März 2017 _____________________________ ____________________________ Prof. Dr. E. Müller Prof. N. Steger Studiendekan der Fakultät Informatik Studiengangkoordinator Fakultät Informatik Masterstudiengang Angewandte Informatik Modulhandbuch Stand: SS 2017
40
Embed
Masterstudiengang Angewandte Informatik … · Augmented Reality ... Klausurarbeit, mündliche Prüfung, Hausarbeit mit Kollo-quium, Entwurf mit Kolloquium, Laborbericht, Exkursionsbericht
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Leistungsnachweis und Prüfung: Mündliche Prüfung 30 Minuten am Ende des Semesters.
Lernergebnisse und Inhalte:
Lernergebnisse:
Die Studierenden kennen die Begriffe der Graphentheorie
Sie können wichtige Algorithmen zur Lösung graphentheoretischer Probleme anwenden und die Komplexität der Algorithmen und Methoden bewerten
Sie können die gelernten Methoden auf praktische Beispiele anwenden Sie kennen die zentralen Methoden der Komplexitätstheorie und haben Verständnis für
die Relevanz komplexitätstheoretischer Betrachtungen in der Praxis Sie können einfache Spiele klassifizieren und kennen den Nutzen spieltheoretischer An-
sätze und Methoden in der Informatik
Sie kennen Methoden und spieltheoretische Modelle zur Beschreibung von Auktionsver-fahren und können diese auf einfache Fragestellungen aus der Internet-Ökonomie an-wenden
Sie haben Einblick in Funktionsweise, Grenzen und Möglichkeiten randomisierter Algo-rithmen
Lehrinhalte:
Begriffe und Definitionen der Graphen-Theorie Zusammenhang Topologisches Sortieren
Algorithmen zur Bestimmung des kürzesten Wegs (A*-, Dijkstra-, Floyd- und Warshall-Algorithmus)
Lokale Suchalgorithmen (z.B. Bergsteiger- und Ameisen-Algorithmus) Bestimmung des minimalen Spannbaums mit Algorithmen von Prim und Kruskal Bestimmung des maximalen Flusses in Netzwerken mit den Algorithmen von
Ford/Fulkerson, Edmonds/Karp und Dinic Lösung des Maximum-Matching Problems mit Hilfe von Netzwerken
Praktischer Einsatz von Algorithmen auf Graphen mit BGL Boost Die Komplexitätsklassen P und NP NP-vollständige Probleme, insbesondere auch aus der Graphentheorie
Grundelemente der Algorithmischen Spieltheorie Mechanismen, Auktionen und deren praktische Anwendung in der Internet-Ökonomie Komplexität von Spielen
Logofatu, D.: „Algorithmen und Problemlösungen mit C++“, Vieweg
Heun, V.: „Grundlegende Algorithmen“, Vieweg. Saake, G; Sattler, U.: „Algorithmen und Datenstrukturen“, Dpunkt-Verlag Krumke, S, Noltemeier, H.: „Graphentheoretische Konzepte und Algorithmen“, Teubner Gelperin, D.: “On the optimality of A* Artificial Intelligence, 8:69–76, 1977.
Sedgewick, R. und J. S. Vitter: „Shortest paths in Euclidean graphs.“ Algorithmica, 1(1):31–48, 1986.
S. Arora, B. Barak: Computational Complexity, Cambridge University Press, 1. Auflage,
2009. J.E. Hopcroft, R. Motwani, J.D. Ullman: Einführung in Automatentheorie, Formale Spra-
chen und Berechenbarkeit, Pearson Studium, 3. Auflage, 2011. M. Mitzenmacher, E. Upfal: Probability and Computing, Cambridge University Press, 1.
Auflage, 2005. M.J. Osborne, A. Rubinstein: A Course in Game Theory, MIT Press, 1. Auflage, 1994.
H. Peters: Game Theory, Springer, 1. Auflage, 2008. M. Maschler, E. Solan, S. Zamir: Game Theory, Cambridge University Press, 1. Auflage,
2013. Y. Saez, A. Mochon: Understanding Auctions, Springer, 1. Auflage, 2015.
Seite | 12
Mathematik Allgemeines:
Dozent: Prof. Dr. Markus Preisenberger
Pflichtfach: im Masterstudium „Angewandte Informatik“ Wahlfach: - Voraussetzungen: Keine Angebot und Dauer: Sommersemester, ein Semester Lehrformen: 4 SWS Seminaristischer Unterricht
Butz, T.: Fourier-Transformation für Fußgänger, B.G. Teubner, 2. Auflage Hachenberger, D.: Mathematik für Informatiker, Pearson Studium, 2. Auflage, 2008 Hirsch, M.W., Smale, S.: Differential Equations, Dynamical Systems and Linear Algebra
Academic Press, 1974
Lang, H. W.: Algorithmen in Java, Oldenbourg Verlag, 2. Auflage, 2006 Stingl, P.: Mathematik für Fachhochschulen, Hanser Verlag, 8. Auflage, 2009
Seite | 13
Softwarearchitektur
Allgemeines: Dozent: Prof. Dr. Georg Hagel Pflichtfach: im Masterstudium Wahlfach: -
Voraussetzungen: keine Angebot und Dauer: Sommersemester, ein Semester Lehrformen: 2 SWS Seminaristischer Unterricht
Leistungsnachweis und Prüfung: Leistungsnachweis in der Übung,
Schriftliche Prüfung 90 Minuten am Ende des Semesters
Lernergebnisse und Inhalte: Lernergebnisse:
Nach erfolgreicher Beendigung der Veranstaltung sind die Studierenden in der Lage,… Zu erklären, welche Faktoren Einfluss auf die Architektur einer Software haben.
