WiSe 25/26  
 Mathematik und ...  
 Data Science  
 Lehrveranstaltung

Data Science

Data Science

0590a_MA120

  • Introduction to Profile Areas

    0590aA1.1

  • Statistics for Data Science

    0590aA1.2

  • Machine Learning for Data Science

    0590aA1.3
    • 19304201 Vorlesung
      Machine Learning (Tim Landgraf)
      Zeit: Mi 12:00-14:00, Do 14:00-16:00, zusätzliche Termine siehe LV-Details (Erster Termin: 15.10.2025)
      Ort: T9/Gr. Hörsaal (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Voraussetzungen

      Grundkenntnisse in Mathematik und Algorithmen und Datenstrukturen

      Kommentar

      Inhalt:

      Bayesche Verfahren der Mustererkennung, Clustering, Expectation Maximization, Neuronale Netze und Lernalgorithmen, Assoziative Netze, Rekurrente Netze. Computer-Vision mit neuronalen Netzen, Anwendungen in der Robotik.

      01 - Introduction, notation, k-nearest neighbors
      02 - Clustering (kMeans, DBSCAN)
      03 - Linear and logistic regression
      04 - Model validation
      05 - The covariance matrix, PCA
      06 - Bagging, decision trees, random forests
      07 - Boosting (AdaBoost), Viola-Jones
      08 - Perceptron, multi-layer perceptron
      09 - Gradient Descent, Backprop, Optimizers (SGD, Adam, RProp)
      10 - ConvNets
      11 - Unsupervised representation learning I  (VAEs, Glow)
      12 - Unsupervised representation learning II (GANs)
      13 - RNNs
      14 - Attention, Transformers
      15 - Attribution, Adversarial Examples

      Literaturhinweise

      wird noch bekannt gegeben
    • 19304202 Übung
      Übung zu Mustererkennung / Machine Learning (Manuel Heurich)
      Zeit: Mo 14:00-16:00 (Erster Termin: 20.10.2025)
      Ort: T9/SR 005 Übungsraum (Takustr. 9)

  • Programming for Data Science

    0590aA1.4
    • 19330313 Praxisseminar
      Programming for Data Science (Sandro Andreotti)
      Zeit: Di 12:00-16:00 (Erster Termin: 14.10.2025)
      Ort: KöLu24-26/SR 006 Neuro/Mathe (Königin-Luise-Str. 24 / 26)

      Kommentar

      Qualifikationsziele

      Die Studentinnen und Studenten haben ein tieferes Verständnis für Konzepte in der Programmierung mit einer höheren Programmiersprache (z. B. C/C++, Java oder Python).

      Inhalte:

      Einführung in verschiedene Arten von Programmiertechniken.

  • Datenbanksysteme Data Science

    0590aB1.20
    • 19301501 Vorlesung
      Datenbanksysteme (Katharina Baum)
      Zeit: Di 10:00-12:00, Di 14:00-16:00, Do 10:00-12:00 (Erster Termin: 14.10.2025)
      Ort: T9/SR 005 Übungsraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe

      • Pflichtmodul im Bachelorstudiengang Informatik
      • Pflichtmodul im lehramtsbezogenen Bachelorstudiengang mit Kernfach Informatik und Ziel: Großer Master
      • Studierende im lehramtsbezogenen Masterstudiengang (Großer Master mit Zeitfach Informatik) können dieses Modul zusammen mit dem "Praktikum DBS" absolvieren
      • Wahlpflichtmodul im Nebenfach Informatik

      Voraussetzungen

      • ALP 1 - Funktionale Programmierung
      • ALP 2 - Objektorientierte Programmierung
      • ALP 3 - Datenstrukturen und Datenabstraktion
      • ODER Informatik B

      Kommentar

      Inhalt

      Datenbankentwurf mit ERM/ERDD. Theoretische Grundlagen relationaler Datenbanksysteme: Relationale Algebra, Funktionale Abhängigkeiten, Normalformen. Relationale Datenbankentwicklung: SQL Datendefinition, Fremdschlüssel und andere Integritätsbedingungen. SQL als applikative Sprache: wesentliche Sprachelemente, Einbettung in Programmiersprachen, Anwendungsprogrammierung; objekt-relationale Abbildung. Transaktionsbegriff, transaktionale Garantien, Synchronisation des Mehrbenutzerbetriebs, Fehlertoleranzeigenschaften. Anwendungen und neue Entwicklungen: Data Warehousing, Data Mining, OLAP.

      Projekt: im begleitenden Projekt werden die Themen praktisch vertieft.

