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

Data Science

Data Science

0590b_MA120

  • Introduction to Profile Areas

    0590bA1.1

  • Statistics for Data Science

    0590bA1.2

  • Machine Learning for Data Science

    0590bA1.3
    • 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

    0590bA1.4
    • 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.

  • Mustererkennung

    0089cA1.12
    • 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)

  • Spezielle Aspekte der Datenverwaltung

    0089cA1.29
    • 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)

  • Höhere Algorithmik

    0089cA2.1
    • 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)

  • Telematik

    0089cA3.5
    • 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)

  • Spezielle Aspekte der Data Science in Life Sciences

    0590bB1.4
    • 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.
    • 19335201 Vorlesung
      Cybersecurity and AI III (Gerhard Wunder)
      Zeit: Di 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)
    • 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)
    • 19335202 Übung
      Übung zu Cybersecurity and AI III (Gerhard Wunder)
      Zeit: Fr 12:00-14:00 (Erster Termin: 17.10.2025)
      Ort: A7/SR 031 (Arnimallee 7)
    • 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)

  • Aktuelle Forschungsthemen der Data Science in Life Sciences

    0590bB1.5
    • 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.
    • 19335201 Vorlesung
      Cybersecurity and AI III (Gerhard Wunder)
      Zeit: Di 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)
    • 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)
    • 19335202 Übung
      Übung zu Cybersecurity and AI III (Gerhard Wunder)
      Zeit: Fr 12:00-14:00 (Erster Termin: 17.10.2025)
      Ort: A7/SR 031 (Arnimallee 7)

  • Masterseminar Data Science in Life Sciences

    0590bB1.6
    • 19246911 Seminar
      Geometric Deep Learning (Christoph Tycowicz)
      Zeit: Fr 10:00-12:00 (Erster Termin: 17.10.2025)
      Ort: T9/055 Seminarraum (Takustr. 9)

      Kommentar

      Voraussetzungen:
      Ein solider Hintergrund in Differentialgeometrie oder geometrischem Rechnen ist von Vorteil, aber nicht zwingend erforderlich.
      Studierende, die keine verwandten Kurse besucht haben (Differentialgeometrie I, Wissenschaftliche Visualisierung, ...) können das Seminar besuchen, sollten aber bereit sein, mehr Zeit zu investieren.

      Beschreibung:
      Geometric Deep Learning ist ein breit gefächertes und aufstrebendes Forschungsparadigma, das sich mit der Konzeption und Untersuchung von Architekturen neuronaler Netze befasst, die die Invarianzen und Symmetrien in Daten berücksichtigen.
      In der Tat weisen viele reale Aufgaben wesentliche vordefinierte Regelmäßigkeiten auf, die sich aus der zugrunde liegenden niedrigen Dimensionalität und Struktur der physischen Welt ergeben.
      Es hat sich gezeigt, dass die Erfassung dieser Regelmäßigkeiten durch vereinheitlichte geometrische Prinzipien zu erheblichen empirischen Verbesserungen führt.
      Beispiele für solche geometrischen Architekturen sind graphische neuronale Netze sowie Modelle für Daten in gekrümmten Mannigfaltigkeiten.

      Ziel dieses Seminars ist es, vertieftes Wissen über die Kernmethodik des Geometric Deep Learning sowie einen Überblick über die neuesten Methoden zu vermitteln.
      Die Studierenden erwerben praktische Fähigkeiten im Lesen, Präsentieren, Erklären und Diskutieren von wissenschaftlichen Arbeiten.
      Das Seminar kann als Vorbereitung für ein MSc-Thema genutzt werden.