Zu beschreiben, welche Architekturprinzipien beim Entwurf einer Softwarearchitektur beachtet werden müssen.
Bekannte Architekturmuster bei der Erstellung der Softwarearchitektur anzuwenden. Aspekte von Softwaresystemen zu beschreiben. Lösungsansätze für Aspekte von Softwaresystemen anzugeben. Softwarearchitekturen mit aktuellen Beschreibungsmethoden zu dokumentieren.
Lehrinhalte:
Aufgaben von Softwarearchitekten Entwurf von Softwarearchitekturen
Architekturmuster Architekturaspekte Dokumentation von Softwarearchitekturen
• Starke, Gernot: Effektive Software-Architekturen, Carl Hanser Verlag, 2. Auflage (2005) • Vogel, Oliver et al.: Software-Architektur, Elsevier (2005) • Buschmann, Frank et al.: POSA Band 1 – Pattern-orientierte Softwarearchitektur – Ein
Pattern-System • Bass, Len et al.: Software Architecture in Practice, Second Edition, SEI Series in Soft-
ware Egineeering, Addison –Wesley (2003) • Oestereich, Bernd: Die UML 2.0 Kurzreferenz für die Praxis, Oldenbourg Verlag, 3. Auf-
lage (2004)
Seite | 14
Hauptseminar Allgemeines:
Dozent: Alle Professoren der Fakultät Pflichtfach: im Masterstudium Wahlfach: - Voraussetzungen: Keine Angebot und Dauer: Sommersemester, ein Semester Lehrformen: Seminar
Leistungspunkte: 5
Arbeitsaufwand: 15 Stunden Präsenzzeit Vorträge und anschließender Diskussion
135 Stunden Vorbereitung der Präsentation und Ausarbeitung der Studienarbeit
Leistungsnachweis und Prüfung: Seminarvortrag mit anschließender Diskussion
Studienarbeit
Lernergebnisse und Inhalte: Lernergebnisse:
Nach erfolgreicher Beendigung der Veranstaltung sind die Studierenden in der Lage sich in ein anspruchsvolles, wissenschaftliches Thema einzuarbeiten entsprechende Literatur zu recherchieren und aufzuarbeiten einen Vortrag zu einem wissenschaftliches Thema zu erarbeiten, zu präsentieren und bei
der nachfolgenden Diskussion zu vertreten eine schriftliche Ausarbeitung zu einem wissenschaftlichen Thema zu erstellen
Lehrinhalte: Abhängig vom Thema des Hauptseminars Literatur: Abhängig vom Thema des Hauptseminars
Seite | 15
Projekt
Allgemeines:
Dozent: Alle Professoren der Fakultät Pflichtfach: im Masterstudium Wahlfach: - Voraussetzungen: Keine Angebot und Dauer: Sommersemester, ein Semester Lehrformen: Projekt
Leistungspunkte: 5
Arbeitsaufwand: 15 Stunden Präsenzzeit Besprechung mit betreuendem Professor
135 Stunden Durchführung des Projektes
Leistungsnachweis und Prüfung: Bewertung des Projektergebnisses durch betreuenden Professor
Lernergebnisse und Inhalte: Lernergebnisse: Nach erfolgreicher Beendigung der Veranstaltung sind die Studierenden in der Lage
ein Projekt zu planen, zu organisieren und zu leiten ein Projekt gegenüber Dritten zu vertreten Probleme im Projekt frühzeitig zu erkennen und zu lösen ein Projekt erfolgreich abzuschließen das erworbene Wissen auch in komplexen Anwendungsszenarien einzusetzen und er-
folgreich anzuwenden
aus unvollständigen und ggf. widersprüchlichen Anforderungen in Abstimmung mit dem
Auftraggeber konsistente und überzeugende Lösungen zu erarbeiten sich schnell in neue Anwendungsgebiete, Technologien und Grundlagen einzuarbeiten
Lehrinhalte: Abhängig vom Projektauftrag
Literatur: Abhängig vom Projektauftrag
Seite | 16
3 Wahlpflichtmodule
Technische Informatik
Parallelprogrammierung
Allgemeines:
Dozent: Prof. Dr. U. Göhner Pflichtfach: im Masterstudium
Wahlfach: - Voraussetzungen: Keine Angebot und Dauer: Wintersemester, ein Semester Lehrformen: 2 SWS Seminaristischer Unterricht
Leistungsnachweis und Prüfung: Schriftliche Prüfung 90 Minuten am Ende des Semesters
Lernergebnisse und Inhalte: Lernergebnisse:
Die Studierenden kennen aktuelle parallele Rechnerarchitekturen einordnen und deren Vor- und Nachteile
Sie verstehen die wichtigsten parallele Programmierkonzepte Sie können die Leistung von Parallelrechnern bei der Lösung praktischer Probleme
bewerten Sie kennen die Vorgehensweisen bei der effektiven Parallelisierung von Algorithmen Sie beherrschen den effektiven Einsatz moderner paralleler Programmierwerkzeuge
Lehrinhalte:
Einführung
Leistungsbewertung, Amdahl und Gustafson-Gesetz parallele Rechnerarchitekturen Programmierkonzepte für Parallelrechner OpenMP und MPI GPU-Programmierung mit CUDA und OpenCL
PRAM (Parallel Random Access Machine) Parallele Algorithmen und Komplexität
Präfixberechnungen Parallele Berechnung numerischer Ausdrücke Parallele Matrix- und Sortieralgorithmen Grid- und Cloud-Computing
Studium, 2006. “OpenMP Application Program Interface”, Version 4.0 - RC 1, November 2012. “MPI: A Message-Passing Interface Standard”, Version 3.0, Message Passing Interface
Forum, September 21, 2012. “CUDA C PROGRAMMING GUIDE”, NVIDIA, 2012. “Introduction to OpenCL Programming”, AMD, 2010.