      Literaturhinweise

      • Alfons Kemper, Andre Eickler: Datenbanksysteme - Eine Einführung, 5. Auflage, Oldenbourg 2004
      • R. Elmasri, S. Navathe: Grundlagen von Datenbanksystemen, Pearson Studium, 2005
    • 19301502 Übung
      Übung zu Datenbanksysteme (Pascal Iversen)
      Zeit: Mi 12:00-14:00 (Erster Termin: 15.10.2025)
      Ort: T9/049 Seminarraum (Takustr. 9)

  • Telematik

    0590aB1.23
    • 19305101 Vorlesung
      Telematik (Jochen Schiller)
      Zeit: Mo 14:00-16:00, Fr 14:00-16:00 (Erster Termin: 13.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Voraussetzungen:

      Grundkenntnisse im Bereich Rechnersysteme, z.B. TI-III.

      Kommentar

      Course language is English!

      Content

      Telematics = telecommunications + informatics (often also called computer networks) covers a wide spectrum of topics - from communication engineering to the WWW and advanced applications.

      The lecture addresses topics such as:

      • Basic background: protocols, services, models, communication standards;
      • Principles of communication engineering: signals, coding, modulation, media;
      • Data link layer: media access etc.;
      • Local networks: IEEE-Standards, Ethernet, bridges;
      • Network layer: routing and forwarding, Internet protocols (IPv4, IPv6);
      • Transport layer: quality of service, flow control, congestion control, TCP;
      • Internet: TCP/IP protocol suite;
      • Applications: WWW, security, network management;
      • New network concepts (QUIC etc.).

      At the End of this course, you should...

      • know how networks in general are organized
      • know what the Internet could be or is
      • understand how wired/wireless (see Mobile Communications) networks work
      • understand why/how protocols and layers are used
      • understand how e-mails, videos get to where you are
      • understand how operators operate real, big networks
      • understand the cooperation of web browsers with web servers
      • be aware of security issues when you use the network
      • be familiar with acronyms like: ALOHA, ARP, ATM, BGP, CDMA, CDN, CIDR, CSMA, DCCP, DHCP, ETSI, FDM, FDMA, FTP, HDLC, HTTP, ICMP, ICN, IEEE, IETF, IP, IMAP, ISP, ITU, ISO/OSI, LAN, LTE, MAC, MAN, MPLS, MTU, NAT, NTP, PCM, POTS, PPP, PSTN, P2P, QUIC, RARP, SCTP, SMTP, SNMP, TCP, TDM, TDMA, UDP, UMTS, VPN, WAN, ...

      Literature

      • A. Tanenbaum & D. Wetherall: Computer Networks (5th edition)
      • J. Kurose & K. Ross: Computer Networking (6th edition)
      • S. Keshav: Mathematical Foundations of Computer Networking (2012)
      • W. Stallings book, W. Goralski book 
      • IETF drafts and RFCs
      • IEEE 802 LAN/MAN standards

      Prerequisites

      As this is a Master Course you have to know the basics of computer networks already (e.g. from the OS&CN BSc course or any other basic networking course). That means you know what protocol stacks are, know the basic ideas behind TCP/IP, know layering principles, got a rough understanding of how the Internet works. This course will recap the basics but then proceed to the more advanced stuff.

      Resources & Organization

      The course comprises about 30 "lectures", 90 minutes each, following the inverted or flipped classroom principle. I.e. you will be able to access a video of the lecture before we discuss the content in class. To be able to discuss you have to watch the video BEFORE we meet! This is your main assignment - go through the video, prepare questions if something is not clear. During the meetings there will be a recap of the main ideas plus enough time to discuss each topic if necessary.

      Literaturhinweise

      • Larry Peterson, Bruce S. Davie: Computernetze - Ein modernes Lehrbuch, dpunkt Verlag, Heidelberg, 2000
      • Krüger, G., Reschke, D.: Lehr- und Übungsbuch Telematik, Fachbuchverlag Leipzig, 2000
      • Kurose, J. F., Ross, K. W.: Computer Networking: A Top-Down Approach Featuring the Internet, Addi-son-Wesley Publishing Company, Wokingham, England, 2001
      • Siegmund, G.: Technik der Netze, 4. Auflage, Hüthig Verlag, Heidelberg, 1999
      • Halsall, F.: Data Communi-cations, Computer Networks and Open Systems 4. Auflage, Addison-Wesley Publishing Company, Wokingham, England, 1996
      • Tanenbaum, A. S.: Computer Networks, 3. Auflage, Prentice Hall, Inc., New Jersey, 1996
    • 19305102 Übung
      Übung zu Telematik (Jochen Schiller, Marius Max Wawerek)
      Zeit: Mo 16:00-18:00 (Erster Termin: 20.10.2025)
      Ort: T9/055 Seminarraum (Takustr. 9)

  • Höhere Algorithmik

    0590aB1.24
    • 19303501 Vorlesung
      Höhere Algorithmik (N.N.)
      Zeit: Mo 10:00-12:00, Fr 10:00-12:00 (Erster Termin: 13.10.2025)
      Ort: KöLu24-26/SR 006 Neuro/Mathe (Königin-Luise-Str. 24 / 26)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe

      alle Masterstudenten, und Bachelorstudenten, die sich in Algorithmen vertiefen wollen.

