Modulkatalog [Link].

Künstliche Intelligenz
Module Catalogue [Link]. Artificial Intelligence

Inklusive der Beschlüsse des Prüfungsausschusses der Fakultät für Informatik

und Mathematik der Universität Passau am 18. Dezember 2025
Contains all decisions of the Board of Examiners of the Faculty of Computer
Science and Mathematics of the University of Passau taken up to December
18, 2025

Stand: 6. März 2026

Last revised: March 6, 2026
Module Catalogue 2

Abkürzungsverzeichnis und Wörterbuch

List of Abbreviations and Dictionary

Abkürzung / Ab- Deutsch English

breviation
AllgBer Allgemeiner Bereich General Area
AStuPO Allgemeine Studien- und Prüfungs- General Study and Examination
ordnung Regulations
[Link]. Bachelor of Science Bachelor of Science
B.A. Bachelor of Arts Bachelor of Arts
FStuPO Fachstudien- und -prüfungsordnung Programme-Specific Study and Ex-
amination Regulations
IC Internet Computing Internet Computing
Inf. Informatik Computer Science
[Link]. Master of Science Master of Science
M.A. Master of Arts Master of Arts
P Praktikum Lab/Practicum
Pf Pflichtfach Compulsory Course
PN Prüfungsnummer Examination Number
PO Prüfungsordnung Examination Regulations
S Seminar Seminar
Sem. Semester Semester
SP Schwerpunkt Focus
SWS Semesterwochenstunden Contact Teaching Hours Per Week
Ü Übung Exercise/Tutorial
V Vorlesung Lecture
Wahl Wahlmodul Elective
WPf Wahlpflichtmodul Compulsory Elective

Bemerkung: Falls wenigstens ein nicht-deutschsprachiger Hörer die Veranstaltung besucht und als
Sprache „Deutsch oder Englisch“ angegeben ist, wird in der Regel auf Englisch unterrichtet.
Remark: If at least one non-German speaker attends and the language of instruction is stated as
“German or English” the language of instruction will be English as a rule.
Für Übersichtslisten zur Anrechenbarkeit und Modulgruppenzuordnung siehe
[Link]
For overview lists of credit transfer and module group allocation, see
[Link]
Module Catalogue 3

Präambel

Workload-Berechnung:
Die Zuordnung von Leistungspunkten geht von der Arbeitsbelastung eines oder einer durchschnitt-
lichen Studierenden aus. Ein Leistungspunkt entspricht in diesem Rahmen ca. 30 Arbeitsstunden.
Dieser Durchschnitt wird im vorliegenden Studiengang einheitlich für alle Fächer und Lehrveranstal-
tungstypen angenommen.
Prüfende:
Prüferinnen und Prüfer sind die Professoren und Professorinnen sowie alle habilitierten Dozentinnen
und Dozenten und ggf. weitere gemäß Hochschulprüferverordnung (HSchPrüferV) Befugte, die durch
den Prüfungsausschuss der Fakultät für Informatik und Mathematik bestellt werden. Bitte beachten
Sie hierzu die Bekanntmachungen des Prüfungsausschusses auf den Webseiten der Fakultät.
Anwesenheitspflicht:
Die Anwesenheitspflicht ist in der „Allgemeinen Studien- und Prüfungsordnung (AStuPO)“ im § 18
geregelt. Die Notwendigkeit der Anwesenheitspflicht ist für einzelne Lehrveranstaltungen im vorlie-
genden Modulkatalog festgelegt und entsprechend begründet.
Wiederholungsmöglichkeit:
Jedes mit „nicht ausreichend“ (Note schlechter als 4,0) bzw. „nicht bestanden“ bewertete Modul
kann höchstens zweimal wiederholt werden, siehe § 9 AStuPO. Die Wiederholung muss innerhalb
eines Jahres erfolgen. Eine Wiederholung von Prüfungen zur Notenverbesserung ist nicht möglich.
Gesamtnotenrelevanz:
Die Gesamtnote wird gemäß § 22 AStuPO berechnet. Bei Bachelorstudiengängen kann bei der An-
tragstellung auf das Zeugnis für bestimmte Modulgruppen angegeben werden, dass Prüfungsmodule
nicht in die Gesamtnote eingehen, siehe hierzu § 6 der Fachstudien- und -prüfungsordnung (FStuPO).
Seminare:
In der Regel bieten Lehrstühle, Professorinnen und Professoren regelmäßig Seminare an. Hierzu be-
achten Sie bitte die Seminar-Ankündigungen auf den Webseiten der Lehrstühle und Professuren.
Qualifikationsprofil:
Die Erfüllung des Qualifikationsprofils des Studiengangs wird durch die verschiedenen Veranstaltungs-
typen gewährleistet.
• Vorlesungen fokussieren sich maßgeblich auf Vermittlung von Wissen und Verstehen der Pro-
blemstellungen. Dadurch erwerben Absolventen und Absolventinnen Fachkompetenz in der
Breite und Tiefe des Faches. Besonders in den Masterstudiengängen werden zusätzlich Lehr-
meinungen, Grenzen und kritisches Verständnis auf dem neuesten Stand der Forschung gelehrt.
• Vorlesungsbegleitende Übungen vertiefen dieses Wissen, und leiten zu Einsatz und prak-
tischer Anwendung an. Die Studierenden lernen dabei Probleme zu analysieren, kritisch ein-
zuordnen und geeignete Lösungswege zu finden. Darüber hinaus werden Kommunikation und
Kooperation zwischen den Studierenden eingeübt.
• Selbstständige Übungen und Praktika lehren die Nutzung und den Transfer auf praktische
Anwendungen und Projekte. Dabei lernen die Studierenden situationsadäquat und reflektiert
professionelle Entscheidungen zu treffen.
• In Seminaren und Abschlussarbeiten planen und recherchieren die Studierenden. Sie ent-
wickeln und bearbeiten aktuelle Forschungsfragen, wählen geeignete Analysemethoden und
reflektieren die erzielten Ergebnisse kritisch. Dadurch tragen sie auch zur wissenschaftlichen
Innovation bei. Darüber hinaus üben sie die Kommunikation von erzielten Ergebnissen an Dritte
ein.
Module Catalogue 4

Preamble

Workload Calculation:
The assignment of credit points is based on the workload of an average student. In this context, one
credit point corresponds to approx. 30 working hours. This average generally applies to all subjects
and course types in the present degree programme.
Examiners:
Examiners are the professors and all habilitated lecturers and, if applicable, other authorised per-
sons according to the Higher Education Examination Ordinance (Hochschulprüferverordnung, HSch-
PrüferV), who are appointed by the Board of Examiners of the Faculty of Computer Science and
Mathematics. Please refer to the announcements of the Board of Examiners on the Faculty’s website.
Compulsory Attendance:
Compulsory attendance is regulated in § 18 of the “General Study and Examination Regulations
(AStuPO)”. The necessity of compulsory attendance is specified for individual courses in this module
catalogue and justified accordingly.
Possibility of Repetition:
Each module assessed as “insufficient” (grade below 4.0) or “failed” can be repeated a maximum
of two times, cf. § 9 AStuPO. The repetition must take place within one year. It is not possible to
repeat examinations for grade improvement.
Overall Grade Relevance:
The final grade is calculated according to § 22 AStuPO. In bachelor’s degree programmes, it can
be stated for certain module groups that examination modules are not included in the final grade
when applying for the certificate, cf. § 6 of the Subject-Specific Study and Examination Regulations
(FStuPO).
Seminars:
Chairs and professors usually offer seminars on a regular basis. Please pay attention to the seminar
announcements on the websites of the chairs and professorships.
Qualification Profile:
The fulfilment of the qualification profile of the degree programme is ensured by the different types
of courses.

• Lectures focus primarily on imparting knowledge and understanding problems. Consequently,

graduates acquire professional competence in the breadth and depth of the subject. Particu-
larly in master’s programmes, schools of thought, limitations and critical understanding are
additionally taught at the cutting edge of research.
• Exercises Accompanying Lectures deepen this knowledge and guide students to use and
apply it in practice. Students learn to analyse problems, to classify them critically and to find
suitable solutions. In addition, communication and cooperation between students are practised.
• Independent Exercises and Practical Courses teach the use and transfer to practical ap-
plications and projects. In the process, students learn to make professional decisions in an
appropriate and reflective manner.
• In seminars and theses, students plan and conduct research. They develop and work on
contemporary research questions, select suitable methods of analysis and critically reflect on
the results. That way, they also contribute to scientific innovation. In addition, they practise
communicating the results to third parties.
Module Catalogue 5

Modulübersicht des Bachelorstudiengangs Künstliche In-

telligenz
Module Overview of the Bachelor’s Programme in Artifi-
cial Intelligence

Compulsory Courses
Module Group “Foundations of Computer Science & Programming”
Module Exam Contact ECTS Professor Language
Number Hours
Foundations of Computer 400110 3V+2Ü 7 Hammer German/
Science English
Programming I 405282 2V+2Ü 6 Bachmaier, Größ- German/
linger English
Programming for Data Analy- xxxxxx 2V+2Ü 6 Lemmerich, English
tics Heinzl
Algorithms and Data Structu- 405127 4V+2Ü 9 Sudholt, Rutter German/
res English
Sum of the Module Group 28

Module Group “Mathematics & Theoretical Computer Science”

Module Exam Contact ECTS Professor Language
Number Hours
Linear Algebra I 400600 4V+2Ü 9 Kaiser, Kreuzer, German/
or Forster-Heinlein, English
Mathematics for Computer xxxxxx Harks, Zumbrä-
Science I gel, Wirth
Analysis I 400700 4V+2Ü 9 Kaiser, Forster- German/
or Heinlein, Müller- English
Mathematics for Computer xxxxxx Gronbach,
Science II Prochno, Sauer
Introduction to Stochastics 400930 4V+2Ü 9 Rudolf, Müller- German/
or Gronbach, Gilch English
Mathematics for Computer 400940
Science III
Theoretical Computer Science 406010 3V+2Ü 7 Rutter, Sudholt German/
English
Sum of the Module Group 34
Module Catalogue 6

Module Group “Foundations of Artificial Intelligence”

Module Exam Contact ECTS Professor Language
Number Hours
Foundations of AI: Machine xxxxxx 2V+1Ü 5 Herbold English
Learning
Foundations of AI: Deep Lear- xxxxxx 2V+1Ü 5 Lemmerich English
ning
Foundations of AI: Probabili- xxxxxx 2V+1Ü 5 Granitzer English
stic Machine Learning
Foundations of AI: Multiagent xxxxxx 2V+1Ü 5 Harks English
Systems
Sum of the Module Group 20

Module Group “Responsible Artificial Intelligence”

Module Exam Contact ECTS Professor Language
Number Hours
Ethical Aspects of AI xxxxxx 1V 3 Reinhardt English
Legal Aspects of AI xxxxxx 1V 3 Beurskens, Bom- English
hard, Valeriusrs-
kens
Sum of the Module Group 6

Module Group “AIP, Seminar and Presentation”

Module Exam Contact ECTS Professor Language
Number Hours
AI Seminar xxxxxx 2S 4 FIM professors German/
English
AI Project xxxxxx 6P 10 FIM professors English
Presentation of Bachelor The- xxxxxx 3 FIM professors English
sis
Bachelor Thesis xxxxxx 12 FIM professors English
Counseling Module xxxxxx 1V 2 FIM professors English
Sum of the Module Group 31
Module Catalogue 7

Compulsory Electives
Module Group “Advanced AI – Applied”
Module Exam Contact ECTS Professor Language
Number Hours
Data Base & Information Sys- 405019 2V+1Ü 5 Scherzinger German/
tems I English
Software Engineering 401201 2V+1Ü 5 Fraser German/
English
Data and Knowledge Enginee- xxxxxx 2V + 2Ü 6 TBA English
ring
Sum of the Module Group 16

Module Group “Advanced AI – Theoretical”

Module Exam Contact ECTS Professor Language
Number Hours
Analysis II 401811 4V+2Ü 9 Kaiser, Müller- German/
Gronbach, English
Prochno, Sauer
Mathematics of Machine xxxxxx 3V+1Ü 7 Harks, Prochno, English
Learning Rudolf
Sum of the Module Group 16
Module Catalogue 8

Electives
Module Group “Business Analytics” (BuAn)
Module Exam Contact ECTS Professor Language
Number Hours
Einführung in die Ökonome- 212109 3V+2Ü 5 Haupt Deutsch
trie
Einführung in die Zeitreihen- 212107 2V+2Ü 5 Haupt Deutsch
analyse
Computergestützte Statistik - 212119 2V 3 Schnurbus Deutsch
Einführung in R
Financial Data Analytics xxxxxx 4 SWS 5 Kellner English
Data Analysis and Digital Re- xxxxxx 4 SWS 5 Kellner English
porting with Python
Data and Decisions xxxxxx 2V+2Ü 5 Goerigk English
Fundamentals of Management xxxxxx 2V+2Ü 5 Goerigk English
Science I
Fundamentals of Management xxxxxx 2V+2Ü 5 Goerigk English
Science II
Supply Chain & Operations 210961 2V+2Ü 5 Goerigk Deutsch
Management
Practical Course: Manage- xxxxxx 2 SWS 5 Goerigk English
ment Science
Module Catalogue 9

Module Group “Entrepreneurship”(Ent)

Module Exam Contact ECTS Professor Language
Number Hours
Marketing Research 212404 2V+2Ü 5 Schumann English
Fundamentals of Entrepre- xxxxxx 2V+2Ü 5 Bort English
neurship
5-Euro-Business Wettbewerb xxxxxx 4 SWS 5 Bort German
Technology and Innovation 212418 2V+2Ü 5 Häussler English
Management
Entrepreneurship Develop- xxxxxx 8 SWS 10 Barmeyer, Bleyer, English
ment Programme Bort, Granitzer,
Häussler, Mayr,
Schumann, Tot-
zek, von Lewinski,
Diekmann
Ethische Konzepte in einer xxxxxx 2 SWS 5 Meißner, Bort German
globalen Wirtschaft
Global Justice and Business xxxxxx 3 SWS 5 Meißner, Bort German
Ethics: Sustainable Entrepre-
neurship
Entrepreneurial Marketing xxxxxx 2 SWS 5 Totzek English

Module Group “Natural Language Processing and Multilingual Computational Linguistics”(NLP)

Module Exam Contact ECTS Professor Language
Number Hours
Computer-Assisted Language xxxxxx 2V+1Ü 5 List German/
Comparison English
Information Retrieval & NLP 405375 2V+1Ü 5 Hautli-Janisz English
NLP for Social Media Analysis 407608 2V+1Ü 5 Hautli-Janisz English
Multilingual Computational xxxxxx 2V+1Ü 5 List German/
Linguistics English
Advances in Multilingual xxxxxx 2V 3 Hautli-Janisz, List German/
Computational Linguistics English
Advances in NLP xxxxxx 2V 3 Hautli-Janisz, List German/
English
Module Catalogue 10

Module Group “Software Engineering” (SE)

Module Exam Contact ECTS Professor Language
Number Hours
Object-oriented Programming xxxxxx 2V+2Ü 6 Hammer English
with C++
Software Testing 405343 2V+2Ü 6 Fraser German/
English
Programming II 405283 2V+2Ü 6 Bachmaier German/
English
Programming Paradigms 405416 2V+2Ü 6 Hammer, Tiwari English
Practical Parallel Program- 405281 3V+2Ü 7 Größlinger German/
ming English
AI-Driven Software Develop- 405320 2Ü 5 Fraser English
ment

Module Group “Regulation of AI and Data” (RAI)

Module Exam Contact ECTS Professor Language
Number Hours
Grundzüge des IT- und Daten- 431300 2V 5 Bomhard, Rücker Deutsch
rechts
Einführung in das Internet- 432200 2V 5 Beurskens Deutsch
recht für Nichtjuristen
Medienrecht für Nebenfach- 385061 2V 5 von Lewinski Deutsch
studierende
Datenschutzrecht für Neben- xxxxxx 2V 5 von Lewinski Deutsch
fachstudierende
KI im Strafrecht xxxxxx 2V 5 Valerius Deutsch
Urheberrecht xxxxxx 2V 5 Beurskens Deutsch
Module Catalogue 11

Module Group “Theoretical Foundations of AI - Random Structures and Dynamics” (RSD)

Module Exam Contact ECTS Professor Language

Number Hours
Random Graphs 405340 2V+2Ü 6 Glock English
Stochastic Simulation 405156 3V+1Ü 7 Müller-Gronbach, German/
Yaroslavtseva English
Probability Theory 455341 4V+2Ü 9 Müller-Gronbach, German/
Rudolf, Prochno English
Measure and Integration 455510 4V+2Ü 9 Müller-Gronbach, German/
Theory Rudolf, Prochno English
Monte Carlo Methods xxxxxx 3V+1Ü 7 Rudolf German/
English
Markov Chain Monte Carlo xxxxxx 4V+2Ü 9 Rudolf German/
English
Bayesian Inference and Machi- xxxxxx 2V+1Ü 5 Rudolf German/
ne Learning English
Stochastic Processes xxxxxx 3V+1Ü 7 Rudolf German/
English
Information Theory 455440 4V+2Ü 9 Zumbrägel English
Classical Limit Theorems and 451019 4V+2Ü 9 Prochno German/
Large Deviations English
Module Catalogue 12

Module Group “Theoretical Foundations of AI - Algorithms and Optimization” (AO)

Module Exam Contact ECTS Professor Language
Number Hours
Numerical Linear Algebra 407606 4V+2Ü 9 Forster-Heinlein German/
English
Competitive Programming 407609 2V+4Ü 4 Rutter German/
English
Efficient Algorithms 405121 3V+2Ü 7 Rutter, Sudholt German/
English
Introduction to Information- 485384 3V+1Ü 6 Prochno German/
Based Complexity and Com- English
pressed Sensing
Introduction to Numerical 401814 4V+2Ü 9 Forster-Heinlein, German/
Analysis Sauer English
Linear and Discrete Optimiza- 471550 3V+1Ü 7 Harks English
tion
Mathematical Logic xxxxxx 4V+2Ü 9 Kaiser, Müller English
Computational Logic xxxxxx 4V+2Ü 9 Müller English
Convex Geometry and App- 472730 3V+1Ü 6 Prochno, Sonn- German/
lications to Linear Program- leitne English
ming
Classical Harmonic Analysis 415346 2V+1Ü 5 Prochno German/
English
Machine Learning Control and 455398 4V+2Ü 9 Wirth German/
Optimization English
Functional Analysis 485367 4V+2Ü 9 Prochno German/
English
Randomised Algorithms 405388 3V+2Ü 7 Sudholt English

Module Group “Visual Computing and Data Science” (VCDS)

Module Exam Contact ECTS Professor Language
Number Hours
Digital Image Processing xxxxxx 4V+2Ü 9 Forster-Heinlein, German/
Sauer English
Computer Graphics xxxxxx 2V+1Ü 5 Sauer English
Visualization 405417 2V+2Ü 6 Heinzl German/
English
Data Science 405218 2V+1Ü 5 Granitzer English
Web and Network Science xxxxxx 2V+1Ü 5 Granitzer English
SQL for Data Science xxxxxx 2V+2Ü 6 Scherzinger English
Module Catalogue 13

Module Group “German as a Foreign Language”

Module Exam Contact ECTS Professor Language
Number Hours
German as a Foreign Langua- xxxxxx 16 20 Set by the Lan- Deutsch
ge guage Centre

Module Group “English as a Foreign Language”

Module Exam Contact ECTS Professor Language
Number Hours
English as a Foreign Language xxxxxx 16 20 Set by the Lan- English
guage Centre
Module Catalogue 14

Weitere anrechenbare Schlüsselqualifikationen unter:

[Link]

Hinweis (gemäß AStuPO § 9 Abs. 2 und FStuPO § 5):

Für das Bestehen der Bachelorprüfung im Studiengang Artificial Intelligence müssen die folgenden
Pflicht-, Wahlpflicht- und Wahlmodule erfolgreich absolviert werden; insgesamt sind dabei mindestens
180 ECTS-Leistungspunkte zu erwerben:

1. Die Pflichtmodule im Studiengang Artificial Intelligence gemäß § 6 Abs. 3 FStuPO (107 ECTS);

2. 16 ECTS aus der gewählten Wahlpflichtmodulgruppe (§ 6 Abs. 4 FStuPO);

3. 45 ECTS aus drei Wahlmodulgruppen gemäß § 6 Abs. 5 FStuPO, wobei gilt:

(a) Jede Wahlmodulgruppe muss mindestens 10 ECTS umfassen;

(b) Mindestens eine Wahlmodulgruppe muss aus dem Bereich Informatik oder Mathematik
stammen. Hinweis: Wird eine der beiden Wahlpflichtmodulgruppen zur Erfüllung der
erforderlichen 16 ECTS gewählt, kann die andere Gruppe als Wahlmodulgruppe aus
dem Bereich Informatik oder Mathematik angerechnet werden;

4. Die Bachelorarbeit (12 ECTS).

Studienfortschrittsanforderung:
Bis zum Ende des dritten Semesters müssen Studierende erfolgreich mindestens 30 ECTS-Leistungspunkte
erworben haben. Wird diese Voraussetzung nicht erfüllt, sind bis spätestens zum Ende des vierten
Semesters mindestens 40 ECTS-Leistungspunkte nachzuweisen. Wer diese Vorgabe bis zum Ende
des vierten Semesters nicht erfüllt, wird exmatrikuliert und verliert den Prüfungsanspruch.
Module Catalogue 15

Other transferable (recognizable) key qualifications available at:

[Link]
Note (according to AStuPO § 9 para. 2 and FStuPO § 5):
For passing the Bachelor’s examination in the degree programme Artificial Intelligence, the following
compulsory, compulsory elective, and elective modules must be completed, and in total 180 ECTS
must be achieved:

1. The compulsory modules in Artificial Intelligence according to § 6 para. 3 FStuPO (107 ECTS);

2. 16 ECTS from the chosen compulsory elective group (§ 6 para. 4 FStuPO);

3. 45 ECTS from three elective groups according to § 6 para. 5 FStuPO, where:

(a) Each elective group must comprise at least 10 ECTS;

(b) At least one elective group must come from Computer Science or Mathematics. Note
that when one of the two compulsory elective groups is chosen to complete the required
16 ECTS, the other group is counted as an elective group from the area of Computer
Science or Mathematics;

4. The Bachelor’s thesis (12 ECTS).

Progress Requirement:
By the end of the third semester, students must have successfully completed at least 30 ECTS.
If this is not achieved, at least 40 ECTS must be completed by the end of the fourth semester.
Failure to meet this requirement by the end of the fourth semester will result in exmatriculation
and loss of examination entitlement.
Module Catalogue 16

Inhaltsverzeichnis/Table of Contents
Beispielstudienplan für die angewandte Studienrichtung
Sample Study Plan for Applied Track 23

