Data Science

• Ethical Foundations of Data Science

  0590aB1.2
  • 19331102 Übung
    Übung zu Human Centered Data Science (Claudia Müller-Birn)
    Zeit: Di 16:00-18:00 (Erster Termin: 15.04.2025)
    Ort: T9/SR 006 Seminarraum (Takustr. 9)
    

• Datenbanksysteme Data Science

  0590aB1.20
  • 19301501 Vorlesung
    Datenbanksysteme (Agnès Voisard)
    Zeit: Di 14:00-16:00, Do 14:00-16:00, zusätzliche Termine siehe LV-Details (Erster Termin: 15.04.2025)
    Ort: T9/Gr. Hörsaal (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 (Muhammed-Ugur Karagülle)
    Zeit: Mo 12:00-14:00, Mo 14:00-16:00, Mo 16:00-18:00, Di 08:00-10:00, Di 10:00-12:00, Di 12:00-14:00, Mi 10:00-12:00, Mi 12:00-14:00, Mi 14:00-16:00, Do 08:00-10:00, Do 10:00-12:00, Do 12:00-14:00, Do 16:00-18:00, Fr 10:00-12:00, Fr 14:00-16:00, Fr 16:00-18:00 (Erster Termin: 14.04.2025)
    Ort: T9/SR 006 Seminarraum (Takustr. 9)
    

• Mobilkommunikation

  0590aB1.22
  • 19303901 Vorlesung
    Mobilkommunikation (Jochen Schiller)
    Zeit: Mi 10:00-12:00 (Erster Termin: 16.04.2025)
    Ort: T9/049 Seminarraum (Takustr. 9)
    

    Kommentar

    Das Modul „Mobile Communications“ präsentiert die wichtigsten Themen der mobilen und drahtlosen Kommunikation - die treibenden Kräfte hinter der heutigen Kommunikationsindustrie, die das tägliche Leben aller beeinflussen.

    Die gesamte Vorlesung findet auf ENGLISCH statt und konzentriert sich auf eine Systemperspektive und gibt viele Hinweise auf reale Systeme, Standardisierung und aktuelle Forschung.

    Das Format der Vorlesung ist das Flipped Classroom, d.h. Sie sollten die Videos einer Vorlesung ANSCHAUEN, BEVOR Sie an der Q&A-Sitzung teilnehmen. Während der Q&A-Sitzung werden dann alle offenen Fragen und Probleme diskutiert und beantwortet.

    Die Hauptthemen der Vorlesung sind:

    • Grundlagen der drahtlosen Übertragung: Frequenzen, Signale, Antennen, Multiplexing, Modulation, Spreizspektrum

    • Mediumzugriff: SDMA, FDMA, TDMA, CDMA

    • Drahtlose Telekommunikationssysteme: GSM, TETRA, IMT-2000, LTE, 5G

    • Drahtlose lokale Netzwerke: Infrastruktur/Ad-hoc, IEEE 802.11/15, Bluetooth, ZigBee

    • Mobile Vernetzung: Mobile IP, Ad-hoc-Netze

    • Mobiler Transportschicht: traditionelles TCP, zusätzliche Mechanismen

    • Ausblick: 5 bis 6G, drahtlose Niedrigenergienetzwerke

    Literaturhinweise

    Jochen Schiller, Mobilkommunikation, Addison-Wesley, 2.Auflage 2003

    Alle Unterlagen verfügbar unter http://www.mi.fu-berlin.de/inf/groups/ag-tech/teaching/resources/Mobile_Communications/course_Material/index.html

• Machine Learning in Bioinformatics

  0590aB1.30
  • 19405701 Vorlesung
    Machine Learning in Bioinformatics (Philipp Florian Benner, Hugues Richard)
    Zeit: Mo 08:00-10:00 (Erster Termin: 14.04.2025)
    Ort: A6/SR 025/026 Seminarraum (Arnimallee 6)
    