      Empfohlene Vorkenntnisse

      Grundkenntnisse im Bereich Entwurf und Analyse von Algorithmen

      Kommentar

      Es werden Themen wie:

      • allgemeine Algorithmenentwurfsprinzipien
      • Flussprobleme in Graphen,
      • zahlentheoretische Algorithmen (einschließlich RSA Kryptosystem),
      • String Matching,
      • NP-Vollständigkeit
      • Approximationsalgorithmen für schwere Probleme,
      • arithmetische Algorithmen und Schaltkreise sowie schnelle Fourier-Transformation

      behandelt.

      Literaturhinweise

      • Cormen, Leiserson, Rivest, Stein: Introduction to Algorithms, 2nd Ed. McGraw-Hill 2001
      • Kleinberg, Tardos: Algorithm Design Addison-Wesley 2005.
    • 19303502 Übung
      Übung zu Höhere Algorithmik (N.N.)
      Zeit: Mi 08:00-10:00, Mi 14:00-16:00 (Erster Termin: 15.10.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)

  • Spez. Aspekte der Datenverwaltung

    0590aB1.29
    • 19304801 Vorlesung
      Spezielle Aspekte der Datenverwaltung: Geospatial Databases (Agnès Voisard)
      Zeit: Di 14:00-16:00 (Erster Termin: 14.10.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe:

      Studierende im Masterstudiengang Voraussetzungen: Datenbanksysteme

      Kommentar

      Diese Vorlesung dient der Einführung in raumbezogene Datenbanken, wie sie insbesondere in geographischen Informationssystemen (GIS) Verwendung finden. Schwerpunkte sind u.a. die Modellierung raumbezogener Daten, Anfragesprachen und Optimierung sowie raumbezogene Zugriffsmethoden und Navigationssysteme ("Location-based services"). Grundwissen in Datenbanken ist erforderlich. Die Vorlesung beinhaltet Übungsblätter und Rechnerpraktika mit PostGIS.

      Sonstiges: Die Vorlesung wird in englischer Sprache gehalten

      Literaturhinweise

      Handouts are enough to understand the course.

      The following book will be mostly used: P. Rigaux, M. Scholl, A. Voisard.Spatial Databases - With Application to GIS. Morgan Kaufmann, May 2001. 432 p. (copies in the main library)
    • 19304802 Übung
      Übung zu Spezielle Aspekte der Datenverwaltung: Geospatial Databases (Agnès Voisard)
      Zeit: Do 14:00-16:00 (Erster Termin: 16.10.2025)
      Ort: A7/SR 031 (Arnimallee 7)

  • Spezielle Aspekte der Data Science in Life Sciences

    0590aB2.4
    • 19328301 Vorlesung
      Datenvisualisierung (Claudia Müller-Birn)
      Zeit: Di 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Link zum Kurs auf der HCC-Webseite: https://www.mi.fu-berlin.de/en/inf/groups/hcc/teaching/winter_term_2025_26/course_data_visualization.html

      Kommentar

      Die rasante technologische Entwicklung erfordert die Verarbeitung großer Mengen von Daten unterschiedlichster Art, um diese durch den Menschen nutzbar zu machen. Diese Herausforderung betrifft heutzutage sehr viele Bereiche des Lebens, wie der Forschung, Wirtschaft und Politik. Datenvisualisierungen werden hier dazu eingesetzt, Informationen und Zusammenhänge durch grafische Darstellung von Daten zu erklären, diese durch visuelle Analyse zu erkunden, um damit die Entscheidungsfindungen zu unterstützen. Ziel dieser Veranstaltung ist es, Studierende mit den Prinzipien, Techniken und Algorithmen der Datenvisualisierung vertraut zu machen und praktische Fertigkeiten für die Gestaltung und Implementierung von Datenvisualisierungen zu vermitteln.

      Dieser Kurs soll Studierenden eine fundierte Einführung in die Grundlagen der Datenvisualisierung mit aktuellen Inhalten aus Forschung und Praxis geben. Am Ende der Veranstaltung werden die Studierenden

      1. ausgehend von einer Problemstellung Methoden zur Konzipierung von Visualisierungen auswählen und anwenden können,
      2. wesentliche theoretische Grundlagen der Visualisierung zur grafischen Wahrnehmung und Kognition kennen,
      3. Visualisierungsansätze und deren Vor- und Nachteile kennen und auswählen können,
      4. Visualisierungslösungen kritisch bewerten können, und
      5. praktische Fertigkeiten für die Implementierung von Visualisierungen besitzen.