Beispielstudienplan für die theoretische Studienrichtung

Sample Study Plan for Theoretical Track 25

5100 Grundlagen der Informatik PN 400110

Foundations of Computer Science 27

5102 Programmierung I PN 405282

Programming I 29

5172 Lineare Algebra I PN 400600

Linear Algebra I 32

5180 Counseling Module PN xxxxxx 35

5182 Lineare Algebra für Informatiker PN xxxxxx

Mathematics for Computer Science I 38

5200 Algorithmen und Datenstrukturen PN 405127

Algorithms and Data Structures 41

5272 Analysis I PN 400700 44

5273 Analysis für Informatiker PN xxxxxx

Mathematics for Computer Science II 47

5280 Programmierung zur Datenanalyse PN xxxxxx

Programming for Data Analytics 50

5281 Grundlagen der Künstlichen Intelligenz I: Maschinelles Lernen PN xxxxxx

Foundations of Artificial Intelligence: Machine Learning 53

5300 Software Engineering PN 401201

Software Engineering 56

5302 Programmierung II PN 405283

Programming II 60

5306 Theoretische Informatik PN 406010

Theoretical Computer Science 64

5312 Information Retrieval und Natural Language Processing PN 405375

Information Retrieval and Natural Language Processing 67

5314 Datenbanken und Informationssysteme I PN 405019

Data Base & Information Systems I 71
Module Catalogue 17

5370 Einführung in die Stochastik PN 400930

Introduction to Stochastics 74

5372 Analysis II PN 401811 76

5378 Stochastik für Informatiker PN 400940

Mathematics for Computer Science III 79

5380 Grundlagen der KI: Deep Learning PN xxxxxx

Foundations of AI: Deep Learning 81

5381 Grundlagen der KI: Probabilistic Machine Learning PN xxxxxx

Foundations of AI: Probabilistic Machine Learning 84

5452 Bildverarbeitung PN xxxxxx

Digital Image Processing 87

5481 Grundlagen der KI: Multiagent Systems PN xxxxxx

Foundations of AI: Multiagent Systems 89

5483 Mathematik des Maschinellen Lernens PN xxxxxx

Mathematics of Machine Learning 91

5485 Monte-Carlo Methoden PN xxxxxx

Monte Carlo Methods 94

5486 Bayes‘sche Inferenz und Maschinelles Lernen PN xxxxxx

Bayesian Inference and Machine Learning 97

5487 AI-Driven Software Development PN 405320 100

5488 Legal Aspects of AI PN xxxxxx 103

5580 Data and Knowledge Engineering PN xxxxxx

Data and Knowledge Engineering 107

5582 Computergraphik PN xxxxxx

Computer Graphics 111

5583 Web and Network Science PN xxxxxx 113

5600 Effiziente Algorithmen PN 405121

Efficient Algorithms 117

5610 Praktische Parallelprogrammierung PN 405281

Practical Parallel Programming 120

5670 Logik für Informatiker PN xxxxxx

Computational Logic 123

5718 Competitive Programming PN 407609 126

Module Catalogue 18

5731 Einführung in die Numerik PN 401814

Introduction to Numerical Analysis 129

5751 Numerische Methoden der Linearen Algebra PN 407606

Numerical Linear Algebra 132

5756 Funktionalanalysis PN 485367

Functional Analysis 134

5779 Data Science PN 405218 137

5812 Stochastische Simulation PN 405156

Stochastic Simulation 141

5814 Wahrscheinlichkeitstheorie PN 455341

Probability Theory 143

5838 Information Theory PN 455440 145

5840 Software Testing PN 405343

Software Testing 147

5853 Programming Paradigms PN 405416

Programming Paradigms 150

5855 Object-Oriented Programming with C++ PN xxxxxx 153

5861 Mathematische Logik PN xxxxxx

Mathematical Logic 156

5952 Randomisierte Algorithmen PN 405388

Randomised Algorithms 158

5973 SQL for Data Science PN 472080

SQL for Data Science 161

6070 Markov Chain Monte Carlo PN xxxxxx 164

6073 Stochastische Prozesse PN xxxxxx

Stochastic Processes 166

6082 NLP for Social Media Analysis PN 407608 168

6083 Fortschritte in der maschinellen Sprachverarbeitung PN xxxxxx

Advances in Natural Language Processing 171

6110 Klassische Harmonische Analysis PN 415346

Classical Harmonic Analysis 174

6111 Klassische Grenzwertsätze & große Abweichungen PN 451019

Classical Limit Theorems & Large Deviations 177
Module Catalogue 19

6112 Introduction to Information-Based Complexity and Compressed Sensing PN

485384 180

6117 Convex Geometry and Applications to Linear Programming PN 472730 183

6132 Random Graphs PN 405340

Random Graphs 186

6170 Visualisierung PN 405417

Visualization 189

6208 Machine Learning Control and Optimization PN 455398 193

6218 Maß- und Integrationstheorie PN 455510

Measure and Integration Theory 196

6241 Lineare und Diskrete Optimierung PN 471550

Linear and Discrete Optimization 199

11017A Ethische Konzepte in einer globalen Wirtschaft PN xxxxxx

Ethical Concepts in a Global Economy 201

11017C1 Global Justice and Business Ethics: Sustainable Entrepreneurship PN

xxxxxx 204

21450 Urheberrecht PN xxxxxx

Copyright Law 207

21470 Grundzüge des IT- und Datenrechts PN 431300

Introduction to IT and Data Law 210

25910 Einführung in das Internetrecht für Nichtjuristen PN 432200

Internet Law for Non-Lawyers 214

25960 Datenschutzrecht für Nebenfachstudierende PN xxxxxx

Data Protection / Privacy Law for Non-Lawyers 216

26639 KI im Strafrecht PN xxxxxx

Artificial Intelligence in Criminal Law 219

32720 Technologie- und Innovationsmanagement PN 212418

Technology and Innovation Management 222

32765 5-Euro-Business Wettbewerb PN xxxxxx

5-Euro-Business Competition 225

32766 Entrepreneurship Development Programme PN xxxxxx 229

33660 Entrepreneurial Marketing PN xxxxxx 234

34700 Marketing Research PN 212404 237

Module Catalogue 20

34948 Data and Decisions PN xxxxxx 239

34954 Practical Course: Management Science PN xxxxxx 242

34962 Fundamentals of Management Science II PN xxxxxx 245

34964 Fundamentals of Management Science I PN xxxxxx 248

34965 Supply Chain & Operations Management PN 210961 251

35555 Einführung in die Ökonometrie PN 212109

Introduction to Econometrics 254

35560 Einführung in die Zeitreihenanalyse PN 212107

Introduction to Time Series Analysis 257

35620 Computergestützte Statistik – Einführung in R PN 212119

Computational Statistics – Introduction to R 260

39763 Fundamentals of Entrepreneurship PN xxxxxx 263

39901 Financial Data Analytics PN xxxxxx 266

39905 Data Analysis and Digital Reporting with Python PN xxxxxx 269

40120 Ethical Aspects of AI PN xxxxxx 272

41623 Computergestützter Sprachvergleich PN xxxxxx

Computer-Assisted Language Comparison 275

41624 Multilinguale Computerlinguistik PN xxxxxx

Multilingual Computational Linguistics 278

41625 Fortschritte in der Multilingualen Computerlinguistik PN xxxxxx

Advances in Multilingual Computational Linguistics 281

48672 Medienrecht für Nebenfachstudierende PN 385061

Media Law for Non-Lawyers 284

90200 Deutsch als Fremdsprache PN xxxxxx

German as a Foreign Language 286

9059X Englisch als Fremdsprache PN xxxxxx

English as a Foreign Language 288

Bachelorarbeit Artificial Intelligence PN xxxxxx

Bachelor’s Thesis in Artificial Intelligence 290

Präsentation der Bachelorarbeit Artificial Intelligence PN xxxxxx

Presentation of the Bachelor’s Thesis in Artificial Intelligence 293
Module Catalogue 21

Seminar zu Künstlicher Intelligenz PN xxxxxx

Seminar in Artificial Intelligence 295

KI Projekt PN xxxxxx
AI Project 298
Module Catalogue 22

Aus den Modulgruppen des Baukastensystems ergeben sich verschiedene Möglichkeiten für einen
Studienplan, je nach Interessen und Präferenzen der Studierenden. Unten angeführt sind zwei Bei-
spielstudienpläne: für die angewandte und die theoretische Spur.

The module groups allow for various study plan designs, depending on students’ interests and prefe-
rences. In the tables below, there are two sample study plans: for the applied and theoretical tracks.
Module Catalogue 23

Beispielstudienplan für die angewandte Studienrichtung

Sample Study Plan for Applied Track

First Study Semester

Linear Algebra I 4V+2Ü 9
Foundations of Computer Science 3V+2Ü 7
Programming I 2V+2Ü 6
Ethical Aspects of AI 1V 3
Counseling Module 1V 2
Sum of the ECTS-LP 1st study semester: 27
Second Study Semester
Analysis I 4V+2Ü 9
Algorithms and Data Structures 4V+2Ü 9
Programming for Data Analytics 2V+2Ü 6
Foundations of AI: Machine Learning 2V+1Ü 5
Software Engineering 2V+1Ü 5
Sum of the ECTS-LP 2nd study semester: 34
Third Study Semester
Introduction to Stochastics 4V+2Ü 9
Theoretical Computer Science 3V+2Ü 7
Foundations of AI: Deep Learning 2V+1Ü 5
Foundations of AI: Probabilistic Machine Learning 2V+1Ü 5
Data and Knowledge Engineering 2V+2Ü 6
Sum of the ECTS-LP 3rd study semester: 32
Fourth Study Semester
Foundations of AI: Multiagent Systems 2V+1Ü 5
Data Base & Information Systems I 2V+1Ü 5
Legal Aspects of AI 1V 3
Electives 18
Sum of the ECTS-LP 4th study semester: 31
Fifth Study Semester
AI Seminar 2V 4
AI Project 6P 10
Electives 13
Sum of the ECTS-LP 5th study semester: 27
Sixth Study Semester
Bachelor Thesis & Presentation 15
Electives 14
Sum of the ECTS-LP 6th study semester: 29
Total ECTS-LP 180
 Sample Study Plan for Applied Track

1. Semester Linear Algebra I or Foundations of

Counseling Ethical Aspects of AI
Math. for Computer Programming I (6) Computer Science
Module (2) (3) (7)
Science I (9)

2. Semester Analysis I or Math. Foundations of AI:

Software Engineering Programming for Algorithms and Data
for Computer Machine Learning
(5) Data Analytics (6) Structures (9)
Science II (9) (5)

Introduction to
3. Semester Theoretical
Data and Knowledge Stochastics or Math. Foundations of AI: Foundations of AI:
Computer Science
Engineering (6) for Computer Probabilistic ML (5) Deep Learning (5)
(7)
Science III (9)

4. Semester Data Base & Foundations of AI:

Legal Aspects of AI
Information Systems I Multiagent Systems Electives (18)
(3)
(5) (5)

5. Semester
AI Project (AIP) (10) AI Seminar (4) Electives (13)

6. Semester
Bachelor Thesis & Presentation (12+3) Electives (14)

Foundations of Mathematics &

AIP, Seminar & Advanced AI-
Computer Science Theoretical Foundations of AI Responsible AI Electives
Presentation Applied
& Programming Computer Science
Module Catalogue 25

Beispielstudienplan für die theoretische Studienrichtung

Sample Study Plan for Theoretical Track

First Study Semester

Linear Algebra I 4V+2Ü 9
Foundations of Computer Science 3V+2Ü 7
Programming I 2V+2Ü 6
Ethical Aspects of AI 1V 3
Counseling Module 1V 2
Sum of the ECTS-LP 1st study semester: 27
Second Study Semester
Analysis I 4V+2Ü 9
Algorithms and Data Structures 4V+2Ü 9
Programming for Data Analytics 2V+2Ü 6
Foundations of AI: Machine Learning 2V+1Ü 5
Sum of the ECTS-LP 2nd study semester: 29
Third Study Semester
Introduction to Stochastics 4V+2Ü 9
Theoretical Computer Science 3V+2Ü 7
Foundations of AI: Probabilistic Machine Learning 2V+1Ü 5
Analysis II 4V+2Ü 9
Sum of the ECTS-LP 3rd study semester: 30
Fourth Study Semester
Foundations of AI: Multiagent Systems 2V+1Ü 5
Mathematics of Machine Learning 3V+1Ü 7
Legal Aspects of AI 1V 3
Electives 17
Sum of the ECTS-LP 4th study semester: 32
Fifth Study Semester
Foundations of AI: Deep Learning 2V+1Ü 5
AI Seminar 2V 4
AI Project 6P 10
Electives 13
Sum of the ECTS-LP 5th study semester: 32
Sixth Study Semester
Bachelor Thesis & Presentation 15
Electives 15
Sum of the ECTS-LP 6th study semester: 30
Total ECTS-LP 180
 Sample Study Plan for Theoretical Track

1. Semester Linear Algebra I or Foundations of

Counseling Ethical Aspects of AI
Math. for Computer Programming I (6) Computer Science
Module (2) (3) (7)
Science I (9)

2. Semester Analysis I or Math. Foundations of AI:

Programming for Algorithms and Data
for Computer Machine Learning
Data Analytics (6) Structures (9)
Science II (9) (5)

Introduction to
3. Semester Theoretical
Stochastics or Math. Foundations of AI:
Analysis II (9) Computer Science
for Computer Probabilistic ML (5)
(7)
Science III (9)

4. Semester Foundations of AI:

Mathematics of Legal Aspects of AI
Multiagent Systems Electives (17)
Machine Learning (7) (3)
(5)

5. Semester
Foundations of AI:
AI Project (AIP) (10) AI Seminar (4) Electives (13)
Deep Learning (5)

6. Semester
Bachelor Thesis & Presentation (12+3) Electives (15)

Foundations of Mathematics &

AIP, Seminar & Advanced AI-
Computer Science Theoretical Foundations of AI Responsible AI Electives
Presentation Theoretical
& Programming Computer Science
Module Catalogue 27

5100 Grundlagen der Informatik PN 400110

Foundations of Computer Science

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Hammer
Module convenor

Dozent(in) Hammer
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Foundations of Computer Science & Program-
Curriculum ming”

Lehrform/SWS 3V + 2Ü
Contact hours

Arbeitsaufwand 75 Std. Präsenz + 60 Std. Übungen + 75 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
75 contact hours + 60 hrs exercises + 75 hrs independent
study and exam preparation

ECTS 7
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren [Link]. Mathematik, [Link]. Informatik, Lehramt Informatik (ver-

Studiengängen tieft, nicht vertieft)
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden gewinnen ein grundlegendes Verständnis für
Strukturen, Formalismen und Beschreibungs- und Beweisprin-
zipien in der Informatik.
—
Module Catalogue 28

The students gain a basic understanding of structures, forma-

lisms and description and proof principles in computer science
Fähigkeiten / Abilities
Die Studierenden lernen mehrere formale Sprachen der Infor-
matik kennen und lernen, und Probleme in diesen Sprachen
auszudrücken.
—
The students get to know several formal languages of compu-
ter science and learn to express problems in these languages
Kompetenzen / Competencies
Absolventen der Veranstaltung sind in der Lage, elementa-
re Konzepte und Strukturen der Informatik losgelöst von ei-
ner aktuellen Programmiersprache zu erkennen, einzuschätzen
und geeignet anzuwenden.
—
Graduates of the course are able to recognize, assess and ap-
propriately apply elementary concepts and structures of com-
puter science independently of a current programming
language

Inhalt Die Vorlesung gibt einen Überblick über die Konzepte, die der
Course content Informatik zu Grunde liegen: Informationssysteme, Aussagen-
logik, Grundprinzipien der Programmierung und des Software-
entwurfs, Induktion und Rekursion, elementare Algorithmen,
elementare Konzepte und formale Syntax und Semantik von
Programmiersprachen. —
The lecture gives an overview of the concepts underlying com-
puter science: information systems, propositional logic, ba-
sic principles of programming and software design, inducti-
on and recursion, elementary algorithms, elementary concepts
and formal syntax and semantics of programming languages

Studien-/Prüfungsleistungen 120 min. Klausur (zur Klausurzulassung Bearbeitung von

Assessment Übungen)
120-minute written examination (for exam admission comple-
tion of exercises)

Medienformen Beamer, Tafel, Overheadprojektor

Media used Presentation with a projector, blackboard

Literatur Skript/Lecture notes

Reading list Broy: Informatik – eine grundlegende Einführung, Teil 1+2
Springer Lehrbuch Sommer/Gumm: Einführung in die Infor-
matik, Oldenbourg
Graham Hutton: Programming in Haskell, 2nd ed.
Module Catalogue 29

5102 Programmierung I PN 405282

Programming I

Häufigkeit des Modulangebots Jedes Semester

Frequency of course offering Every Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Bachmaier, Größlinger

Module convenor

Dozent(in) Bachmaier, Größlinger

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Foundations of Computer Science & Program-
Curriculum ming”

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 45 Std. Übungen + 75 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
60 contact hours + 45 hrs exercises + 75 hrs independent
study and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren Lehramt Informatik (vertieft, nicht vertieft), B. Sc. Internet

Studiengängen Computing, B. Sc. Computer Science, B. Sc. Mathematics
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erlernen einführende und grundlegende
Kenntnisse in der Programmierung mit Java. Insbesondere
kennen sie alle Kontroll- und grundlegende Programmstruk-
turen. Zusammen mit dem Modul Programmierung II werden
Module Catalogue 30

Grundlagen für das Arbeitsgebiet Software-Entwicklung gelegt

und praktisch eingeübt.
—
The students learn introductory and basic knowledge of pro-
gramming with Java. In particular, they know all control and
basic program structures. Together with the Programming II
module, the foundations for the field of software development
are laid and practiced.
Fähigkeiten / Abilities
Die Studierenden können einfache statische und dynamische
Datenstrukturen erstellen und einzusetzen.
—
The students can create simple static and dynamic data struc-
tures.
Kompetenzen / Competencies
Die Studierenden sind in der Lage einfache Algorithmen nach
einer abstrakten Spezifikation in Code umzusetzen und einfa-
che Programme eigenständig zu erstellen.
—
The students are able to implement simple algorithms accor-
ding to an abstract specification and to independently create
simple programs.

Inhalt Die Vorlesung führt in die grundlegenden Konzepte der Pro-

Course content grammierung, insbesondere der objektorientierten Program-
mierung mit Java ein. Der Stoff der Vorlesung wird in den
Übungen durch praktische Beispiele und Programmieraufga-
ben vertieft. Konkrete Inhalte:
• Java, was ist das
• Datenstrukturen
• Kontrollstrukturen
• Programmstrukturen
• Zusammengesetzte Datenstrukturen
• Dynamische Datenstrukturen
• Benutzung von Datenstrukturen aus der Funktionsbi-
bliothek
• Einfache Algorithmen
• Ausnahmebehandlung
• Graphische Bedienoberflächen
—
The lecture introduces the basic concepts of programming,
especially object-oriented programming with Java. The con-
tents of the lecture are consolidated by practical examples and
programming assignments in the exercises. Specific contents
are:
• What is Java
Module Catalogue 31

• Data structures
• Control structures
• Program structures
• Composite data structures
• Dynamic data structures
• Using data structures from the Java API
• Simple algorithms
• Exception handling
• Graphical user interfaces

Studien-/Prüfungsleistungen 90 Minuten Klausur

Assessment 90-minute written examination

Medienformen Beamer und Tafel, Übungen werden interaktiv im Rechner-

Media used raum besprochen
Beamer and blackboard, assignments are discussed interac-
tively in the computer room

Literatur Peter Pepper, Programmieren Lernen, 3. Auflage, Springer,

Reading list 2007
Allen B Downey, Chris Mayfield, Think Java, 2nd ed., Green
Tea Press, 2020
Robert Sedgewick, Kevin Wayne, Introduction to Program-
ming in Java, 2nd ed., Addison-Wesley, 2017
Module Catalogue 32

5172 Lineare Algebra I PN 400600

Linear Algebra I

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Kaiser, Kreuzer, Forster-Heinlein, Harks, Zumbrägel, Wirth

Module convenor

Dozent(in) Kaiser, Kreuzer, Forster-Heinlein, Harks, Zumbrägel, Wirth

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Mathematics and theoretical computer

Curriculum science”

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren [Link]. Mathematik, [Link]. Informatik, Lehramt Mathematik

Studiengängen Gymnasium
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die wichtigsten Konzepte und Methoden der elementaren Aus-
sagenlogik, der elementaren Mengenlehre und der linearen Al-
gebra sind den Studierenden bekannt.
—
Module Catalogue 33

The students know the most important concepts and methods

from elementary propositional logic, elementary set theory and
linear algebra.
Fähigkeiten / Abilities
Die Studierenden können elementare mathematische Beweise
selbständig durchführen.
—
The students have the ability to do elementary mathematical
proofs on their own.
Kompetenzen / Competencies
Die Studierenden sind in der Lage wichtige Sachverhalte und
Verfahren der linearen Algebra zu begründen und in Anwen-
dungen adäquat einzusetzen.
—
The students are able to constitute important facts and tech-
niques in linear algebra and to use them adequately in appli-
cations.

Inhalt Als Grundlage für alle weiteren Mathematikvorlesungen wer-

Course content den die elementaren Konzepte der Aussagenlogik und die
wichtigsten Beweistechniken vorgestellt und an Beispielen ein-
geübt. Darüber hinaus werden die Grundbegriffe der Men-
genlehre eingeführt. Dabei werden Relationen (insbesondere
Ordnungs- und Äquivalenzrelationen) und Abbildungen (ins-
besondere Injektivität, Surjektivität, Bilder und Urbilder) ein-
gehend diskutiert. Vollständige Induktion und Rekursion wer-
den als Beweis- und Definitionsprinzipien erläutert. Die für al-
le weiteren logischen und mathematischen Überlegungen not-
wendigen algebraischen Grundstrukturen (insbesondere Halb-
gruppen, Gruppen, Ringe und Körper) werden behandelt. Au-
ßerdem werden die Körper der rationalen, reellen und komple-
xen Zahlen besprochen.
Im Mittelpunkt stehen anschließend die zentralen Konzepte
der linearen Algebra. Es werden Vektorräume, Basen, Dimen-
sion und lineare Abbildungen studiert. Matrizen und Deter-
minanten sowie die Darstellung linearer Abbildungen durch
Matrizen werden ausführlich untersucht.
Lösbarkeitskriterien und –verfahren für lineare Gleichungs-
systeme sowie die Beschreibung ihrer Lösungsmengen bilden
einen zentralen Bestandteil der Veranstaltung, deren Wichtig-
keit an zahlreichen Beispielen demonstriert wird.
—
As a basis for all further lectures in mathematics, the elemen-
tary concepts of propositional logic and the most important
proof techniques are presented and illustrated with examples.
In addition, the foundations of elementary set theory are given.
Module Catalogue 34

Here relations (in particular order and equivalence relations)

and mappings (especially injectivity, surjectivity, images and
preimages) are discussed. Induction and recursion are explai-
ned as principles of proof and definition. The for all further
logical and mathematical considerations necessary basic al-
gebraic structures (particularly semigroups, groups, rings and
fields) are covered. In particular, the fields of rational, real and
complex numbers are discussed. The focus is then on the cen-
tral concepts of linear algebra. Vector spaces, bases, dimension
and linear mappings are studied. Matrices and deter-minants
as well as the representation of linear mappings by matrices are
studied in detail. Criteria and methods for solving systems of
linear equations and the description of their solution sets are a
central part of the lecture. Their importance is demonstrated
by numerous examples.

Studien-/Prüfungsleistungen Eine Klausur (120 Minuten) oder stattdessen nach Wahl zwei
Assessment Teilklausuren (je 60 Minuten, einmal in der Semestermitte,
einmal am Semesterende) oder mündliche Prüfung (ca. 30
Minuten); die genaue Prüfungsart wird zu Beginn des Semes-
ters bekannt gegeben.
Written exam (120 minutes) or two instead (60 minutes each,
one in the middle of the semester and one at the end) or oral
examination (30 minutes); the precise mode of assessment will
be announced at the start of the semester.

Medienformen Präsentation und Beamer, Folien oder Tafel

Media used Presentation with a projector, blackboard

Literatur z. B. E.D. Bloch, Proofs and Fundamentals, Birkhäuser 2000

Reading list G. Fischer, Lineare Algebra, Vieweg 1997
Module Catalogue 35

5180 Counseling Module PN xxxxxx

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Harks
Module convenor

Dozent(in) FIM Professors

Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “AIP, Seminar and Presentation”

Curriculum

Lehrform/SWS 1V
Contact hours

Arbeitsaufwand 15 Std. Präsenz + 45 Std. Nachbereitung der Vorlesung und

Workload Prüfungsvorbereitung
15 contact hrs + 45 hrs independent study and exam prepa-
ration

ECTS 2
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes In Vorlesungen wird die Selbstorganisation zu Studienbeginn
und die Orientierung in Bezug auf die Anforderungen des B.
Sc. Artificial Intelligence thematisiert.
—
In lectures, the students will be taught how to self-organize
Module Catalogue 36

the study program of [Link]. Artificial Intelligence.