      Literaturhinweise

      Michael M. Bronstein, Joan Bruna, Taco Cohen, Petar Veličković (2021) Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges. arXiv:2104.13478
    • 19334617 Seminar/Proseminar
      Seminar/Proseminar: Beyond LLMs: Recent Breakthroughs in AI (Tim Landgraf)
      Zeit: Mi 10:00-12:00 (Erster Termin: 15.10.2025)
      Ort: T9/049 Seminarraum (Takustr. 9)
    • 19335011 Seminar
      Seminar: Netzwerke, dynamische Modelle und ML für Datenintegration in den Lebenswissenschaften (Katharina Baum, Pascal Iversen)
      Zeit: Di 14:00-15:30 (Erster Termin: 14.10.2025)
      Ort: T9/137 Konferenzraum (Takustr. 9)

      Kommentar

      Forschungsseminar der Arbeitsgruppe Data Integration in the Life Sciences (DILiS). Auch offen für Seminarteilnahmen im Masterstudium, Online-Teilnahme möglich. Bitte entnehmen Sie Termine dem aktuellen Plan im Whiteboard!

      Das Seminar bietet Raum für die Diskussion weiterführender und integrativer Datenanalysetechniken, insbesondere Vorträge und Diskussion von laufenden oder geplanten Forschungsprojekten, Neuigkeiten von Konferenzen, Besprechung aktueller Literatur und Diskussion möglicher zukünftiger Lehrformate und -inhalte, und Vorstellungen, sowie Abschlussvorträge zu Abschlussarbeiten oder Projektseminaren. Die Seminarsprache ist weitestgehend Englisch. Gern können interessierte Studierende teilnehmen und unverbindlich vorbeischauen oder ein selbst gewähltes Thema von Interesse für die Arbeitsgruppe vorstellen. Achtung: Einzelne Termine können ausfallen oder verschoben werden. Kontaktieren Sie mich gern für Fragen (katharina.baum@fu-berlin.de)!
    • 19336311 Seminar
      Domain-Specific AI and Customization (Georges Hattab)
      Zeit: Mi 14:00-16:00 (Erster Termin: 15.10.2025)
      Ort: KöLu24-26/SR 017 (vorrang Schülerlabor) (Königin-Luise-Str. 24 / 26)

      Kommentar

      In der KI gibt es einen wachsenden Trend zur Entwicklung spezialisierter Modelle für bestimmte Branchen oder Aufgaben. Damit verlässt man sich nicht mehr ausschließlich auf Allzweckmodelle wie GPT-4. Diese maßgeschneiderten Modelle können eine bessere Leistung und relevantere Ergebnisse für spezifische Anforderungen liefern. Dieser Ansatz bringt jedoch auch Herausforderungen mit sich, wie z. B. einen erhöhten Datenbedarf und abnehmende Erträge durch die Verwendung immer größerer Datensätze.
    • 19337211 Seminar
      Representation Learning (Georges Hattab)
      Zeit: Mi 10:00-12:00 (Erster Termin: 15.10.2025)
      Ort: A3/019 Seminarraum (Arnimallee 3-5)

      Kommentar

      While traditional feature engineering has been successful, modern machine learning increasingly relies on representation learning - automatically discovering informative features or representations from raw data. This seminar dives into advanced neural network-based approaches that learn dense vector representations capturing the underlying explanatory factors in complex, high-dimensional datasets.

       

      The seminar will cover techniques like autoencoders, variational autoencoders, and self-supervised contrastive learning methods that leverage unlabeled data to learn rich representations. You'll learn about properties of effective learned representations like preserving locality, handling sparse inputs, and disentangling underlying factors. Case studies demonstrate how representation learning enables breakthrough performance on tasks like image recognition and natural language understanding. You'll gain insights into interpreting these learned representations as well as their potential and limitations.
    • 19402311 Seminar
      Seminar: Deep Learning for biomedical applications (Vitaly Belik)
      Zeit: Mo 16:00-18:00 (Erster Termin: 13.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe: Masterstudierende der Physik, Chemie, Bioinformatik oder Informatik.