Seite | 17
Betriebssystem im Eigenbau
Allgemeines:
Dozenten: Prof. Dr. Stefan Frenz Pflichtfach: Wahlfach: im Masterstudium „Angewandte Informatik“ Voraussetzungen: keine
Angebot und Dauer: Sommersemester, ein Semester Lehrformen: 2 SWS Seminaristischer Unterricht
Leistungsnachweise zu den Übungen, mündliche Prüfung 30 Minu-ten am Ende des Semesters, Leistungsnachweise sind Zulassungs-
voraussetzungen Qualifikationsziele und Inhalte:
Qualifikationsziele:
Die Studierenden verstehen die grundlegenden Herausforderungen an der Implementierung von
Betriebssystemen. Sie lernen die im Umfeld von aktuellen 32 Bit Rechnern relevanten praktischen sowie die erforderlichen theoretischen Hintergründe kennen. Die Studierenden implementieren selbständig ein kleines Betriebssystem mit virtuellem Speicher und verschiedenen Gerätetreibern.
Lehrinhalte:
x86-Architektur in Bezug zur Betriebssystementwicklung Design-Kriterien für maßgeschneiderte Betriebssysteme Gerätetreiber im allgemeinen und speziellen Anforderungen an Laufzeitsysteme Compiler-Grundlagen
Literatur:
Tanenbaum, Andrew S.: Moderne Betriebssysteme (3. Auflage, 2009)
Dozent: Prof. Dr. Bernd Niehoff Das Modul „Bussysteme“ vermittelt Kenntnisse zu wichtigen Kommunikationssystemen im Fahrzeug-bereich. Im Mittelpunkt stehen die Protokollmechanismen und die Signalanalyse der Bussysteme Con-
troller Area Network und FlexRay. Eine ausführliche Beschreibung zum Modul findet sich im Modulhandbuch des Studiengangs „Fahreras-
sistenzsysteme“.
Mikrocontroller
Dozent: Prof. Dr. Bernd Niehoff Das Modul „Mikrocontroller“ betrachtet Einsatzmöglichkeiten, Aufbau, Funktion und Programmierung
von Mikrocontrollern für die Steuergeräteentwicklung im Automotive-Bereich. Den Schwerpunkt bilden komplexe On-chip Peripheriemodule moderner 32 Bit-Mikrocontroller. Eine ausführliche Beschreibung zum Modul findet sich im Modulhandbuch des Studiengangs „Fahreras-sistenzsysteme“.
Seite | 19
Multimodale Sensorsysteme
Allgemeines:
Dozent: Prof. Dr. Jürgen Brauer Pflichtfach: - Wahlfach: im Master Angewandte Informatik Voraussetzungen: Lineare Algebra, Programmierkenntnisse
Angebot und Dauer: Sommersemester, ein Semester Lehrformen: 2 SWS Seminaristischer Unterricht
Leistungsnachweis und Prüfung: Schriftliche Prüfung 90 Minuten am Ende des Semesters
Lernergebnisse und Inhalte: Lernergebnisse:
Die Studierenden kennen Stärken und Schwächen aktueller bei Fahrerassistenzsystemen und anderen multimodalen Sensorsystemen eingesetzten Sensoren
Sie verstehen die Notwendigkeit zur Sensordatenfusion und können diese Notwendigkeit an konkreten Beispielen darstellen
Sie kennen unterschiedlichen Ansätze zur Sensordatenfusion und können diese
klassifizieren
Sie kennen die theoretischen Grundlagen des rekursiven Bayesschen Filtern zur Sensordatenfusion und beherrschen die wichtigsten Realisierungen des Bayesschen Filters durch Kalmanfilter und Partikelfilter
Sie kennen neuere Ansätze zur Sensordatenfusion und können diese hinsichtlich Ihres Potentials einschätzen
Lehrinhalte:
Beispiele multimodaler Sensorsysteme Notwendigkeit der Sensordatenfusion Stärken und Schwächen aktueller Sensoren, insbesondere im Bereich der
Fahrerassistenzsysteme Klassifikation von Sensordatenfusionsansätzen Grundlagen zur Sensordatenfusion
Theorie des rekursiven Bayes´schen Filters Realisierung rekursiver Bayes´scher Filter durch Kalman-Filter Realisierung rekursiver Bayes´scher Filter durch Partikel-Filter
Representation Learning Neuere Ansätze und aktuelle Trends in der Sensordatenfusion
Darms: Basis-Systemarchitektur zur Sensordatenfusion von Umfeldsensoren für FAS. TU Darmstadt, 2007.