Fähigkeiten / Abilities
Die Veranstaltung zielt darauf ab, dass die Studierenden ihr
Studium selbstorganisiert strukturieren und planen, sodass sie
zielorientiert studieren. Die Studierenden sind am Ende des
Moduls in der Lage die Grundstruktur des Studiums zu erken-
nen sowie die Anforderungen der Studienfächer abzuschätzen
und dementsprechend ihr Studium zu optimieren. Weiterhin
sind sie in der Lage verschiedene Vorgehensweisen beim Ler-
nen an der Universität zu reflektieren und auf ihr eigenes Lern-
verhalten zu übertragen.
—
The course is meant to prepare students for the study pro-
gram in terms of self-organization and planning skills in order
to successfully complete the program. Moreover, they learn
how to implement different forms of learning strategies.
Kompetenzen / Competencies
Die Studierenden haben die Kompetenz, sich hinsichtlich ihres
Lernfortschrittes und der dafür notwendigen Anforderungen
selbst zu organisieren:
• Nutzung von Lerngruppen
• Lernen an der Universität und Reflexion des Lernstandes
• Teamarbeit im Studium
• Umgang mit Prüfungen und Prüfungsvorbereitung
• Organisation und Strukturierung der Prüfungsphase
• Kenntnis des Ablaufs des Studienprogramms

—
The students have the competencies to survey their learning
progress and to achieve a level of self-organization:
• Use of learning groups
• Learning how to learn
• Teamwork
• Cope with exams
• Organization of exam phase
• Students know the structure and contents of the degree
program.

Inhalt • Einführung in das Studienprogramm

Course content • Einführung in die Bibliotheksdienste und das IT-
Angebot der FIM
• Vorschriften, Bewertungen und Prüfungen
• Kern-KI
• Nebenfachprogramme
• Wissenschaftliches Arbeiten und Studieren
Module Catalogue 37

—
• Introduction to the [Link]. AI Program
• Introduction to FIM IT Offerings & Library Services
• Regulations, Assessments, & Exams
• Core AI
• Minor Programmes
• Scientific Working and Studying

Studien-/Prüfungsleistungen Abschlussklausur (45 Minuten)

Assessment Written Exam (45 minutes)

Medienformen
Media used Multimedia presentation (videos in case of virtual lecture).

Literatur -
Reading list
Module Catalogue 38

5182 Lineare Algebra für Informatiker PN xxxxxx

Mathematics for Computer Science I

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Kaiser, Kreuzer, Forster-Heinlein, Harks, Zumbrägel, Wirth

Module convenor

Dozent(in) Kaiser, Kreuzer, Forster-Heinlein, Harks, Zumbrägel, Wirth

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Mathematics and Theoretical Computer

Curriculum Science”

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren [Link]. Computer Science

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die wichtigsten Konzepte und Methoden der elementaren Aus-
sagenlogik, der Mengenlehre und der linearen Algebra sind den
Studierenden bekannt.
—
Module Catalogue 39

The students are familiar with the key concepts and methods
of elementary propositional logic, set theory, and linear alge-
bra.
Fähigkeiten / Abilities
Die Studierenden können die Theorie der linearen Algebra an-
wenden und insbesondere lineare Gleichungssysteme lösen.
—
The students can apply the theory of linear algebra and, in
particular, solve systems of linear equations.
Kompetenzen / Competencies
Die Studierenden sind in der Lage wichtige Sachverhalte und
Verfahren der linearen Algebra zu begründen und in Anwen-
dungen adäquat einzusetzen.
—
The students are able to justify important facts and methods
of linear algebra and apply them appropriately in practice.

Inhalt Als Grundlage werden die elementaren Konzepte der Aussa-

Course content genlogik und die wichtigsten Beweistechniken vorgestellt und
an Beispielen eingeübt. Darüber hinaus werden die Grundbe-
griffe der Mengenlehre eingeführt. Dabei werden Relationen
(insbesondere Ordnungs- und Äquivalenzrelationen) und Ab-
bildungen (insbesondere Injektivität, Surjektivität, Bilder und
Urbilder) eingehend diskutiert. Vollständige Induktion und Re-
kursion werden als Beweis- und Definitionsprinzipien erläutert.
Die für alle weiteren logischen und mathematischen Über-
legungen notwendigen algebraischen Grundstrukturen (insbe-
sondere Gruppen, Ringe und Körper) werden behandelt. Au-
ßerdem werden die Körper der rationalen, reellen und komple-
xen Zahlen besprochen.
Im Mittelpunkt stehen anschließend die zentralen Konzep-
te der linearen Algebra wie Vektorräume, Basen, Dimension,
lineare Gleichungssysteme, Determinanten, Darstellung linea-
rer Abbildungen durch Matrizen sowie ein erster Einstieg in
die Eigenwerttheorie.
—
As a foundation, the elementary concepts of propositional lo-
gic and the most important proof techniques are introduced
and practiced using examples. In addition, the basic concepts
of set theory are presented. Relations (in particular order and
equivalence relations) and mappings (in particular injectivi-
ty, surjectivity, images, and preimages) are discussed in de-
tail. Mathematical induction and recursion are explained as
principles of proof and definition. The algebraic structures ne-
cessary for all further logical and mathematical considerations
(in particular groups, rings, and fields) are covered. Further-
Module Catalogue 40

more, the fields of rational, real, and complex numbers are

discussed. The focus then turns to the central concepts of li-
near algebra such as vector spaces, bases, dimension, systems
of linear equations, determinants, the representation of line-
ar mappings by matrices, as well as an initial introduction to
eigenvalue theory.

Studien-/Prüfungsleistungen Klausur (120 min)

Assessment Written Exam (120 min)

Medienformen Präsentation und Beamer, Folien oder Tafel

Media used Presentation and blackboard, slides, beamer

Literatur z.B. G. Fischer, Lineare Algebra, Vieweg 1997, 11. Auflage

Reading list
Module Catalogue 41

5200 Algorithmen und Datenstrukturen PN 405127

Algorithms and Data Structures

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Sudholt, Rutter

Module convenor

Dozent(in) Sudholt, Rutter

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Foundations of Computer Science & Program-
Curriculum ming”

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 60 Std. Übungen + 120 Std. Nachberei-

Workload tung der Vorlesung und Prüfungsvorbereitung
90 contact hours + 60 hrs exercises + 120 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Programmierung I

Recommended skills Programming I

Verwendbarkeit in weiteren [Link]. Computer Science (PO 2025)

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden kennen grundlegende und ausgewählte fort-
geschrittene Datenstrukturen und Algorithmen sowie Ent-
wurfsmethoden für effiziente Algorithmen.
—
Module Catalogue 42

The students are familiar with fundamental and selected ad-

vanced data structures and algorithms, as well as design me-
thods for efficient algorithms.
Fähigkeiten / Abilities
Die Studierenden sind in der Lage, die erlernten Datenstruk-
turen und Algorithmen zu beschreiben und anzuwenden. Sie
können die Laufzeit von Algorithmen und Operationen auf Da-
tenstrukturen analysieren und deren Korrektheit beweisen.
—
The students are able to describe and apply the data struc-
tures and algorithms they have learned. They can analyze the
runtime of algorithms and operations on data structures and
prove their correctness.
Kompetenzen / Competencies
Sie können hinsichtlich Laufzeit und Speicherplatzbedarf effi-
ziente Algorithmen zur Lösung von Problemen entwerfen und
dazu geeignete Datenstrukturen auswählen.
—
They can design efficient algorithms to solve problems with
respect to runtime and memory requirements, and select ap-
propriate data structures for this purpose.

Inhalt Algorithmen sind exakt formulierte Verfahren zur Bearbei-

Course content tung von Daten. Algorithmen und algorithmisches Problem-
lösen sind Kerngebiete der Informatik. Dieses Modul führt
die Studierenden in das Design und die Analyse effizienter
Algorithmen und Datenstrukturen ein. Die Studierenden ler-
nen, wie man die Korrektheit von Algorithmen beweist, wie
man die Effizienz von Algorithmen quantifiziert (O-Notation,
asymptotisches Verhalten) und welche algorithmischen Lösun-
gen effizient sind. Es werden Methoden zum Entwurf effizien-
ter Algorithmen vermittelt (z.B. Greedy, Divide & Conquer,
systematische Suche), einschließlich effizienter Datenstruktu-
ren zum Speichern und Abrufen von Daten (z.B. verkettete
Listen, Bäume, Graphen, Keller, Schlangen, Prioritätswarte-
schlangen, Hashtabellen). Dies geschieht anhand anschauli-
cher und grundlegender Probleme: Suchen, Sortieren, Algo-
rithmen auf Graphen (Tiefen- und Breitensuche) und kombi-
natorischer Probleme wie dem Finden von kürzesten Wegen
und minimalen Spannbäumen in Netzwerken. Zu ausgewähl-
ten Themen werden zudem fortgeschrittene Entwurfs- und
Analysemethoden vermittelt.
—
Algorithms are precisely defined procedures for processing da-
ta. Algorithms and algorithmic problem solving are core areas
of computer science. This module introduces students to the
Module Catalogue 43

design and analysis of efficient algorithms and data structu-

res. Students learn how to prove the correctness of algorithms,
how to quantify the efficiency of algorithms (Big-O notation,
asymptotic behavior), and which algorithmic solutions are ef-
ficient. Methods for designing efficient algorithms are taught
(e.g., greedy, divide & conquer, systematic search), including
efficient data structures for storing and retrieving data (e.g.,
linked lists, trees, graphs, stacks, queues, priority queues, hash
tables). This is illustrated through clear and fundamental pro-
blems: searching, sorting, graph algorithms (depth-first and
breadth-first search), and combinatorial problems such as fin-
ding shortest paths and minimum spanning trees in networks.
For selected topics, advanced design and analysis methods are
also introduced.

Studien-/Prüfungsleistungen Klausur (120 min)

Assessment Written Exam (120 min)

Medienformen Präsentation mit Beamer und Tafel

Media used Presentation with a projector and whiteboard

Literatur Cormen, Leiserson, Rivest, Stein: Introduction to Algorithms,

Reading list 2001
T. Ottmann, P. Widmayer: Algorithmen und Datenstrukturen,
Spektrum Verlag 2000
Vorlesungsunterlagen
Module Catalogue 44

5272 Analysis I PN 400700

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Kaiser, Forster-Heinlein, Müller-Gronbach, Prochno, Sauer

Module convenor

Dozent(in) Kaiser, Forster-Heinlein, Müller-Gronbach, Prochno, Sauer

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Mathematics and theoretical computer

Curriculum science”

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren [Link]. Informatik, Lehramt Mathematik Gymnasium

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die grundlegenden Konzepte und Methoden der Analysis von
Funktionen einer Veränderlichen wie Konvergenz, Stetigkeit
und Differentiation sind den Studierenden bekannt.
—
Students have knowledge of the fundamental concepts and
Module Catalogue 45

methods of the analysis of functions in one variable such as

convergence, continuity, and differentiation.
Kompetenzen / Competencies
Sie beherrschen die grundlegenden Rechen- und Beweisver-
fahren der Analysis und können diese selbständig auf neue
Probleme anwenden.
—
They master the fundamental computation and proof tech-
niques of analysis and can apply them independently to new
problems.

Inhalt Als Grundlage für alle weiteren Resultate werden grundlegen-

Course content de algebraische Strukturen behandelt und es wird insbesondere
die Ordnungsstruktur der reellen Zahlen axiomatisch beschrie-
ben. Der Absolutbetrag für reelle und komplexe Zahlen, me-
trische Räume sowie der Normbegriff in Vektorräumen werden
nebst elementaren topologischen Begriffen eingeführt. Es wer-
den Folgen und Reihen (insbesondere Potenzreihen) und ihre
Konvergenz studiert. Grenzwerte und Stetigkeit von reellen
und komplexen Funktionen (aber auch Funktionen auf metri-
schen Räumen) sind ein weiteres Thema sowie zentrale Sätze
über stetige Funktionen (Zwischenwertsatz, Satz vom steti-
gen Bild kompakter Mengen, Satz vom Maximum und Mini-
mum, Satz zur gleichmäßigen Stetigkeit). Ein weiteres zentra-
les Thema ist die Differentiation von Funktionen einer reellen
Veränderlichen. Diese wird ausführlich behandelt, insbesonde-
re werden die wichtigsten Differentiationsregeln bewiesen. An-
wendungen der Differentiation (Satz von Rolle, Mittelwertsät-
ze, Monotonie, Maxima und Minima, Konvexität, Taylorscher
Formel, Taylorreihen) werden ausgiebig untersucht. Auch wer-
den elementare Funktionen wie Polynome, rationale Funktio-
nen, Exponentialfunktion, allgemeine Potenzen, Logarithmen,
trigonometrische Funktionen und ihre Umkehrfunktionen ein-
geführt und ihre Eigenschaften abgeleitet.
Bei allen angegebenen Themengebieten wird auf den logischen
Aufbau Wert gelegt und auch die notwendigen Beweismetho-
den werden ausführlich behandelt.
—
As a foundation for all further results, basic algebraic struc-
tures are studied, with a particular focus on the axiomatic
description of the ordering structure of the real numbers. The
absolute value for real and complex numbers, metric spaces,
as well as the concept of norms in vector spaces, are intro-
duced along with elementary topological concepts. Sequences
and series (particularly power series) and their convergence
are studied. Limits and continuity of real and complex functi-
Module Catalogue 46

ons (as well as functions on metric spaces) are another topic,

along with central theorems about continuous functions (In-
termediate Value Theorem, Theorem on the continuous image
of compact sets, Extreme Value Theorem, Uniform Continuity
Theorem). Another central topic is the differentiation of func-
tions of a real variable. This is treated in detail, with the most
important differentiation rules being proven. Applications of
differentiation (Rolle’s Theorem, Mean Value Theorems, Mo-
notonicity, Maxima and Minima, Convexity, Taylor’s Formula,
Taylor Series) are thoroughly examined. Elementary functions
such as polynomials, rational functions, exponential functions,
general powers, logarithms, trigonometric functions, and their
inverse functions are also introduced, and their properties are
derived. In all the mentioned topics, emphasis is placed on
logical structure, and the necessary proof methods are also
treated in detail.

Studien-/Prüfungsleistungen Klausur (120 Minuten) oder mündliche Prüfung (ca. 30 Mi-

Assessment nuten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben.
Written exam (120 minutes) or oral exam (about 30 minu-
tes); the precise mode of assessment will be announced at the
beginning of the semester.

Medienformen Tafel, Beamer, Übungsblätter

Media used Board, projector, exercise sheets

Literatur z.B.
Reading list O. Forster, Analysis 1, Vieweg 1999
E. Behrends, Analysis Band 1, Vieweg 2014
H. Heuser, Lehrbuch der Analysis. Teil 1,Vieweg 2009
Module Catalogue 47

5273 Analysis für Informatiker PN xxxxxx

Mathematics for Computer Science II

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Kaiser, Forster-Heinlein, Müller-Gronbach, Prochno, Sauer

Module convenor

Dozent(in) Kaiser, Forster-Heinlein, Müller-Gronbach, Prochno, Sauer

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Mathematics and theoretical computer

Curriculum science”

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren [Link]. Computer Science, Lehramt Mathematik Gymnasium

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die grundlegenden Konzepte und Methoden der Analysis von
Funktionen einer Veränderlichen wie Konvergenz, Stetigkeit
und Differentiation sind den Studierenden bekannt.
—
Module Catalogue 48

Students have knowledge of the fundamental concepts and

methods of the analysis of functions in one variable such as
convergence, continuity, and differentiation.
Kompetenzen / Competencies
Sie beherrschen die grundlegenden Rechenmethoden der Ana-
lysis und können diese selbständig auf neue Probleme anwen-
den. Sie lernen auch zentrale Beweisverfahren kennen.
—
They master the fundamental computation techniques of ana-
lysis and can apply them to new problems. They also learn the
key methods of proof.

Inhalt Als Grundlage für alle weiteren Resultate werden grundlegen-

Course content de algebraische Strukturen behandelt und es wird insbeson-
dere die Ordnungsstruktur der reellen Zahlen axiomatisch be-
schrieben. Der Absolutbetrag für reelle und komplexe Zahlen,
metrische Räume sowie der Normbegriff in Vektorräumen wer-
den nebst elementaren topologischen Begriffen eingeführt. Es
werden Folgen und Reihen (insbesondere Potenzreihen) und
ihre Konvergenz studiert. Grenzwerte und Stetigkeit von re-
ellen und komplexen Funktionen (aber auch Funktionen auf
metrischen Räumen) sind ein weiteres Thema sowie zentrale
Sätze über stetige Funktionen (Zwischenwertsatz, Satz vom
stetigen Bild kompakter Mengen, Satz vom Maximum und Mi-
nimum, Satz zur gleichmäßigen Stetigkeit). Ein weiteres zen-
trales Thema ist die Differentiation von Funktionen einer re-
ellen Veränderlichen. Diese wird ausführlich behandelt, insbe-
sondere werden die wichtigsten Differentiationsregeln bewie-
sen. Anwendungen der Differentiation (Satz von Rolle, Mittel-
wertsätze, Monotonie, Maxima und Minima, Konvexität, Tay-
lorscher Formel, Taylorreihen) werden ausgiebig untersucht.
Auch werden elementare Funktionen wie Polynome, rationale
Funktionen, Exponentialfunktion, allgemeine Potenzen, Loga-
rithmen, trigonometrische Funktionen und ihre Umkehrfunk-
tionen eingeführt und ihre Eigenschaften abgeleitet. Bei allen
angegebenen Themengebieten wird auf den logischen Aufbau
Wert gelegt und auch die notwendigen Beweismethoden wer-
den ausführlich behandelt.
—
As a foundation for all further results, basic algebraic struc-
tures are studied, with a particular focus on the axiomatic
description of the ordering structure of the real numbers. The
absolute value for real and complex numbers, metric spaces,
as well as the concept of norms in vector spaces, are intro-
duced along with elementary topological concepts. Sequences
and series (particularly power series) and their convergence
Module Catalogue 49

are studied. Limits and continuity of real and complex functi-

ons (as well as functions on metric spaces) are another topic,
along with central theorems about continuous functions (In-
termediate Value Theorem, Theorem on the continuous image
of compact sets, Extreme Value Theorem, Uniform Continuity
Theorem). Another central topic is the differentiation of func-
tions of a real variable. This is treated in detail, with the most
important differentiation rules being proven. Applications of
differentiation (Rolle’s Theorem, Mean Value Theorems, Mo-
notonicity, Maxima and Minima, Convexity, Taylor’s Formula,
Taylor Series) are thoroughly examined. Elementary functions
such as polynomials, rational functions, exponential functions,
general powers, logarithms, trigonometric functions, and their
inverse functions are also introduced, and their properties are
derived. In all the mentioned topics, emphasis is placed on
logical structure and computational aspects, but also key me-
thods of proof are treated.

Studien-/Prüfungsleistungen Klausur (120 Minuten) oder mündliche Prüfung (ca. 30 Mi-

Assessment nuten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben.
Written exam (120 minutes) or oral exam (about 30 minu-
tes); the precise mode of assessment will be announced at the
beginning of the semester.

Medienformen Tafel, Beamer, Übungsblätter

Media used Board, projector, exercise sheets

Literatur z.B.
Reading list O. Forster, Analysis 1, Vieweg 1999
E. Behrends, Analysis Band 1, Vieweg 2014
H. Heuser, Lehrbuch der Analysis. Teil 1,Vieweg 2009
Module Catalogue 50

5280 Programmierung zur Datenanalyse PN xxxxxx

Programming for Data Analytics

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Heinzl, Lemmerich

Module convenor

Dozent(in) Heinzl, Lemmerich

Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Foundations of Computer Science & Program-
Curriculum ming”

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 60 Std. Übungen + 60 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
60 contact hours + 60 hrs exercises + 60 hrs independent
study and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Grundlegende Programmierkenntnisse wie in Programmierung

Recommended skills I gelehrt
Basic programming skills, such as those taught in Program-
ming

Verwendbarkeit in weiteren
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Grundkenntnisse der Python-Programmierung und Bibliothe-

Learning outcomes ken zur Analyse und Visualisierung von Daten in Python.
Grundlegendes Verständnis praktischer Ansätze und Heraus-
Module Catalogue 51

forderungen bei der explorativen Datenanalyse, einschließlich

Vorverarbeitung, Aufbereitung, Informationsvisualisierung, vi-
suelle Analytik und maschinelles Lernen. Fähigkeit, diese
Schritte selbständig durchzuführen. Kompetenz, zusätzliche
Bibliotheken selbstständig zu erlernen und zu nutzen
—
Basic knowledge of Python programming and libraries for ana-
lyzing and visualizing data in Python. Basic understanding of
practical approaches and challenges in exploratory data analy-
sis including preprocessing, preparation, information visualiza-
tion, visual analytics and machine learning. Ability to perform
these steps independently. Competence to independently learn
and utilize additional libraries.

Inhalt Programmierung zur Datenanalyse vermittelt theoretische

Course content Grundkenntnisse und praktische Einführung in die folgenden
Bereiche:
• Python-Grundkenntnisse
• Datenerfassung
• Datenvorverarbeitung und -aufbereitung
• Explorative Datenanalyse
• Informationsvisualisierung
• Visuelle Analytik
• Maschinelles Lernen
• Versionsmanagement und Testen
—
Programming for Data Analytics provides basic theoretical
knowledge and a practical introduction to the following areas:
• Basic Python knowledge
• Data acquisition
• Data preprocessing and preparation
• Exploratory data analysis
• Information visualization
• Visual analytics
• Machine learning
• Version management and testing

Studien-/Prüfungsleistungen Portfolio:
Assessment Durchführung und Bericht/Präsentation/Diskussion von Pro-
jektaufgaben in Kleingruppen. (Gewichtung mit max. 50%)
Abschlussklausur von 90 Minuten.
Die genaue Gewichtung wird zu Beginn des Semesters bekannt
gegeben.
Portfolio:
Project execution, as well as report/presentation/discussion
(weighed at maximum 50%)
Module Catalogue 52

Final exam of 90 minutes (50%)

The exact weighting will be announced at the beginning of
the semester.

Medienformen Der Stoff ist in thematische Gruppen unterteilt und wird an-
Media used hand elektronischer Folien sowie Whiteboard präsentiert. In
praktischen Projektaufgaben können die Studierenden ihre
Programmierkenntnisse vertiefen.
The material is divided into thematic groups and is presented
using electronic slides and a whiteboard. Students can deepen
their programming skills in practical project tasks.

Literatur S. Herbold Data Science Crashkurs

Reading list ([Link])
McKinney, Wes. Datenanalyse mit Python: Auswertung von
Daten mit pandas, NumPy und Jupyter. o’Reilly, 2023
Navlani, A., Fandango, A., & Idris, I. (2021). Python Data
Analysis: Perform data collection, data processing, wrangling,
visualization, and model building using Python. Packt Publis-
hing Ltd.
Tamara Munzner, Visualization Analysis & Design: Abstracti-
ons, Principles, and Methods, CRC Press, 2014
Claus O. Wilke, Fundamentals of Data Visualization O’Reilly
Media, Inc., 2020
Module Catalogue 53

5281 Grundlagen der Künstlichen Intelligenz I: Maschinelles PN xxxxxx

Lernen
Foundations of Artificial Intelligence: Machine Learning

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Herbold
Module convenor

Dozent(in) Herbold
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Foundations of Artificial Intelligence”

Curriculum

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 45 Std. Übungen + 60 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
45 contact hours + 45 hrs exercises + 60 hrs independent
study and exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden kennen die grundlegenden Begriffe und Ver-
fahren der Künstlichen Intelligenz und können diese qualifi-
ziert benutzen und beurteilen. Sie können komplexe Probleme
Module Catalogue 54

in geeigneter Form für Lernalgorithmen formalisieren und pas-

sende Verfahren zur Lösung dieser Probleme einsetzen.
—
Students know the basic concepts and methods of artificial in-
telligence and are able to use and evaluate them in a qualified
manner. They can formalise complex problems in a suitable
form for learning algorithms and use suitable methods to sol-
ve these problems.
Fähigkeiten / Abilities
Die Studierenden kennen Algorithmen des maschinellen Ler-
nens zur Assoziationsanalyze, zum Clustering, zur Klassifika-
tion und zur Regression und sie können diese anwenden. Die
Studierenden können die Güte berechneter Modelle beurtei-
len.
—
Students know machine learning algorithms to analyse asso-
ciations, for clustering, classification and regression. The stu-
dents know how to apply these algorithms and assess the qua-
lity of calculated models.
Kompetenzen / Competencies
Die Studierenden besitzen die Kompetenz für gegebene Pro-
blemstellungen geeignete Lernalgorithmen auszuwählen und
sie zu nutzen, um Modelle zu lernen und diese zu nutzen.
—
Students have the competence to select suitable learning algo-
rithms for given problems and to use them to learn and utilise
models.

