Lehre

Institut für Parallele und Verteilte Systeme (IPVS)

Informationen über Lehrveranstaltungen und studentische Arbeiten am IPVS

Aktuelle Lehrveranstaltungen

Advanced Information Management

Vorlesung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Die Vorlesung behandelt aktuelle Modellierungs-, Entwicklungs- und Verarbeitungskonzepte DB-basierter Anwendungssysteme. Hierzu gehört insbesondere die Verarbeitung strukturierter, semi-strukturierter und unstrukturierter Daten sowie Techniken zur Integration von Informationen aus heterogenen Datenquellen. Unter anderem werden folgende Themenbereiche vertieft: - XML und Datenbanktechnologie (XML-Modellierung, XML-Speicherung, XML-Anfragesprachen, - XML-Verarbeitung) - Content Management (Enterprise Content Management, Information Retrieval, Suchtechnologien) - NoSQL Datenmanagement (Key value stores, MapReduce, triple stores, document stores, graph stores)
LV-Nr.:	021151000
Art:	Vorlesung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

Advanced Information Management

Übung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Siehe Vorlesung
LV-Nr.:	021152000
Art:	Übung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

Data Engineering

Vorlesung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Data engineering involves any data processing necessary to prepare data for subsequent use, e.g., for data analysis. This lecture covers foundations, algorithms, and systems on selected topics of data engineering. These include: Data collection: how do we find relevant data sources? Big Data integration: Given the unique properties of big data, how can data from multiple data sources be combined to get a more global perspective on a subject to be analyzed? Data quality and data cleaning: How can important properties and errors of data be assessed and corrected? Data distribution:What modern technologies support the wide dissemination of data? Provenance: How can the whole data engineering process be documented, controlled, and improved leveraging so-called meta-data describing the data processing?
LV-Nr.:	021181000
Art:	Vorlesung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Data Engineering

Data Engineering

Übung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	see lecture
LV-Nr.:	021182000
Art:	Übung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Data Engineering

Data Engineering

Kolloquium
2 SWS
SS 22

Semester:	SS 22
Inhalt:	nur für Mitarbeiterinnen und Doktorandinnen
LV-Nr.:	021199000
Art:	Kolloquium
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Data Engineering

Data Management for End-to-End Machine Learning

Hauptseminar
2 SWS
SS 22

Semester:	SS 22
Inhalt:	The comprehensive analysis of large volumes of data is crucial in modern information systems. Some of the main driving forces are current trends such as Industrie 4.0 and the Internet of Things (IoT). In particular, applying machine learning (ML) to data of real-world scenarios imposes various data management challenges in several steps of an end-to-end ML application. Very often, the characteristics of real-world data impose challenges themselves. For instance, data may change over time (data set shifts in non-stationary environments). Here, major problems are how to detect and characterize these changes (e.g., different concept drifts), as well as how to consider them in adaptive machine learning strategies. Furthermore, organizations typically train a multitude of machine learning models from their data. These ML models and their lifecycle have to be managed in a comprehensive way. Afterwards, the most suitable models have to be selected for a concrete application, e.g., via approaches to model discovery or AutoML. Moreover, many machine learning models provide some kind of prediction. Here, it is mandatory for the users to understand why a certain prediction was provided by the model. Finding methods to offer such explanations and thus to help people interpret the models correctly, instead of treating them just as black boxes, is another important challenge. In this seminar, we address current technologies, concepts, algorithms and system infrastructures for above-mentioned challenges for data management in end-to-end machine learning, for example: • Machine learning with complex data characteristics, e.g., in non-stationary environments • Comprehensive management of machine learning models • Automatic selection of machine learning models (e.g., AutoML, Meta-Learning) • Explainable artificial intelligence / interpretable machine learning
LV-Nr.:	021195000
Art:	Hauptseminar
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