      Kommentar

      Recent developments in the area of machine learning due to availability of data and computational power promise to revolutionize almost every area of science. The driving technology behind this advancement is deep learning – a machine learning technology based on artificial neural networks consisting of many layers. Deep learning is capable of processing huge amount of data of different nature and already outperforming humans in many decision-making tasks. Biomedical research became now a source of large heterogeneous data, i.e. images, video, activity sensors, omics and text data. Leveraging the opportunities of this deep learning technology in the biomedical field requires particular set of skills combining thorough knowledge of necessary algorithms, specifics of biomedical data and designated programming tools. In this course we aim to offer students with background in computer science an opportunity to acquire the above skills to be able to deploy deep learning technology with a focus on biomedical applications. The course is structured as a seminar, where students under extensive guidance of instructors read fundamental books and recent research articles on deep learning, learn necessary programming tools, and produce their own implementations of computational pipelines in case studies using already published or original data. Starting from fundamental aspects of deep learning we aim to cover its applications to e.g. image data, time series data, text data, complex networks.

       

      Literaturhinweise

      [1] Andresen N, Wöllhaf M, Hohlbaum K, Lewejohann L, Hellwich O, Thöne- Reineke C, Belik V, Towards a fully automated surveillance of well-being status in laboratory mice using deep learning: Starting with facial expres- sion analysis. Plos One, 15(4):e0228059, (2020) https://doi.org/10.1371/ journal.pone.0228059

      [2] Jarynowski A, Semenov A, Kamiński M, Belik V. Mild Adverse Events of Sputnik V Vaccine in Russia: Social Media Content Analysis of Telegram via Deep Learning. J Med Internet Res 2021;23(11):e30529 https://doi.org//10.2196/30529
    • 19402911 Seminar
      Journal Club Computational Biology (Knut Reinert)
      Zeit: Mo 14:00-16:00 (Erster Termin: 20.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Zielgruppe:

      Master- und PhD-Student*inn*en

      Kommentar

      Inhalt:

      In diesem Seminar werden aktuelle Forschungsarbeiten der Bioinformatik sowie die Fortschrittsberichte der PhD-Student*inn*en vorgestellt. Master-Student*inn*en stellen entweder einen ihnen zugewiesenen Zeitschriftenartikel oder ihre Masterarbeit vor oder sie berichten über ihr Forschungspraktikum. Credits werden nur für die Präsentation von Artikeln vergeben.

      Anmeldungen bitte über Whiteboard ("Site Browser" aufrufen und nach Journal Club suchen).

      Literaturhinweise

      aktuelle Publikationen aus der Forschung
    • 19404611 Seminar
      Open science, data handling and ethical aspects in bioinformatics (Thilo Muth)
      Zeit: Do 14:00-16:00 (Erster Termin: 16.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

      Kommentar

      Siehe englische Beschreibung
    • 19405911 Seminar
      Biochemical networks and disease (Jana Wolf)
      Zeit: Do 12:00-14:00 (Erster Termin: 16.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)

      Kommentar

      Molecular metabolic, signaling and gene-regulatory networks form complex networks that underly the normal physiological functioning of the cell. Various perturbations within these networks have been described in diseases. We will here use original papers to study and discuss how perturbations can be implemented in models and how they change the network characteristics. We will focus on dynamic models described by ordinary differential equations.
    • 19406411 Seminar
      Journal Club: Public Health Data Science (Max von Kleist)
      Zeit: Mittwochs 10-12, ab der zweiten Semesterwoche
      Ort: online

      Kommentar

      In diesem Seminar werden aktuelle Forschungsarbeiten im Bereich der datengetriebenen public health Forschung, sowie die Fortschrittsberichte der PhD-Student*inn*en und Post-Docs vorgestellt. Master-Student*inn*en stellen entweder einen ihnen zugewiesenen Zeitschriftenartikel oder ihre Masterarbeit vor oder sie berichten über ihr Forschungspraktikum. Credits werden nur für die Präsentation von Artikeln vergeben.

      Termin: online, nach Vereinbarung, der Link zur Teilnahme kann beim Dozenten erfragt werden.