Inhalt • Geschichte der KI, Grundbergiffe & Teilgebiete

Course content • Grundlagen des maschinellen Lernens (Überwachtes und
unüberwachtes Lernen, Merkmale)
• Assoziationsanalyse
• Cluster-Analyse
• Klassifikationsalgorithmen
• Regressionsverfahren
• Evaluationsmethoden für gelernte Modelle
—
• History of AI, basic concepts & sub-areas
• Basics of machine learning (supervised and unsupervised
learning, features)
• Association analysis
• Cluster analysis
• Classification algorithms
• Regression methods
• Evaluation methods for learnt models
Module Catalogue 55

Studien-/Prüfungsleistungen 90-minütige Klausur oder mündliche Prüfung (20 Minuten);

Assessment die genaue Prüfungsart wird zu Beginn des Semesters bekannt
gegeben.
90-minute written or 20-minutes oral examination; the preci-
se mode of assessment will be announced at the start of the
semester

Medienformen Präsentation mit Beamer

Media used Presentation with a projector

Literatur Wird zu Beginn der Vorlesung bekannt gegeben

Reading list Will be announced at the beginning of the lecture
Module Catalogue 56

5300 Software Engineering PN 401201

Software Engineering

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Fraser
Module convenor

Dozent(in) Fraser
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Advanced AI – Applied”

Curriculum

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 30 Std. Übungen + 75 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
45 contact hours + 30 hrs exercises + 75 hrs independent
study and exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Programmierung I, Grundlagen der Informatik

Recommended skills Programming I, Foundations of Computer Science

Verwendbarkeit in weiteren [Link]. Mathematik, Lehramt Informatik (vertieft)

Studiengängen Bachelor Mathematics
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erwerben grundlegende Kenntnisse zur Ent-
wicklung und Wartung von Softwaresystemen. Insbesondere
erlernen sie die Anwendung der Konzepte Divide & Conquer,
Einfachheit, Rigor und Formalisierung, Strukturierung, Ab-
Module Catalogue 57

straktion und Hierarchie sowohl auf die Organisation des Soft-

wareentwicklungsprozesses als auch auf die zu entwickelnde
Software selbst.
—
The students acquire basic knowledge of the development de-
velopment and maintenance of software systems. In particular
they learn how to apply the concepts of Divide & Conquer,
simplicity, rigor and formalization, structuring, abstraction and
hierarchy abstraction and hierarchy both to the organization
of the software development process as well as to the software
to be developed itself.
Fähigkeiten / Abilities
Die in der Vorlesung vermittelten Kenntnisse über die Konzep-
te werden in den Übungen vertieft und angewendet. Zusätzlich
zu dieser Veranstaltung wird im Software-Engineering- Prak-
tikum ein reales Softwareprojekt simuliert und in einer Lern-
gruppe abgearbeitet.
—
The knowledge of the concepts taught in the lecture is deepe-
ned and applied in the exercises. In addition to this course, a
real software project is simulated in the software engineering
practical course and worked on in a learning group.
Kompetenzen / Competencies
Die Studierenden sind in der Lage, kleinere Softwaresysteme
zu projektieren, beim Projektmanagement von großen Syste-
men kompetent mitzuwirken, Konzepte und Werkzeuge zur
Softwareentwicklung in der Praxis einzusetzen, die Qualität
von Software zu beurteilen und qualitätsverbessernde Maß-
nahmen auszuwählen.
—
The students are able to plan smaller software systems, com-
petently participate in the project management of large sys-
tems, use concepts and tools for software development in prac-
tice, assess the quality of software and select quality-improving
measures.

Inhalt Die Vorlesung behandelt die wichtigsten Prinzipien und Ver-

Course content fahren der Softwaretechnik, insbesondere:
• Projekt-Management, Metriken, Team-Work, Risiko-
Management
• Softwareprozeß-Modelle, Prozess-Aktivitäten
• Agile-Development, eXtreme Programming
• Software-Architektur
• Refactoring
• Software-Engineering-Tools
• Versionsverwaltungssysteme (RCS, CVS, Subversion,
Module Catalogue 58

Mercury)
• Free-Software, Software-Lizenzen, Patente
• Software-Qualität, Software-Analyse, Testing
• Automatisches Testen, Assertion-Checking,
Unit-Testing (JUnit)
• Software-Verifikation
• Web-Service-orientierte Software-Entwicklung
• Graph-Modelle von Softwaresystemen, Software-Struk-
tur- Analyse, Relational Querying
• Software-Clustering, Layout-basierte Software- Dekom-
position
• Intellectual-Property und Software-Lizenzen
• Cloud-Computing
—
The lecture covers the most important principles and methods
of software engineering, in particular:
• Project management, metrics, team work, risk manage-
ment
• Software process models, process activities
• Agile-Development, eXtreme Programming
• Software architecture
• Refactoring
• Software engineering tools
• Version management systems (RCS, CVS, Subversion,
Mercury, git)
• Free software, software licenses, patents
• Software quality, software analysis, testing
• Automated testing, assertion checking, unit testing (JU-
nit)
• Software verification
• Web service-oriented software development
• Graph models of software systems, software structure
analysis, relational querying
• Software clustering, layout-based software decompositi-
on
• Intellectual property and software licenses
• Cloud computing

Studien-/Prüfungsleistungen 90-min. Klausur

Assessment 90-minute written examination

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur Balzert: Lehrbuch der Software-Technik, Band1, Software-

Reading list Entwicklung. 2. Aufl., Elsevier-Verlag, 2001
Module Catalogue 59

Sommerville: Software Engineering. 7. Aufl., Addison-Wesley,

2004
Ghezzi, Jazayeri, Mandrioli: Fundamentals of Software Engi-
neering. 2. Aufl., Pearson Education, 2002
Gamma Helm [Link]: Design Patterns. Addison-Wesley, 1995
Module Catalogue 60

5302 Programmierung II PN 405283

Programming II

Häufigkeit des Modulangebots Jedes Semester

Frequency of course offering Every Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Bachmaier
Module convenor

Dozent(in) Bachmaier
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Software Engineering” (SE)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 45 Std. Übungen + 75 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
60 contact hours + 45 hrs exercises + 75 hrs independent
study and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Programmierung I, Algorithmen und Datenstrukturen

Recommended skills Programming I, Algorithms and Data Structures

Verwendbarkeit in weiteren [Link]. Computer Science, [Link]. Internet Computing, [Link].

Studiengängen Mathematics, Lehramt Informatik (vertieft, nicht vertieft)
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden haben erweiterte Programmierkenntnisse
und -erfahrung, um größere Java-Programme mit mehr als
100 Zeilen Code eigenständig und durchwegs objektorientiert
zu realisieren. Aufgrund des vermittelten Hintergrundwissens
Module Catalogue 61

können Sie systematisch den internen Ablauf von Java ein-

schätzen und effizienten Programmcode schreiben.
—
The students have advanced programming knowledge and ex-
perience to independently implement larger Java programs
with more than 100 lines of code and in an object-oriented
manner. Based on the background knowledge imparted, they
can systematically assess the internal process of Java and wri-
te efficient program code.
Fähigkeiten / Abilities
Die Studierenden können sauber und verständlich Program-
me nach grundlegenden software-technischen Prinzipien ent-
wickeln.
—
The students can develop clean and understandable programs
based on basic software engineering principles.
Kompetenzen / Competencies
Die Studierenden sind in der Lage auch größere Java-
Programme zu realisieren. Sie können sich eigenständig und
schnell in Programm-Bibliotheken oder zukünftige Features
von Java oder ähnlichen Programmiersprachen einarbeiten.
—
The students are able to also implement larger Java programs.
They can independently and quickly familiarize themselves
with program libraries or future features of Java or similar
programming languages.

Inhalt Aufbauend auf Programmierung I vermittelt Programmierung

Course content II fortgeschrittene Programmierkonzepte in Java.
Diese Konzepte werden beim Erstellen größerer imperativer
Programme in der Programmiersprache Java auch praktisch
eingesetzt. Neben syntaktisch korrektem und fehlerarmen ob-
jektorientiertem Programmieren wird großer Wert auf Ver-
ständlichkeit und Stil des entstehenden Programmcodes ge-
legt. Durch die Vorschaltung einer rechnergestützten Prüfung
der Abgaben (durch den Praktomat) wird die Einhaltung die-
ser Anforderungen restriktiver gefordert und geprüft als dies
durch alleinige manuelle Korrektur der Fall wäre.
Konkrete Inhalte sind:
• Programmierstil
• Objekte und Klassen
• Objektorientierte Programmierung
• Fehlerbehandlung
• Ein- und Ausgabe
• Generische Datentypen
• Container
Module Catalogue 62

• Nebenläufigkeit
• Graphische Oberflächen mit Swing
—
Building on Programming I, Programming II teaches advan-
ced programming concepts in Java. These concepts are also
used practically when creating larger imperative programs in
the Java programming language. In addition to syntactically
correct and error-free object-oriented programming, great im-
portance is placed on the comprehensibility and style of the re-
sulting program code. By using computer-aided checks of the
submissions (Artemis), compliance with these requirements is
demanded and checked more restrictively than it would be the
case with manual correction alone.
Specific contents are:
• Programming style
• Objects and classes
• Object-oriented programming
• Error handling
• Input and output
• Generic data types
• Containers
• Concurrency
• Graphical interfaces with Swing

Studien-/Prüfungsleistungen Portfolio (Artemisübungen mit ca. 4 Programmieraufgaben

Assessment verteilt über das Semester)
Portfolio (Artemis exercises with approx. 4 programming assi-
gnments spread over the semester)

Medienformen Beamer und Tafel, Übungen werden online auf Artemis abge-
Media used geben
Beamer and blackboard, assignment solutions are submitted
online to Artemis

Literatur Peter Pepper, Programmieren Lernen, [Link], Springer,

Reading list 2007
Christian Ullenboom, Java ist auch nur eine Insel, 7. Auflage,
Galileo Computing 2007
Allen B. Downey, Chris Mayfield, Think Java, 2nd ed., Green
Tea Press, 2020
Christian Ullenboom, Java: The Comprehensive Guide, Rhein-
werk, 2023
The Java Tutorial, Oracle
Code Conventions for the Java Programming Language,
Oracle
Joshua Bloch, Effective Java Programming Guide, Addison-
Module Catalogue 63

Wesley, 2005
Bruce Eckel, Thinking in Java, Fourth Edition, Prentice Hall
James Gosling, Bill Joy, Guy Steele, Gilad Bracha, The Ja-
va Language Specification, Third Edition, The Java Series,
Addison Wesley 2005
Module Catalogue 64

5306 Theoretische Informatik PN 406010

Theoretical Computer Science

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Rutter, Sudholt

Module convenor

Dozent(in) Rutter, Sudholt

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Mathematics & Theoretical Computer

Curriculum Science”

Lehrform/SWS 3V + 2Ü
Contact hours

Arbeitsaufwand 75 Std. Präsenz + 75 Std. Übungen + 60 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
75 contact hours + 75 hrs exercises + 60 hrs independent
study and exam preparation

ECTS 7
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Grundlagen der Informatik, Algorithmen und Datenstrukturen

Recommended skills Foundations of Computer Science, Algorithms and Data
Structures

Verwendbarkeit in weiteren [Link]. Computer Science, Lehramt Informatik (vertieft, nicht

Studiengängen vertieft), [Link]. Mathematics
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden kennen die Grundlagen formaler Sprachen
und Probleme, insbesondere kennen sie verschiedene Beschrei-
bungsmöglichkeiten für formale Sprachen sowie verschiede-
Module Catalogue 65

ne Charakterisierungen regulärer Sprachen. Sie kennen zudem

die zugehörigen Automatentypen und grundlegenden Berech-
nungsmodelle. Sie kennen den Unterschied zwischen deter-
ministischen und nicht-deterministischen Berechnungsmodel-
len. Sie kennen zudem verschiedene Charakterisierungen von
Sprachklassen und die Grundzüge zeitbasierter Komplexitäts-
theorie.
—
The students know the basics of formal languages and pro-
blems, in particular they know different description possibilities
for formal languages as well as different characterizations of
regular languages. They also know the associated automaton
types and basic models of computation. They know the diffe-
rence between deterministic and non-deterministic models of
computation. They are also familiar with various characteriza-
tions of language classes and the basic features of time-based
complexity theory.
Fähigkeiten / Abilities
Die Studierenden sind in der Lage, Sprachen und Probleme als
regulär, kontextfrei, kontextsensitiv, entscheidbar oder nicht
entscheidbar zu klassifizieren und sie verfügen über Metho-
den, um die Korrektheit dieser Aussagen zu beweisen. Sie be-
sitzen die Fähigkeit Probleme hinsichtlich ihrer Schwierigkeit
zu klassifizieren und haben ein Verständnis für die Grenzen
von prinzipieller und effizienter Berechenbarkeit. Sie besitzen
zudem die Fähigkeit, Problemstellungen hinsichtlich ihres Res-
sourcenbedarfs in puncto Laufzeit zu klassifizieren.
—
Students are able to classify languages and problems as regu-
lar, context-free, context-sensitive, decidable or non-decidable
and have methods to prove the correctness of these state-
ments. They have the ability to classify problems in terms of
their difficulty and have an understanding of the limits of com-
putability and efficient solvability. They also have the ability
to classify problems with regard to their resource requirements
in terms of running time.
Kompetenzen / Competencies
Die Studierenden besitzen die Kompetenz, Konzepte der In-
formatik mit theoretischen Modellen zu beschreiben. Sie sind
in der Lage, Methoden der theoretischen Informatik anzuwen-
den und auf verwandte Fragestellungen anzupassen.
—
Students have the competence to describe concepts of com-
puter science with theoretical models. They are able to apply
methods of theoretical computer science and adapt them to
Module Catalogue 66

related problems.

Inhalt Reguläre Sprachen,

Course content deterministische und nicht-deterministische endliche Automa-
ten, Modellierung mit endlichen Automaten, das Pumping-
Lemma, Abschlusseigenschaften regulärer Sprachen, Myhill-
Nerode-Relationen, allgemeine und kontextfreie Grammatiken
und Sprachen, Chomsky-Hierarchie, Kellerautomaten, kon-
textfreies Pumping-Lemma, Abschlusseigenschaften, determi-
nistische und nicht-deterministische Turingmaschinen und Be-
rechenbarkeit, Entscheidbarkeit, Semi-Entscheidbarkeit und
Unentscheidbarkeit, Halteproblem, Zeitkomplexität, Grundla-
gen zur NP, Reduzierbarkeit und ausgewählte NP-schwere
Probleme
—
Regular languages, deterministic and non-deterministic fini-
te automata, modeling with finite automata, the Pumping
Lemma, closure properties of regular languages, Myhill-Nerode
relations, general and context-free grammars and languages,
the Chomsky hierarchy, pushdown automata, the Context-Free
Pumping Lemma, closure properties, deterministic and non-
deterministic Turing machines and computability, decidability,
semi-decidability and undecidability, the Halting Problem, ti-
me complexity, basics of NP, reducibility and selected NP-hard
problems.

Studien-/Prüfungsleistungen Klausur (120 min)

Assessment Written Exam (120 min)

Medienformen Präsentation mit Beamer und Tafel

Media used Presentation with projector and blackboard

Literatur Vorlesungsunterlagen / lecture notes

Reading list U. Schöning, Theoretische Informatik – kurz gefasst,
Spektrum-Verlag, 2008
I. Wegener, Theoretische Informatik. Teubner, 1993: I. Wege-
ner, Kompendium Theoretische Informatik - eine Ideensamm-
lung. Teubner, 1996
I. Wegener, Komplexitätstheorie - Grenzen der Effizienz von
Algorithmen. Springer, 2003
M. Sipser, Introduction to the Theory of Computation, Cen-
gage Learning, 2012
S. Arora, B. Barak, Computational Complexity: A Modern Ap-
proach, Cambridge University Press, 2009
D.C. Kozen, Automata and Computability, Springer, 1997
J.E. Hopcroft, R. Motwani, J.D. Ullmann Automata Theory,
Languages, and Computation, Pearson, 2006
Module Catalogue 67

5312 Information Retrieval und Natural Language Processing PN 405375

Information Retrieval and Natural Language Processing

Häufigkeit des Modulangebots Jedes Semester

Frequency of course offering Every Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Hautli-Janisz
Module convenor

Dozent(in) Hautli-Janisz
Lecturer

Sprache Englisch
Language of instruction

Zuordnung zum Curriculum Module Group “Natural Language Processing and Multilingu-
Curriculum al Computational Linguistics” (NLP)

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 50 Std. Übungen + 55 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
45 contact hours + 50 hrs exercises + 55 hrs independent
study and exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren [Link]. Informatik, [Link]. Mathematik, [Link]. Internet Compu-

Studiengängen ting
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erwerben ein systematisches Verständnis
grundlegender und fortgeschrittener Techniken textbasierter
Information-Retrieval-Systeme, von der effizienten Textinde-
xierung bis hin zu den Kernkomponenten, Bewertungsme-
Module Catalogue 68

thoden und gesellschaftlichen Auswirkungen moderner Web-

Suchmaschinen. Die Studierenden kennen auch die Kernberei-
che und grundlegenden Techniken der natürlichen Sprachver-
arbeitung.
—
Students acquire a systematic understanding of basic and ad-
vanced techniques of text-based information retrieval systems,
ranging from efficient text indexing, different IR models to the
core components, evaluation methods and societal impact of
modern web search engines. Students also know about the key
areas and basic techniques of Natural Language Processing.
Fähigkeiten / Abilities
Die Studierenden sind in der Lage, die Gewichtungen, Ran-
kings und Performanzen verschiedener Information Retrieval
Techniken zu berechnen und kritisch zu hinterfragen. Sie kön-
nen NLP-Modelle anwenden und für neue Problemstellungen
anpassen.
—
Students possess the ability to compute the weightings, ran-
kings and performances of different information retrieval tech-
niques and critically reflect on them. They can apply NLP mo-
dels and adapt them to novel tasks.
Kompetenzen / Competencies
Basierend auf Hintergrundinformationen über Suchraum, Be-
nutzer und Zielbereich können erfolgreiche Kandidaten geeig-
nete Techniken für die Entwicklung ihrer eigenen Kernarchi-
tektur für Information Retrieval identifizieren und bewerten.
Sie können die Qualität einer Suchmaschine beurteilen und
sind in der Lage, über die Auswirkungen von Suchmaschinen
und die damit verbundenen ethischen und rechtlichen Konse-
quenzen nachzudenken.
—
Given background information on search space, user and tar-
get domain, successful candidates can identify and argue for
appropriate techniques for devising their own core information
retrieval architecture. They can assess the quality of a search
engine and are able to reflect on the impact of search engines
and the ethical and regulatory consequences related to them.

Inhalt Information Retrieval ist der Prozess, durch den ein Compu-
Course content tersystem auf die Anfrage eines Benutzers nach Informationen
zu einem bestimmten Thema antworten kann. IR war eines der
ersten und ist nach wie vor eines der wichtigsten Probleme im
Bereich der natürlichen Sprachverarbeitung (NLP). Die Web-
suche ist die Anwendung von Information-Retrieval-Techniken
auf den größten Textkorpus überhaupt - das Web - der Kon-
Module Catalogue 69

text, in dem die meisten Menschen mit IR-Systemen interagie-

ren. Das Modul berührt am Rande auch verwandte Themen
wie die Ethik der künstlichen Intelligenz und ihre Auswirkun-
gen auf die Gesellschaft der Zukunft.
Die Bereiche des Moduls umfassen:
• Effiziente Indexierung von Texten
• Boolesche und Vektorraum-Retrievalmodelle
• Probabilistische IR
• Bewertung und Schnittstellenfragen
• IR-Techniken für das Web, einschließlich Crawling, link-
basierte Algorithmen und Verwendung von Metadaten
• Clustering und Klassifizierung von Dokumenten
• NLP im weiteren Sinne
• Verteilte Wortrepräsentationen für IR
• Traditionelle und auf maschinellem Lernen basierende
Ranking-Ansätze
• Personalisierung
• Question-Answering Systeme
• KI und Gesellschaft
—
Information retrieval is the process through which a compu-
ter system can respond to a user’s query for information on a
specific topic. IR was one of the first and remains one of the
most important problems in the domain of natural language
processing (NLP). Web search is the application of informati-
on retrieval techniques to the largest corpus of text anywhere
— the web — and it is the context where many people interact
with IR systems most frequently. One session is held by a re-
presentative from search industry, so students learn first-hand
of the methods that have made search so compelling today
and why search is not yet solved. The course also briefly tou-
ches upon related topics such as ethics of Artificial Intelligence
and its impact on the society of the future.
Topics of the module include:
• Efficient text indexing
• Boolean and vector-space retrieval models
• Probabilistic IR
• Evaluation and interface issues
• IR techniques for the web, including crawling, link-based
algorithms, and metadata usage
• Document clustering and classification
• NLP more broadly
• Distributed word representations for IR
• Traditional and machine learning-based ranking approa-
ches
Module Catalogue 70

• Personalization
• Question-answering
• AI and society

Studien-/Prüfungsleistungen 90 min. Klausur

Assessment 90 min written exam

Medienformen Präsentation mit Projektor, Computer für Programmieraufga-

Media used ben
Presentation with projector, computer for programming tasks

Literatur Chris Manning, Prabhakar Raghavan and Hinrich Schütze.

Reading list 2008. Introduction to Information Retrieval. Cambridge Uni-
versity Press [Link]
htmledition/[Link]
Chris Manning and Hinrich Schütze. 1999. Foundations of
Statistical Natural Language Processing, MIT Press https:
//[Link]/fsnlp/ For more advanced literature,
see lecture slides.
Module Catalogue 71

5314 Datenbanken und Informationssysteme I PN 405019

Data Base & Information Systems I

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Scherzinger
Module convenor

Dozent(in) Scherzinger
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Advanced AI – Applied”

Curriculum

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 50 Std. Übungen + 55 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
45 contact hours + 50 hrs exercises + 55 hrs independent
study and exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Algorithmen und Datenstrukturen

Recommended skills Algorithms and Data Structures

Verwendbarkeit in weiteren [Link]. Mathematik, [Link]. Informatik, [Link]. Internet Compu-

Studiengängen ting, Lehramt Informatik (vertieft)
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erwerben Kenntnisse über den Einsatz von
Datenbanksystemen. Sie kennen die Datenbankanfragespra-
che SQL und ihre Einbindung in Programmiersprachen. Au-
ßerdem lernen sie den grundsätzlichen Aufbau eines Daten-
Module Catalogue 72

banksystems und die Prinzipien der Zugriffskontrolle kennen.

—
The students acquire knowledge about the use of database
systems. They are familiar with the database query language
SQL and its integration with programming languages. Addi-
tionally, they learn about the basic architecture of a database
system and the principles of access control.
Fähigkeiten / Abilities
Die erfolgreichen Teilnehmer sind in der Lage, auf der Grund-
lage eines konzeptuellen Entwurfs ein Datenbanksystem mit
den Mitteln der Anfragesprache SQL einzurichten und dabei
auch die notwendigen Integritätsbedingungen geeignet umset-
zen. Außerdem sind sie in der Lage, auch komplexe Anfragen
mit der Anfragesprache SQL zu formulieren.
—
Successful participants are able to set up a database system
based on a conceptual design using the query language SQL
and to appropriately implement the necessary integrity cons-
traints. Moreover, they are capable of writing complex queries
using SQL.
Kompetenzen / Competencies
Die erfolgreichen Teilnehmer sind in der Lage, selbständig die
grundlegenden Anforderungen aus einer Anwendung in einen
methodisch sauberen relationalen Datenbankentwurf zu über-
führen und ein geeignetes Datenbanksystem einzurichten.
—
Successful participants are able to autonomously translate the
fundamental requirements of an application into a methodical-
ly sound relational database design and set up an appropriate
database system.