Data Science mit Python

Vorlesung
1 SWS
SS 22

Semester:	SS 22
Inhalt:	Datenakquise Datenbereinigung und –transformation Datenmodellierung Datenmanagement Datenverarbeitung Visualisierung von Analyseergebnissen
LV-Nr.:	021100100
Art:	Vorlesung
SWS:	1 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

Data Science mit Python

Übung
3 SWS
SS 22

Semester:	SS 22
Inhalt:	siehe Vorlesung
LV-Nr.:	021100105
Art:	Übung
SWS:	3 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

Datenbanken-Evergreens

Seminar
2 SWS
SS 22

Semester:	SS 22
Inhalt:	https://www.f05.uni-stuttgart.de/informatik/dokumente/Seminare/Seminare_22S/02_Herschel-MA.pdf
LV-Nr.:	021185001
Art:	Seminar
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Data Engineering

Datenstrukturen und Algorithmen

Übung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	siehe Vorlesung
LV-Nr.:	020507000
Art:	Übung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Data Engineering

Datenstrukturen und Algorithmen

Vorlesung
4 SWS
SS 22

Semester:	SS 22
Inhalt:	Es werden die folgenden Themen behandelt: Vorgehensweise bei der Entwicklung und Implementierung von Algorithmen Komplexität und Effizienz von Algorithmen, O-Notation Listen (Stack, Queue, doppelt verkettete Listen) Sortierverfahren (Selection-, Insertion-, Bubble-, Merge-, Quick-Sort) Bäume (Binär-, AVL-, 2-3-4-, Rot-Schwarz-, B-Bäume, Suchbäume, Traversierung, Heap) Graphen (Datenstrukturen,DFS, BFS, topologische Traversierung,Dijkstra-, A*-, Bellman-Ford-Algorithmen, minimale Spannbäume, maximaler Fluss) Graphenbasierte Matching-Algorithmen (z.B. Ungarischer Algorithmus) Textalgorithmen (String-Matching, Knuth-Morris-Pratt, Boyer-Moore, reguläre Ausdrücke, Levenshtein-Distanz) Hashing (Hashfunktionen, Kollisionen) Verteilte Algorithmen (Petri-Netze, Programmieren nebenläufiger Abläufe, einige parallele und parallelisierte Algorithmen) Algorithmenentwurf und -muster (inkrementell, greedy, divide-and-conquer, dynamische Programmierung, Backtracking, randomisierte Algorithmen)
LV-Nr.:	020506000
Art:	Vorlesung
SWS:	4 SWS
Link:	C@MPUS
Organisationsname:	Data Engineering

Deep Learning in the Sciences

Hauptseminar
2 SWS
SS 22

Semester:	SS 22
Inhalt:	https://www.f05.uni-stuttgart.de/informatik/dokumente/Seminare/Hauptseminare_22S/17_Oberseminar-DL-in-the-Sciences-003.pdf
LV-Nr.:	021890000
Art:	Hauptseminar
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Maschinelles Lernen in den Simulationswissenschaften

Exercise Machine Learning (for Data Science)

Übung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Siehe Vorlesung - Hinweis: nur für Data Science Studierende
LV-Nr.:	021832001
Art:	Übung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Analytic Computing

Exercise Machine Learning (for Engineering Scientists)

Übung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Siehe Vorlesung
LV-Nr.:	021832003
Art:	Übung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Analytic Computing

Fachpraktikum Artificial Intelligence: Deep Learning Lab

Übung
4 SWS
SS 22

Semester:	SS 22
Inhalt:	This course teaches the students of the best practices to solve both Computer Vision and Signal Processing problems using deep learning. The first problem is aiming to infer the health status of retinal image inputs, and the second is to predict the human activity using the bio- signal inputs. The participants of this course will select one of these topics, and build the prediction models using deep learning based libraries (e.g. Pytorch) according to the respective task. The students will be expected to work in a group and learn the fundamental steps in developing accurate (thus effective) deep neural networks for predictions. This includes improving the overall pipelines through dataset fetching optimisations, involving several data pre-processing steps and enhancing model predictions through customisations of network architectures and loss optimisations. Furthermore, the students are encouraged to involve their own proposed methods that is relevant to achieve the task goals. At the end of the course, the students will be expected to produce a report and give presentations of the developed models, as basis for the discussion with their peers.
LV-Nr.:	023887000
Art:	Übung
SWS:	4 SWS
Link:	C@MPUS
Organisationsname:	Analytic Computing