    Kommentar

    Dieser Kurs führt Schlüsselkonzepte des maschinellen Lernens ein und wird von Tutorien und Übungsaufgaben begleitet, in denen Methoden des maschinellen Lernens auf aktuelle Probleme der Bioinformatik angewendet werden. Nach einer kurzen Wiederholung der Wahrscheinlichkeitstheorie stellen wir probabilistische Methoden zur Klassifikation und Sequenzanalyse vor (Naive Bayes, Mixture Models, Hidden Markov Models). Wir diskutieren die Erwartungs-Maximierung (EM) aus probabilistischer Perspektive und verwenden sie für die Sequenzanalyse. Lineare und logistische Regression dienen als Einstiegspunkt für komplexere Methoden des maschinellen Lernens, einschließlich Kernel-Methoden und neuronale Netze. Die Vorlesung behandelt mehrere neuronale Netzwerkarchitekturen (CNNs, GNN, Transformers), die derzeit in der Bioinformatik-Community und anderen Forschungsbereichen verwendet werden. In den Tutorien und im Rahmen von Übungsaufgaben werden ausgewählte Machine-Learning-Modelle mit scikit-learn und pytorch in Python implementiert. Der Kurs soll es den Studierenden ermöglichen, alle gängigen Techniken des maschinellen Lernens zu verstehen und State-of-the-Art-Klassifizierungsstrategien zu entwickeln, die dann auf Probleme in der Bioinformatik und verwandten Bereichen angewendet werden können.   Inhalte:
    - Naive Bayes
    - Clustering und Mixture Models
    - Hidden Markov Models
    - Regression und Partial Least Squares
    - Kernel Methods
    - Neural Networks und Architekturen
    - Regularization und Model Selection   Voraussetzungen:
    - Lineare Algebra (einfache Vector- and Matrixalgebra)
    - Analysis (mathematische Optimierung, Lagrange)
    - Programmierkenntnisse in Python -- einschließlich objektorientierte Programmierung
    - Grundlegende Kenntnisse oder starkes Interesse in molekularer Biologie und Anwendungen in der Bioinformatik

  • 19405702 Übung
    Übung zu Machine Learning in Bioinformatics (Philipp Florian Benner, Hugues Richard)
    Zeit: Mi 08:00-10:00 (Erster Termin: 16.04.2025)
    Ort: A7/SR 031 (Arnimallee 7)
    

• Complex Systems in Bioinformatics

  0590aB1.32
  • 19405201 Vorlesung
    Complex Systems in Bioinformatics (Martin Vingron, Max von Kleist, Jana Wolf)
    Zeit: Di 12:00-14:00 (Erster Termin: 15.04.2025)
    Ort: A3/SR 120 (Arnimallee 3-5)
    

    Kommentar

    Die Studierenden haben ein vertieftes Verständnis grundlegender mathematischer und algorithmischer Konzepte im Bereich der Modellierung, Simulation und Analyse von komplexen biologischen Systeme vor dem Hintergrund aktueller Forschungsrichtungen der Systembiologie und Biotechnologie. Sie sind in der Lage, eine gegebene biologische oder medizinische Fragestellung zu analysieren, einen geeigneten Modellierungsansatz auszuwählen, eigenständig eine Problemlösung zu entwickeln sowie die Ergebnisse zu beurteilen und zu kommunizieren.

    Inhalte:

    Es werden vertieft Themen aus folgenden Gebieten behandelt:

    - Netzwerkstrukturanalyse

    - Graphische Modellierung

    - Modellierung biochemischer Netzwerke mit gewöhnlichen Differentialgleichungen

    - Diskrete Modellierung regulatorischer Netzwerke

    - Constraint-basierte Modellierung

    - Stochastische und hybride Modellierung

    Literaturhinweise

    wird in der Veranstaltung bekanntgegeben.

  • 19405202 Übung
    Übung zu Complex Systems in Bioinformatics (Martin Vingron, Max von Kleist, Jana Wolf)
    Zeit: Di 14:00-16:00 (Erster Termin: 15.04.2025)
    Ort: A3/SR 120 (Arnimallee 3-5)
    
  • 19405211 Seminar
    Seminar zu Complex Systems in Bioinformatics (Martin Vingron, Max von Kleist, Jana Wolf)
    Zeit: Do 10:00-12:00 (Erster Termin: 17.04.2025)
    Ort: A3/SR 119 (Arnimallee 3-5)
    

• Data Science in the Life Sciences

  0590aB2.1
  • 19405606 Seminaristischer Unterricht
    Data Science in the Life Sciences (Katharina Jahn)
    Zeit: Mo 10:00-14:00 (Erster Termin: 14.04.2025)
    Ort: T9/SR 006 Seminarraum (Takustr. 9)
    

    Kommentar

    This course offers an introduction to various types of data and analysis techniques which are typically used in the life sciences (e.g. omics technologies). The goal is to get a deeper understanding of advanced concepts and data analytical methods in the area of life sciences.