Inhalt Datenbankentwurf, insbesondere mit dem Entity-Relationship-

Course content Modell
Das relationale Modell: Relationen
Relationale Anfragesprachen: SQL, SQL-Erweiterungen
Einbindung von SQL in Programmiersprachen
Integrität: Strukturelle und domänenspezifische Integritätsbe-
dingungen, ECA-Regeln und Trigger
Sicherheit und Zugriffsschutz
—
Database design, particularly using the Entity-Relationship
model. The relational model: Relations Relational query lan-
guages: SQL, SQL extensions Integration of SQL into pro-
gramming languages Integrity: Structural and domain-specific
integrity constraints, ECA rules and triggers Security and ac-
cess control.
Module Catalogue 73

Studien-/Prüfungsleistungen Klausur (60 min)

Assessment Written Exam (60 min)

Medienformen Präsentation mit Beamer und Tafel, Übungsaufgaben, Einsatz

Media used von Softwarepaketen auf dem Rechner,praktische Program-
mieraufgaben
Presentation with a blackboard and projector, exercises, use
of software packages on the computer, practical programming
tasks

Literatur Ramez Elmasri und Shamkant B. Navathe. Grundlagen von

Reading list Datenbanksystemen. Pearson Studium, 3. Edition, 2002
Alfons Kemper und André Eickler. Datenbanksysteme - Eine
Einführung. Oldenbourg Verlag, 7. Edition, 2009
Datenbanksysteme: Eine Einführung (De Gruyter Studium)
De Gruyter Oldenbourg, 10th expanded and updated edition
(25. September 2015)
Übungsbuch Datenbanksysteme, De Gruyter Oldenbourg
3., aktualisierte und erw. Edition (7. Dezember 2011)
Ramez Elmasri and Shamkant B. Navathe. Fundamentals of
Database Systems, Global Edition. Pearson, 7th Edition, 2016
Module Catalogue 74

5370 Einführung in die Stochastik PN 400930

Introduction to Stochastics

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Müller-Gronbach, Rudolf

Module convenor

Dozent(in) Müller-Gronbach, Rudolf

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Mathematics and Theoretical Computer

Curriculum Science”

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Analysis I

Recommended skills

Verwendbarkeit in weiteren [Link]. Mathematik, [Link]. Computer Science, Lehramt Mathe-

Studiengängen matik Gymnasium
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Verständnis der Grundkonzepte und zentraler Ergebnisse der
Stochastik im Rahmen einfacher Modelle
—
Understanding of concepts and key results of introductory sto-
Module Catalogue 75

chastics.
Kompetenzen / Competencies
Fähigkeit zur Modellierung und statistischen Analyse einfacher
zufälliger Phänomene
—
Ability to formulate and analyze basic random phenomena.

Inhalt Grundbegriffe der Wahrscheinlichkeitstheorie: Wahrscheinlich-

Course content keitsraum, Zufallsvariable, Verteilungsfunktion, diskrete Ver-
teilung und Verteilung mit Lebesgue-Dichte, Erwartungswert,
Varianz, Kovarianz, elementare bedingte Wahrscheinlichkeit
und Erwartung, Unabhängigkeit, Grenzwertsätze (Gesetze der
großen Zahlen, etc.)
Darüberhinaus eine Auswahl aus folgenden Themen: Grund-
konzepte der Maß- und Integrationstheorie, Konvergenzar-
ten, Ungleichungen aus der Stochastik (Markov Ungleichung,
etc.), Schätztheorie (Maximum-Likelihood-, Bayes- und Mo-
mentschätzer), Konfidenzintervalle, Hypothesentests.
—
Concepts of measure and probability theory: Probability space,
random variable, distribution function, discrete distribution,
distribution with Lebesgue density, expectation, variance, co-
variance, elementary conditional probability and expectation,
independence, limit theorems (law of large numbers, etc.).
Moreover, a selection of the following topics: Concepts of
measure and integration theory, types of convergence, sto-
chastic inequalities (Markov inequality, etc.), estimation theo-
ry (maximum-likelihood method, Bayes and method of mo-
ments), confidence intervals, hypothesis testing.

Studien-/Prüfungsleistungen Klausur (120 Minuten) oder mündliche Prüfung (ca. 30 Mi-

Assessment nuten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben.
Either written exam (120 minutes) or oral exam (about 30
minutes); the precise mode of assessment will be announced
at the start of the semester.

Medienformen Präsentation und Beamer, Folien oder Tafel

Media used Presentation with a projector or blackboard or other virtual
formats

Literatur Dümbgen: Stochastik für Informatiker

Reading list Henze: Stochastik für Einsteiger
Irle: Wahrscheinlichkeitstheorie und Statistik
Krengel: Einführung in die Wahrscheinlichkeitstheorie und
Statistik
Module Catalogue 76

5372 Analysis II PN 401811

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Kaiser, Müller-Gronbach, Prochno, Sauer

Module convenor

Dozent(in) Kaiser, Müller-Gronbach, Prochno, Sauer

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Advanced AI — Theoretical”

Curriculum

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Analysis I

Recommended skills

Verwendbarkeit in weiteren [Link]. Computer Science, Lehramt Mathematik Gymnasium

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden kennen die wesentlichen Begriffe und Metho-
den der Analysis von Funktionen mehrerer reeller Veränderli-
cher und grundlegende topologische Konzepte in metrischen
und normierten Räumen.
—
Module Catalogue 77

The students are familiar with the essential concepts and me-
thods of the analysis of functions of several real variables
and basic topological concepts in metric and normed spaces.
Kompetenzen / Competencies
Die Studierenden sind in der Lage, grundlegende Aufgaben-
stellungen, bei denen Stetigkeit und Differentiation von Funk-
tionen mehrerer reeller Veränderlicher eine Rolle spielt, zu be-
arbeiten. Insbesondere beherrschen sie Grundkonzepte für die
Lösung von Optimierungsaufgaben.
—
The students are able to solve fundamental problems invol-
ving continuity and differentiation of functions of several real
variables. In particular, they master basic concepts for solving
optimization problems.

Inhalt Ein erster zentraler Aspekt ist die Behandlung von Funktio-
Course content nenräumen (z.B. Räume stetiger und differenzierbarer Funk-
tionen), insbesondere algebraische und ordnungstheoretische
Strukturen sowie punktweise und gleichmäßige Konvergenz.
Weiter ist von fundamentaler Bedeutung für die Veranstal-
tung die Theorie der Integration von Funktionen einer re-
ellen Variablen nach Riemann, insbesondere die wichtigsten
Integrationsmethoden. Des Weiteren werden Erweiterungen
der Integraldefinition (z.B. Integral komplexwertiger Funk-
tionen und uneigentliche Integrale) sowie Parameterintegra-
le (z.B. Stetigkeit und Differenzierbarkeit parameterabhängi-
ger Integrale oder Differentiation unter dem Integral) behan-
delt. Mögliche Anwendungen (z.B. Satz von Weierstraß, Cha-
rakterisierung konvexer Funktionen, Integralform des Taylor-
Restgliedes) werden aufgezeigt. Das Studium der partiellen
und totalen Differenzierbarkeit von Funktionen mehrerer reel-
ler Variablen schließt sich an. Zentrale Ergebnisse der Theorie
(z.B. Satz von Schwarz, multivariater Satz von Taylor, mul-
tivariater Mittelwertsatz) werden untersucht und angewen-
det (z.B. Extremwertaufgaben, Charakterisierung der Konve-
xität). Abschließend werden noch zentrale Ergebnisse der Dif-
ferentiationsrechnung im Rn behandelt (z.B. der Satz von der
inversen Abbildung, der Satz von der offenen Abbildung, der
Satz über implizite Funktionen, Extremwerte mit Nebenbedin-
gungen).
Bestimmung der Länge von Kurven und weitere elementare
Eigenschaften von Kurven werden außerdem behandelt.
—
A first central aspect is the treatment of function spaces (e.g.,
spaces of continuous and differentiable functions), particularly
algebraic and order-theoretical structures, as well as pointwise
Module Catalogue 78

and uniform convergence.

Furthermore, the theory of integration of functions of a re-
al variable according to Riemann is of fundamental import-
ance for the course, especially the key integration methods.
Additionally, extensions of the integral definition (e.g., in-
tegrals of complex-valued functions and improper integrals)
and parameter integrals (e.g., continuity and differentiability
of parameter-dependent integrals or differentiation under the
integral sign) are discussed. Possible applications (e.g., Weier-
strass’ Theorem, characterization of convex functions, integral
form of the Taylor remainder) are demonstrated.
The study of partial and total differentiability of functions of
several real variables follows. Key results of the theory (e.g.,
Schwarz’s Theorem, multivariable Taylor’s Theorem, multiva-
riable Mean Value Theorem) are explored and applied (e.g.,
extremum problems, characterization of convexity). Finally,
central results of differential calculus in Rn are treated (e.g.,
the Inverse Function Theorem, the Open Mapping Theorem,
the Implicit Function Theorem, extremum problems with cons-
traints).
The determination of the length of curves and other elemen-
tary properties of curves are also covered.

Studien-/Prüfungsleistungen Klausur (120 Minuten) oder mündliche Prüfung (ca. 30 Mi-

Assessment nuten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben.
Written exam (120 minutes) or oral exam (about 30 minu-
tes); the precise mode of assessment will be announced at the
beginning of the semester.

Medienformen Präsentation und Beamer oder Tafel

Media used Board, projector, exercise sheets

Literatur z.B.
Reading list O. Forster, Analysis 2, Vieweg 2005
H. Heuser, Lehrbuch der [Link] 2, Vieweg 2004
Module Catalogue 79

5378 Stochastik für Informatiker PN 400940

Mathematics for Computer Science III

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Müller-Gronbach
Module convenor

Dozent(in) Gilch
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Mathematics and theoretical computer

Curriculum science”

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Analysis I

Recommended skills

Verwendbarkeit in weiteren [Link]. Computer Science

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Verständnis der Grundkonzepte und zentraler Ergebnisse der
Stochastik und Statistik im Rahmen einfacher Modelle
—
Understanding of the basic concepts and key results of sto-
Module Catalogue 80

chastics and statistics within the framework of simple models

Kompetenzen / Competencies
Fähigkeit zur Modellierung und statistischen Analyse einfacher
zufälliger Phänomene
—
Ability to model and statistically analyze simple random phe-
nomena

Inhalt Grundbegriffe der Wahrscheinlichkeitstheorie: Wahrscheinlich-

Course content keitsraum, Laplace-Räume, elementare bedingte Wahrschein-
lichkeit, Unabhängigkeit, diskrete Zufallsvariable, Zufallsvaria-
blen mit Dichten, Verteilungsfunktion, Erwartungswert, Vari-
anz, diskrete Zufallsvektoren und Zufallsvektoren mit Dichten,
Kovarianz, Korrelation
Grenzwertsätze: Lemmas von Borel-Cantelli, Starkes Gesetz
der großen Zahlen, Zentraler Grenzwertsatz
Grundbegriffe der schließenden Statistik: Parameterschätzung,
Maximum-Likelihood Verfahren, Momenten-Methode, Bayes-
Schätzer, Konfidenzintervalle für Erwartunswert und Varianz,
einfache statistische Tests, Fehler 1./2. Art, t-Tests, χ2 -Test,
lineare Regression —
Basic concepts of probability theory: Probability space, La-
place spaces, elementary conditional probability, indepen-
dence, discrete random variables, random variables with den-
sities, distribution function, expectation and variance of real-
valued random variables, discrete random vectors and random
vectors with densities, covariance, correlation
Limit theorems: Borel-Cantelli lemmas, strong law of large
numbers, central limit theorem
Basic concepts of inferential statistics: Parameter estimati-
on, maximum likelihood method, moment method, Bayesian
estimator, confidence intervals for expectation and variance,
simple statistical tests, type I/II errors, t-tests, χ2 -Test, linear
regression

Studien-/Prüfungsleistungen Klasur (120 Minuten)

Assessment Written Exam (120 min)

Medienformen Präsentation und Beamer, Folien oder Tafel

Media used Presentation and blackboard, slides, beamer

Literatur Dümbgen: Stochastik für Informatiker

Reading list Henze: Stochastik für Einsteiger
Irle: Wahrscheinlichkeitstheorie und Statistik
Krengel: Einführung in die Wahrscheinlichkeitstheorie und
Statistik Kurt: Stochastik für Informatiker
Module Catalogue 81

5380 Grundlagen der KI: Deep Learning PN xxxxxx

Foundations of AI: Deep Learning

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Lemmerich
Module convenor

Dozent(in) Lemmerich
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Foundations of Artificial Intelligence”

Curriculum

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 45 Std. Übungen + 60 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
45 contact hours + 45 hrs exercises + 60 hrs independent
study and exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Grundlegende Programmierkenntnisse in Python,wie in „Pro-

Recommended skills grammierung für Datenanalyse“gelehrt
Basic programming skills in Python, as taught in Program-
ming for Data Analytics.

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden erwerben grundlegende Kenntnisse über

Learning outcomes künstliche neuronale Netze, Standardalgorithmen und aktuelle
state-of-the-art-Techniken sowie praktische Erfahrungen mit
Module Catalogue 82

Werkzeugen zur Anwendung von Deep Learning auf maschi-

nelle Lernprobleme. Sie entwickeln die Fähigkeit, neuronale
Netzwerkarchitekturen fürspezifische Aufgaben zu implemen-
tieren und zu optimieren, und stärken ihre Kompetenzen in
der Analyse, Bewertung und eigenständigen Entwicklung pro-
blemorientierter Deep-Learning-Lösungen.
—
Students will gain foundational knowledge of artificialneural
networks, standard algorithms, and state-of-the-art techni-
ques, along with hands-on experience using tools to apply deep
learning to machine learning problems. They will develop the
ability to implement and optimize neural network architec-
tures for specific tasks and enhance their skills in analyzing,
evaluating, and independently designing problem-oriented de-
ep learning solutions.

Inhalt Der Kurs bietet einen Überblick über die Grundlagen und ak-
Course content tuelle Ansätze des Deep Learning sowie dessen Hauptanwen-
dungsfelder. Insbesondere werden folgende Themen behan-
delt:
• Grundlagen des Repräsentationslernens
• Perceptron-Lernen
• Feedforward-Neuronale Netze
• Gradient Descent und Backpropagation
• Regularisierung im Deep Learning
• Fortgeschrittene neuronale Netzwerkarchitekturen wie
Convolutional und Recurrent Neural Networks
• Aktuelle Entwicklungen im Bereich des Deep Learning
—
The course will give an overview on the fundamentals and
current approaches for deep learning and its main applications
fields. In particular, it will cover:
• Basics of Representation Learning
• Perceptron Learning
• Feedforward Neural Networks
• Gradient Descent and Backpropagation
• Regularization in Deep Learning
• Advanced Neural Network Architectures such as Convo-
lutional and Recurrent Neural Networks
• State-of-the-art developments in Deep Learning

Studien-/Prüfungsleistungen 90-minütige Klausur oder mündliche Prüfung (20 Minuten);

Assessment die genaue Prüfungsart wird zu Beginn des Semesters bekannt
gegeben.
90-minute written or 20-minutes oral examination; the preci-
se mode of assessment will be announced at the start of the
Module Catalogue 83

semester

Medienformen Beamer, Tafel

Media used Beamer, whiteboard

Literatur Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep

Reading list Learning. MIT press, 2016. Aggarwal, Charu C. "Neural net-
works and deep [Link] 10 (2018): 978-3.
Weitere Literatur wird zu Beginn des Semesters bekannt ge-
geben.
—
Additional literature will be announced at the beginning of the
semester.
Module Catalogue 84

5381 Grundlagen der KI: Probabilistic Machine Learning PN xxxxxx

Foundations of AI: Probabilistic Machine Learning

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Granitzer
Module convenor

Dozent(in) Granitzer
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Foundations of Artificial Intelligence”

Curriculum

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 45 Std. Übungen + 45 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
45 contact hours + 45 hrs exercises + 45 hrs independent
study and exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse
Recommended skills Foundations of AI II

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden verfügen über Kenntnisse der grundlegen-

Learning outcomes den Begriffe und Methoden aus dem Bereich des statistischen
(maschinellen) Lernens. Sie sind mit den Möglichkeiten und
Ansätzen des Feature Engineerings sowie den Methoden zur
empirischen Evaluation von überwachten und unüberwachten
Module Catalogue 85

Lernverfahren vertraut. Zudem kennen sie die Grundlagen pro-

babilistischer graphischer Modelle im Bereich des maschinellen
Lernens und verfügen über Grundkenntnisse der zugehörigen
Inferenzmethoden und Einsatzgebiete.
—
The students have knowledge of basic concepts and methods
in the field of probabilistic (machine) learning. They are famili-
ar with the possibilities and approaches of feature engineering
and with methods for the empirical evaluation of supervised
and unsupervised learning methods. Additionally, they under-
stand the basics of probabilistic graphical models in machine
learning and have fundamental knowledge of related inference
methods and application areas.

Inhalt
Course content • Grundlagen des statistischen Lernens und des probabi-
listischen Maschinellen Lernen
• Repräsentation von Daten
• Feature Engineering
• Naive Bayes
• Probabilistische Graphische Modelle
• Bayesian Belief Networks
• Bayesian Linear Models
• Mixture models
• Lernen als Inferenz
• Evaluierung von Modellen, Model Selektion und Hyper-
parameter Selektion
—

• Fundamentals of Statistical Learning and Probabilistic

Machine Learning
• Data Representation
• Feature Engineering
• Naive Bayes
• Probabilistic Graphical Models
• Bayesian Belief Networks
• Bayesian Linear Models
• Mixture models
• Learning as Inference
• Model Evaluation, Model Selection, and Hyperparame-
ter Tuning

Studien-/Prüfungsleistungen 60-minütige Klausur oder mündliche Prüfung (ca. 20 Minu-

Assessment ten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben
60-minute written or oral exam (approx. 20 minutes); the ex-
Module Catalogue 86

act assessment type will be announced at the beginning of the

semester

Medienformen Präsentation mit Beamer

Media used Presentation with projector

Literatur Literatur wird zu Beginn des Semesters bekannt gegeben.

Reading list —
Literature will be announced at the beginning of the semester.
Module Catalogue 87

5452 Bildverarbeitung PN xxxxxx

Digital Image Processing

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Sauer, Forster-Heinlein

Module convenor

Dozent(in) Sauer, Forster-Heinlein

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Visual Computing & Data Science” (VCDS)
Curriculum

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Lineare Alegbra I und Analysis I

Recommended skills Linear Algebra I and Analysis I

Verwendbarkeit in weiteren Bachelor Informatik, Bachelor Internet Computing Bachelor

Studiengängen Computer Science, Bachelor Internet Computing
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden kennen grundlegende Konzepte der Signal-
und Verfahren zur Bildverarbeitung und wissen, wie diese her-
geleitet werden und ihre Korrektheit bewiesen wird.
—
Module Catalogue 88

Students know the basic concepts of signal processing and

image processing methods and know how these are derived
and how their correctness is proven.
Fähigkeiten / Abilities
Die Studierenden können Verfahren zur Bildverarbeitung im-
plementieren, modifizieren und in gewissem Rahmen auch neu
entwickeln. Außerdem können sie verschiedene Algorithmen
vergleichen, bewerten und auf Korrektheit untersuchen.
—
Students can implement, modify and, to a certain extent, de-
velop new image processing methods. They can also compare
and evaluate different algorithms and analyse them for cor-
rectness.
Kompetenzen / Competencies
Die Studierenden können mit Signal- und Bildverarbeitungs-
algorithmen theoretisch und praktisch umgehen.
—
The students have the competence to deal with signal and
image processing algorithms theoretically and practically.

Inhalt Mathematische Grundlagen: Signalverarbeitung, FFT, Trans-

Course content formationen und Optimierung. Entrauschen, Kompression,
Feature Detection, Bildregistrierung, Impainting.
—
Mathematical basics: signal processing, FFT, transformations
and optimisation. Denoising, compression, feature detection,
image registration, impainting.

Studien-/Prüfungsleistungen 90-minütige Klausur oder mündliche Prüfung (ca. 20 Minu-

Assessment ten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben
90-minute written or 20-minutes oral examination; the preci-
se mode of assessment will be announced at the start of the
semester on a notice board and on the faculty’s website

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur Wird vom Dozenten/ von der Dozentin bekannt gegeben.

Reading list To be announced by the lecturer.
Module Catalogue 89

5481 Grundlagen der KI: Multiagent Systems PN xxxxxx

Foundations of AI: Multiagent Systems

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Harks
Module convenor

Dozent(in) Harks
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Foundations of Artificial Intelligence”

Curriculum

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 50 Std. Präsenz + 25 Std. Übungen + 60 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
50 contact hours + 25 hrs exercises + 60 hrs independent
study and exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Lineare Algebra I

fungsordnung Linear Algebra I
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Analysis I, Analysis II

Recommended skills

Verwendbarkeit in weiteren [Link]. Mathematik, [Link]. Informatik

Studiengängen Bachelor Mathematics, Bachelor Computer Science
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden kennen die grundlegenden Fragestellungen
und Methoden der im Bereich der Multiagentensysteme.
—
The students learn the foundations of multiagent systems.
Module Catalogue 90

Fähigkeiten / Abilities
Die Studierenden können verteilte Multiagentenysteme mit
strategischer Interaktion modellieren und analysieren. Insbe-
sondere spieltheoretische Modelle und algorithmische Zugän-
ge zur Berechnung von Gleichgewichtslösungen werden ver-
mittelt. Weiterhin wird die Theorie des Mechanismus Design
für Multiagentensysteme gelehrt.
—
The students are able to model multiagent distributed systems
with strategically interacting agents. They are able to algorith-
mically solve such systems by means of computing equilibrium
solutions. They also learn the theory of mechanism design for
distributed resource allocation problems.
Kompetenzen / Competencies
Die Studierenden haben die Kompetenz, verteilte Multiagen-
tenysteme mit strategischer Interaktion zu modellieren, zu be-
werten und mit Rechnerunterstützung zu lösen.
—
The students have the competence to model and algorithmi-
cally model distributed multiagent systems with strategically
interacting agents and to compute the corresponding equili-
brium points.

Inhalt Distributed Optimization, Nash-Equilibrium, Congestion Ga-

Course content mes, Pricing, Resource Allocation, Auctions, Mechanism De-
sign, Learning in Games

Studien-/Prüfungsleistungen 120-minütige Klausur (oder 30 Minuten mündliche Prü-

Assessment fung) über die Themen: Distributed Optimization, Nash-
Equilibrium, Congestion Games, Pricing, Resource Allocation,
Auctions, Mechanism Design, Learning in Games
Exam (120 minutes) or oral exam (30 minutes) covering the
topics: Distributed Optimization, Nash-Equilibrium, Congesti-
on Games, Pricing, Resource Allocation, Auctions, Mechanism
Design, Learning in Games

Medienformen Tafelanschrieb
Media used Black board (videos in case of virtual lecture)

Literatur Skriptum
Reading list
Module Catalogue 91

5483 Mathematik des Maschinellen Lernens PN xxxxxx

Mathematics of Machine Learning

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Harks, Prochno, Rudolf

Module convenor

Dozent(in) Harks, Prochno, Rudolf

Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Advanced AI — Theoretical”

Curriculum

Lehrform/SWS 3V + 1Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 45 Std. Übungen + 105 Std. Nachberei-

Workload tung der Vorlesung und Prüfungsvorbereitung
60 contact hours + 45 hrs exercises + 105 hrs independent
study and exam preparation

ECTS 7
Credits

Voraussetzungen nach Prü- Analysis 1 und 2, Lineare Algebra, Einführung in die Stochas-
fungsordnung tik
Required prerequisites as per Analysis 1 and 2, Linear Algebra, Introduction to stochastics
the study and examination
regulations

Empfohlene Vorkenntnisse Programmierkenntnisse, Wahrscheinlichkeitstheorie

Recommended skills Programing knowledge, probability theory

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden erwerben vertiefende Kenntnisse bzgl. der

Learning outcomes mathematischen Theorie des Maschinellen Lernens, der Ana-
lyse und Entwicklung von Algorithmen (zur Klassifikation und
Regression) sowie deren Anwendung. Ein besonderer Schwer-
punkt liegt auf den grundlegenden Prinzipien der Lerntheorie.
Module Catalogue 92

Darüber hinaus werden verschiedene Ansätze und Methoden

untersucht, die den Übergang der theoretischen Grundlagen
zu anwendbaren Algorithmen veranschaulichen, wobei auch
deren Unterschiede, Grenzen und Abweichungen kritisch be-
trachtet werden.
—
Students acquire advanced knowledge of the mathematical
theory of machine learning, the analysis and development of
algorithms (e.g. for classification and regresseion), and their
practical application. A particular focus is placed on the fun-
damental principles of learning theory. Additionally, various
approaches and methods are explored to illustrate the transi-
tion from theoretical foundations to practical algorithms, with
a critical examination of their differences, limitations, and de-
viations.