Seite | 20
Echtzeitsysteme
Allgemeines:
Dozent: Prof. Dr. Jürgen Brauer Pflichtfach: - Wahlfach: im Master Angewandte Informatik Voraussetzungen: - Angebot und Dauer: Sommersemester, ein Semester Lehrformen: 2 SWS Seminaristischer Unterricht
Leistungsnachweis und Prüfung: Schriftliche Prüfung 90 Minuten am Ende des Semesters Lernergebnisse und Inhalte: Lernergebnisse:
Die Studierenden kennen Beispiele von Echtzeitsystemen Sie verstehen den Begriff „Echtzeit“ richtig zu deuten und können verschiedene Klassen
von Echtzeitsystemen unterscheiden Sie kennen die Grundlagen des Prozessschedulings und wissen um die Besonderheiten
der Anforderungen des Schedulings bei Echtzeitbetriebssystemen Sie kennen verschiedene echtzeitfähige Schedulingverfahren und ihre jeweiligen Vor-
und Nachteile
Die Studierenden wissen welche Kommunikationsbusse echtzeitfähig sind und wieso Sie kennen den Aufbau und die Funktionsweise von Echtzeitsystemen aus dem
Automotive Kontext Lehrinhalte:
Beispiele für Echtzeitsysteme Genauere Definition des Begriffs „Echtzeit“ Klassifikation von Echtzeitsystemen Grundlagen Betriebssysteme
Besonderheiten von Echtzeitbetriebssystemen Echtzeitkommunikation Realisierung von Echtzeitsystemen Praktische Beispiele für Echtzeitsysteme (AUTOSAR)
Literatur:
Jane W.S. Liu: Real-Time Systems. Pearson-Verlag. 2000. Dieter Zöbel: Echtzeitsysteme. Grundlagen der Planung. Springer-Verlag. 2008. Jürgen Quadde, Michael Mächtel: Moderne Realzeitsysteme kompakt: Eine Einführung
mit Embedded Linux: Praxis und Theorie mit Embedded Linux. dpunkt-Verlag. 2012. Thilo Streichert, Matthias Traub: Elektrik/Elektronik-Architekturen im Kraftfahrzeug:
Modellierung und Bewertung von Echtzeitsystemen (VDI-Buch). Springer-Vieweg-Verlag. 2012
Seite | 21
Mobile Roboter
Allgemeines: Mobile Roboter sind immer noch nicht in unserem Alltag allgegenwärtig. Zwar gibt es einige wenige Beispiele wie Staubsaugroboter, Drohnen, Marserkundungsroboter, autonome Fahrzeuge oder Fuß-
ballspielende Roboter beim RoboCup, doch meist handelt es sich bisher um Nischenlösungen. Wieso ist es so schwer mobile Roboter zu bauen, die Arbeiten übernehmen können, die heute nur von Men-schen ausgeführt werden können? In der Vorlesung soll ein breiter Überblick über die verschiedenen Aspekte des Themas mobile Robo-ter erarbeitet werden. Nachdem ein Verständnis für die vielseitigen Herausforderungen der mobilen
Robotik geschaffen wird, werden wir auf geeignete Sensorik und Aktorik für Roboter eingehen. Die
Organisation der Informationsverarbeitung ist in einem mobilen Roboter ein wichtiges zentrales The-ma. Entsprechend werden hier verschiedene Ansätze für sog. Roboterkontrollarchitekturen vorge-stellt. Ein ebenso zentrales Thema ist das Thema der Navigation: wie kann ein mobiler Roboter robust durch eine bekannte oder sogar unbekannte Umgebung navigieren? Schließlich behandeln wir das Thema des Lernens von geeignenten Aktionen für Roboter. Hier haben sich verschiedene Ansätze wie z.B. das Reinforcement-Learning und das Imitationslernen etabliert. Am Ende der Vorlesung werden
wir auf Besonderheiten der kooperativen Robotik eingehen und es werden Ansätze vorgestellt, die eine Zusammenarbeit von mehreren Robotern ermöglichen sollen. In den Übungen sollen zentrale Algorithmen anhand von Robotersimulatoren vertieft werden. Dozent: Prof. Dr. Jürgen Brauer Pflichtfach: -
Wahlfach: im Master Angewandte Informatik
Voraussetzungen: Analysis, Lineare Algebra, Programmierkenntnisse Angebot und Dauer: Sommersemester, ein Semester Lehrformen: 2 SWS Seminaristischer Unterricht
Leistungsnachweis und Prüfung: Aktive Teilnahme am Praktikum. Schriftliche Prüfung 90 Minuten am Ende des Semesters. Erfolgreiche Teilnahme am Praktikum ist Zulassungsvoraus-
setzung für die Prüfung.
Lernergebnisse und Inhalte: Lernergebnisse:
Nach erfolgreicher Beendigung der Veranstaltung sind die Studierenden in der Lage
Data Warehouse- Systeme zu planen Multidimensionale Datenmodelle und Datenwürfel zu konzipieren Ladeprozesse für Data-Warehouse-Systeme zu konzipieren, zu implementieren und zu
testen Komplexe Anfragen an Data Warehouse-Systeme zu erstellen und die physische Spei-
cherung ggf. zu optimieren Werkzeuge zur Erstellung von Data-Warehouse-Systemen zu bewerten, passende
Werkzeuge auszuwählen und einzuführen Aktuelle Technologien wie Hadoop und Hive einzusetzen und mit klassischen Ansätzen
zu vergleichen
Lehrinhalte:
Einsatzbereiche von Data Warehouse-Systemen
OLTP vs. OLAP Architektur von Data Warehouse-Systemen Das Multidimensionale Datenmodell Dimensionen und Hierarchien Summierbarkeit Konzeptionelle Modellierung Implementierung des MDDM (ROLAP und MOLAP)
ETL SQL-Erweiterungen für OLAP Multidimensionale Datenstrukturen (UB-Bäume, Bit-Indices, MDC-Tabellen) Physische und Logische Zugriffspfade Map-Reduce, Hadoop
Datenbanktechnologie für Data-Warehouse-Systeme - Wolfgang Lehner, dpunkt Verlag The Data Warehouse Toolkit - Kimball, Ross, John Wiley & Sons Pentaho Solutions – Bouman, van Dongen, John Wiley & Sons Pentaho Kettle Solutions, Castens, Bouman, van Dongen, John Wiley & Sons Summarizability in OLAP and Statistical Databases - Lenz, Shoshani, SSDBM97, S. 132-
Leistungsnachweis und Prüfung: Mündliche Prüfung 30 Minuten am Ende des Semesters
Lernergebnisse und Inhalte:
Lernergebnisse:
Nach erfolgreicher Beendigung der Veranstaltung sind die Studierenden in der Lage,… die Aufgaben von Requirements-Engineers zu beschreiben. Techniken, mit denen funktionale und nicht-funktionale Anforderungen erhoben und do-
kumentiert werden zu beschreiben. Techniken, mit denen funktionale und nicht-funktionale Anforderungen erhoben und do-
kumentiert werden, anzuwenden. qualitätssichernde Regeln des SOPHIST-REgelwerks auf bestehende Anforderungen an-
zuwenden.
funktionale und nicht-funktionale Anforderungen für Softwaresysteme zu unterscheiden, und qualitätszusichern.
durch die Lehr- und Lernform „Just-in-Time-Teaching“ selbstständig Lerninhalte zu erar-beiten – eine für das lebenslange Lernen notwendige Technik. wissenschaftliche Kurzvorträge zu erstellen und zu halten.