    The focus will be on the following topics:

    • acquisition and pre-processing of data from the area of life sciences,
    • explorative analysis techniques,
    • concepts and tools for reproducible research,
    • theory and practice of methods and models for the analysis of data from the life sciences (statistical inference, regression models, methods of machine learning),
    • introduction to methods of big data analysis.

    After successful completion of this course, participants are able to evaluate, plan and conduct investigations in the life sciences using common methods.

     

  • 19405612 Projektseminar
    Projektseminar zu Data Science in the Life Sciences (Katharina Jahn)
    Zeit: Mi 10:00-14:00 (Erster Termin: 16.04.2025)
    Ort: A6/SR 031 Seminarraum (Arnimallee 6)
    

• Spezielle Aspekte der Data Science in Life Sciences

  0590aB2.4
  • 19336901 Vorlesung
    Advanced Data Visualization for Artificial Intelligence (Georges Hattab)
    Zeit: Mi 10:00-12:00 (Erster Termin: 16.04.2025)
    Ort: A6/SR 007/008 Seminarraum (Arnimallee 6)
    

    Kommentar

    Die Vorlesung über fortgeschrittene Datenvisualisierung für künstliche Intelligenz ist eine umfassende Erkundung der modernsten Techniken und Tools zur Erstellung und Validierung komplexer Visualisierungen für die Vermittlung von Dateneinblicken und Geschichten, mit einem besonderen Schwerpunkt auf Anwendungen in der Verarbeitung natürlicher Sprache (NLP) und erklärbarer KI. Der Vortrag führt die Teilnehmer in das verschachtelte Modell der Visualisierung ein, das vier Ebenen umfasst: Charakterisierung der Aufgabe und der Daten, Abstrahierung in Operationen und Datentypen, Entwurf visueller Kodierungs- und Interaktionstechniken und Erstellung von Algorithmen zur effizienten Ausführung von Techniken. Dieses Modell dient als Rahmen für den Entwurf und die Validierung von Datenvisualisierungen.
    
    Darüber hinaus wird in der Vorlesung die Anwendung der Datenvisualisierung im Bereich NLP behandelt, wobei der Schwerpunkt auf der Visualisierung von Worteinbettungen und Sprachmodellen liegt, um die Erforschung semantischer Beziehungen zwischen Wörtern und die Interpretation des Verhaltens von Sprachmodellen zu unterstützen. Im Kontext von Explainable AI liegt der Schwerpunkt auf der Verwendung von Visualisierungen zur Erklärung von Modellvorhersagen und der Bedeutung von Merkmalen, wodurch die Interpretierbarkeit von KI-Modellen verbessert wird. Durch die Nutzung des verschachtelten Modells der Visualisierung und die Fokussierung auf NLP und erklärbare KI zielt der Vortrag darauf ab, die Teilnehmer mit den wesentlichen Fähigkeiten auszustatten, um fortschrittliche Datenvisualisierungen zu entwerfen und zu validieren, die auf diese spezifischen Anwendungen zugeschnitten sind. So können sie letztendlich komplexe Datenmuster effektiv kommunizieren und tiefere Einsichten aus ihren Daten gewinnen.

  • 60102501 Vorlesung
    Resampling Techniken und deren Anwendungen (Frank Konietschke)
    Zeit: Mi 14:00-16:00 (Erster Termin: 16.04.2025)
    Ort: A6/SR 032 Seminarraum (Arnimallee 6)
    

    Kommentar

    Beschreibung liegt auf Englisch vor.

  • 60102701 Vorlesung
    Complex Data Analysis in Physiology (Dorothee Günzel)
    Zeit: Mo 14:30-18:30 (Erster Termin: 14.04.2025)
    Ort: keine Angabe
    

    Kommentar

    Gemeinsame Veranstaltung des Instituts für Klinische Physiologie und des Instituts für Physiologie der Charité.