Inhalt General content:

Course content • Empirical risk minimization
• Learning models
• Learning via uniform convergence
• Linear predictors
• Bias Variance trade-off and VC dimension
• Stochastic Gradient Descent
Additional a selection from the following topics:
• Boosting
• Nonuniform Learning and Model Selection
• Support Vector Machines
• Kernel Methods
• Decision trees/Nearest neighbor
• Clustering
• Neural networks/Dimensionality reduction
• Generative Models

Studien-/Prüfungsleistungen Entweder 90-minütige Klausur oder mündliche Prüfung (ca.

Assessment 30 Minuten); die genaue Prüfungsart wird zu Beginn des Se-
mesters bekannt gegeben
Either written exam (90 minutes) or oral exam (about 30 mi-
nutes); the precise mode of assessment will be announced at
the start of the semester.

Medienformen Präsentation mit Tafel und/oder Beamer

Media used Presentation with a projector or blackboard

Literatur C. M. Bishop, Pattern Recognition and Machine Learning,

Reading list Springer, 2006
Devroye, Györfi, Lugosi, A Probabilistic Theory of Pattern Re-
Module Catalogue 93

cognition, Springer 1996

S. Foucart, Mathematical Pictures at a Data Science Exhibi-
tion, Cambridge University press, 2022
K. P. Murphy, Machine Learning: A Probabilistic Perspective,
MIT
S. Shalev-Shwartz, S. Ben-David, Understanding machine
learning: From theory to algorithms, Cambridge University
press, 2014.
Module Catalogue 94

5485 Monte-Carlo Methoden PN xxxxxx

Monte Carlo Methods

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregluar

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Rudolf
Module convenor

Dozent(in) Rudolf
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Random

Curriculum Structures and Dynamics” (RSD)

Lehrform/SWS 3V + 1Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 45 Std. Übungen + 105 Std. Nachberei-

Workload tung der Vorlesung und Prüfungsvorbereitung
60 contact hours + 45 hrs exercises + 105 hrs independent
study and exam preparation

ECTS 7
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Analysis 1 und 2, Einführung in die Stochastik, Lineare Alge-

Recommended skills bra, Wahrscheinlichkeitstheorie
Analysis 1 and 2, Intorduction to Stochastics, Linear Algebra,
Probability theory

Verwendbarkeit in weiteren Keine

Studiengängen None
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden erwerben vertiefende Kenntnisse bzgl. der

Learning outcomes Analyse und Konstruktion von Monte Carlo-Methoden zum
Lösen von Integrations-, Approximations-, Sampling- und Opt-
Module Catalogue 95

mierungsproblemen. Sie kennen und verstehen verschiedene

Algorithmische Ansätze und können diese anwenden. Darüber
hinaus erlangen die Studierenden vertiefendes Wissen über Be-
weistechniken zum Verifizieren von Konvergenzaussagen und
Fehlerabschätzungen.
—
The students acquire advanced knowledge regarding the ana-
lysis and construction of Monte Carlo methods for solving inte-
gration, approximation, sampling, and optimization problems.
They are familiar with and understand various algorithmic ap-
proaches and can apply them. Additionally, the students gain
in-depth knowledge of proof techniques for verifying conver-
gence statements and error estimates.

Inhalt • Motivation Monte Carlo-Methoden

Course content • Algorithmen, Fehlerbegriffe, Kosten,
• Direkte Simulation
• Grenzwertsätze
• Simulation von Verteilungen
• Varianzreduktionstechniken
• Multilevel Methodik
• Markov-Ketten Monte Carlo-Methode
• Stochastisches Gradientenverfahren
—
• Motivation Monte Carlo methods,
• Algorithms, Error, Cost
• Simple Monte Carlo/Direct Simulation
• Limit theorems
• Simulation of distributions
• Standard variance reduction techniques
• Multilevel methods for numerical integration
• Markov chain Monte Carlo
• Stochastic gradient descent

Studien-/Prüfungsleistungen Entweder 90-minütige Klausur oder mündliche Prüfung (ca.

Assessment 30 Minuten). Die genaue Prüfungsart wird zu Beginn des Se-
mesters bekannt gegeben.
Either written exam (90 minutes) or oral exam (about 30 mi-
nutes); the precise mode of assessment will be announced at
the start of the semester.

Medienformen Präsentation mit Tafel und/oder Beamer

Media used Presentation with a projector or blackboard

Literatur T. Müller-Gronbach, E. Novak, and K. Ritter. Monte Carlo-

Reading list Algorithmen. Springer, 2012.
S. Shalev-Shwartz, S. Ben-David, Understanding machine
Module Catalogue 96

learning: From theory to algorithms, Cambridge University

press, 2014.
Module Catalogue 97

5486 Bayes‘sche Inferenz und Maschinelles Lernen PN xxxxxx

Bayesian Inference and Machine Learning

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Rudolf
Module convenor

Dozent(in) Rudolf
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Random

Curriculum Structures and Dynamics” (RSD)

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 50 Std. Übungen + 55 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
45 contact hours + 50 hrs exercises + 55 hrs independent
study and exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Analysis 1 und 2, Einführung in die Stochastik, Wahrschein-

Recommended skills lichkeitstheorie
Analysis 1 and 2, Introduction to Stochastics, Probability
theory

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden erwerben vertiefende theoretische Kenntnis-

Learning outcomes se bzgl. Bayes‘scher Inferenz und erlernen Methoden zur Vor-
hersage bzw. dem Generieren von Samples. Sie kennen und
Module Catalogue 98

verstehen verschiedene Algorithmen zum approximativen Si-

mulieren von Verteilungen basierend auf variationeller Inferenz
sowie Score-based und generativen Modellen.
—
The students acquire advanced theoretical knowledge of Baye-
sian inference and learn methods for prediction and sample
generation. They are familiar with and understand various
algorithms for approximate simulation of distributions based
on variational inference, score-based methods, and generative
models.

Inhalt •Entscheidungs- und Schätztheorie

Course content •Exponentialfamilien
•Konjugierte Klassen bzgl. Prior und Posteriorverteilung
•Prädiktive Inferenz,
•Bayes’sche inverse Probleme
•Approximative Simulation von Posterior-Verteilung (Va-
riationelle Inferenz, Score-based Modelle und Generative
Modelle)
• Subsampling und Stochastisches Gradientenverfahren
—
• Decision and estimation theory,
• Exponential families,
• Conjugate classes of priors and posteriors
• Bayesian inverse problems
• Approximative sampling (variation inference, score ba-
sed models, generative models)
• Subsampling and stochastic gradient descent

Studien-/Prüfungsleistungen Entweder 90-minütige Klausur oder mündliche Prüfung (ca.

Assessment 20 Minuten). Die genaue Prüfungsart wird zu Beginn des Se-
mesters bekannt gegeben.
Either written exam (90 minutes) or oral exam (about 20 mi-
nutes); the precise mode of assessment will be announced at
the start of the semester.

Medienformen Präsentation mit Tafel und/oder Beamer

Media used Presentation with a projector or blackboard

Literatur M. Figueiredo, Lecture Notes on Bayesian Estimation and

Reading list Classification, 2004.
C. Robert, The Bayesian Choice, 2007
A. Young, R. Smith, Essentials of Statistical Inference, Cam-
bridge University Press, Cambridge, 2005.
J. Berger. Statistical Decision Theory and Bayesian Analysis,
Springer,1993.
Module Catalogue 99
Module Catalogue 100

5487 AI-Driven Software Development PN 405320

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Fraser
Module convenor

Dozent(in) Fraser
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Software Engineering” (SE)

Curriculum

Lehrform/SWS 2Ü
Contact hours

Arbeitsaufwand 30 Std. Präsenz + 120 Std. Nachbearbeitung

Workload 30 contact hours + 120 hours independent study

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Programmierung I + II, Software Engineering, Software Tes-

Recommended skills ting
Programming I + II, Software Engineering, Software Testing

Verwendbarkeit in weiteren [Link]. Computer Science

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden vertiefen ihre Kenntnisse im Software Engi-
neering, indem sie moderne KI-gestützte Werkzeuge und Me-
thoden in die praxisnahen Entwicklung von Softwareprojekten
integrieren. Der Schwerpunkt liegt auf der Anwendung von
LLMs zur Unterstützung klassischer Software-Engineering-
Aufgaben wie Anforderungsanalyse, Prototyping, Codierung,
Module Catalogue 101

Testautomatisierung und Refactoring.

—
Students deepen their knowledge of software engineering by
integrating modern AI-driven tools and methods into the prac-
tical development of software projects. The focus is on apply-
ing LLMs to support classical software engineering tasks such
as requirements analysis, prototyping, coding, test automati-
on, and refactoring.
Fähigkeiten / Abilities
Die Teilnehmer erlernen die Fähigkeit, KI-gestützte Software-
entwicklung effektiv einzusetzen, indem sie LLMs in bestehen-
de Entwicklungsprozesse integrieren. Sie können AI-gestützte
Tools nutzen, um Softwaretests zu automatisieren, Codequa-
lität zu verbessern und Entwicklungsprozesse effizienter zu ge-
stalten.
—
Participants develop the ability to effectively apply AI-driven
software development by integrating LLMs into existing de-
velopment processes. They can leverage AI-powered tools to
automate software testing, improve code quality, and enhance
development efficiency.
Kompetenzen / Competencies
Die Teilnehmer erwerben praxisnahe Kompetenzen in der Ent-
wicklung und Implementierung von Projekten mithilfe von KI-
gestützten Softwarelösungen. Sie sind in der Lage, moder-
ne Software-Engineering-Techniken mit LLMs zu kombinieren,
um Herausforderungen in Bereichen wie Anforderungsmanage-
ment, Codegenerierung, Qualitätssicherung und automatisier-
te Tests zu bewältigen.
—
Participants acquire hands-on competencies in developing
and implementing projects using AI-driven software solutions.
They are able to combine modern software engineering tech-
niques with LLMs to address challenges in areas such as re-
quirements management, code generation, quality assurance,
and automated testing.

Inhalt The course covers the following topics:

Course content • Prompt Engineering
• AI Agents for Software Development
• Requirements Engineering
• Prototyping
• AI-Assisted Coding
• AI-Driven Testing and Quality Assurance
• Refactoring and Code Cleaning
• Development Processes and Collaboration
Module Catalogue 102

Exercise: Introduction to common software engineering

tasks and how AI can support them. Explanation of the pro-
jects and requirements for portfolio components as well as
questions about the task and the respective solution approa-
ches
Independent study: Processing of projects

Studien-/Prüfungsleistungen Portfolio-Prüfung. Die genauen Anforderungen werden vom

Assessment Dozierenden zu Beginn der Veranstaltung bekanntgegeben.
Mögliche Portfoliobestandteile umfassen:
• Dokumentierter und ausführbarer Quellcode der Projek-
taufgaben
• Live-Demonstration der implementierten Softwarelö-
sung
• Technischer Bericht über die Nutzung und Erfahrungen
mit dem KI-gestützten Prozess
• Laufende technische Teilberichte, zusammengefasst in
einem abschließenden Gesamtbericht
• Präsentation der Arbeit nach jedem Teilabschnitt des
Projekts
• Verlauf der verwendeten Prompts
• Versionshistorie, z. B. mit Git

Portfolio-exam. The exact mode of assessment will be announ-

ced at the start of the semester. Possible portfolio components
include:
• Documented and executable source code for project
tasks
• Live demonstration of the implemented software soluti-
on
• Technical report on the use and experience of the AI-
driven process
• Ongoing technical sub-reports, compiled into a final
comprehensive document
• Presentation of work after each sub-part of the project
• History of prompts used
• Version history, e.g., using Git

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur Wird vom Dozenten / von der Dozentin bekanntgegeben. Die

Reading list Literatur wird in Abhängigkeit von der konkreten Aufgaben-
stellung ausgewählt und bekanntgegeben.
Will be announced in the lectures. Further reading will be an-
nounced for the individual assignments.
Module Catalogue 103

5488 Legal Aspects of AI PN xxxxxx

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Beurskens
Module convenor

Dozent(in) Beurskens, Bomhard, Valeriusrskens

Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Responsible AI”

Curriculum

Lehrform/SWS 1V
Contact hours

Arbeitsaufwand 15 Std. Präsenz, 75 Std. Eigenarbeitszeit

Workload 15 hrs presence + 75 hrs self-study & exam preparation

ECTS 3
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Schüler haben ein grundlegendes Verständnis dafür, wie
rechtliche Vorschriften funktionieren und wer diese Vorschrif-
ten festlegt. Sie sind in der Lage, geltende Regeln im Internet
zu recherchieren und zu finden. Die Schülerinnen und Schüler
können die Berechtigung und Kritik von rechtlichen Vorgaben
erkennen und die zugrunde liegenden Grundsätze verständlich
erklären. Die Schülerinnen und Schüler wissen, dass rechtli-
Module Catalogue 104

che Regelungen klare Definitionen erfordern und verstehen,

dass abstrakte Begriffe keine geeignete Grundlage für staatli-
che Durchsetzung und Sanktionen sind.
—
The students have a fundamental understanding how legal
rules work and who sets these rules. They are able to rese-
arch and find applicable rules on the Internet. The students
can determine the justification and criticism of legal require-
ments and can explain the underlying policies in understan-
dable terms. The students know that legal rules require clear
definitions and understand that abstract concepts are not a
proper basis for state enforcement and sanctions.
Fähigkeiten / Abilities
Die Studierenden sind in der Lage zu bestimmen, ob eine vor-
gegebene Rechtsvorschrift auf bestimmte KI-Systeme und -
Modelle anwendbar ist. Sie können das Risiko der Ungewiss-
heit berücksichtigen und mögliche Vorkehrungen abschätzen.
Die Studierenden sind in der Lage, rechtliche Anforderungen
bei der Gestaltung von KI-Modellen und KI-Systemen einzu-
planen; sie können Risiken durch Filterung und Gestaltung von
Benutzeroberflächen sowie durch Warnhinweise und Haftungs-
ausschlüsse berücksichtigen. Die Studierenden sind in der La-
ge, das Verhältnis zwischen allgemeinen (technologieneutra-
len) rechtlichen Anforderungen einerseits und speziell auf KI
anwendbaren Regeln andererseits zu erklären.
—
Students are able to determine whether a pre-determined le-
gal rule applies to specific AI systems and models. They can
account for the risk of uncertainty and assess possible pre-
cautions. Students are able to plan for legal requirements in
the design of both AI models and AI systems; they can ac-
count for risks by filtering and user interface design as well
as through warnings and disclaimers. Students are able to ex-
plain the relation between general (technology-neutral) legal
requirements on the one hand and rules specifically applicable
to AI on the other hand.
Kompetenzen / Competencies
Die Studierenden sind in der Lage, die Risiken aktueller und
potenzieller zukünftiger Gesetzgebung für ein bestimmtes KI-
Modell abzuschätzen und wissen, wann sie Expertenrat einho-
len müssen. Sie können in allen Planungsphasen eines Softwa-
reprojekts geeignete risikomindernde Maßnahmen ergreifen.
—
Students have the competence to assess risks of current
and potential future legislation for a given AI model and
Module Catalogue 105

know when to seek expert advice. They can take proper risk-
mitigating measures in all planning stages of a software pro-
ject.

Inhalt Der Kurs führt in die grundlegenden Fragen der Auferle-

Course content gung rechtlicher Regeln, der Überwachung und der möglichen
Durchsetzung von Ansprüchen bezüglich „Künstlicher Intel-
ligenz“ durch nationale Regierungen und internationale Or-
ganisationen (wie die Europäische Union) ein. Dazu gehören
unter anderem ein klar definierter Anwendungsbereich (eine
KI-Definition), die Festlegung von Mindestanforderungen und
bewährten Praktiken sowie die Kosten und der Aufwand für
die Überwachung von Vorschriften. Der Kurs wird dann die
Anwendung bestehender Regeln in Fällen untersuchen, die
KI-Elemente enthalten, z. B. Haftung für Körperverletzung,
Zerstörung von Eigentum usw. sowie die Verwendung von KI-
Tools in diesen Fällen. Darüber hinaus werden wir die beson-
deren Anforderungen des KI-Gesetzes untersuchen und ihre
praktischen Auswirkungen erörtern. Der Kurs schließt mit ei-
nem Überblick über aktuelle Themen wie Urheberrecht und
Arbeitsrecht sowie Wettbewerbs-/Kartellrecht.
—
The course introduces the fundamental issues of imposing le-
gal rules, supervision and possible enforcement of claims re-
garding “Artificial Intelligence” by national governments and
international organizations (like the European Union). These
include inter alia a clearly defined scope (an AI-definition),
the determination of minimum requirements as well as best
practices as well as the cost and effort of supervision of any
rules. The course will then examine the application of existing
rules in cases which include AI-elements, e.g. liability for bo-
dily harm, destruction of property, etc. as well as the use of
AI-tools in. We will further examine the specific requirements
imposed by the AI Act and discuss their practical implications.
The course will conclude with an overview of current issues,
including copyright law and. employment law as well as com-
petition/antitrust law.

Studien-/Prüfungsleistungen 60-minütige schriftliche Prüfung oder 60-minütige Multiple-

Assessment Choice-Prüfung; die genaue Prüfungsform wird zu Beginn des
Semesters durch Aushang und auf der Website der Fakultät
bekannt gegeben.
60-minute written examination or 60-minute multiple-choice-
examination; the precise mode of assessment will be announ-
ced at the start of the semester on a notice board and on the
faculty’s website.
Module Catalogue 106

Medienformen Präsentation mit einem Projektor, Online-Kurs über Illias

Media used Presentation with a projector, Online-Course via Illias

Literatur Verordnung (EU) 2024/1689 des Europäischen Parlaments

Reading list und des Rates vom 13. Juni 2024 mit harmonisierten Vor-
schriften zur künstlichen Intelligenz und zur Änderung der
Verordnungen (EG) Nr. 300/2008, (EU) Nr. 167/2013,
(EU) Nr. 168/2013, (EU) 2018/858, (EU) 2018/1139 und
(EU) 2019/2144 sowie der Richtlinien 2014/90/EU, (EU)
2016/797 und (EU) 2020/1828 (Künstliche Intelligence
Act) (Text mit Bedeutung für den EWR), [Link]
[Link]/eli/reg/2024/1689/oj
Weißbuch über künstliche Intelligenz: ein europäischer Ansatz
für Spitzenleistungen und Vertrauen,
[Link]
artificial-intelligence-european-approach-excellence-and-
trust_en
Studie des Europarats: Algorithmen und Menschenrechte,
[Link]
rev/16807956b5
Regulation (EU) 2024/1689 of the European Parliament and
of the Council of 13 June 2024 laying down harmonised ru-
les on artificial intelligence and amending Regulations (EC)
No 300/2008, (EU) No 167/2013, (EU) No 168/2013, (EU)
2018/858, (EU) 2018/1139 and (EU) 2019/2144 and Direc-
tives 2014/90/EU, (EU) 2016/797 and (EU) 2020/1828 (Ar-
tificial Intelligence Act) (Text with EEA relevance),
[Link]
White paper on artificial Intelligence: a European approach to
excellence and trust,
[Link]
artificial-intelligence-european-approach-excellence-and-
trust_en
Council of Europe study: algorithms and human rights,
[Link]
rev/16807956b5
Module Catalogue 107

5580 Data and Knowledge Engineering PN xxxxxx

Data and Knowledge Engineering

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Algergawy
Module convenor

Dozent(in) TBA
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Advanced AI – Applied”

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 60 Std. Übungen + 60 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
60 contact hours + 60 hrs exercises + 60 hrs independent
study and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Datenbanken und Informationssystems I, Algorithmen und Da-

Recommended skills tenstrukturen
Databases and information systems I, Algorithms and Data
Structures

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erlangen ein systematisches Verständnis
des Lebenszyklus von Daten und Wissen, beginnend mit der
Module Catalogue 108

Daten- und Schemaorganisation bis hin zur Wissensrepräsen-

tation und Argumentation. Während der Erkundung des Le-
benszyklus von Daten und Wissen lernen die Studierenden
grundlegende und fortgeschrittene Modelle und Techniken in
Bezug auf die Sammlung, Organisation und Verarbeitung von
Daten kennen, um sie zugänglich, nutzbar und aussagekräf-
tig zu machen. Insbesondere sollen die Studierenden lernen,
effektive Methoden zur Daten- und Wissenserfassung zu ent-
wickeln, Daten und Wissen mithilfe verschiedener Standard-
modelle und -sprachen zu beschreiben und zu organisieren, ge-
sammelte Daten zu untersuchen, um die Datenqualität sicher-
zustellen, und geeignete Speicher für Daten und Wissen auszu-
wählen. Darüber hinaus lernen die Teilnehmer, wie sie mit Da-
ten umgehen, die aus unterschiedlichen Quellen stammen und
verschiedene Datenformate umfassen, darunter strukturierte,
unstrukturierte und halbstrukturierte Daten. Der Kurs behan-
delt auch die verschiedenen Datenformate, Anwendungstypen
und neue Themen der Datenanalyse und -integration.
—
Students will develop a comprehensive and systematic under-
standing of the data and knowledge lifecycle, starting from
organizing data and schemas to exploring knowledge repre-
sentation and reasoning. They will learn foundational and ad-
vanced techniques for collecting, organizing, and processing
data to enhance its accessibility and usability. The course will
focus on methods for effective data and knowledge collection,
structuring and organizing information using standard models
and languages, assessing data quality, and selecting suitable
storage solutions. Students will also gain expertise in mana-
ging diverse data sources and formats, including structured,
unstructured, and semi-structured data. Additionally, the cur-
riculum covers topics such as data formats, application types,
and emerging trends in data analysis and integration, equip-
ping participants with the skills to handle complex data-driven
challenges efficiently.
Fähigkeiten / Abilities
Nach Abschluss dieses Kurses kennen die Studierenden das
gesamte Spektrum der Verfahren im Hinblick auf Daten-
und Wissenstechnik, d. h. Datenplanung, Datenerfassung, Da-
tenformate, Datenorganisation und -speicherung, gemeinsame
Nutzung von Daten, Wiederverwendbarkeit sowie Wissensre-
präsentation und Schlussfolgerungen.
—
Upon completion of this course, students will know the full
range of practices related to data and knowledge engineering,
Module Catalogue 109

i.e. data planning, data acquisition, data formats, data orga-

nisation and storage, data sharing, reusability, and knowledge
representation and reasoning.
Kompetenzen / Competencies
Die Studierenden erlangen die Kompetenz, geeignete Techno-
logien auszuwählen, um gut organisierte, gut dokumentierte
und gemeinsam genutzte Daten bereitzustellen, die von un-
schätzbarem Wert für die Beratung sind.
—
Students will gain the competence to select appropriate tech-
nologies to provide well-organised, well-documented and sha-
red data that is invaluable for further data analysis.