Geometric Deep Learning

Hauptseminar
2 SWS
SS 22

Semester:	SS 22
Inhalt:	https://www.f05.uni-stuttgart.de/informatik/dokumente/Seminare/Hauptseminare_22S/06_Staab-MA.pdf
LV-Nr.:	022595000
Art:	Hauptseminar
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Analytic Computing

GSaME-Kolloquium

Kolloquium
2 SWS
SS 22

Semester:	SS 22
Inhalt:	nur für Mitarbeiterinnen und Doktorandinnen
LV-Nr.:	021198100
Art:	Kolloquium
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

High Performance Computing

Übung
1 SWS
SS 22

Semester:	SS 22
Inhalt:	siehe Vorlesung
LV-Nr.:	021472000
Art:	Übung
SWS:	1 SWS
Link:	C@MPUS
Organisationsname:	Simulation großer Systeme

High Performance Computing

Vorlesung
3 SWS
SS 22

Semester:	SS 22
Inhalt:	Die Vorlesung beschäftigt sich mit den Grundlagen paralleler Programmierung und paralleler Algorithmen speziell im Hinblick auf die Anwendungsbereiche Wissenschaftliches Rechnen und High Performance Computing. Verwandte Fragestellungen aus dem Bereich der Theorie (parallele Modelle und parallele Komplexität, etc.) sowie aus der Rechnertechnik (parallele Architekturen) werden begleitend diskutiert. Nach einer allgemeinen Einführung (Klassifizierung von Parallelrechnern, Ebenen von Parallelität, Performance und Architekturen, etc.), werden die Grundlagen paralleler Programme eingeführt (Notation/Syntax, Synchronisation und Kommunikation, Design paralleler Programme, etc.). Sowohl die Programmierung auf Systemen mit gemeinsamem Speicher als auch auf Systemen mit verteiltem Speicher werden besprochen. Dabei wird jeweils mindestens ein geeignetes Programmiermodell (z.B. OpenMP, MPI, CUDA) vertieft behandelt. Aus dem Bereich des High Performance Computing werden begleitend klassische Algorithmen und Implementierungstechniken als Beispiele behandelt, z.B. parallele Algorithmen aus der linearen Algebra (Matrixmultiplikation, etc. oder einfache Verfahren zur Lösung partieller Differentialgleichungen). Zusätzlich können Themen wie Lastverteilung und Lastbalancierung (Grundlagen, Algorithmen zur Partitionierung und Lastbalancierung, etc.) vorgestellt werden.
LV-Nr.:	021471000
Art:	Vorlesung
SWS:	3 SWS
Link:	C@MPUS
Organisationsname:	Simulation großer Systeme

High-dimensional data approximation and learning

Vorlesung
3 SWS
SS 22

Semester:	SS 22
Inhalt:	Many data sets and scientific problems are posed as high-dimensional problems, mapping from many inputs to target values. Learning from image data is a classic example that can map hundreds of thousands color values (pixel data) to the class of an object or to physical values such as temperature or energy; and simulations often depend on many input parameters. If the problems were really as high-dimensional as they are formulated, conventional algorithms have to fail. Fortunately, the “real” dimensionality is usually much lower. But we have to identify and handle this relevant low-dimensional structure to be able to approximate/learn the underlying problem and to quantify the relevant dependencies.In this course • we will learn properties of high-dimensional problems with surprising implications. • We will examine algorithms to analyze high-dimensional data, identify important parameters or combinations thereof (dimensional analysis, dimensionality reduction).• We will learn how to approximate high-dimensional problems so that we can analyze them and predict in a lower-dimensional representa-tion.• We will understand use and limitations of representative algorithms that can be suited for high-dimensional tasks, and we will implement and use them.This course will bridge theory to practice, implementing and using select-ed algorithms for real-world data using Python
LV-Nr.:	021400100
Art:	Vorlesung
SWS:	3 SWS
Link:	C@MPUS
Organisationsname:	Simulation Software Engineering