      Diese Veranstaltung richtet sich sowohl an Studierende, die daran interessiert sind, Datenvisualisierung in ihrer Arbeit einzusetzen, als auch an Studierende, die Visualisierungs-software entwickeln wollen. Grundkenntnisse in der Programmierung (HTML, CSS, Javascript, Python) und Datenanalyse (z.B. R) sind hilfreich.

      Neben der Teilnahme an den Diskussionen in der Veranstaltung absolvieren die Studierenden mehrere Programmier- und Datenanalyseaufgaben sowie ein Abschlussprojekt, in welchem Sie eine gegebene Problemstellung lösen sollen. Von den Studierenden wird erwartet, dass sie die Ergebnisse der Aufgaben und des Projekts im Sinne der Reproduzierbarkeit dokumentieren und präsentieren.

      Bitte beachten Sie, dass die Veranstaltung sich darauf konzentriert, wie Daten visuell kodiert und für die Analyse präsentiert werden, nachdem die Struktur der Daten und deren Inhalt bekannt ist. Explorative Analysemethoden zur Entdeckung von Erkenntnissen in Daten sind nicht der Schwerpunkt der Veranstaltung.

      Literaturhinweise

      Textbook

      Munzner, Tamara. Visualization analysis and design. AK Peters/CRC Press, 2014.

      Additional Literature

      Kirk, Andy: Data visualisation: A handbook for data driven design. Sage. 2016.

      Yau, Nathan: Visualize This: The FlowingData Guide to Design, Visualization, and Statistics. Wiley Publishing, Inc. 2011.

      Spence, Robert: Information Visualization: Design for Interaction. Pearson. 2007.
    • 60101901 Vorlesung
      Fortgeschrittene Biometrische Methoden (Frank Konietschke)
      Zeit: Mi 14:00-16:00 (Erster Termin: 15.10.2025)
      Ort: A6/SR 032 Seminarraum (Arnimallee 6)

      Kommentar

      Siehe englische Beschreibung.
    • 19328302 Übung
      Übung zu Data Visualization (Malte Heiser)
      Zeit: Do 10:00-12:00 (Erster Termin: 16.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)
    • 60101902 Übung
      Übung zu Fortgeschrittene Biometrische Methoden (Frank Konietschke)
      Zeit: Mi 16:00-18:00 (Erster Termin: 15.10.2025)
      Ort: A6/SR 032 Seminarraum (Arnimallee 6)

  • Spezielle Aspekte der Data Science Technologies

    0590aB3.3
    • 19327201 Vorlesung
      Datenkompression (Heiko Schwarz)
      Zeit: Mo 14:00-16:00 (Erster Termin: 13.10.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)

      Kommentar

      Die Datenkompression stellt eine Technologie dar, welche zahlreiche Anwendungen in unserem Informationszeitalter erst ermöglich.  Obwohl es der Endnutzer oft nicht bemerkt, verwenden wir sie täglich beim Musik hören, Bilder und Videos anschauen, oder der generellen Benutzung unseres Mobiltelefons.

      In der Vorlesung wird eine Einführung in die grundlegenden und am häufigsten verwendeten Verfahren der Datenkompression gegeben. Es werden sowohl theoretische Grundlagen als auch praktische Verfahren behandelt und anhand von Beispielen aus der Praxis erläutert.

      Der erste Teil der Vorlesung behandelt die verlustlose Kompression, bei der die Originaldaten exakt rekonstruiert werden können. Dieser Teil umfasst die folgenden Themen:

      • Eindeutige Decodierbarkeit und Prefix-Codes
      • Entropie und Entropierate als theoretische Grenzen der verlustlosen Kompression
      • Optimale Codes, Huffman Codes
      • Arithmetische Codierung
      • Lempel-Ziv Codierung
      • Linear Prädiktion
      • Beispiele aus der Text-, Bild- und Audiokompression

      Im zweiten Teil der Vorlesung wird die allgemeinere verlustbehaftete Kompression eingeführt, bei der nur eine Approximation der Originaldaten rekonstruiert werden kann. Diese Art der Kompression ermöglicht deutlich höhere Kompressionsfaktoren und ist die dominante Form der Kompression für Audio-, Bild- und Videodaten. Dieser zweite Teil der Vorlesung umfasst folgende Themen:

      • Skalare Quantisierung, optimale skalare Quantisierung
      • Theoretische Grenzen der verlustbehafteten Kompression: Rate-Distortion-Funktionen
      • Vektorquantisierung
      • Prädiktive Quantisierung
      • Transformationscodierung
      • Beispiele aus der Audio-, Bild- und Videocodierung