    Theoretische und praktische Aspekte der Daten-Akquise, real-time Daten-Verarbeitung und automatisierte Mustererkennung in der Biomedizin. Es werden vertieft Themen aus folgenden Gebieten behandelt:

    • Datenerfassung und Prozessierung von Bilddateien in Forschung und Klinik (z. B. Live Cell Imaging, Super-Resolution-Mikroskopie, bildgebende Verfahren in der Medizin)
    • Elektrophysiologische Verfahren (z. B. Impedanzspektroskopie, Microarrays, EEG, EKG)
    • Verfahren und Anwendung automatisierter Mustererkennung (z. B. automatisierte Tumorerkennung, real-time Analyse biologischer Signale im Brain-Computer Interface oder in Retinaimplantaten, Vorhersage von individuellen Arrhythmierisiken)

    Der Kurs ist zeitlich geteilt: die ersten sieben Termine im Semester finden am Institut für Physiologie statt, die zweiten sieben Termine am Instituts für Klinische Physiologie.

    Weitere Informationen zur Veranstaltung: http://klinphys.charite.de/bioinfo/ oder bei Dorothee Günzel

  • 19336902 Übung
    Ü: Advanced Data Visualization for Artificial Intelligence (Georges Hattab)
    Zeit: Mi 14:00-16:00 (Erster Termin: 16.04.2025)
    Ort: A6/SR 007/008 Seminarraum (Arnimallee 6)
    
  • 60102502 Übung
    Übung zu Resampling Techniken und deren Anwendungen (Frank Konietschke)
    Zeit: Mi 16:00-18:00 (Erster Termin: 16.04.2025)
    Ort: A6/SR 032 Seminarraum (Arnimallee 6)
    
  • 60102702 Übung
    Übung zu Complex Data Analysis in Physiology (Dorothee Günzel)
    Zeit: s. Vorlesung
    Ort: keine Angabe
    

• Spezielle Aspekte der Data Science Technologies

  0590aB3.3
  • 19327401 Vorlesung
    Bild- und Videocodierung (Heiko Schwarz)
    Zeit: Mo 14:00-16:00 (Erster Termin: 14.04.2025)
    Ort: T9/053 Seminarraum (Takustr. 9)
    

    Kommentar

    Die Vorlesung behandelt die wichtigsten Konzepte und Algorithmen, die in modernen Bild- und Videocodierverfahren verwendet werden. Wir werden uns insbesondere auf Techniken konzentrieren, die in aktuellen internationalen Videocodierstandards Anwendung finden.

    In einem kurzen ersten Teil werden zunächst die sogenannten Rohdatenformate eingeführt, welche als Eingangs- und Ausgangsformate von Bild- und Videocodecs verwendet werden. Dieser Teil beinhaltet folgenden Themen:

    • Farbräume und deren Beziehung zur menschlichen Farbwahrnehmung
    • Transfer-Funktionen (Gamma-Codierung)
    • Warum verwenden wir das YCbCr-Format?

    Der zweite Teil der Vorlesung behandelt zunächst die Bildcodierung und umfasst folgende Themen:

    • Der Anfang: Wie funktioniert JPEG?
    • Warum verwenden wir die Diskrete Cosinus-Transformation?
    • Effiziente Codierung von Transformationskoeffizienten
    • Prädiktion von Bildblöcken
    • Adaptive Blockpartitionierung
    • Wie treffen wir Entscheidungen im Encoder?
    • Optimierungen der Quantisierung

    Im dritten und letzten Teil der Vorlesungen behandeln wir Konzept die letztendlich die Videocodierung deutlich effizienter machen als eine separate Codierung der Einzelbilder. Dieser Teil umfasst folgende Themen:

    • Bewegungskompensierte Prädiktion
    • Codierung von Bewegungsvektoren
    • Algorithmen zur Bewegungssuche
    • Subpixel-genaue Bewegungsvektoren und Interpolationsfilter
    • Verwendung mehrere Referenzbilder
    • Was sind B-Bilder und warum verwenden wir diese?
    • Deblocking- und Deringing-Filter
    • Effiziente zeitliche Codierstrukturen

    In den Übungen werden wir schrittweise einen eigenen Codec für Bilder implementieren. Bei entsprechenden Interesse kann dieser zu einem einfachen Videocodec erweitert werden.