High-dimensional data approximation and learning

Übung
1 SWS
SS 22

Semester:	SS 22
Inhalt:	see lecture
LV-Nr.:	021400105
Art:	Übung
SWS:	1 SWS
Link:	C@MPUS
Organisationsname:	Simulation Software Engineering

Industrial Analytics

Übung
1 SWS
SS 22

Semester:	SS 22
Inhalt:	siehe Vorlesung
LV-Nr.:	021100305
Art:	Übung
SWS:	1 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

Industrial Analytics

Vorlesung
1 SWS
SS 22

Semester:	SS 22
Inhalt:	In der Veranstaltung werden insbesondere folgende Themen bearbeitet: - Einführung Industrie 4.0 und Industrial Analytics inkl. konkreten Anwendungsbeispielen aus der industriellen Praxis - Grundlagen industrieller Wertschöpfung, speziell industrielle Prozesse und Produktlebenszyklus - Industrielle IT-Systeme und industrielle Daten, z.B. MES, PLM- und ERP-Systeme - Datenplattformen für Industrial Analytics, insbesondere Data Lakes und Datenkataloge mit zugehörigen Architekturen und Technologien - Data-Analytics-Anwendungen, von Reporting bis Machine Learning - Data Governance und Datenstrategien im industriellen Umfeld - Praktische Übungen zu den o.g. Themenbereichen
LV-Nr.:	021100300
Art:	Vorlesung
SWS:	1 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

Intelligent Methods for Test and Reliability (für Studiengang InfoTech)

Hauptseminar
2 SWS
SS 22

Semester:	SS 22
Inhalt:	https://www.f05.uni-stuttgart.de/informatik/dokumente/Seminare/Hauptseminare_22S/07_Pflueger-INFOTECH.pdf
LV-Nr.:	021495001
Art:	Hauptseminar
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Simulation Software Engineering

Knowledge Graphs

Vorlesung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	• motivation: application cases and examples for knowledge graphs• graph data models and the languages that can be used to query them • representations of schema, identity, and context in knowledge graphs• deductive reasoning in knowledge graphs• inductive reasoning in/for knowledge graphs• creation and enrichment of knowledge graphs• principles and protocols for managing and publishing knowledge graphs
LV-Nr.:	022500200
Art:	Vorlesung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Analytic Computing

Knowledge Graphs

Übung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	see lecture
LV-Nr.:	022500205
Art:	Übung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Analytic Computing

Kolloquium Datenbanksysteme

Kolloquium
2 SWS
SS 22

Semester:	SS 22
Inhalt:	nur für Mitarbeiterinnen und Doktorandinnen
LV-Nr.:	021198000
Art:	Kolloquium
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

Kolloquium Machine Learning and Robotics

Kolloquium
2 SWS
SS 22

Semester:	SS 22
Inhalt:	nur für Mitarbeiter*innen und PhD-Studierende
LV-Nr.:	021898000
Art:	Kolloquium
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Maschinelles Lernen und Robotik

Kolloquium Wissenschaftliches Rechnen

Kolloquium
2 SWS
SS 22

Semester:	SS 22
Inhalt:	nur für Mitarbeiterinnen und Doktorandinnen
LV-Nr.:	021498000
Art:	Kolloquium
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Simulation großer Systeme

Machine Learning in the Simulation Sciences

Kolloquium
2 SWS
SS 22

Semester:	SS 22
Inhalt:	nur für Mitarbeiter*innen und PhD-Studierende
LV-Nr.:	021898002
Art:	Kolloquium
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Maschinelles Lernen in den Simulationswissenschaften