Lehrinhalte:
Der Requirements-Engineer Anforderungsermittlung Das SOPHIST-REgelwerk Schablonen für Anforderungen Dokumentation von Anforderungen Nicht-funktionale Anforderungen
Literatur:
Chris Rupp et al.: Requirements-Engineering und -Management, Hanser, 5. Auflage (2009)
Seite | 26
Identity- und IT-Architekturmanagement
Allgemeines:
Dozent: Prof. Dr. Peter Klutke Pflichtfach: Wahlfach: im Masterstudium „Angewandte Informatik“ Voraussetzungen: keine Angebot und Dauer: Wintersemester, ein Semester Lehrformen: 2 SWS Seminaristischer Unterricht
Leistungsnachweis und Prüfung: Die erfolgreiche Teilnahme am Praktikum gilt als Zulassungsvo-
raussetzung für die 90 minütige schriftliche Prüfung, die am Ende des Semesters erfolgt.
Lernergebnisse und Inhalte: Lernergebnisse:
Nach erfolgreicher Beendigung der Veranstaltung sind die Studierenden in der Lage,
die Grundlagen des Identitymanagements und des IT-Architekturmanagements struktu-riert darzustellen und zu erklären.
dazugehörige Prinzipien, Konzepte und Strategien zu vergleichen, zu beurteilen, auf neue Situationen anzuwenden und weiterzuentwickeln.
Lehrinhalte:
Grundlagen des Identitymanagements mit Einführung, Begriffen, einem Ebenenmodell, zugehörigen Prozessen und Technologien, Rollenmodellen sowie organisationsübergrei-fendem Identitymanagement (Federation)
Grundlagen des IT-Architekturmanagements mit Einführung, Begriffen, Bedeutung, Be-standteilen, der Architekturpyramide und deren Schichten, Modellen zur Architekturpla-nung, Referenzarchitekturen sowie dazugehörigen Prozessen
Im Praktikum werden die Inhalte der Vorlesung vertieft und Fallbeispiele besprochen.
Tsolkas, Alexander; Schmidt, Klaus: „Rollen und Berechtigungskonzepte: Ansätze für das Identity- und Access Management im Unternehmen“; Vieweg+Teubner Verlag; 1. Aufl. (Aug. 2010)
Dern, Gernot: „Management von IT-Architekturen: Leitlinien für die Ausrichtung, Pla-nung und Gestaltung von Informationssystemen“; Vieweg+Teubner Verlag; 3., durch-ges. Aufl. (März 2009)
Hanschke, Inge: „Enterprise Architecture Management - einfach und effektiv: Ein prakti-scher Leitfaden für die Einführung von EAM“; Carl Hanser Verlag GmbH & CO. KG; 1. Aufl. (November 2011)
Seite | 27
E-Business Management
Allgemeines: Dozent(en): Prof. Dr. Stefan Wind
Pflichtfach:
Wahlfach: Im Masterstudium „Angewandte Informatik“
Leistungsnachweis und Prüfung: Schriftliche Prüfung 90 Minuten am Ende des Semesters Lernergebnisse und Inhalte: Lernergebnisse:
Die Studierenden
sind in der Lage, die durch elektronische Technologien induzierten Veränderungen tradi-tioneller Geschäftsprozesse zu erklären
sind durch ein grundsätzliches Verständnis des E-Business befähigt, die Möglichkeiten innovativer Verfahren zur Information, Kommunikation und Transaktion zu beschreiben
kennen elektronische Geschäftsprozesse und -modelle in der Net Economy
können diese Kenntnisse auf elektronische Kontaktnetzwerke (E-Community), den elekt-ronischen Handel (E-Marketplace), Systeme bei der elektronischen Kooperation (E-Company), Systeme im elektronischen Einkauf (E-Procurement) und Systeme im elekt-
ronischen Verkauf (E-Shop) transferieren Lehrinhalte: Grundlagen des E-Business Managements
Geschäftsprozessmanagement im E-Business Prozesse, Systeme, Management, Integration und Implementierungen in den Berei-
chen E-Procurement, E-Community, E-Company, E-Shop und E-Marketplace
Neuen Trends und Technologien im E-Busienss Literatur: Ferstl O. K.: Sinz E.: Grundlagen der Wirtschaftsinformatik. 6. Aufl.,
Oldenbourg, München 2008 Kollmann, T.: E‐Business – Grundlagen elektronischer Geschäftsprozesse in der Net
Economy. 5. Auflage. Gabler, Wiesbaden 2013 Meier, A. und Stormer H.: eBusiness & eCommerce : Management der
digitalen Wertschöpfungskette. 2. Aufl., Springer Verlag, Berlin 200 Wirtz B. W.: Electronic Business. 2 Aufl. Gabler, Wiesbaden 2001
Seite | 28
Integration und Management von Geschäftsprozessen mit SAP
Allgemeines: Dozent(en): Prof. Dr. Stefan Wind
Pflichtfach:
Wahlfach: Im Masterstudium „Angewandte Informatik“
Leistungsnachweis und Prüfung: Die erfolgreiche Teilnahme an der Übung gilt als Zulassungs-voraussetzung für die 90 minutige schriftliche Prüfung am
Ende des Semesters. Lernergebnisse und Inhalte:
Lernergebnisse:
Die Studierenden kennen moderne Integrationsplattformen und Integrationsszenarien sind in der Lage, komplexe, integrierte Geschäftsprozesse zu analysieren, zu beschrei-