      Literaturhinweise

      • Sayood, K. (2018), “Introduction to Data Compression,” Morgan Kaufmann, Cambridge, MA.
      • Cover, T. M. and Thomas, J. A. (2006), “Elements of Information Theory,” John Wiley & Sons, New York.
      • Gersho, A. and Gray, R. M. (1992), “Vector Quantization and Signal Compression,” Kluwer Academic Publishers, Boston, Dordrecht, London.
      • Jayant, N. S. and Noll, P. (1994), “Digital Coding of Waveforms,” Prentice-Hall, Englewood Cliffs, NJ, USA.
      • Wiegand, T. and Schwarz, H. (2010), “Source Coding: Part I of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, vol. 4, no. 1-2.
    • 19328601 Vorlesung
      Kryptowährungen und Blockchain (Katinka Wolter)
      Zeit: Di 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: , T9/051 Seminarraum

      Kommentar

      In dieser Lehrveranstaltung werden wir uns mit den Technologien, der Geschichte und den Anwendungen von Kryptowährungen und Blockchain beschäftigen.

      Literaturhinweise

      Bitcoin and Cryptocurrency Technologies: A Comprehensive Introduction, by Arvind Narayanan, Joseph Bonneau, Edward Felten, Andrew Miller, Steven Goldfeder
    • 19327202 Übung
      Übung zur Datenkompression (Heiko Schwarz)
      Zeit: Mo 12:00-14:00 (Erster Termin: 13.10.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)
    • 19328602 Übung
      Übung zu Kryptowährungen und Blockchain (Justus Purat)
      Zeit: Do 10:00-12:00 (Erster Termin: 16.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

  • Aktuelle Forschungsthemen der Data Science Technologies

    0590aB3.4
    • 19327201 Vorlesung
      Datenkompression (Heiko Schwarz)
      Zeit: Mo 14:00-16:00 (Erster Termin: 13.10.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)

      Kommentar

      Die Datenkompression stellt eine Technologie dar, welche zahlreiche Anwendungen in unserem Informationszeitalter erst ermöglich.  Obwohl es der Endnutzer oft nicht bemerkt, verwenden wir sie täglich beim Musik hören, Bilder und Videos anschauen, oder der generellen Benutzung unseres Mobiltelefons.

      In der Vorlesung wird eine Einführung in die grundlegenden und am häufigsten verwendeten Verfahren der Datenkompression gegeben. Es werden sowohl theoretische Grundlagen als auch praktische Verfahren behandelt und anhand von Beispielen aus der Praxis erläutert.

      Der erste Teil der Vorlesung behandelt die verlustlose Kompression, bei der die Originaldaten exakt rekonstruiert werden können. Dieser Teil umfasst die folgenden Themen:

      • Eindeutige Decodierbarkeit und Prefix-Codes
      • Entropie und Entropierate als theoretische Grenzen der verlustlosen Kompression
      • Optimale Codes, Huffman Codes
      • Arithmetische Codierung
      • Lempel-Ziv Codierung
      • Linear Prädiktion
      • Beispiele aus der Text-, Bild- und Audiokompression

      Im zweiten Teil der Vorlesung wird die allgemeinere verlustbehaftete Kompression eingeführt, bei der nur eine Approximation der Originaldaten rekonstruiert werden kann. Diese Art der Kompression ermöglicht deutlich höhere Kompressionsfaktoren und ist die dominante Form der Kompression für Audio-, Bild- und Videodaten. Dieser zweite Teil der Vorlesung umfasst folgende Themen:

      • Skalare Quantisierung, optimale skalare Quantisierung
      • Theoretische Grenzen der verlustbehafteten Kompression: Rate-Distortion-Funktionen
      • Vektorquantisierung
      • Prädiktive Quantisierung
      • Transformationscodierung
      • Beispiele aus der Audio-, Bild- und Videocodierung

      Literaturhinweise

      • Sayood, K. (2018), “Introduction to Data Compression,” Morgan Kaufmann, Cambridge, MA.
      • Cover, T. M. and Thomas, J. A. (2006), “Elements of Information Theory,” John Wiley & Sons, New York.
      • Gersho, A. and Gray, R. M. (1992), “Vector Quantization and Signal Compression,” Kluwer Academic Publishers, Boston, Dordrecht, London.
      • Jayant, N. S. and Noll, P. (1994), “Digital Coding of Waveforms,” Prentice-Hall, Englewood Cliffs, NJ, USA.
      • Wiegand, T. and Schwarz, H. (2010), “Source Coding: Part I of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, vol. 4, no. 1-2.
    • 19328601 Vorlesung
      Kryptowährungen und Blockchain (Katinka Wolter)
      Zeit: Di 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: , T9/051 Seminarraum

      Kommentar

      In dieser Lehrveranstaltung werden wir uns mit den Technologien, der Geschichte und den Anwendungen von Kryptowährungen und Blockchain beschäftigen.