Machine Learning

Übung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Siehe Vorlesung
LV-Nr.:	021832000
Art:	Übung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Analytic Computing

Machine Learning

Vorlesung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Exploiting large-scale data is a central challenge of our time. Machine Learning is the core discipline to address this challenge, aiming to extract useful models and structure from data. Studying Machine Learning is motivated in multiple ways: 1) as the basis of commercial data mining (Google, Amazon, Picasa, etc), 2) a core methodological tool for data analysis in all sciences (vision, linguistics, software engineering, but also biology, physics, neuroscience, etc) and finally, 3) as a core foundation of autonomous intelligent systems (which is my personal motivation for research in Machine Learning). This lecture introduces to modern methods in Machine Learning, including discriminative as well as probabilistic generative models. A preliminary outline of topics is: motivation regression: linear regression, kernel methods classification: kNN, Naive Bayes, logistic regression, decision trees, support vector machines ensemble methods: bagging and boosting neural networks: mixture distributions, backpropagation, CNNs, RNNs clustering: K-Means, EM, agglomerative clustering, PLSA dimensionality reduction Cross-cutting topics: evaluation, loss functions, regularization, gradient descent
LV-Nr.:	021831000
Art:	Vorlesung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Analytic Computing

Mobile Computing Lab

Übung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Siehe Vorlesung
LV-Nr.:	021542000
Art:	Übung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Verteilte Systeme

Mobile Computing

Vorlesung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Fundamentals of wireless data transmission Media access for wireless networks Location Management Wireless wide-area networks and mobile communication systems (GSM, GPRS, UMTS) Wireless local-area and personal area networks: IEEE 802.11, Bluetooth Ad-hoc Networks: routing protocols and algorithms Mobility in IP-networks: Mobile IP Transport layer protocols for mobile systems Mobile data management concepts Android programming
LV-Nr.:	021541000
Art:	Vorlesung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Verteilte Systeme

Modellbildung und Simulation

Übung
1 SWS
SS 22

Semester:	SS 22
Inhalt:	siehe Vorlesung
LV-Nr.:	021484000
Art:	Übung
SWS:	1 SWS
Link:	C@MPUS
Organisationsname:	Simulation Software Engineering

Modellbildung und Simulation

Vorlesung
3 SWS
SS 22

Semester:	SS 22
Inhalt:	Diese Vorlesung bietet eine Einführung in die Grundlagen der Modellbildung und Simulation mit dem Ziel der Vorbereitung auf weiterführende Vorlesungen in diesem Bereich. Da Simulationsmethoden oft für viele verschiedene Problemklassen einsetzbar sind, ist die Vorlesung methodisch strukturiert. Den Hauptteil der Vorlesung bilden hierbei diskrete Modelle sowie deren Behandlung, aber auch kontinuierliche Modelle werden ergänzend gestreift. Ob diskrete Ereignissimulation, spieltheoretische Ansätze, Zelluläre Automaten, Räuber-Beute Modelle oder Fuzzy-Mengen: die verschiedenen Modellierungsansätze sind so vielfältig wie die Problemstellungen, auf die sie angewendet werden. Verkehrssimulation, Populationswachstum, Wahlen oder Regelung sind nur einige der Anwendungsbereiche aus den Natur- und Ingenieurwissenschaften.
LV-Nr.:	021483000
Art:	Vorlesung
SWS:	3 SWS
Link:	C@MPUS
Organisationsname:	Simulation Software Engineering

Modellierung

Übung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Die Vorlesung vermittelt wie wesentliche Artefakte eines IT Systems modelliert werden, den Zusammenhang und das Zusammenspiel solcher Artefakte sowie die Rolle von Metamodellen und deren Erstellung. Die Vorlesung beinhaltet folgende Themen: - Entity-Relationship Modell und komplexe Objekte - Relationenmodell und Relationenalgebra , Überblick SQL - Transformationen von ER nach Relationen, Normalisierung - XML, DTD, XML-Schema, Info-Set, Namensräume - Metamodelle und Repository - RDF, RDF-S und Ontologien - UML - Petri Netze, Workflownetze - BPMN
LV-Nr.:	021102000
Art:	Übung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