  • Spezielle Aspekte der Data Science Technologies

    0590bB2.3
    • 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
    • 19335201 Vorlesung
      Cybersecurity and AI III (Gerhard Wunder)
      Zeit: Di 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)
    • 19337401 Vorlesung
      Post Quantum Cryptography - the NIST algorithms (N.N.)
      Zeit: Mi 10:00-12:00 (Erster Termin: 15.10.2025)
      Ort: T9/SR 005 Übungsraum (Takustr. 9)

      Kommentar

      Post Quantum Cryptography - the NIST algorithms

      Course description:
      This course provides an in-depth study of the post-quantum cryptographic algorithms selected and evaluated by NIST. Students will explore the foundational mathematics, security assumptions, algorithmic designs, and practical implementation issues of cryptographic systems believed to be secure against quantum adversaries. Emphasis is placed on NIST's selected algorithms: KYBER (KEM), DILITHIUM (signatures), and SPHINCS+(stateless signatures), as well as alternate schemes such as Classic McEliece, BIKE, HQC, and Falcon.

      Learning Objectives:
      By the end of this course, students will be able to:

      • Describe the threat quantum computing poses to classical cryptography.
      • Explain the design principles of hash-based, code-based, multivariate, and lattice-based cryptography.
      • Analyze the security assumptions behind each NIST PQC algorithm family.
      • Compare performance and implementation trade-offs among leading PQC schemes.
      • Evaluate real-world deployment strategies and limitations for PQC.

       
    • 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)
    • 19335202 Übung
      Übung zu Cybersecurity and AI III (Gerhard Wunder)
      Zeit: Fr 12:00-14:00 (Erster Termin: 17.10.2025)
      Ort: A7/SR 031 (Arnimallee 7)
    • 19337402 Übung
      Übung zu Post Quantum Cryptography - the NIST algorithms (N.N.)
      Zeit: Fr 08:00-10:00 (Erster Termin: 17.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

  • Aktuelle Forschungsthemen der Data Science Technologies

    0590bB2.4
    • 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
    • 19335201 Vorlesung
      Cybersecurity and AI III (Gerhard Wunder)
      Zeit: Di 12:00-14:00 (Erster Termin: 14.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)
    • 19337401 Vorlesung
      Post Quantum Cryptography - the NIST algorithms (N.N.)
      Zeit: Mi 10:00-12:00 (Erster Termin: 15.10.2025)
      Ort: T9/SR 005 Übungsraum (Takustr. 9)

      Kommentar

      Post Quantum Cryptography - the NIST algorithms

      Course description:
      This course provides an in-depth study of the post-quantum cryptographic algorithms selected and evaluated by NIST. Students will explore the foundational mathematics, security assumptions, algorithmic designs, and practical implementation issues of cryptographic systems believed to be secure against quantum adversaries. Emphasis is placed on NIST's selected algorithms: KYBER (KEM), DILITHIUM (signatures), and SPHINCS+(stateless signatures), as well as alternate schemes such as Classic McEliece, BIKE, HQC, and Falcon.

      Learning Objectives:
      By the end of this course, students will be able to:

      • Describe the threat quantum computing poses to classical cryptography.
      • Explain the design principles of hash-based, code-based, multivariate, and lattice-based cryptography.
      • Analyze the security assumptions behind each NIST PQC algorithm family.
      • Compare performance and implementation trade-offs among leading PQC schemes.
      • Evaluate real-world deployment strategies and limitations for PQC.

       
    • 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)
    • 19335202 Übung
      Übung zu Cybersecurity and AI III (Gerhard Wunder)
      Zeit: Fr 12:00-14:00 (Erster Termin: 17.10.2025)
      Ort: A7/SR 031 (Arnimallee 7)
    • 19337402 Übung
      Übung zu Post Quantum Cryptography - the NIST algorithms (N.N.)
      Zeit: Fr 08:00-10:00 (Erster Termin: 17.10.2025)
      Ort: T9/051 Seminarraum (Takustr. 9)

  • Ausgewählte Themen der Data Science Technologies A

    0590bB2.5
    • 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)

  • Ausgewählte Themen der Data Science Technologies B

    0590bB2.6
    • 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)

  • Masterseminar in Data Science Technologies

    0590bB2.7
    • 19303811 Seminar
      Projektseminar Informatik und Archäologie (Agnès Voisard)
      Zeit: Do 12:00-14:00 (Erster Termin: 16.10.2025)
      Ort: T9/046 Seminarraum (Takustr. 9)