      Literaturhinweise

      Bitcoin and Cryptocurrency Technologies: A Comprehensive Introduction, by Arvind Narayanan, Joseph Bonneau, Edward Felten, Andrew Miller, Steven Goldfeder
    • 19327202 Übung
      Übung zur Datenkompression (Heiko Schwarz)
      Zeit: Mo 12:00-14:00 (Erster Termin: 13.10.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)
    • 19328602 Übung
      Übung zu Kryptowährungen und Blockchain (Justus Purat)
      Zeit: Do 10:00-12:00 (Erster Termin: 16.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

  • Ausgewählte Themen der Data Science Technologies

    0590aB3.5
    • 19312101 Vorlesung
      Betriebssysteme (Barry Linnert)
      Zeit: Di 12:00-14:00, Mi 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: A7/SR 031 (Arnimallee 7)

      Zusätzl. Angaben / Voraussetzungen

      Sprache

      Kurssprache ist Deutsch, aber die Folien sind auf Englisch.

      Die Übungsblätter und die Klausur sind sowohl auf Deutsch als auch auf Englisch verfügbar.

      Homepage

      https://www.inf.fu-berlin.de/w/SE/VorlesungBetriebssysteme2025

      Kommentar

      Betriebssysteme verbinden die Anwendungs- und Nutzungsebene mit der Verwaltung der Hardware. Ausgehend von den Aufgaben eines Betriebssystems und den Anforderungen an moderne Betriebssysteme werden die wichtigsten Aspekte im Zusammenhang mit Aufbau und Entwurf eingeführt:

      • Betriebssystemstruktur und –entwurf einschließlich Historischer Abriss und Betriebssystemphilosophien, Systemgliederung und Betriebsarten, Betriebsmittel und –verwaltung;
      • Prozesse einschließlich Prozessverwaltung;
      • Scheduling einschließlich Real-Time-Scheduling;
      • Prozessinteraktionen und Interprozesskommunikation;
      • Betriebsmittelverwaltung einschließlich des Betriebs von Geräten und Treiberentwicklung und Ein-Ausgabegeräten;
      • Speicherverwaltung einschließlich Prozessadressraum und virtueller Speicher;
      • Dateiverwaltung einschließlich Festplattenbetrieb und Speicherhierarchien;
      • Verteilte Betriebssysteme einschließlich verteilter Architekturen zur Ressourcenverwaltung;
      • Leistungsbewertung einschließlich Überlastproblematik.

      Für die einzelnen Aspekte dienen aktuelle Betriebssysteme als Beispiele und es wird die aktuelle Forschung auf dem Gebiet herangezogen. Der Übungsbetrieb dient der Reflexion der vermittelten Inhalte in Form praktischer Umsetzung und Programmierung der behandelten Ansätze durch die Studierenden.

      Literaturhinweise

      • A.S. Tanenbaum: Modern Operating Systems, 2nd Ed. Prentice-Hall, 2001
      • A. Silberschatz et al.: Operating Systems Concepts with Java, 6th Ed. Wiley, 2004
    • 19312102 Übung
      Übung zu Betriebssysteme (Barry Linnert)
      Zeit: Do 14:00-16:00 (Erster Termin: 16.10.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)

  • Softwareprojekt Data Science

    0590aB3.1
    • 19308312 Projektseminar
      Softwareprojekt: Anwendungen von Algorithmen (Günther Rothe)
      Zeit: Di 08:00-10:00 (Erster Termin: 14.10.2025)
      Ort: T9/SR 006 Seminarraum (Takustr. 9)

      Kommentar

      Inhalt

      Ein typisches Anwendungsgebiet von Algorithmen wird ausgewählt und softwaretechnisch behandelt. In diesem Semester soll es um Algorithmen zum Graphenzeichnen gehen. Das Ziel ist es, Programme zur Herstellung guter Zeichnungen zu schreiben und damit an dem Zeichenwettbewerb teilzunehmen, der im September im Zusammenhang mit der internationalen Konferenz über Graph Drawing and Network Visualization stattfindet.