ben und zu modellieren sind durch ein grundsätzliches Verständnis befähigt, integrierte Informationssysteme am
Beispiel von SAP ERP Systemen zu verstehen und zu beschreiben können diese Kenntnisse auf die Integration und das Management der grundlegenden
Geschäftsprozesse in den Bereichen Kundenauftragsmanagement, Beschaffung, Finanz-wesen usw. entlang der horizontalen und vertikalen Integration in SAP ERP-Systemen transferieren
Lehrinhalte: Grundlagen der Integration und Management von Geschäftsprozessen mit SAP
Moderne Integrationsplattformen und Szenarien (z. B. SAP NetWeaver) Integrierte Informationssysteme am Beispiel von ERP und In-Memory-basierte ERP-
Systemen von SAP
Modellierung von integrierten Geschäftsprozessen und Geschäftsprozessmanagement mit ARIS
Integrierte Geschäftsprozesse und prozessorientierte Integration der betrieblichen In-formationsverarbeitung in SAP
Fallstudien zu komplexen integrierten Geschäftsprozessen und Informationssystemen mit SAP ERP GBI
Literatur:
Mertens, P.: Integrierte Informationsverarbeitung 1 - Administrations- und Dispositi-onssysteme in der Industrie, 18. Aufl., Wiesbaden 2013
Mertens, P., Meier M.: Integrierte Informationsverarbeitung 2 – Planungs- und Kon-trollsysteme in der Industrie, 10. Aufl., Wiesbaden 2009
Scheer, A.-W.: Wirtschaftsinformatik - Referenzmodelle für industrielle Geschäftspro-
zesse, Studienausgabe, 2. Aufl., Berlin, Heidelberg, New York 1998 Scheer, August-Wilhelm. ARIS—vom Geschäftsprozess zum Anwendungssystem.
Springer-Verlag, 2013
Seite | 29
Algorithmen und Strategien zur Entscheidungsunterstützung Allgemeines: Dozent(en): Prof. Dr. Jochen Staudacher Pflichtfach:
Wahlfach: Im Masterstudium „Angewandte Informatik“ Voraussetzungen: Keine Angebot und Dauer: Wintersemester, ein Semester Lehrformen: 3 SWS Seminaristischer Unterricht
Leistungsnachweis und Prüfung: Die erfolgreiche Teilnahme an den Übungen gilt als Zulas-
sungsvoraussetzung für eine 20-minütige mündliche Prüfung am Ende des Semesters.
Lernergebnisse und Inhalte: Lernergebniss:
Die Studierenden können entscheidungs- und spieltheoretische Konzepte auf praktische
Fragestellungen aus Informatik und Wirtschaftswissenschaften anwenden. Sie können beschreiben und analysieren, welchen Einfluss die Struktur eines sozialen
oder ökonomischen Netzwerks auf strategisches Handeln besitzt. Sie können für ausgewählte Anwendungsfälle aus großen Datensätzen sinnvolle Infor-
mation extrahieren, die zur Entscheidungsunterstützung eingesetzt werden kann.
Sie können die vorgestellten Methoden und Algorithmen in R umsetzen. Sie können zu den vorgestellten Ansätzen und Algorithmen zur Entscheidungsunterstüt-
zung kritisch Stellung nehmen und deren Potenziale und Grenzen charakterisieren.
Lehrinhalte:
Entscheidungskriterien, Entscheidungsmodelle, Entscheidungsalgorithmen Nutzenfunktionen, rationales Entscheiden bei Risiko, Bernoulli-Prinzip Interaktives Entscheiden, Algorithmische Spieltheorie und Anwendungen in Informatik
und Ökonomie
Anpassung und Erweiterung spieltheoretischer Ansätze zur Analyse ökonomischer und sozialer Netzwerke
Ökonomien mit Netzwerkeffekten Statistische Entscheidungstheorie Datenbasiertes Entscheiden: Algorithmen und Anforderungen an die Datenqualität
Literatur:
James N. Webb: Game Theory: Decisions, Interaction and Evolution, Springer, 2007 Michael Maschler, Eilon Solan, Shmuel Zamir: Game Theory, Cambridge University
Press, 2013 Hans-Jürgen Zimmermann: Operations Research, Vieweg, 2. Auflage, 2008 Matthew O. Jackson: Social and Economic Networks, Princeton University Press, 2008 David Easley, Jon Kleinberg: Networks, Crowds, and Markets: Reasoning About a Highly
Connected World, Cambridge University Press, 2010
Pierre Lafaye de Micheaux, Remy Drouilhet, Benoit Liquet: The R Software, Springer, 2014
Larry Wasserman: All of statistics, Springer, 2004
Schriftliche Prüfung von 90 Minuten am Ende des Semesters
Lernergebnisse und Inhalte: Lernergebnisse: Die Studierenden sind in der Lage
den Begriff Augmented Reality zu erklären und Anwendungen im Bereich der Mixed Re-
ality einzuordnen. die Bestandteile und die Anforderungen und technischen Möglichkeiten eines Aug-
mented Reality Systems zu analysieren. geeignete Lösungsansätze zur Registrierung und zur Visualisierung in einem Anwen-
dungskontext auszuwählen und diese zu implementieren. mathematische Verfahren zur Lösung linearer und quadratischer Gleichungen anzuwen-