     

    Literaturhinweise

    • Bull, D. R., “Communicating Pictures: A Course in Image and Video Coding,” Elsevier, 2014.
    • Ohm, J.-R., “Multimedia Signal Coding and Transmission,” Springer, 2015.
    • Wien, M., “High Efficiency Video Coding — Coding Tools and Specifications,” Springer 2014.
    • Sze, V., Budagavi, M., and Sullivan, G. J. (eds.), “High Efficiency Video Coding (HEVC): Algorithm and Architectures,” Springer, 2014.
    • Wiegand, T. and Schwarz, H., "Source Coding: Part I of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, Now Publishers, vol. 4, no. 1–2, 2011.
    • Schwarz, H. and Wiegand, T., “Video Coding: Part II of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, Now Publishers, vol. 10, no. 1–3, 2016.

  • 19336901 Vorlesung
    Advanced Data Visualization for Artificial Intelligence (Georges Hattab)
    Zeit: Mi 10:00-12:00 (Erster Termin: 16.04.2025)
    Ort: A6/SR 007/008 Seminarraum (Arnimallee 6)
    

    Kommentar

    Die Vorlesung über fortgeschrittene Datenvisualisierung für künstliche Intelligenz ist eine umfassende Erkundung der modernsten Techniken und Tools zur Erstellung und Validierung komplexer Visualisierungen für die Vermittlung von Dateneinblicken und Geschichten, mit einem besonderen Schwerpunkt auf Anwendungen in der Verarbeitung natürlicher Sprache (NLP) und erklärbarer KI. Der Vortrag führt die Teilnehmer in das verschachtelte Modell der Visualisierung ein, das vier Ebenen umfasst: Charakterisierung der Aufgabe und der Daten, Abstrahierung in Operationen und Datentypen, Entwurf visueller Kodierungs- und Interaktionstechniken und Erstellung von Algorithmen zur effizienten Ausführung von Techniken. Dieses Modell dient als Rahmen für den Entwurf und die Validierung von Datenvisualisierungen.
    
    Darüber hinaus wird in der Vorlesung die Anwendung der Datenvisualisierung im Bereich NLP behandelt, wobei der Schwerpunkt auf der Visualisierung von Worteinbettungen und Sprachmodellen liegt, um die Erforschung semantischer Beziehungen zwischen Wörtern und die Interpretation des Verhaltens von Sprachmodellen zu unterstützen. Im Kontext von Explainable AI liegt der Schwerpunkt auf der Verwendung von Visualisierungen zur Erklärung von Modellvorhersagen und der Bedeutung von Merkmalen, wodurch die Interpretierbarkeit von KI-Modellen verbessert wird. Durch die Nutzung des verschachtelten Modells der Visualisierung und die Fokussierung auf NLP und erklärbare KI zielt der Vortrag darauf ab, die Teilnehmer mit den wesentlichen Fähigkeiten auszustatten, um fortschrittliche Datenvisualisierungen zu entwerfen und zu validieren, die auf diese spezifischen Anwendungen zugeschnitten sind. So können sie letztendlich komplexe Datenmuster effektiv kommunizieren und tiefere Einsichten aus ihren Daten gewinnen.

  • 19327402 Übung
    Übung zu Bild- und Videocodierung (Heiko Schwarz)
    Zeit: Mo 12:00-14:00 (Erster Termin: 14.04.2025)
    Ort: T9/053 Seminarraum (Takustr. 9)
    
  • 19336902 Übung
    Ü: Advanced Data Visualization for Artificial Intelligence (Georges Hattab)
    Zeit: Mi 14:00-16:00 (Erster Termin: 16.04.2025)
    Ort: A6/SR 007/008 Seminarraum (Arnimallee 6)
    

• Aktuelle Forschungsthemen der Data Science Technologies

  0590aB3.4
  • 19327401 Vorlesung
    Bild- und Videocodierung (Heiko Schwarz)
    Zeit: Mo 14:00-16:00 (Erster Termin: 14.04.2025)
    Ort: T9/053 Seminarraum (Takustr. 9)
    

    Kommentar

    Die Vorlesung behandelt die wichtigsten Konzepte und Algorithmen, die in modernen Bild- und Videocodierverfahren verwendet werden. Wir werden uns insbesondere auf Techniken konzentrieren, die in aktuellen internationalen Videocodierstandards Anwendung finden.