Modellierung

Vorlesung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Die Vorlesung vermittelt wie wesentliche Artefakte eines IT Systems modelliert werden, den Zusammenhang und das Zusammenspiel solcher Artefakte sowie die Rolle von Metamodellen und deren Erstellung. Die Vorlesung beinhaltet folgende Themen: - Entity-Relationship Modell und komplexe Objekte - Relationenmodell und Relationenalgebra , Überblick SQL - Transformationen von ER nach Relationen, Normalisierung - XML, DTD, XML-Schema, Info-Set, Namensräume - Metamodelle und Repository - RDF, RDF-S und Ontologien - UML - Petri Netze, Workflownetze - BPMN
LV-Nr.:	021101000
Art:	Vorlesung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

Modern Internet Technologies

Seminar
2 SWS
SS 22

Semester:	SS 22
Inhalt:	In diesem Seminar wird ein breites SpektrumaktuellerTechnologien, Protokolleund Standards diskutiert, welche die obigenvernetzten und verteilten Anwendungen und Diensteermöglichen, z.B.: - Machine-to-Machine Communication (M2M): MQTT (Message Queue Telemetry Transport), OPC-UA (Unified Architecture), Data Distribution Service (DDS) - Drahtlose Netzeund Kommunikationstechnolgien: Bluetooth Low Energy (BLE), ZigBee / IPv6 over Low power Wireless Personal Area Network (6LoWPAN), Long Range Wide Area Network (LoRaWAN), Visible Light Communication - Software-defined Networking (SDN)und Network Function Virtualization (NFV) - Virtualisierungs-und Container-Technologien, VM/Container-Migration - Distributed Ledger, Blockchain, Smart Contracts: Bitcoin, Ethereum - Edge und Fog Computing - WWW-und Transportprotokolle: HTTP 2.0/SPDY, QUIC, Multipath-TCP, TCP FastOpen
LV-Nr.:	021585000
Art:	Seminar
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Verteilte Systeme

Numerische Grundlagen

Vorlesung
3 SWS
SS 22

Semester:	SS 22
Inhalt:	In Ergänzung der Mathematik-Grundausbildung vermittelt diese Vorlesung folgende Grundkenntnisse: Numerische Algorithmik Gleitpunktzahlen und Gleitpunkarithmetik Lineare Gleichungssysteme nichtlineare Gleichungen Interpolation und Approximation Integration Gewöhnliche Differentialgleichungen Dabei wird ein konstruktiv-algorithmischer Zugang gewählt, der sich an konkreten Aufgabenstellungen aus der Informatik orientiert.
LV-Nr.:	021400300
Art:	Vorlesung
SWS:	3 SWS
Link:	C@MPUS
Organisationsname:	Nachhaltigkeit und Nutzbarkeit von Simulationssoftware

Numerische Grundlagen

Übung
1 SWS
SS 22

Semester:	SS 22
Inhalt:	siehe Vorlesung
LV-Nr.:	021400305
Art:	Übung
SWS:	1 SWS
Link:	C@MPUS
Organisationsname:	Nachhaltigkeit und Nutzbarkeit von Simulationssoftware

Oberseminar Artificial Intelligence

Kolloquium
2 SWS
SS 22

Semester:	SS 22
Inhalt:	nur für Mitarbeiter*innen und PhD-Studierende
LV-Nr.:	021898001
Art:	Kolloquium
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Analytic Computing

Parallele Numerik/Parallel Numerics

Vorlesung
3 SWS
SS 22

Semester:	SS 22
Inhalt:	Parallelitätslevel Performanz- und Skalierbarkeitsmetriken parallele Matrix- und Vektoroperationen Datenabhängigkeitsgraphen parallele direkte Löser für lineare Gleichungssysteme parallele QR Zerlegung und Least Squares Probleme dünnbesetzte Matrizen parallele iterative Gleichungssystemlöser Gebietszerlegung parallele Zeitschrittverfahren
LV-Nr.:	021466000
Art:	Vorlesung
SWS:	3 SWS
Link:	C@MPUS
Organisationsname:	Simulation großer Systeme