      Zusätzl. Angaben / Voraussetzungen

      Voraussetzungen

      • ALP I
      • ALP II
      • Datenbanksysteme

      Kommentar

      Forschungsseminar: Informatik und Archäologie

      Beschreibung des Kurses

      Dieses Forschungsseminar bringt Studenten der Informatik und der Altertumswissenschaften zusammen, um die Anwendung von Computermethoden auf archäologische Fragestellungen zu untersuchen. Das Forschungsseminar bietet einen praktischen Zugang zu Methoden des digitalen Kulturerbes, wie z.B. räumliche Analyse, 3D-Rekonstruktion, Data Mining und die digitale Verarbeitung archäologischer Artefakte. Beispiele für Datensätze werden unter anderem Keramik, Steinwerkzeuge, Inschriften, Tontafeln und Landschaften sein.

      Ein zentrales Ziel des Seminars ist es, die interdisziplinäre Zusammenarbeit zu fördern, wobei die Studenten in Paaren arbeiten - idealerweise ein Informatikstudent mit einem Studenten der Altertumswissenschaften. Jedes Team wird ein kleines Forschungsprojekt entwickeln und durchführen, das technische Werkzeuge mit archäologischen Daten, Methoden oder Forschungsfragen kombiniert.

      Zu den Themen gehören unter anderem:

      - 3D-Analyse von archäologischen Artefakten und Architektur
      - Geografische Informationssysteme (GIS) und räumliche Datenanalyse
      - Maschinelles Lernen und Computer Vision zur Klassifizierung von Artefakten
      - Nutzung von Datenbanken und digitale Dokumentation von Grabungsdaten
      - OCR/HTR für Schrift in 3D wie Inschriften oder Tontafeln

      Studierende der Informatik werden Erfahrungen in der Anwendung von Computertechniken in einem geisteswissenschaftlichen Kontext sammeln, während Studierende der Altertumswissenschaften in digitale Werkzeuge und Ansätze zur Unterstützung archäologischer Forschung eingeführt werden.

      Für die Studierenden der Altertumswissenschaften sind keine Vorkenntnisse im Programmieren erforderlich, und für die Studierenden der Informatik werden keine archäologischen Vorkenntnisse vorausgesetzt.

      Das Seminar wird gemeinsam vom Institut für Informatik und der Arbeitsgruppe Archäoinformatik des Instituts für Computergestützte Altertumswissenschaften (CompAS) der Freien Universität Berlin betreut, so dass eine ausgewogene fachübergreifende Betreuung gewährleistet ist.

      Lernziele

      - Verstehen der interdisziplinären Herausforderungen und Möglichkeiten in der digitalen Archäologie
      - Erlernen der Anwendung und Bewertung von Computerwerkzeugen für Daten des kulturellen Erbes
      - Entwickeln und Präsentieren eines kollaborativen, projektbasierten Forschungsergebnisses
      - Gewinnen von Einblicken in aktuelle Praktiken der digitalen Geisteswissenschaften und der digitalen Archäologie

       

      Literaturhinweise

      Literature and Data Sources:
       

      Open Access if not stated otherwise:


      – ACM Journal on Computing and Cultural Heritage
                https://dl.acm.org/journal/jocch
      – De Gruyter Brill on Open Archaeology (OPAR)
                https://www.degruyterbrill.com/journal/key/opar/html
      – Elsevir Journal of Archaeological Science (JAS)
                https://www.sciencedirect.com/journal/journal-of-archaeological-science

      – Journal of Computer Applications in Archaeology (JCAA)
                 https://journal.caa-international.org/
      – Journal of Open Archaeological Data (JOAD)
                 https://openarchaeologydata.metajnl.com/
      – Journal of Open Humanities Data (JOHD)
                 https://openhumanitiesdata.metajnl.com/


      Survey articles and Books:

      – Advances in digital pottery analysis
                https://doi.org/10.1515/itit-2022-0006
      – Digital Assyriology—Advances in Visual Cuneiform Analysis
                https://doi.org/10.1145/3491239
      – Machine Learning for Ancient Languages: A Survey

                https://doi.org/10.1162/coli_a_00481
      – Airborne laser scanning raster data visualization. A Guide to Good Practice
                https://doi.org/10.3986/9789612549848
      – Digital Humanities, Eine Einführung (German, no Open Acces)
                https://link.springer.com/book/9783476047687
      – New Technologies for Archaeology, Multidisciplinary Investigations in Palpa and Nasca,   Peru (no Open Acces) https://doi.org/10.1007/978-3-540-87438-6
      – Digging in documents: using text mining to access the hidden knowledge in Dutch archaeological excavation reports https://hdl.handle.net/1887/3274287

      Databases (related to research partners):

       

      – Heidelberg Objekt- und Multimediadatenbank (HeidICON)
                https://heidicon.ub.uni-heidelberg.de
      – Kooperative Erschließung und Nutzung der Objektdaten von Münzsammlungen
                https://www.kenom.de/
      – Art Institute of Chicago (API)
                https://api.artic.edu/docs/
      – FactGrid, a database for historical research
                https://database.factgrid.de/wiki/Main_Page
      – Research infrastructures of the German Archaeological Institute (DAI), multiple DBs:
                https://idai.world
      – Heidelberg Accession Index (HAI): Zugangsbücher und Bestandsverzeichnisse     deutscher Sammlungen und Museen           https://digi.ub.uni-heidelberg.de/de/hai/index.html

      – Bilddatenbank des Kunsthistorische Instituts (GeschKult, FU)
                https://www.geschkult.fu-berlin.de/e/khi/ressourcen/diathek/digitale_diathek/index.html
      – Epigraphic Database Heidelberg
                https://edh.ub.uni-heidelberg.de/

      – Ubi Erat Lupa  – Bilddatenbank zu antiken Steindenkmälern
                https://lupa.at/
      – Hethitologie-Portal Mainz
                https://hethport.uni-wuerzburg.de
      – Altägyptische Kursivschriften und Digitale Paläographie (AKU-PAL)
                https://aku-pal.uni-mainz.de/graphemes
      – Text Database and Dictionary of Classic Mayan (German and Spanish)
                https://www.classicmayan.org
    • 19328217 Seminar/Proseminar
      Seminar/Proseminar: New Trends in Information Systems (Agnès Voisard)
      Zeit: Mi 10:00-12:00 (Erster Termin: 15.10.2025)
      Ort: T9/053 Seminarraum (Takustr. 9)

      Kommentar

      Ziel dieses Seminars ist es, aktuelle Trends im Datenmanagement zu untersuchen. Wir werden uns unter anderem mit zwei aufstrebenden Themen beschäftigen: Location Based Services (LBS) und Event-Based Services (EBS).

      Event-Based Systems (EBS) sind Teil vieler aktueller Anwendungen wie Überwachung von Geschäftsaktivitäten, Börsenticker, Facility Management, Datenstreaming oder Sicherheit. In den vergangenen Jahren hat das Thema sowohl in der Industrie als auch in der Wissenschaft zunehmend an Bedeutung gewonnen. Aktuelle Forschungsschwerpunkte konzentrieren sich auf verschiedene Aspekte, die von Ereigniserfassung (eingehende Daten) bis zur Auslösung von Reaktionen reichen. Dieses Seminar zielt darauf ab, einige der aktuellen Trends in Event-basierten Systemen mit einem starken Fokus auf Modelle und Design zu studieren. Ortsbasierte Dienste sind heutzutage oft Teil des täglichen Lebens durch Anwendungen wie Navigationsassistenten im öffentlichen oder privaten Transportbereich. Die zugrundeliegende Technologie befasst sich mit vielen verschiedenen Aspekten, z. B. Standortbestimmung, Informationsabruf oder Datenschutz. In jüngerer Zeit wurden Aspekte wie der Benutzerkontext und Präferenzen berücksichtigt, um den Benutzern mehr personalisierte Informationen zu senden.

      Ein solider Hintergrund in Datenbanken ist erforderlich, typischerweise ein Datenbankkurs auf Bachelor-Niveau.