    In einem kurzen ersten Teil werden zunächst die sogenannten Rohdatenformate eingeführt, welche als Eingangs- und Ausgangsformate von Bild- und Videocodecs verwendet werden. Dieser Teil beinhaltet folgenden Themen:

    • Farbräume und deren Beziehung zur menschlichen Farbwahrnehmung
    • Transfer-Funktionen (Gamma-Codierung)
    • Warum verwenden wir das YCbCr-Format?

    Der zweite Teil der Vorlesung behandelt zunächst die Bildcodierung und umfasst folgende Themen:

    • Der Anfang: Wie funktioniert JPEG?
    • Warum verwenden wir die Diskrete Cosinus-Transformation?
    • Effiziente Codierung von Transformationskoeffizienten
    • Prädiktion von Bildblöcken
    • Adaptive Blockpartitionierung
    • Wie treffen wir Entscheidungen im Encoder?
    • Optimierungen der Quantisierung

    Im dritten und letzten Teil der Vorlesungen behandeln wir Konzept die letztendlich die Videocodierung deutlich effizienter machen als eine separate Codierung der Einzelbilder. Dieser Teil umfasst folgende Themen:

    • Bewegungskompensierte Prädiktion
    • Codierung von Bewegungsvektoren
    • Algorithmen zur Bewegungssuche
    • Subpixel-genaue Bewegungsvektoren und Interpolationsfilter
    • Verwendung mehrere Referenzbilder
    • Was sind B-Bilder und warum verwenden wir diese?
    • Deblocking- und Deringing-Filter
    • Effiziente zeitliche Codierstrukturen

    In den Übungen werden wir schrittweise einen eigenen Codec für Bilder implementieren. Bei entsprechenden Interesse kann dieser zu einem einfachen Videocodec erweitert werden.

     

    Literaturhinweise

    • Bull, D. R., “Communicating Pictures: A Course in Image and Video Coding,” Elsevier, 2014.
    • Ohm, J.-R., “Multimedia Signal Coding and Transmission,” Springer, 2015.
    • Wien, M., “High Efficiency Video Coding — Coding Tools and Specifications,” Springer 2014.
    • Sze, V., Budagavi, M., and Sullivan, G. J. (eds.), “High Efficiency Video Coding (HEVC): Algorithm and Architectures,” Springer, 2014.
    • Wiegand, T. and Schwarz, H., "Source Coding: Part I of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, Now Publishers, vol. 4, no. 1–2, 2011.
    • Schwarz, H. and Wiegand, T., “Video Coding: Part II of Fundamentals of Source and Video Coding,” Foundations and Trends in Signal Processing, Now Publishers, vol. 10, no. 1–3, 2016.

  • 19327402 Übung
    Übung zu Bild- und Videocodierung (Heiko Schwarz)
    Zeit: Mo 12:00-14:00 (Erster Termin: 14.04.2025)
    Ort: T9/053 Seminarraum (Takustr. 9)
    

• Ausgewählte Themen der Data Science Technologies

  0590aB3.5
  • 19326601 Vorlesung
    Markovketten (Katinka Wolter)
    Zeit: Di 12:00-14:00, Do 10:00-12:00 (Erster Termin: 15.04.2025)
    Ort: T9/Gr. Hörsaal (Takustr. 9)
    

    Kommentar

    Dieser Kurs wird auf englisch gehalten.

    Wir beschäftigen uns mit den grundlegenden stochastischen Modellen, die zur Untersuchung der Leistung von Computersystemen häufig benutzt werden. Markov modelle und Warteschlangen werden gerne für die Untersuchung dynamischer Systeme verwendet, z.B. Computer Hardware, Kommunicationsprotokolle, biologische Systeme, Epidemien, Verkehr und digitale Währungen.  Wir werden uns einen raschen Überblick verschaffen.  Betrachtete Themen sind der Geburts- und Todesprozess, der Poissonprozess, verallgemeinerte Markov und semi-Markov prozesse sowie deren Lösungsmethoden. Soweit die Zeit es erlaubt werden wir auch die Hintergründe der diskreten Ereignissimulation ansehen.