Parallele Numerik/Parallel Numerics

Übung
1 SWS
SS 22

Semester:	SS 22
Inhalt:	siehe Vorlesung
LV-Nr.:	021467000
Art:	Übung
SWS:	1 SWS
Link:	C@MPUS
Organisationsname:	Simulation großer Systeme

Practical Course Information Systems

Übung
4 SWS
SS 22

Semester:	SS 22
Inhalt:	This practical course mainly focuses on data-intensive applications and how they process, analyze and store their data. Nowadays, the amount of data in applications is growing intensely. This data can be either structured, e.g., stored in relational database systems such as MySQL, or unstructured, e.g., stored in text documents, pictures or other media files. Deriving information and, as a consequence, knowledge from this data is a huge challenge. To cope with this issue, new data analytics and data storage technologies have been developed that focus on the one hand on deriving information from this large amount of structured and unstructured data (e.g., data mining, natural language processing, ...) and on the other hand on efficient data storage (e.g., NoSQL databases, column-stores, ...). Modern web technologies are used to provide the web frontend and to visualize huge data sets and analytic results. Furthermore, to enable fast, efficient application development as well as a high degree of accessibility, flexibility and scalability, cloud computing platforms are oftentimes used to implement such applications. In this practical course, you will work in small teams. Each team will implement a new or extend an existing data-intensive application based on tasks that typically involve data analysis, data visualization, data storage and efficient data processing. The used infrastructure, e.g. a cloud-based infrastructure like IBM Cloud, depends on the application.
LV-Nr.:	021188000
Art:	Übung
SWS:	4 SWS
Link:	C@MPUS
Organisationsname:	Datenbanken und Informationssysteme

Rechnernetze I

Vorlesung
3 SWS
SS 22

Semester:	SS 22
Inhalt:	- Einführung in die Rechnernetze, Referenzmodelle - Bitübertragungsschicht: Grundlagen und Übertragungsarten - Sicherungsschicht: Fehlererkennung und -behandlung, Flusskontrolle, Fallstudien - Lokale Netze: Medienzugangssteuerung, CSMA/CD, Kopplung von Netzen - Vermittlungsschicht: Interne Netzorganisation Leitwegbestimmung, Überlastkontrolle - Internetworking: IP-Protokoll, IP-Adressierung, Label Switching - Transportschicht: ausgewählte Realisierungsprobleme und Internet-Protokolle (TCP und UDP) Sicherheit: Grundlagen
LV-Nr.:	021531000
Art:	Vorlesung
SWS:	3 SWS
Link:	C@MPUS
Organisationsname:	Verteilte Systeme

Rechnernetze I

Übung
1 SWS
SS 22

Semester:	SS 22
Inhalt:	siehe Vorlesung
LV-Nr.:	021532000
Art:	Übung
SWS:	1 SWS
Link:	C@MPUS
Organisationsname:	Verteilte Systeme

Reinforcement Learning

Übung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	see lecture
LV-Nr.:	021862000
Art:	Übung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Maschinelles Lernen in den Simulationswissenschaften

Reinforcement Learning

Vorlesung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Reinforcement Learning considers how an agent, interacting with a world, can improve or learn optimal behavior based on own experience or teacher demonstration. This branch of Artificial Intelligence and Machine Learning has become increasingly important foundation of robust intelligent systems and robotics. Optimal exploration (behavior that optimizes the agent's information gain) is a particularly interesting aspect of Reinforcement Learning. This lecture will introduce to the theory of Reinforcement Learning and then discuss state-of-the-art algorithms in this area. A focus of the lecture will be on deep reinforcement learning. Markov Decision Processes and Bellman's optimality principle basic model-free RL methods (policy gradient, Q-learning, etc) model-based RL methods offline reinforcement learning relational RL inverse RL, learning from demonstration and instruction basics of reinforcement learning theory transfer and multi-task learning applications
LV-Nr.:	021861000
Art:	Vorlesung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Maschinelles Lernen in den Simulationswissenschaften