      Literaturhinweise

      Wird bekannt gegeben.
    • 19334617 Seminar/Proseminar
      Seminar/Proseminar: Beyond LLMs: Recent Breakthroughs in AI (Tim Landgraf)
      Zeit: Mi 10:00-12:00 (Erster Termin: 15.10.2025)
      Ort: T9/049 Seminarraum (Takustr. 9)
    • 19336311 Seminar
      Domain-Specific AI and Customization (Georges Hattab)
      Zeit: Mi 14:00-16:00 (Erster Termin: 15.10.2025)
      Ort: KöLu24-26/SR 017 (vorrang Schülerlabor) (Königin-Luise-Str. 24 / 26)

      Kommentar

      In der KI gibt es einen wachsenden Trend zur Entwicklung spezialisierter Modelle für bestimmte Branchen oder Aufgaben. Damit verlässt man sich nicht mehr ausschließlich auf Allzweckmodelle wie GPT-4. Diese maßgeschneiderten Modelle können eine bessere Leistung und relevantere Ergebnisse für spezifische Anforderungen liefern. Dieser Ansatz bringt jedoch auch Herausforderungen mit sich, wie z. B. einen erhöhten Datenbedarf und abnehmende Erträge durch die Verwendung immer größerer Datensätze.
    • 19337211 Seminar
      Representation Learning (Georges Hattab)
      Zeit: Mi 10:00-12:00 (Erster Termin: 15.10.2025)
      Ort: A3/019 Seminarraum (Arnimallee 3-5)

      Kommentar

      While traditional feature engineering has been successful, modern machine learning increasingly relies on representation learning - automatically discovering informative features or representations from raw data. This seminar dives into advanced neural network-based approaches that learn dense vector representations capturing the underlying explanatory factors in complex, high-dimensional datasets.

       

      The seminar will cover techniques like autoencoders, variational autoencoders, and self-supervised contrastive learning methods that leverage unlabeled data to learn rich representations. You'll learn about properties of effective learned representations like preserving locality, handling sparse inputs, and disentangling underlying factors. Case studies demonstrate how representation learning enables breakthrough performance on tasks like image recognition and natural language understanding. You'll gain insights into interpreting these learned representations as well as their potential and limitations.

  • Softwareprojekt Data Science B

    0590bB2.8
    • 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
    • 19315312 Projektseminar
      Softwareprojekt: Verteilte Systeme (Justus Purat)
      Zeit: Di 14:00-16:00 (Erster Termin: 14.10.2025)
      Ort: A7/SR 031 (Arnimallee 7)

      Kommentar

      Das Softwareprojekt: Verteilte Systeme behandelt Themen aus verschiedenen Projekten der AG Zuverlässige Systeme. Dabei ist eine Aufgabenstellung in einem Team durch Entwurf, Implementierung und Testen zu bearbeiten.

      Das Softwareprojekt ist verschiedenen Modulen zugeordnet. Bitte informieren Sie sich vorher, ob sie die Veranstaltung in einem Modul aus ihrem Studiengang belegen können.

      Themen in diesem Semester sind voraussichtlich:

      • Forest-Screening (in Kooperation mit den Geowissenschaften der Freien Universität Berlin)
        • Die Entwicklung eines Dashboards zur Repräsentation der Datensammlung
        • Die hardwaretechnische Überarbeitung der Übermittung der Sensordaten aus dem Wald über LoRa an eine Datenbank
      • Implementierung einer Distributed Ledger Technologie basierend auf Directed Acyclic Graphs
        • Entwicklung einer OMNeT++ - Simulation
        • Entwicklung einer Raspberry Pi - Simulation
      • Weiterentwicklung eines Adhoc-Netzwerks zur Bereitstellung verschiedener Web-Anwendungen
        • insbesondere die Fertigstellung eines Demonstrator (serverseitig), der die Benutzeroberfläche zur Verwaltung des Adhoc-Netzwerks zeigt
        • oder die Fertigstellung einer Beispielanwendung, die in dem Adhoc-Netzwerk bereitgestellt werden kann
      • Lastmodellierung und -vorhersage des Stromverbrauchs von AI Datenzentren
        • weitere Informationen folgen

      (Alle genannten Themen sind noch vorbehaltlich weiterer Anpassungen. Weitere Details können zeitnah der Introduction-Presentation in den Ressourcen entnommen werden.)