den. eine räumliche Kamerastellung zu ermitteln und hierfür Gleichungssysteme aufzustel-
len. Lehrinhalte: Durch Methoden der Augmented Reality (AR) wird die menschliche Wahrnehmung erweitert, indem virtuelle Informationen nahtlos in reale Welten integriert werden. Das Modul beinhaltet Softwaretech-niken aus den Bereichen der Computergrafik und der Bild- und Signalverarbeitung. Es sind folgende Themen vorgesehen:
Überblick über Techniken und Definition von Augmented Reality
Numerische Optimierungsverfahren für den Einsatz in Echtzeitsystemen User Motion Tracking und Registrierung von Objekten Relativ und absolut arbeitende Inside-Out bzw. Outside-In Systeme zur Registrierung Einführung in die Computer Vision Visuelle Ausgabe AR-Anwendungen (Outdoor und Indoor)
Literatur:
IEEE Proceedings zum International Symposium on Mixed- and Augmented Reality
Seite | 32
Advanced techniques for realtime 3D graphics and games
Allgemeines:
Dozent: Prof. Dr. Bernd Dreier Pflichtfach: Wahlfach: Im Masterstudium Voraussetzungen: Grundlegende Kenntnisse der OpenGL-Rendering Pipeline ent-
sprechend dem im Bachelor Game Engineering und Bachelor Informatik (Wahlpflichtfach) angebotenen Fach „Computergrafik“
Angebot und Dauer: Sommersemester, ein Semester
Lehrformen: 2 SWS Seminaristischer Unterricht 2 SWS betreutes Praktikum in kleinen Gruppen
Leistungsnachweis und Prüfung: Leistungsnachweise im Praktikum, schriftl. Prüfung 90 Minuten
am Ende des Semesters. Leistungsnachweise sind Zulassungsvo-raussetzungen
Lernergebnisse und Inhalte: Lernergebnisse:
Die Studierenden haben ein vertieftes Verständnis der Rendering-Pipeline Die Studierenden verstehen die Anforderungen neuerer OpenGL-Versionen (3.x, 4.x)
und können dafür komplexe Shader auf der Basis von GLSL entwickeln Die Studierenden können komplexe Echtzeit-Anwendungen mit OpenGL realisieren Die Studierenden kennen Vor- und Nachteile verschiedener Arten der Speicherung poly-
gonaler Netze und können diese auswählen und implementieren
Die Studierenden verstehen die mathematischen Hintergründe moderner Grafikanwen-dungen
Die Studierenden verstehen Interpolationsverfahren wie z.B. NURBS und können diese in der Computergrafik und Games anwenden
Die Studierenden kennen ausgewählte Algorithmen der algorithmischen Geometrie und deren Anwendung für Computergrafik und Games
Lehrinhalte:
Shaderprogrammierung mit GLSL (Stand OpenGL 4.1) OpenGL Puffer und Off-Screen-Rendering Bump-/Shadowmapping, TBN-Koordinatensystem
Perspektivisch korrekte Interpolation Speicherung und algorithmische Behandlung polygonaler Netze Bézier-Kurven, Splines und NURBS Neue Konzepte in OpenGL 3/4
Bounding Volumes und ausgewählte Algorithmen der algorithmischen Geometrie Literatur: Eric Lengyel, Mathematics for 3D Game Programming and Computer Graphics, 3rd Edi-
tion, 2011 Edward Angel, Interactive Computer Graphics: A Top-Down Approach with Shader-Based
OpenGL, Addison-Wesley, 2011
Akenine-Möller, Real-Time Rendering, AK Peters, 2008 Computational Geometry, Mark de Berg, et al., Springer, 2008
Seite | 33
Mustererkennung
Allgemeines:
Dozent: Prof. Dr. Stefan Rieck Pflichtfach: - Wahlfach: Im Masterstudium „Angewandte Informatik“ Voraussetzungen: Keine Angebot und Dauer: Sommersemester, ein Semester Lehrformen: 2 SWS Seminaristischer Unterricht
Leistungsnachweis und Prüfung: Schriftliche Prüfung 90 Minuten am Ende des Semesters
Lernergebnisse und Inhalte: Lernergebnisse: Die Studierenden können Verfahren der Mustererkennung adäquat auswählen und
Mustererkennungsaufgaben in der Praxis lösen.
Lehrinhalte:
Vorverarbeitung der Muster
Merkmalsgewinnung
Grundlegende Verfahren zur Erkennung einfacher Muster (Bayes Classifier, Support
Vector Machines, Neuronale Netze)
Erkennung komplexer Musterfolgen und strukturierter Muster
Machine Learning
Literatur:
H. Niemann: Klassifikation von Mustern. Springer, Berlin 1983, ISBN3-540-12642-2.
(online erhältlich).
Christopher M. Bishop: Pattern Recognition and Machine Learning. Springer, Berlin
2006, ISBN 0-387-31073-8.
Seite | 34
Computer Vision
Allgemeines:
Dozent: Prof. Dr. Klaus Ulhaas Pflichtfach: - Wahlfach: Im Masterstudium „Angewandte Informatik“ Voraussetzungen: Englischkenntnisse Angebot und Dauer: Wintersemester, ein Semester Lehrformen: 2 SWS Seminaristischer Unterricht
• 3D Computer Vision: Kamerakalibration, 3D Szenengeometrie
Literatur:
Milan Sonka, Vaclav Hlavac, Roger Boyle, Image Processing, Analysis, and Machine Vi-sion, Cengage Learning, 4. Auflage, 2014.