    Literaturhinweise

    William Stewart. Probability, Markov Chains, Queues and Simulation. Princeton University Press 2009.

  • 19326602 Übung
    Übung zu Markovketten (Justus Purat)
    Zeit: Di 14:00-16:00 (Erster Termin: 15.04.2025)
    Ort: A6/SR 007/008 Seminarraum (Arnimallee 6)
    

• Softwareprojekt Data Science

  0590aB3.1
  • 19308312 Projektseminar
    Softwareprojekt: Anwendungen von Algorithmen (Mahmoud Elashmawi)
    Zeit: Do 08:30-10:00 (Erster Termin: 10.04.2025)
    Ort: T9/053 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

  • 19314012 Projektseminar
    Softwareprojekt: Semantische Technologien (Adrian Paschke)
    Zeit: Mi 14:00-16:00 (Erster Termin: 16.04.2025)
    Ort: A7/SR 031 (Arnimallee 7)
    

    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

  • 19334212 Projektseminar
    Softwareprojekt: Maschinelles Lernen und Erklärbarkeit für verbesserte (Krebs-)behandlung (Pauline Hiort)
    Zeit: Di 15:00-17:00, zusätzliche Termine siehe LV-Details (Erster Termin: 26.02.2025)
    Ort: T9/K40 Multimediaraum (Takustr. 9)
    

    Kommentar

    Im Softwareprojekt werden wir verschiedene Machine-Learning (ML)-Methoden implementieren, trainieren und evaluieren. Der Fokus im Projekt liegt auf neuronalen Netzen (NN) und ihrer Erklärbarkeit. Die Methoden werden wir mit verschiedenen Baseline-Modellen, zum Beispiel Regressionsmodellen, vergleichen. Verschiedene ML-Methoden werden auf einen spezifischen Datensatz, z.B. zur Vorhersage von Medikamentenkombinationen gegen Krebserkrankungen, angewendet und ausgewertet. Der Datensatz wird von uns vorbereitet und mit den implementierten Methoden analysiert. Zusätzlich legen wir einen Fokus auf Erklärbarkeit, um sicherzustellen, dass die Vorhersagen der ML-Modelle nachvollziehbar und interpretierbar sind. Dazu werden wir geeignete Techniken zur Erklärbarkeit von Modellen integrieren, um die Entscheidungsgrundlagen der Modelle besser zu verstehen und visualisieren zu können.

    Die Programmiersprache ist Python, und wir planen die Verwendung von modernen Python-Modulen für ML wie scikit-learn, and PyTorch. Gute Python-Kenntnisse sind Voraussetzung. Das Ziel ist die Erstellung eines Python-Pakets, das für den konkreten Anwendungsfall wiederverwendbaren Code zur Präprozessierung, Training auf ML-Modelle und Evaluation der Ergebnisse mit Dokumentation (z.B. mit sphinx) liefert. Das Softwareprojekt findet semesterbegleitend statt und kann auch auf Englisch durchgeführt werden.

• Module ohne Lehrangebot in diesem Semester

  26 Module
  • Introduction to Profile Areas 0590aA1.1
  • Statistics for Data Science 0590aA1.2
  • Machine Learning for Data Science 0590aA1.3
  • Programming for Data Science 0590aA1.4
  • 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
  • Verteilte Systeme 0590aB1.21
  • Telematik 0590aB1.23
  • Höhere Algorithmik 0590aB1.24
  • Rechnersicherheit 0590aB1.25
  • Mustererkennung 0590aB1.26
  • Netzbasierte Informationssysteme 0590aB1.27
  • Künstliche Intelligenz 0590aB1.28
  • Spez. Aspekte der Datenverwaltung 0590aB1.29
  • Forschungspraxis 0590aB1.3
  • Big Data Analysis in Bioinformatics 0590aB1.31
  • 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
  • Ausgewählte Themen der Data Science in Life Sciences 0590aB2.5