      Voraussetzungen

      Grundkenntnisse in Entwurf und Analyse von Algorithmen

      Literaturhinweise

      je nach Anwendungsgebiet
    • 19309212 Projektseminar
      Softwareprojekt: Smart Home Demo Lab (Jochen Schiller, Marius Max Wawerek)
      Zeit: Mi 10:00-12:00 (Erster Termin: 15.10.2025)
      Ort: T9/K63 Hardwarepraktikum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      In this course you will be expected to write code. The outcome of your software project should be a concrete contribution to the RIOT code base, and take the shape of one or more pull request(s) to the RIOT github (https://github.com/RIOT-OS/RIOT). Before you start coding, refer to the starting guide

      https://github.com/RIOT-OS/RIOT/wiki#wiki-start-the-riot

      Kommentar

      Softwareprojekt Smart Home Demo Lab

      In diesem Softwareprojekt stehen verschiedene Aufgabenstellungen zur Auswahl. Diese beschäftigen sich mit dem Smart Home Demo Lab der Arbeitsgruppe Computer Systems & Telematics. Die Arbeitsbereiche sind:

      • Aufbau eines Smart Home Ökösystems
      • Machine Learning (ML) basierte Analyse von Smart Home Datensätzen
      • Experimente mit und Verbesserung von bestehenden ML Modellen
      • Entwurf eigener Szenarien für die Nutzung von Smart Homes
      • Entwicklung eigener (virtueller) IoT Geräte

      Die Teilnehmer werden in Kleingruppen (3-5 Studenten) arbeiten und jede Gruppe bearbeitet ihre eigene Fragestellung.

       

      Zum Ablauf: Dieses Softwareprojekt findet Semesterbegleitend statt. Zunächst gibt es ein Kick-off Treffen mit allen Teilnehmern. Dort werden die verschiedenen Aufgaben vorgestellt. Anschließend geben die Studierenden eine Liste mit Priotäten für die einzelnen Themen ab.

      Die eigentliche Bearbeitung der Aufgaben erfolgt dann in mehreren zwei-wöchigen Sprints. Bis am Ende des Semesters eine Abschlusspräsentation allen Teilnehmern alle Ergebnisse vorstellt.

      Das Softwareprojekt: Verteilte Systeme wird je nach Bedarf der Studierenden in deutscher oder englischer Sprache durchgeführt.

      Literaturhinweise

      • A. S. Tanenbaum, Modern Operating Systems, 3rd ed. Upper Saddle River, NJ, USA: Prentice Hall Press, 2007.
      • Shelby, Zach, and Carsten Bormann. 6LoWPAN: The wireless embedded Internet. Vol. 43. Wiley. com, 2011.
      • A. Dunkels, B. Gronvall, and T. Voigt, "Contiki - a lightweight and flexible operating system for tiny networked sensors." in LCN. IEEE Computer Society, 2004, pp. 455-462.
      • P. Levis, S. Madden, J. Polastre, R. Szewczyk, K. Whitehouse, A. Woo, D. Gay, J. Hill, M. Welsh, E. Brewer, and D. Culler, "TinyOS: An Operating System for Sensor Networks," in Ambient Intelligence, W. Weber, J. M. Rabaey, and E. Aarts, Eds. Berlin/Heidelberg: Springer-Verlag, 2005, ch. 7, pp. 115-148.
      • Oliver Hahm, Emmanuel Baccelli, Mesut Günes, Matthias Wählisch, Thomas C. Schmidt, "RIOT OS: Towards an OS for the Internet of Things," in Proceedings of the 32nd IEEE International Conference on Computer Communications (INFOCOM), Poster Session, April 2013.
      • M.R. Palattella, N. Accettura, X. Vilajosana, T. Watteyne, L.A. Grieco, G. Boggia and M. Dohler, "Standardized Protocol Stack For The Internet Of (Important) Things", IEEE Communications Surveys and Tutorials, December 2012.
      • J. Wiegelmann, Softwareentwicklung in C für Mikroprozessoren und Mikrocontroller, Hüthig, 2009
    • 19314012 Projektseminar
      Softwareprojekt: Semantische Technologien (Adrian Paschke)
      Zeit: Mi 14:00-16:00 (Erster Termin: 15.10.2025)
      Ort: A3/SR 115 (Arnimallee 3-5)

      Zusätzl. Angaben / Voraussetzungen

      Weitere Informationen finden sich auf der Veranstaltungsseite.

      Kommentar

      Im Rahmen des Softwareprojekts werden gemischte Gruppen von Bachelor- und Master-Studenten gebildet, die entweder ein eigenständiges Projekt erstellen oder aber ein Teil eines größeren Projektes im Bereich semantischer Technologien übernehmen. Bei der Umsetzung der Aufgaben werden vertiefte Programmierkenntnisse in der Anwendung semantischer Technologien und künstlicher Intelligenz im Corporate Semantic Web erworben, Projektmanagement und Teamfähigkeit gefördert, sowie Praktiken der guten Software-Entwicklung großer verteilter Systeme und Semantic Web Anwendungen geübt. Das Softwareprojekt kann in Zusammenarbeit mit einem externen Partner aus der Industrie oder Standardisierung durchgeführt werden. Die Fortführung des Projektes als Bachelor- oder Masterarbeit ist möglich und ausdrücklich erwünscht.