Selbstorganisierende und adaptive Systeme (Self-Organizing and Adaptive Systems)

Vorlesung
2 SWS
SS 22

Semester:	SS 22
Inhalt:	Anwendungsgebiete adaptiver Systeme (Context-Aware Computing) Grundlagen adaptiver Systeme; Spezifikation der Ziel Zustände Protokolle und Verfahren für Monitoring, Analysis, Planning und Execut-ion entlang MAPE basierter adaptiver Anwendungen Begleitende Übung mit Case Study
LV-Nr.:	021500200
Art:	Vorlesung
SWS:	2 SWS
Link:	C@MPUS
Organisationsname:	Verteilte Systeme

Selbstorganisierende und adaptive Systeme (Self-Organizing and Adaptive Systems)

Übung
2 SWS
SS 22

Simulation goes viral! Covid-19 und andere Pandemien

Seminar
2 SWS
SS 22

Speicherung, Verarbeitung und Analyse von Zeitreihendaten

Seminar
2 SWS
SS 22

User-Centered Explainable Artificial Intelligence

Seminar
2 SWS
SS 22

Verteilte Systeme Kolloquium

Kolloquium
2 SWS
SS 22

Zusatzübungen Statistische und stochastische Grundlagen der Informatik

Übung
2 SWS
SS 22

Lehrveranstaltungen (CAMPUS)

Lehrveranstaltungen des IPVS

Lehre

Aktuelle Lehrveranstaltungen

Advanced Information Management

Advanced Information Management

Data Engineering

Data Engineering

Data Engineering

Data Management for End-to-End Machine Learning

Data Science mit Python

Data Science mit Python

Datenbanken-Evergreens

Datenstrukturen und Algorithmen

Datenstrukturen und Algorithmen

Deep Learning in the Sciences

Exercise Machine Learning (for Data Science)

Exercise Machine Learning (for Engineering Scientists)

Fachpraktikum Artificial Intelligence: Deep Learning Lab

Geometric Deep Learning

GSaME-Kolloquium

High Performance Computing

High Performance Computing

High-dimensional data approximation and learning

High-dimensional data approximation and learning

Industrial Analytics

Industrial Analytics

Intelligent Methods for Test and Reliability (für Studiengang InfoTech)

Knowledge Graphs

Knowledge Graphs

Kolloquium Datenbanksysteme

Kolloquium Machine Learning and Robotics

Kolloquium Wissenschaftliches Rechnen

Machine Learning in the Simulation Sciences

Machine Learning

Machine Learning

Mobile Computing Lab

Mobile Computing

Modellbildung und Simulation

Modellbildung und Simulation

Modellierung

Modellierung

Modern Internet Technologies

Numerische Grundlagen

Numerische Grundlagen

Oberseminar Artificial Intelligence

Parallele Numerik/Parallel Numerics

Parallele Numerik/Parallel Numerics

Practical Course Information Systems

Rechnernetze I

Rechnernetze I

Reinforcement Learning

Reinforcement Learning

Selbstorganisierende und adaptive Systeme (Self-Organizing and Adaptive Systems)

Selbstorganisierende und adaptive Systeme (Self-Organizing and Adaptive Systems)

Simulation goes viral! Covid-19 und andere Pandemien

Speicherung, Verarbeitung und Analyse von Zeitreihendaten

User-Centered Explainable Artificial Intelligence

Verteilte Systeme Kolloquium

Zusatzübungen Statistische und stochastische Grundlagen der Informatik

Lehrveranstaltungen (CAMPUS)

Studentische Arbeiten

So erreichen Sie uns

Zielgruppe

Formalia

Services

Organisation