Inhalt Teil I: Grundlagen des Data and Knowledge Engineering

Course content • Einführung in die Prinzipien und Konzepte des DKE
• Datenmodelle (Modellierung) & Organisation
• Datenprofilierung und Qualitätsbewertung
Teil II: KI für Data Engineering
• Feature Engineering & Auswahl
• Überwachtes und unüberwachtes Lernen
• Data Mining und Knowledge discovery
Teil III: Wissensmanagement
• Wissensrepräsentation und Schlussfolgerungen
• Logische Programmierung und Deduktive Datenbanken
• Wissensbasierte Systeme
Teil IV: Ethische und rechtliche Überlegungen in DKE
• Datenschutz und Provenienz
• Daten-Governance
—
Part I: Fundamentals of data and knowledge engineering
• Introduction to the principles and concepts of DKE
• Data models (modelling) & organisation
• Data profiling and quality assessment
Part II: AI for data engineering
• Feature engineering & selection
• Supervised and unsupervised learning
• Data mining and knowledge discovery
Part III: Knowledge Management
• Knowledge representation and reasoning
• Logical programming and deductive database
• Knowledge-based systems
Part IV: Ethical and legal considerations in DKE
• Data protection and provenance
• Data Governance
Module Catalogue 110

Studien-/Prüfungsleistungen 90-min. Klausur

Assessment 90-minute written examination

Medienformen Vorlesungen, Präsentation und Demostrationen mit Projektor,

Media used Tafel, Tool-Demonstrationen über Beamer, Studierende arbei-
ten an praktischen Übungen an ihren eigenen Geräten
Lectures, Presentation and demonstrations with a projector,
blackboard, Practical seminar

Literatur Reis, Joe, and Matt [Link] of Data Enginee-

Reading list ring.”O’Reilly Media, Inc”, 2022
Kendal, Simon L., and Malcolm [Link] introduction to
knowledge engineering. Springer London, 2007.
Heck, Petra. "What About the Data? A Mapping Stu-
dy on Data Engineering for AI [Link] preprint ar-
Xiv:2402.05156(2024)
Reis, Joseph, Matthew L. Housley, and
Helena [Link] Data Engineering: robuste Daten-
systeme planen und erstellen. o’Reilly, 2023.
Hechler, Eberhard, Maryela Weihrauch, and Yan Wu. "Data
fabric and data mesh for the AI lifecycle."Data Fabric and
Data Mesh Approaches with AI: A Guide to AI-based Da-
ta Cataloging, Governance, Integration, Orchestration, and
Consumption. Berkeley, CA: Apress, 2023. 195-228., Atwal,
[Link] DataOps: Delivering agile data science at
scale. Apress, 2019.
Module Catalogue 111

5582 Computergraphik PN xxxxxx

Computer Graphics

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Sauer
Module convenor

Dozent(in) Sauer
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Visual Computing & Data Science” (VCDS)
Curriculum

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 60 Std. Übungen + 45 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
45 contact hours + 60 hrs exercises + 45 hrs independent
study and exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Lineare Algebra I

Recommended skills Linear Algebra I

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden sollen grundlegende Prinzipien der Compu-
tergrapik verstehen und entsprechende Bibliotheksroutinen er-
gebnisorientiert verwenden können.
—
Module Catalogue 112

Students become familiar with fundamental principles of Com-

puter Graphics and can use the respective library routines to
obtain certain results.
Fähigkeiten / Abilities
Die Studierenden lernen mehrere formale Sprachen der Infor-
matik kennen und lernen, und Probleme in diesen Sprachen
auszudrücken.
—
The students get to know several formal languages of compu-
ter science and learn to express problems in these languages
Kompetenzen / Competencies
Herleitung und Implementierung grundlegender Algorithmen,
Verwendung von Funktionsbibliotheken.
—
Derivation and implementation of basic algorithms, use of li-
brary routines.

Inhalt Graphik-Pipeline, Rasteralgorithmen, Kamerageometry, Pro-

Course content jective Transformationen in 3d, Beleuchtung, Rendering.
—
Graphics pipeline, raster algorithms, camera geometry, 3d pro-
jective transformations, lighting, rendering

Studien-/Prüfungsleistungen 60-minütige Klausur oder mündliche Prüfung (ca. 20 Minu-

Assessment ten); die genaue Prüfungsart wird zu Beginn des Semesters
durch Aushang und auf den Internetseiten der Fakultät be-
kannt gegeben.
60-minute written or approx. 20-minutes oral examination; the
precise mode of assessment will be announced at the start of
the semester on a notice board and on the faculty’s website.

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur Foley, van Dam, Feiner, Hughes, Computer Graphics

Reading list Lecture Notes
Module Catalogue 113

5583 Web and Network Science PN xxxxxx

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Granitzer
Module convenor

Dozent(in) Granitzer
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Visual Computing & Data Science” (VCDS)
Curriculum

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 105 Std. Übungsaufgaben, Nachbearbei-

Workload tung und Prüfungsvorbereitung
45 contact hours + 105 hours of exercises, review, and exam
preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erhalten Einblicke in die Modellierung und
Analyse komplexer Netzwerke aus der realen Welt, mit be-
sonderem Fokus auf Netzwerke im Web. Insbesondere wird
Wissen zu den folgenden Themen vermittelt:
• Grundlagen der Graphentheorie (un-
Module Catalogue 114

gerichtete/gerichtete/bipartite Graphen, Konnektivität,

Graph-Traversierung)
• Eigenschaften von webbasierten sozialen Netzwerken
(starke und schwache Bindungen, strukturelles Gleich-
gewicht, Kontext in sozialen Netzwerken, Small-World-
Netzwerke)
• Eigenschaften von webbasierten Informationsnetzwer-
ken (Struktur des Webs, dezentrale Suche, Navigierbar-
keit von Netzwerken)
• Dynamik und Evolution von Netzwerken
• Aktuelle Trends in Web Science und Network Science

—
The students gain insights into modelling and analysing com-
plex real-world networks, with a special emphasis on networks
in the Web. In particular knowledge on the following topics
will be gained:
• Basic Graph Theory (Undirected / Directed / Bipartite
Graphs, Connectivity, Graph Traversal)
• Properties of Web-based Social Networks (Strong and
Weak ties, Structural Balance, Context in Social Net-
works, Small World Networks)
• Properties of Web-based Information Networks (Struc-
ture of the Web, Decentralized Search, Navigability of
Networks)
• Network Dynamics and Evolution
• Current trends in Web Science and Network Science

Fähigkeiten / Abilities
Die Studierenden sind in der Lage, komplexe Netzwerke aus
der realen Welt zu analysieren und Schlussfolgerungen zu
deren strukturellen Eigenschaften sowie zu deren Dynamik
zu ziehen. Sie können verschiedene Algorithmen zur Netz-
werkanalyse entwickeln und anwenden, wie z. B. Clustering-
Algorithmen zur Erkennung von Substrukturen und Traver-
sierungsalgorithmen zur Schätzung statistischer Eigenschaften
(z. B. Zentralität, Clustering-Koeffizient). Darüber hinaus sind
sie in der Lage, die Ergebnisse der Algorithmen im Kontext zu-
grunde liegender sozialer Theorien zu interpretieren, wie z. B.
Triadic Closure oder Structural Balance Theory.
—
The students will be able to analyse complex real-world net-
works and draw conclusions on their structural properties as
well as on their dynamic. They will be able to develop and
apply different algorithms for analysing networks, like for ex-
Module Catalogue 115

ample clustering algorithms for detecting sub-structures and

traversal algorithms for estimating statistical properties (e.g.
centrality, clustering coefficient). Furthermore, students will
be able to interpret the outcome of the algorithms in terms of
underlying social theories, like for example Triadic Closure or
Structural Balance Theory.
Kompetenzen / Competencies
Die Studierenden erwerben die Kompetenz, Netzwerkdaten
insbesondere in webbasierten Informationssystemen zu ana-
lysieren und diese Analysen zu nutzen, um diese Informations-
systeme zu verstehen und weiterzuentwickeln.
—
Students acquire the competencies to analyse network data
especially in web-based information systems and to use this
analysis to understand and refine those information systems.

Inhalt Im Besonderen werden folgende Themen behandelt:

Course content • Grundlagen der Netzwerktheorie (Graph-Typen, Kon-
nektivität, Graph-Traversierung)
• Webbasierte soziale Netzwerke
(Small-World-Phänomen, starke und schwache Bindun-
gen, Informa-tionsfluss, Community-Erkennung)
• Analyse des Kontexts sozialer Netzwerke (Homophilie
und Segregation)
• Positive und negative Beziehungen in Netzwerken
• Webbasierte Informa-
tionsnetzwerke (Struktur des Webs, Link-Analyse und
Websuche)
• Netzwerkdynamik (Populationsmodelle, Informations-
kaskaden, "Rich-get-richerEffekt, kaskadierendes Ver-
halten in Netzwerken, Netzwerkepidemien)
• Aktuelle Trends in Web Science und Network Science
—
In particular, the following topics are covered:
• Basic Network Theory (Graph Types, Connectivity,
Graph Traversal)
• Web Social Networks (Small World Phenomena, Strong
and Weak Ties, Information Flow, Community Detecti-
on)
• Analysing the context of social networks (Homophily
and Segregation)
• Positive and Negative Relationships in Networks
• Web Information Networks (Structure of the Web, Link
Analysis and Web Search)
• Network Dynamics (Population Models, Information
Cascades, Rich-get-richer, Cascading Behaviour in Net-
Module Catalogue 116

works, Network Epidemics)

• Current trends in Web Science and Network Science

Studien-/Prüfungsleistungen 60-minütige Klausur oder mündliche Prüfung (ca. 20 Minu-

Assessment ten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben.
60-minute written or oral exam (approx. 20 minutes); the ex-
act assessment type will be announced at the beginning of the
semester.

Medienformen Präsentation mit Beamer

Media used Presentation with projector

Literatur Networks, Crowds, and Markets: Reasoning About a Highly

Reading list Connected World von David Easley und Jon Kleinberg von
Cambridge University Press
Barabási, Albert-László. Network science. Cambridge Univer-
sity Press, 2016.
Mark Newman, Networks: An Introduction. Oxford University
Press, 2010
Module Catalogue 117

5600 Effiziente Algorithmen PN 405121

Efficient Algorithms

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Rutter, Sudholt

Module convenor

Dozent(in) Rutter, Sudholt

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 3V + 2Ü
Contact hours

Arbeitsaufwand 75 Std. Präsenz + 45 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
75 contact hours + 45 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 7
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Algorithmen und Datenstrukturen, Theoretische Informatik I

Recommended skills Algorithms and Data Structures, Theoretical Computer
Science I

Verwendbarkeit in weiteren [Link]. Informatik, [Link]. Internet Computing

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erwerben systematisches Verständnis algo-
rithmischer Entwurfs- und Analysetechniken. Sie kennen wei-
terführende Algorithmen und Datenstrukturen und deren Ei-
Module Catalogue 118

genschaften.
—
The students acquire a systematic understanding of algorith-
mic design and analysis principles. They know advanced algo-
rithms and data structures and their properties.
Fähigkeiten / Abilities
Die Studierenden besitzen die Fähigkeit, algorithmische Pro-
bleme in verschiedenen Anwendungsgebieten zu identifizieren
und zu formalisieren. Die Studierenden können unbekannte Al-
gorithmen eigenständig verstehen, sie anwenden, ihre Laufzeit
bestimmen, sie beurteilen und auf verwandte Problemstellun-
gen übertragen.
—
The students have the ability to identify algorithmic problems
in different application areas and to formalize them. They can
understand and apply new algorithms on their own. Moreover,
they can analyze their running time, evaluate them and adapt
them to related problems.
Kompetenzen / Competencies
Die Studierenden können für gegebene Problemstellungen ge-
eignete Entwurfs- und Analysetechniken auszuwählen und sie
zu nutzen um eigene Algorithmen zu entwerfen, diese zu ana-
lysieren und ihre Eigenschaften nachzuweisen.
—
The students have the competence to select appropriate de-
sign and analysis techniques for given problems. They can
further apply them to develop and analyze new algorithms.

Inhalt Dieses Modul vertieft die Grundlagen der Algorithmik. Es wer-

Course content den fortgeschrittenen Analyse- und Entwurfstechniken für Al-
gorithmen und Datenstrukturen vorgestellt, (z.B. amortisierte
Analyse, dynamische Programmierung, Greedy, Divide & Con-
quer, Modellierung mit LPs) und deren Anwendung an konkre-
ten Problemstellungen illustriert (z.B. Union-Find, Flussme-
thoden, Schnitte in Graphen, Spannbäume, Matchings). Dar-
über hinaus werden Techniken zum Umgang mit NP-schweren
Problemen vermittelt.
—
This module deepens the fundamentals of Algorithms. Advan-
ced design and analysis techniques for algorithms are presen-
ted (e.g., amortized analysis, dynamics programming, greedy,
divide & conquer, Modeling with LPs) and their application
is demonstrated for concrete examples (e.g., union-find, cuts
and flows in graphs, spanning trees, matchings). Additionally,
techniques for handling NP-hard problems are presented.
Module Catalogue 119

Studien-/Prüfungsleistungen Mündliche Prüfung (ca. 30 Minuten) oder Klausur (ca. 90 Mi-

Assessment nuten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben.
Oral exam (about 30 minutes) or written exam (90 minutes);
the precise mode of assessment will be announced at the start
of the semester.

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur Cormen, Leiserson, Rivest, Stein: Introduction to Algorithms

Reading list Korte, Vygen: Combinatorial Optimization: Theory and Algo-
rithms
Module Catalogue 120

5610 Praktische Parallelprogrammierung PN 405281

Practical Parallel Programming

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Fraser
Module convenor

Dozent(in) Größlinger
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or Englisch

Zuordnung zum Curriculum Module Group “Software Engineering” (SE)

Curriculum

Lehrform/SWS 3V + 2Ü
Contact hours

Arbeitsaufwand 75 Std. Präsenz + 85 Std. Übungsaufgaben / Programmier-

Workload projekte + 50 Std. Nachbereitung des Vorlesungsstoffs
75 contact hours + 85 hours exercises and programming pro-
jects + 50 hours lecture recapitulation

ECTS 7
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Programmierung II

Recommended skills Programming II

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden lernen mehrere parallele Architekturen und
eine Reihe von verschiedenen Ansätzen zur Parallelprogram-
mierung kennen. Sie werden in die Lage versetzt, für eine vor-
liegende Problemstellung und parallele Plattform den geeigne-
Module Catalogue 121

ten Programmieransatz auszuwählen und anzuwenden.

—
Students will learn several parallel architectures and a number
of different approaches to parallel programming. They will be
able to choose and apply the appropriate programming ap-
proach for the problem and parallel platform.
Fähigkeiten / Abilities
Die Studieren den beherrschen die Konzepte der Parallelisie-
rung konkreter Anwenderprobleme und können diese für eine
ausgewählte Programmiersprache umsetzen.
—
The students master the concepts of parallelization of concrete
problems and can implement them for a selected programming
language.
Kompetenzen / Competencies
Absolventen der Veranstaltung sind sich der Vielfalt paralle-
ler Architekturen und Programmierungsansätze bewusst. Sie
kennen die erhöhten Anforderungen an die Korrektheit von
parallelen Programmen, verglichen mit sequenziellen Program-
men, und würdigen auch den Stellenwert der höheren Perfor-
manz paralleler Programme gegenüber äquivalenten sequenzi-
ellen Lösungen.
—
Graduates of the course are aware of the variety of parallel ar-
chitectures and programming approaches. They know the in-
creased requirements for the correctness of parallel programs
compared to sequential programs and also appreciate the im-
portance of the higher performance of parallel programs com-
pared to equivalent sequential solutions.

Inhalt Es werden etwa ein halbes Dutzend verschiedene Paradigmen

Course content zur Parallelprogrammierung vorgestellt. Beispiele sind MPI,
OpenMP, BSP, High-Performance Fortran und Java. Mindes-
tens drei werden in Programmierprojekten vertieft. Es wer-
den grundlegende Größen und Gesetze paralleler Berechnun-
gen vorgestellt und theoretische Grundkenntnisse in der Spe-
zifikation und Analyse von parallelen Abläufen vermittelt. Die
Vor- und Nachteile verschiedener Vernetzungsmuster werden
angesprochen.
—
About half a dozen different paradigms for parallel program-
ming are presented. Examples are MPI, OpenMP, BSP, high-
performance Fortran, Java, OpenCL and OpenACC. At least
three are explored in programming projects. Basic quantities
and laws of parallel calculations are presented and basic theo-
retical knowledge of the specification and analysis of parallel
Module Catalogue 122

processes is imparted. The advantages and disadvantages of

various networking patterns are addressed.

Studien-/Prüfungsleistungen Implementierungen (Quellcode) zu mehreren Programmier-

Assessment projekten mit je etwa 2 bis 3 Wochen Bearbeitungszeit.
Implementations (source code) for several programming pro-
jects, each with about 2 to 3 weeks processing time.

Medienformen Beamer, Tafel, Overheadprojektor

Media used Projector, blackboard, overhead projector

Literatur Foliensätze, Buchauszüge, Forschungspapiere

Reading list Slide sets, book excerpts, research papers
Ian Foster [Link] Desi-
gning and Building Parallel Programs. Addison-Wesley, 1994.
Michael J. Quinn [Link] Par-
allel Programming in C with MPI and OpenMP. McGraw-Hill,
2004.
Module Catalogue 123

5670 Logik für Informatiker PN xxxxxx

Computational Logic

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Müller
Module convenor

Dozent(in) Müller
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 60 + 30 Std. Präsenz, 120 + 60 Std. Eigenarbeitszeit

Workload 60 + 30 hrs presence, 120 + 60 hrs self study

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine Vorkenntnisse notwendig. Nützlich: theoretische Infor-

Recommended skills matik
Nothing necessary. Useful: theoretical computer science

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Technische Beherrschung von

Learning outcomes • Syntax und Semantik der Aussagenlogik und der Logik
der ersten Stufe
• Resolution und andere formale Beweissysteme
• SAT Modellierung
• Universelle Theorien und Herbrand Theorie
Module Catalogue 124

• Verschiedene Logiken für Korrektheitsspezifikationen

grosser reaktiver Systeme
• Deren Algorithmik (Model-Checking)
—
Working knowledge of
• syntax and semantics of propositional and first-order lo-
gic
• Resolution and other formal notions of proof
• SAT modelling
• Universal theories and Herbrand theorems
• Various logics for correctness specifications of large re-
active systems
• Their model-checking algorithmics

Inhalt „Logic is the calculus of computer science“ ist ein oft wieder-
Course content holter Slogan. Die Vorlesung bietet eine Einführung in die for-
male Logik unter besonderer Betonung algorithmischer Fragen
und Anwendungen. Die ersten beiden Teile behandeln die Aus-
sagenlogik und die Logik der ersten Stufe. Es werden korrekte
und vollständige formale Beweiskalküle vorgestellt, insbeson-
dere Resolution. Resolution und ihre Varianten spielen eine
zentrale Rolle in der Informatik, insbesondere für SAT Solver
und Logikprogrammierung. Der dritte Teil behandelt den au-
tomatentheoretischen Zugang zu Model-Checking, d.h., wie
man Korrektheitseigenschaften grosser reaktiver Systeme for-
malisiert und algorithmisch verifiziert. Es werden die monadi-
sche Logik der zweiten Stufe und verschiedene Temporallogi-
ken vorgestellt.
—
It is an often repeated slogan that logic is the calculus of com-
puter science. The course offers a first introduction to formal
logic with an emphasis on algorithmic questions and appli-
cations. The first two parts introduce propositional logic and
first-order logic, and present sound and complete deduction
systems, in particular Resolution. Resolution and its variants
play a central role in Computer Science, in particular in SAT
solving and logic programming. The third part presents an
automata theoretic approach to model-checking, that is, how
to formalize and efficiently verify correctness specifications of
large interactive systems. This includes monadic second-order
logic and various temporal logics.

Studien-/Prüfungsleistungen 120-minütige schriftliche Prüfung oder mündliche Prüfung

Assessment (ca. 30 Minuten); die genaue Prüfungsart wird zu Semester-
beginn bekannt gegeben.
120-minute written examination or 30-minute oral examinati-
Module Catalogue 125

on. The precise mode of assessment will be announced at the

start of the semester.

Medienformen Tafel
Media used blackboard

Literatur Schöningh, Logik für Informatiker, Springer 2000

Reading list Schöningh, Logik for Computer Scientists, Springer 2008
Ziegler, Mathematische Logik, Birkhäuser, 2010.
Ebbinghaus, Flum, Thomas, Mathematical Logic, Springer
1994
Ebbinghaus, Flum, Thomas, Einführung in die mathematische
Logik, 2018
Baier, Katoen, Principles of Model-Checking, MIT Press, 2008
Module Catalogue 126

5718 Competitive Programming PN 407609

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Rutter
Module convenor

Dozent(in) Rutter
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 2V + 4Ü
Contact hours

Arbeitsaufwand Präsenz 90 Std., Vor- und Nachbereitung 30 Std.

Workload 90 contact hours, 30 hrs independent study and exam prepa-
ration

ECTS 4
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Algorithmen und Datenstrukturen, Theoretical Computer

Recommended skills Science, Programming II
Algorithms and Data Structures, Theoretical Computer
Science, Programming II

Verwendbarkeit in weiteren [Link]. Informatik, [Link]. Mathematik, [Link]. Internet Compu-

Studiengängen ting
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden erwerben vertiefte Kompetenzen in den Be-

Learning outcomes reichen Problemanalyse, Algorithmenentwurf und der effizien-
ten Implementierung von Algorithmen. Sie sind in der Lage in
einem vorgegebenen Zeitraum zu einer algorithmischen Fra-
gestellung eigenständig Lösungsansätze zu entwickeln, indem
Module Catalogue 127

sie algorithmische Methoden geeignet adaptieren, und diese

anschließend praktisch implementieren.
—
Students acquire in-depth skills in the areas of problem ana-
lysis, algorithm design and the efficient implementation of al-
gorithms. They are able to independently develop solutions to
algorithmic problems within a given period of time by adap-
ting algorithmic methods appropriately and then implementing
them in practice.

Inhalt Dieses Modul vertieft die Grundlagen der Algorithmik und be-
Course content reitet die Teilnehmer auf die Teilnahme an Programmierwett-
bewerben wie dem ACM ICPC-Contest vor. Die Veranstaltung
behandelt fortgeschrittene Algorithmen und Datenstrukturen
sowie algorithmische Entwurfstechniken. Dazu zählen unter
anderem:
• Brute-Force/Backtracking
• Greedy-Algorithmen
• Dynamische Programmierung
• Divide & Conquer
• String-Algorithmen
• Graphenalgorithmen
• Netzwerkflüsse
• Geometrische Algorithmen
• Zahlentheorie
• Kombinatorik
Dabei liegt ein Schwerpunkt auf Problemlösungsstrategien,
der Anpassung von algorithmischen Methoden auf konkrete
Problemstellung und der praktischen Umsetzung in C++.
—
This module deepens the basics of algorithmics and prepa-
res participants for taking part in programming competitions
such as the ACM ICPC contest. The course covers advanced
algorithms and data structures as well as algorithmic design
techniques. These include:
• Brute-Force/Backtracking
• Greedy-Algorithms
• Dynamic Programming
• Divide & Conquer
• String-Algorithms
• Graph Algorithms
• Network flows
• Geometric Algorithms
• Number Theory
• Combinatorics
The focus is on problem-solving strategies, the adaptation of
Module Catalogue 128

algorithmic methods to specific problems and the practical

implementation in C++.

Studien-/Prüfungsleistungen Portfolio-Prüfung
Assessment Bestandteile des Portfolios sind die Lösungen zu den wöchent-
lichen Programmieraufgaben. Zum Bestehen der Lehrveran-
staltung muss ein vorab festgelegter Anteil der Aufgaben kor-
rekt gelöst werden. Die genauen Anforderungen werden zu
Beginn der Veranstaltung bekannt gegeben.
Das Modul ist unbenotet, d.h. gemäß § 6 Abs. 3 Satz 2 AStu-
PO wird es nur mit „bestanden“ und „nicht bestanden“ be-
wertet.
Portfolio-Exam
Components of the portfolio are the solutions to the weekly
programming tasks that are worked on during the exercises.
To pass the course, a predetermined proportion of the tasks
must be solved correctly. The exact requirements will be an-
nounced at the beginning of the course.
The module is not graded, i.e. according to § 6 para. 3 sen-
tence 2 AStuPO it is only graded as “passed” and “failed”.

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur Cormen, Leiserson, Rivest, Stein: Introduction to Algorithms,

Reading list MIT Press
Antii Laaksonen, Guide to Competitive Programming, Sprin-
ger, 2017
Module Catalogue 129

5731 Einführung in die Numerik PN 401814

Introduction to Numerical Analysis

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Sauer, Forster-Heinlein

Module convenor

Dozent(in) Sauer, Forster-Heinlein

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Lineare Algebra I, Analysis II

Recommended skills Linear Algebra I, Analysis II

Verwendbarkeit in weiteren [Link]. Informatik, Lehramt Mathematik Gymnasium

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden sollen grundlegende Verfahren der Numerik
kennen und deren Grenzen beurteilen können. Darüber hinaus
sollen sie für Genauigkeitsfragen und den Einfluss von Run-
dungsfehlern sensibilisiert sein.
Module Catalogue 130

—
Students become familiar with basic numerical methods
and can assess the limitations of these methods. In additi-
on,students are sensitised to questions of accuracy and the
influence of rounding errors.
Fähigkeiten / Abilities
Implementierung grundlegender Algorithmen, Untersuchung
der Algorithmen auf Stabilität und Nutzung bestehender Soft-
ware zur Lösung von numerischen Problemen
—
Implementation of basic algorithms, examination of the algo-
rithms for stability and utilisation of existing software to solve
numerical problems.
Kompetenzen / Competencies
Lösen von realistischen oder realitätsnahen Problemen mit
Computerunterstützung, Neuentwicklung und Bewertung von
Lösungsmethoden.
—
Solving realistic or near-realistic problems with computer sup-
port, new development and evaluation of solution methods.