      Literaturhinweise

      Corporate Semantic Web
    • 19332512 Projektseminar
      Softwareprojekt: Applying LLMs in Healthcare (Malte Heiser)
      Zeit: Di 10:00-12:00 (Erster Termin: 14.10.2025)
      Ort: , Virtueller Raum 35

      Zusätzl. Angaben / Voraussetzungen

      Die Veranstaltung findet statt in der Königin-Luise-Str. 24/26, Raum 111.

      Link zum Softwareprojekt auf der HCC-Webseite: https://www.mi.fu-berlin.de/en/inf/groups/hcc/teaching/winter_term_2025_26/swp_applying_llms_in_healthcare.html

      Kommentar

      In diesem Softwareprojekt entwickeln Studierende in Teamarbeit eine auf Large Language Models (LLMs) basierende Software für Patient:innen im Kontext der Notaufnahme. Im Mittelpunkt steht die emotionale Informiertheit der Patient:innen im Wartebereich, mit dem Ziel, eine eigenständige Reflexion über die eigenen Symptome zu ermöglichen.   Die praxisnahe Problemstellung dient als Grundlage für die Entwicklung einer funktionsfähigen LLM-basierten Anwendung und fördert dabei interdisziplinäres Denken, technische Kreativität sowie agile Teamarbeit. Methodisch orientiert sich das Projekt am Scrum-Framework und bietet den Studierenden die Gelegenheit, wertvolle praktische Erfahrungen im Entwicklungsprozess zu sammeln.   Durch die Anwendung agiler Prinzipien gestalten die Studierenden den Entwicklungsprozess iterativ und kollaborativ – von der Anforderungsanalyse über Planung und Umsetzung bis hin zur abschließenden Reflexion. Dabei erweitern sie ihre Kommunikationsfähigkeiten, bearbeiten komplexe Aufgabenstellungen und vertiefen ihre technischen Kompetenzen.   Wöchentliche Meetings im Verlauf des Semesters ermöglichen die gemeinsame Gestaltung des Prozesses und bieten Raum für Diskussionen. Als Berater:innen und Mentor:innen begleiten wir den Prozess und vermitteln bei Bedarf relevante Methoden und fachliche Kompetenzen.

      Literaturhinweise

      Literature, materials and equipment will be provided during the event.
    • 19334212 Projektseminar
      Softwareprojekt: Maschinelles Lernen für lebenswissenschaftliche Daten (Pascal Iversen, Katharina Baum)
      Zeit: Di 16:00-18:00 (Erster Termin: 14.10.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)

      Kommentar

      In diesem Softwareprojekt arbeiten wir mit verschiedenen ML-basierten Methoden für Vorhersagen für konkrete Fragestellungen aus der Biologie, wie zum Beispiel die Vorhersage der Wirkung von Medikamenten oder die Entwicklung von Infektionszahlen. Dabei liegt der Fokus explizit auf der Entwicklung, Implementierung und Evaluation des methodischen Frameworks und weniger auf der Vorbereitung der Daten.

      Die Programmiersprache ist Python, und wir planen die Verwendung von modernen Python-Modulen für ML wie PyTorch oder ggf. JAX. Gute Python-Kenntnisse sind Voraussetzung. Das Softwareprojekt findet semesterbegleitend statt und kann auch auf Englisch durchgeführt werden.

  • Module ohne Lehrangebot in diesem Semester

    24 Module
    • Data Science in the Social Sciences 0590aB1.1
    • Mobile Mental Health 0590aB1.10
    • Entwicklung von psychologischen Online-Interventionen 0590aB1.11
    • Ausgewählte Themen der Data Science in the Social Sciences 0590aB1.12
    • Spezielle Aspekte der Data Science in the Social Sciences 0590aB1.13
    • Ethical Foundations of Data Science 0590aB1.2
    • Verteilte Systeme 0590aB1.21
    • Mobilkommunikation 0590aB1.22
    • Rechnersicherheit 0590aB1.25
    • Mustererkennung 0590aB1.26
    • Netzbasierte Informationssysteme 0590aB1.27
    • Künstliche Intelligenz 0590aB1.28
    • Forschungspraxis 0590aB1.3
    • Machine Learning in Bioinformatics 0590aB1.30
    • Big Data Analysis in Bioinformatics 0590aB1.31
    • Complex Systems in Bioinformatics 0590aB1.32
    • Neurocognitive Methods and Programming for Data Science 0590aB1.4
    • Cognitive Neuroscience for Data Science A 0590aB1.5
    • Cognitive Neuroscience for Data Science B 0590aB1.6
    • Differentialpsychologische Ansätze in den Data Sciences 0590aB1.7
    • Natural Language Processing 0590aB1.8
    • Einführung in die Psychoinformatik 0590aB1.9
    • Data Science in the Life Sciences 0590aB2.1
    • Ausgewählte Themen der Data Science in Life Sciences 0590aB2.5