Arbeitsaufwand von 900 Stunden. Ein Studium in Regelstudienzeit setzt voraus,
dass bei Beginn der Masterarbeit im 4. Semester bei voller Ausschöpfung der
Bearbeitungszeit von 26 Wochen nicht später als Anfang Februar bei Studienbeginn
zum Jedes 2. Semester bzw. Anfang August bei Studienbeginn zum Jedes 2.
Semester begonnen werden muss.

n. t.
lte raf
ge K
4 in
/2 ht
23 nic
iS ch
W no
e
m st
de g i
ll dn :
so or n
ab un
e e tio
Si ies ma
D for
In

Modulhandbuch M. Sc. Computer Science 401