Klaus D. Tönnies, Grundlagen der Bildverarbeitung, Pearson Studium, April 2005 Richard Hartley and Andrew Zisserman, Multiple View Geometry in Computer Vision,
Second Edition, Cambridge University Press, März 2004
Seite | 35
Deep Learning
Allgemeines: Deep Learning (DL) ist ein Teilbereich des Machine Learnings, der in den letzten 10 Jahren immer wieder neue Erfolgsmeldungen – insbesondere im Bereich der Bild- und Sprachverarbeitung – produ-
ziert hat. Die stark verbesserte Spracherkennungsleistung von Google Now, Apple Siri oder Microsoft Cortana ist auf diese neuen DL Methoden zurückzuführen. Auch erfolgreiche Sprachübersetzungsanwendun-gen wie Skype Translator oder Google Translate stützen sich heute auf DL Ansätze. Bildverarbeitungs-aufgaben wie zum Beispiel die Klassifikation von Bildern oder das Erkennen von Gesichtern werden
heute von Firmen wie Google und Facebook mittels DL Algorithmen erfolgreich gelöst. Auch das Ler-
nen von Aktionen auf Basis von Belohnungssignalen (Reinforcement-Learning) kann heute von die-sem neuen Ansatz profitieren und führte kürzlich dazu, dass das Programm AlphaGo als erstes Com-puterprogramm gegen einen Profi-Go-Spieler gewinnen konnte. Der DL Ansatz ist eng verwandt mit Neuronalen Netzen, aber nicht beschränkt auf die Verwendung von Neuronen als Basisrechenelemente. Viele einfache Rechenelemente werden hierbei in einer ho-hen Anzahl von Ebenen ( tiefe Architektur) auf spezielle Art und Weise miteinander verschaltet. Es
gibt mindestens 20 verschiedene DL Architekturen. Daher werden in diesem Modul drei der wichtigs-ten DL-Architekturen herausgegriffen und anhand dieser gleichzeitig die Eigenarten des DL Ansatzes aufgezeigt. In den Übungen werden die Verfahren entweder in C++ teilweise selber programmiert bzw. die Verwendung der Verfahren unter Zuhilfenahme aktueller DL-Bibliotheken wie z.B. TensorFlow geübt.
Dozent: Prof. Dr. Jürgen Brauer
Pflichtfach: - Wahlfach: im Master Angewandte Informatik Voraussetzungen: Analysis, Lineare Algebra, Programmierkenntnisse Angebot und Dauer: Wintersemester, ein Semester Lehrformen: 2 SWS Seminaristischer Unterricht
90 Stunden Selbststudium Leistungsnachweis und Prüfung: Schriftliche Prüfung 90 Minuten am Ende des Semesters Lernergebnisse und Inhalte:
Lernergebnisse:
Die Studierenden kennen mindestens drei der wichtigsten DL Architekturen im Detail
Für jeden dieser drei Ansätze haben Sie fundiertes Wissen über den Aufbau und Funktionsweise gesammelt und können dieses Wissen bei Problemstellungen im Bereich Bildverarbeitung, Spracherkennung oder Aktionslernen durch Anwendung eines geeigneten DL Verfahrens umsetzen
Die Studierenden verstehen, welche Eigenschaften die DL Verfahren besonders auszeichnet und von klassischen Machine Learning Verfahren unterscheidet
Sie kennen die historische Entwicklung des DL Gebietes und können abschätzen welche weiteren Entwicklungen zu erwarten sind
Lehrinhalte:
Einführung o Motivation Deep Learning: kürzliche Erfolge o Geschichte des Deep Learnings
Deep Learning Architekturen & Anwendungen
o CNN: Convolutional Neural Networks für Bildverarbeitungsaufgaben
o LSTM: Long Short Term Memory zur Automatischen Spracherkennung und Sprachübersetzung
Seite | 36
o DQN: Deep Q-Networks zum Erlernen von Aktionen auf Basis von Belohnungssignalen
Leistungsnachweis und Prüfung: Studienarbeit Lernergebnisse und Inhalte:
Lernergebnisse: Effektiver Umgang mit wissenschaftlicher Literatur
Verständnis für Vorgehensweisen zur Lösung wissenschaftlicher Fragestellungen Effektiver Einsatz von Recherchetools
Lehrinhalte:
Wissenschaftstheoretische Grundlagen
Übersicht über Art und Typen wissenschaftlicher Literatur Fachliche und stilistische Regeln wissenschaftlicher Arbeiten Form und Ausgestaltung wissenschaftlicher Arbeiten Kennzeichen und Kriterien wissenschaftlicher Arbeiten
Literatur: „Einführung in das wissenschaftliche Arbeiten“, Sesink, W., Oldenbourg, 2012.
Pflichtfach: Im Masterstudium Wahlfach: - Voraussetzungen: mind. 35 ECTS, 4 Pflichtfächer mit mindestens Note „ausrei-
chend“ bestanden
Angebot und Dauer: Die Frist zur Bearbeitung der Masterarbeit im Vollzeitstudium beträgt 6 Monate, im Teilzeitstudium 12 Monate.
Lehrformen: -
Leistungspunkte: 30
Arbeitsaufwand: 900 Stunden
Leistungsnachweis und Prüfung:
Abschlussarbeit Lernergebnisse und Inhalte: Lernergebnisse: Fähigkeit die im Studium erworbenen Kenntnisse und Fertigkeiten in einer selbständig
angefertigten, anwendungsorientiert-wissenschaftlichen Arbeit auf komplexe Aufgaben-stellungen anzuwenden
Fähigkeit sich selbständig in ein wissenschaftliches Thema einzuarbeiten Fähigkeit aus unvollständigen und widersprüchlichen Informationen in Abstimmung mit
dem Aufgabensteller eine konsistente und überzeugende Lösung zu erarbeiten