      Details werden in der ersten Sitzung besprochen. Das "Softwareprojekt: Verteilte Systeme" wird je nach Bedarf der Studierenden in deutscher oder englischer Sprache durchgeführt. Die Abgaben und Präsentation können in deutscher oder englischer Sprache eingereicht werden.
    • 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.

  • Datenbanksysteme Data Science

    0590bB2.9
    • 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)

  • Softwareprojekt Data Science A

    0590bB2.1
    • 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
    • 19315312 Projektseminar
      Softwareprojekt: Verteilte Systeme (Justus Purat)
      Zeit: Di 14:00-16:00 (Erster Termin: 14.10.2025)
      Ort: A7/SR 031 (Arnimallee 7)

      Kommentar

      Das Softwareprojekt: Verteilte Systeme behandelt Themen aus verschiedenen Projekten der AG Zuverlässige Systeme. Dabei ist eine Aufgabenstellung in einem Team durch Entwurf, Implementierung und Testen zu bearbeiten.

      Das Softwareprojekt ist verschiedenen Modulen zugeordnet. Bitte informieren Sie sich vorher, ob sie die Veranstaltung in einem Modul aus ihrem Studiengang belegen können.

      Themen in diesem Semester sind voraussichtlich:

      • Forest-Screening (in Kooperation mit den Geowissenschaften der Freien Universität Berlin)
        • Die Entwicklung eines Dashboards zur Repräsentation der Datensammlung
        • Die hardwaretechnische Überarbeitung der Übermittung der Sensordaten aus dem Wald über LoRa an eine Datenbank
      • Implementierung einer Distributed Ledger Technologie basierend auf Directed Acyclic Graphs
        • Entwicklung einer OMNeT++ - Simulation
        • Entwicklung einer Raspberry Pi - Simulation
      • Weiterentwicklung eines Adhoc-Netzwerks zur Bereitstellung verschiedener Web-Anwendungen
        • insbesondere die Fertigstellung eines Demonstrator (serverseitig), der die Benutzeroberfläche zur Verwaltung des Adhoc-Netzwerks zeigt
        • oder die Fertigstellung einer Beispielanwendung, die in dem Adhoc-Netzwerk bereitgestellt werden kann
      • Lastmodellierung und -vorhersage des Stromverbrauchs von AI Datenzentren
        • weitere Informationen folgen

      (Alle genannten Themen sind noch vorbehaltlich weiterer Anpassungen. Weitere Details können zeitnah der Introduction-Presentation in den Ressourcen entnommen werden.)

      Details werden in der ersten Sitzung besprochen. Das "Softwareprojekt: Verteilte Systeme" wird je nach Bedarf der Studierenden in deutscher oder englischer Sprache durchgeführt. Die Abgaben und Präsentation können in deutscher oder englischer Sprache eingereicht werden.
    • 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

    15 Module
    • Netzbasierte Informationssysteme 0089cA1.13
    • Rechnersicherheit 0089cA1.16
    • Verteilte Systeme 0089cA1.20
    • Künstliche Intelligenz 0089cA1.9
    • Mobilkommunikation 0089cA3.3
    • Applied Machine Learning in Bioinformatics 0262cD1.12
    • Machine Learning in Bioinformatics 0262cD1.7
    • Big Data Analysis in Bioinformatics 0262cD1.8
    • Data Science in Life Sciences 0590bB1.1
    • Forschungspraxis 0590bB1.2
    • Interdisziplinäre Zugänge im Rahmen von Data Science A 0590bB1.27
    • Interdisziplinäre Zugänge im Rahmen von Data Science B 0590bB1.28
    • Ethical Foundations of Data Science 0590bB1.3
    • Ausgewählte Themen der Data Science in Life Sciences 0590bB1.7
    • Begleitendes Kolloquium 0590bE1.2