Inhalt Fehleranalyse, Lösen linearer Gleichungssysteme, Modellie-

Course content rung von Kurven, Interpolation, Lösung nichtlinearer Glei-
chungen, Numerische Integration
—
Error analysis, solving systems of linear equations, modelling
curves, interpolation, solving non-linear equations, numerical
integration

Studien-/Prüfungsleistungen 120-minütige Klausur oder mündliche Prüfung (30 Minuten);

Assessment die genaue Prüfungsart wird zu Beginn des Semesters durch
Aushang und auf den Internetseiten der Fakultät bekannt ge-
geben.
120-minute written or 30-minutes oral examination; the pre-
cise mode of assessment will be announced at the start of the
semester on a notice board and on the faculty’s website

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur J. Stoer: Einführung in die Numerische Mathematik I, Sprin-

Reading list ger, 1980
P. Deuflhard, A. Hohmann: Numerische Mathematik. Eine al-
gorithmisch orientierte Einführung, de Gruyter 1991
N. Higham, Accuracy and stability of numerical algorithms,
SIAM 1996
G. Golub, Ch. Van Loan, Matrix computations, John Hopkins
Module Catalogue 131

University Press, 1983

E. Isaacson, H.B. Keller, Analysis of numerical methods, John
Wiley & Sons, 1966
W. Gautschi, Numerical analysis, an introduction, Birkhäuser
1997
Skriptum zur Vorlesung
Module Catalogue 132

5751 Numerische Methoden der Linearen Algebra PN 407606

Numerical Linear Algebra

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Forster-Heinlein
Module convenor

Dozent(in) Forster-Heinlein
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Lineare Algebra 1 und 2

Recommended skills Linear Algebra 1 und 2

Verwendbarkeit in weiteren [Link]. Informatik, Lehramt Mathematik Gymnasium

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden sollen grundlegende Verfahren der numeri-
schen linearen Algebra kennen und deren Grenzen beurteilen
können. Sie sollen für Genauigkeitsfragen und den Einfluss von
Rundungsfehlern der Methoden sensibilisiert sein.
Module Catalogue 133

—
Students should become familiar with basic methods of nu-
merical linear algebra and be able to assess their limitations.
In addition, they should be sensitised to questions of accuracy
and the influence of rounding errors in the methods.
Fähigkeiten / Abilities
Implementierung grundlegender Algorithmen, Untersuchung
der Algorithmen auf ihre Stabilität. Nutzung bestehender Soft-
ware zur Lösung von numerischen Problemen der linearen Al-
gebra.
—
Implementation of basic algorithms, analysing the algorithms
for stability. Use of existing software to solve numerical pro-
blems in linear algebra.
Kompetenzen / Competencies
Lösen realitätsnaher Probleme der numerischen linearen Al-
gebra, zum Teil mit Computerunterstützung. Bewertung der
Lösungsmethoden.
—
Solving realistic problems in numerical linear algebra, partly
with computer support. Evaluation of the solution methods.

Inhalt Singulärwert-Zerlegung, QR-Faktorisierung, Konditionierung

Course content und Stabilität, Numerische Lösung linearer Gleichungssyste-
me, Numerische Bestimmung von Eigenwerten und -vektoren.
—
Singular value decomposition, QR factorisation, condition and
stability, numerical solution of systems of linear equations, nu-
merical determination of eigenvalues and eigenvectors.

Studien-/Prüfungsleistungen 90-minütige Klausur oder mündliche Prüfung (25 Minuten);

Assessment die genaue Prüfungsart wird zu Beginn des Semesters durch
Aushang und auf den Internetseiten der Fakultät bekannt
gegeben.
90-minute written or 25-minutes oral examination; the preci-
se mode of assessment will be announced at the start of the
semester on a notice board and on the faculty’s website

Medienformen Präsentation und Beamer und Tafel

Media used Presentation with a projector, blackboard

Literatur James W. Demmel: Applied Numerical Linear Algebra, SIAM,

Reading list 1997
Llyod N. Trefethen, Davod Bau III: Numerical Linear Algebra,
SIAM, 1997
N. Higham, Accuracy and stability of numerical algorithms,
SIAM, 1996
Module Catalogue 134

5756 Funktionalanalysis PN 485367

Functional Analysis

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Prochno
Module convenor

Dozent(in) Prochno
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Lineare Algebra I + II, Analysis I + II

Recommended skills Linear Algebra I + II, Analysis I + II

Verwendbarkeit in weiteren [Link]. Mathematik

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden kennen die grundlegenden theoretischen
Techniken, um lineare Funktionale und Operatoren in topo-
logischen Vektorräumen, insbesondere Banach- und Hilbert-
Räumen, zu analysieren.
Module Catalogue 135

—
Students know the basic theoretical techniques to analyze li-
near functionals and operators in topological vector spaces, in
particular Banach and Hilbert spaces.
Fähigkeiten / Abilities
Die Studierenden sind in der Lage, die Methoden der Funk-
tionalanalysis bei konkreten Fragestellungen zu aktuellen The-
men der Mathematik und der Naturwissenschaften anzuwen-
den.
—
Students are able to apply the methods of functional analysis
to specific, topical problems in mathematics and the natural
sciences.

Inhalt Folgende Themen werden behandelt:

Course content • Topologische Vektorräume
• Normierte Räume und Vollständigkeit
• Lineare Operatoren zwischen normierten Räumen
• Satz von der offenen Abbildung, Satz vom abgeschlos-
senen Graphen und Satz von Baire
• Hahn-Banach Sätze und Konsequenzen
• Satz von Banach-Steinhaus
—
The following topics are covered:
• Topological vector spaces
• Normed spaces and completeness
• Linear operators between normed spaces
• Open mapping theorem, closed graph theorem and
Baire’s theorem
• Hahn-Banach theorems and consequences
• Theorem of Banach-Steinhaus

Studien-/Prüfungsleistungen Klausur (90 Minuten) oder mündliche Prüfung (ca. 25 Minu-

Assessment ten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben.
90-minute written or oral exam of about 30 minutes. The pre-
cise mode of assessment will be announced at the start of the
semester.

Medienformen Tafel, Beamer, Übungsblätter

Media used Board, projector, exercise sheets

Literatur W. Rudin, Functional Analysis, McGraw Hill, 1991

Reading list M. Reed/B. Simon, Functional Analysis, Academic Press,
1972
D. Werner: Funktionalanalysis, Springer, 2007
F. Hirzebruch, W. Scharlau: Einführung in die Funktionalana-
Module Catalogue 136

lysis, BI-Hochschulbücher, 1991

Module Catalogue 137

5779 Data Science PN 405218

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Granitzer
Module convenor

Dozent(in) Granitzer
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Visual Computing & Data Science” (VCDS)
Curriculum

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 105 Std. Übungsaufgaben, Nachbearbei-

Workload tung und Prüfungsvorbereitung
45 contact hours + 105 hours of exercises, review, and exam
preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren [Link]. Computer Science, [Link]. Internet Computing, [Link].

Studiengängen Mathematics
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erwerben ein sehr gutes Verständnis für ei-
ne Reihe von Methoden und Prozessen zur Wissensgewinnung
aus großen Datensätzen.
—
The students gain a good understanding of a set of methods
Module Catalogue 138

and processes for extracting knowledge from large data sets.

Fähigkeiten / Abilities
Die Studierenden verstehen die Grundlagen der Datenwissen-
schaft und sind in der Lage, diese in Big-Data-Kontexten an-
zuwenden. Außerdem können sie Techniken zur Wissensge-
winnung aus Daten anwenden und sich eigenständig Daten-
wissenschaftsmethoden aneignen, die nicht im Kurs behandelt
wurden.
—
The students understand the foundations of data science and
are able to apply them in big data settings. Students are also
able to apply techniques for extracting knowledge from data
and to self-learn data science methods not taught in the cour-
se.
Kompetenzen / Competencies
Die Studierenden machen sich mit der großangelegten Daten-
analyse in verschiedenen Anwendungsbereichen vertraut. Sie
sind in der Lage, die am besten geeigneten Methoden für spe-
zifische Anwendungsszenarien auszuwählen.
—
The students became familiar with large-scale data analysis in
different applications. They have the ability to select methods
best suited for particular application settings.

Inhalt Datenwissenschaft beschreibt eine Reihe von Methoden und

Course content Prozessen zur Wissensgewinnung aus großen Datensätzen.
Dieses Modul führt in den Prozess der Datenwissenschaft ein,
gibt einen Überblick über die verschiedenen Methoden für je-
de Phase und deren Anwendung in unterschiedlichen Szenari-
en. In den Übungen wenden die Studierenden diese Methoden
auf Beispieldatensätze an. Der Kurs legt den Schwerpunkt auf
praktische Aspekte gegenüber theoretischen und verfolgt einen
eher programma-tischen Ansatz statt eines mathematischen.
Themen:
• Datenwissenschaft: Geschichte und Hintergrund.
• Der Knowledge Discovery Process: Datensammlung,
Feature Engineering, Data Mining, Maschinelles Ler-nen
und Visualisierungen, Entdeckung, Exploration, Testen
und Evaluieren
• Deskriptive Statistik und univariate/bivariate Visualisie-
rungen
• Feature Engineering: Merkmalsauswahl, Merkmal-
sumwandlung, Dimensionsreduktion
• Ausgewählte überwachte und unüberwachte Modelle
des maschinellen Lernens: z. B. Entscheidungsbäume,
neuronale Netze, probabilistische Klassifikatoren, Clus-
Module Catalogue 139

tering
• Wichtige Anwendungsgebiete: Empfehlungs-Engines,
Betrugserkennung, Simulatoren, Prognosen und Klas-
sifikation, Analyse sozialer Netzwerke, Text-Mining
• Important business problems: Recommendation engine;
Fraud detection; Simulators, Forecasting and Classifica-
tion; Social Network Analysis, Text Mining
• Aktuelle Trends
—
Data Science describes a set of methods and processes for
extracting knowledge from large data sets. This module in-
troduces the process of data science, gives an overview on
the different methods for every stage and their application in
different application scenarios. In the exercise, students apply
those methods on example data sets.
The course emphasizes practical over theoretical aspects and
a more programmatic approach, rather than a mathematical
one.
Topics:
• Data science: history and background
• The Knowledge Discovery Process: data gathering, fea-
ture engineering, data mining, machine learning and vi-
sualizations, discovery, exploration, testing and evalua-
tion
• Descriptive Statistics and Univariate/Bivariate Visual-
isations
• Feature Engineering: feature selection, feature transfor-
mation, dimensionality reduction
• Selected Supervised and Unsupervised Machine Lear-
ning Models (e.g. Decistion Trees, Neural Net-works,
Probabilistic Classifiers, Clustering)
• Important business problems: Recommendation engine;
Fraud detection; Simulators, Forecasting and Classifica-
tion; Social Network Analysis, Text Mining
• Current trends

Studien-/Prüfungsleistungen 60-minütige Klausur oder mündliche Prüfung (ca. 20 Minu-

Assessment ten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben.
60-minute written or oral exam (approx. 20 minutes); the ex-
act assessment type will be announced at the beginning of the
semester.

Medienformen Präsentation mit Beamer

Media used Presentation with projector
Module Catalogue 140

Literatur Wird zu Beginn der Vorlesung bekannt gegeben

Reading list To be announced at the beginning of the lecture
Module Catalogue 141

5812 Stochastische Simulation PN 405156

Stochastic Simulation

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Müller-Gronbach
Module convenor

Dozent(in) Müller-Gronbach, Yaroslavtseva

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Random

Curriculum Structures and Dynamics” (RSD)

Lehrform/SWS 3V + 1Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 60 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
60 contact hours + 60 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 7
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Analysis I, Lineare Algebra I, Programmierung I, Einführung

Recommended skills in die Stochastik
Analysis 1, Linear Algebra 1, Programming 1, Introduction to
Stochastics

Verwendbarkeit in weiteren [Link]. Informatik, [Link]. Internet Computing, [Link]. Mathema-

Studiengängen tik
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Kenntnis grundlegender Algorithmen der stochastischen Simu-
lation, ihrer Eigenschaften und typischer Anwendungen.
Module Catalogue 142

—
Knowledge of basic algorithms of stochastic simulation, their
properties and typical applications
Fähigkeiten / Abilities
Fähigkeit zur effizienten Implementierung dieser Verfahren
und zur Darstellung und Interpretation von Simulationsergeb-
nissen im Rahmen der Stochastik und Statistik. Fähigkeit zur
eigenständigen Erarbeitung und Präsentation eines Themas
aus der stochastischen Simulation.
—
Ability to efficiently implement these methods and to present
and interpret simulation results in the context of stochastics
and statistics. Ability to independently develop and present a
topic in stochastic simulation.

Inhalt Das Verfahren der direkten Simulation, Simulation von Vertei-

Course content lungen, Methoden der Varianzreduktion, Markov Chain Monte
Carlo-Methode, Numerische Integration
—
Direct Simulation, Simulation of Distributions, Variance re-
duction, Markov Chain Monte Carlo, Numerical integration

Studien-/Prüfungsleistungen 90-minütige Klausur oder mündliche Prüfung (ca. 20 Minu-

Assessment ten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben.
90-minute written exam or 20-minute oral exam. The exact
mode of assessment will be announced at the start of the se-
mester.

Medienformen Overhead, Beamer, Tafel

Media used Slides, projector, blackboard

Literatur Müller-Gronbach, Novak, Ritter: Monte Carlo-Algorithmen,

Reading list Springer, 2012
Weiteres nach Empfehlung des Dozenten / Further reading
announced during the lecture
Module Catalogue 143

5814 Wahrscheinlichkeitstheorie PN 455341

Probability Theory

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Müller-Gronbach, Rudolf, Prochno

Module convenor

Dozent(in) Müller-Gronbach, Rudolf, Prochno

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Random

Curriculum Structures and Dynamics” (RSD)

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Analysis I,II, Lineare Algebra I,II Einführung in die Stochastik
Recommended skills Analysis I,II, Linear Algebra I, II, Introduction to Stochastics

Verwendbarkeit in weiteren [Link]. Mathematik

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Verständnis der Grundkonzepte und -techniken sowie der zen-
Learning outcomes tralen Ergebnisse der maßtheoretisch fundierten Wahrschein-
lichkeitstheorie.
Fähigkeit zur Modellierung und Analyse komplexer zufälliger
Phänomene
Module Catalogue 144

—
Understanding of the basic concepts and techniques as well
as the central results of probability theory based on measure
theory.
Ability to model and analyse complex random phenomena

Inhalt Grundkonzepte aus der Maß- und Integrationstheorie und der

Course content Wahrscheinlichkeitstheorie:
• Maßräume und messbare Abbildungen,
• Konstruktion des Lebesgue-Maßes,
• Maßintegrale,
• Produktmaße, Maßkerne, Vertauschungssätze für Inte-
grale
• Konvergenz von Folgen von Zufallsvariablen,
• Unabhängigkeit und 0-1-Gesetze,
• Charakteristische Funktionen,
• Gesetze der grossen Zahlen,
• Zentraler Grenzwertsatz,
• Bedingte Verteilungen und bedingte Erwartungswerte
—
Basic concepts and central results from Measure and integra-
tion theory and probability theorie, in particular:
• Measure spaces and measurable mappings
• Construction of Lebesgue measure
• Measure integral
• Product measure, Measure kernel, Iterated Integration
• Convergence of sequences of random variables
• Independence and 0-1 Laws
• Characteriztic functions
• Laws of large numbers
• Central limit theorem
• Conditional distribution and conditional expectation

Studien-/Prüfungsleistungen 120-minütige Abschlussklausur oder mündliche Prüfung (ca.

Assessment 30 Minuten). Die genaue Prüfungsart wird zu Beginn des Se-
mesters bekannt gegeben.
120-minute written or 30-minute oral examination, the preci-
se mode of assessment will be announced at the start of the
semester.

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur Bekanntgabe durch Dozenten / Announced during the lecture

Reading list
Module Catalogue 145

5838 Information Theory PN 455440

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Zumbrägel
Module convenor

Dozent(in) Zumbrägel
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Random

Curriculum Structures and Dynamics” (RSD)

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Lineare Algebra, Einführung in die Stochastik

Recommended skills Linear Algebra, Introduction to Stochastic

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden lernen die mathematischen Grundlagen der

Learning outcomes Informationstheorie sowie probabilistische und konstruktive
Beweismethoden. Sie sind in der Lage diese auf Quellen- und
Kanalcodierungsprobleme anzuwenden und erkennen Konzep-
te der Informationstheorie in verwandten Gebieten.
—
Module Catalogue 146

The students learn the mathematical foundations of informa-

tion theory and acquire probabilistic and constructive proof
methods. They are able to apply these concepts to address
source coding and channel coding problems and can recogni-
ze information theoretic concepts in related areas.

Inhalt Informationstheorie beschäftigt sich mit zwei fundamentalen

Course content Fragestellungen der Kommunikation, nämlich den Grenzen der
Datenkomprimierung und der bestmöglichen Übertragungsra-
te. In dieser Veranstaltung werden die mathematischen Be-
griffe entwickelt, um diese Probleme zu adressieren.
Folgende Themen sind geplant:
Entropie, Gegenseitige Information und Datenkomprimierung.
Kanalkapazität und Shannons Codierungstheorem mit Rau-
schen. Fakultativ eine Einführung in universelle Quellcodie-
rung, Kolmogoroff-Komplexität und Netzwerkinformations-
theorie.
—
Information theory deals with two fundamental questions in
communication theory, namely the limits of data compression
and the ultimate transmission rate of communication. In this
course, the mathematical notions to address these problems
are being developed.
The following topics are planned: Entropy, Mutual Informati-
on and Data Compression, Channel Capacity and Shannon’s
Noisy Coding Theorem, Time permitting, an introduction to
Universal Source Coding, Kolmogorov Complexity and Net-
work Information Theory.

Studien-/Prüfungsleistungen Klausur (120 Min.) oder mündliche Prüfung (ca. 30 Min.). Die
Assessment Prüfungsart wird zu Beginn des Semesters bekannt gegeben.
120 minutes written exam or 30 minutes oral exam. The pre-
cise mode of assessment will be announced at the start of the
semester.

Medienformen Tafel
Media used Blackboard

Literatur Thomas M. Cover and Joy [Link], Elements for Informa-

Reading list tion Theory, John Wiley & Sons (2006)
Module Catalogue 147

5840 Software Testing PN 405343

Software Testing

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Fraser
Module convenor

Dozent(in) Fraser
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Software Engineering”(SE)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 30 Std. Präsenz + 30 Std. Übungen + 120 Std. Nachberei-

Workload tung der Vorlesung und Prüfungsvorbereitung
30 contact hours + 30 hrs exercises + 120 hrs independent
study and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Programmierung I, Programmierung II, Software Engineering

Recommended skills Programming I, Programming II, Software Engineering

Verwendbarkeit in weiteren [Link]. Computer Science, [Link]. Internet Computing

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erlernen Basiskonzepte des Software-Testen,
der Testauswahl, Testautomatisierung, der Testanalyse, und
der testgetriebenen Softwareentwicklung.
—
Module Catalogue 148

Students learn the basic concepts of software testing, test se-

lection, test automation, test analysis and test-driven software
development.
Fähigkeiten / Abilities
Die Teilnehmenden kennen die wichtigsten Methoden zum
Testen von Softwaresystemen und zur Analyse der Testqua-
lität. In den Übungen vertiefen die Studierenden das in der
Vorlesung behandelte Wissen bei der Lösung von praktischen
Übungsaufgaben (Programmier- und Testaufgaben).
—
The participants know the most important methods for testing
software systems and analyzing test quality. In the exercises,
students deepen the knowledge gained in the lecture by sol-
ving practical exercises (programming and testing tasks).
Kompetenzen / Competencies
Die Studierenden können Testmethoden als praktisches Mit-
tel zur Gestaltung und zur Analyse von Softwaresystemen in
der industriellen Praxis einsetzen. Absolventen der Veranstal-
tung sind sich der Vielfalt von Testmetriken bewusst und kön-
nen diese einsetzen um Testqualität abzuschätzen als auch
um Testerzeugung zu steuern. Des Weiteren können Absol-
venten der Veranstaltung Methoden zur Automatisierung auf
verschiedenen Test-Ebenen einsetzen.
—
Students will be able to use test methods as a practical tool
for designing and analyzing software systems in industrial prac-
tice. Graduates of the course are aware of the variety of test
metrics and can use them to estimate test quality as well as to
control test generation. Furthermore, graduates of the course
will be able to use methods for automation at various test
levels.

Inhalt Die Vorlesung behandelt die wichtigsten Prinzipien und Ver-

Course content fahren zur Softwarequalität, insbesondere:
• Grundlagen des Softwaretestens
• Testabdeckungskriterien
• Datenflussanalyse
• Mutationsanalyse
• Testgetriebene Entwicklung
• Modell-getriebene Testmethoden
• Testfallentwurfsverfahren
• Testwerkzeuge
—
The lecture deals with the most important principles and pro-
cedures for software quality, in particular:
• Basic of software testing
Module Catalogue 149

• Test coverage criteria

• Data flow analyiss
• Mutation analysis
• Test-driven development
• Model-driven test methods
• Test case design methods
• Testing tools

Studien-/Prüfungsleistungen 90-minütige Klausur oder Portfolio oder mündliche Prüfung

Assessment (ca. 20 Minuten); die genaue Prüfungsart wird vom Dozieren-
den zu Beginn der Veranstaltung bekanntgegeben.
90-minute written or 20-minutes oral examination or portfolio
exam; the precise mode of assessment will be announced at
the start of the semester by the lecturer.

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur Hoffmann DW. Software-Qualität. Springer-Verlag, 2013 Jan

Reading list 9.
Liggesmeyer, P. (2002): Software-Qualität, Spektrum-Verlag,
Heidelberg, Berlin, 523 Seiten, ISBN 3827411181.
Ammann P, Offutt J. (2016): Introduction to software tes-
ting. 2nd edition. Cambridge University, 364 Seiten, ISBN
1107172012.
Beck K. Test-driven development: by example. Addison-
Wesley Professional, 2003.
Module Catalogue 150

5853 Programming Paradigms PN 405416

Programming Paradigms

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Hammer
Module convenor

Dozent(in) Hammer, Tiwari

Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Software Engineering” (SE)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 120 Std. Übungsaufgaben, Nachbearbei-

Workload tung des Vorlesungsstoffs und Prüfungsvorbereitung
60 contact hours + 120 hours exercises, independent study
and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Software Engineering, Programmierung I + II, Software Engi-

Recommended skills neering Praktikum, Algebra und Logik
Software Engineering, Programming I + II, Software Enginee-
ring Internship, Algebra and Logic

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes The students learn the foundation of various programming
paradigms. In particular, the concepts in the lecture include
Module Catalogue 151

different ways or styles in which a given program or program-

ming language can be organized. Besides, students will go
through recent research articles to understand the current ad-
vancements in the programming paradigms. The course ena-
bles students to make optimal use of a particular programming
language and identify the most appropriate language for va-
rious development setups.
Fähigkeiten / Abilities
The participants comprehend the numerous applications and
use cases for a programming language. They will grasp the
consequences of selecting a language’s execution model.
Kompetenzen / Competencies
Participants will obtain programming concepts shared among
various programming languages, hence facilitating the acqui-
sition of new language models. Students will review object-
oriented programming principles and be introduced to func-
tional programming. In addition, they will acquire practical
programming experience in various programming languages.

Inhalt Programming paradigms categorize programming languages

Course content according to their characteristics. Programming paradigms, in
particular, are distinct methods or styles in which a program or
programming language can be structured. Multiple paradigms
exist for classifying languages. Some paradigms are primari-
ly concerned with consequences for the language’s execution
model, such as whether side effects are permitted or if the
execution model dictates the order of operations. Other pa-
radigms are primarily concerned with how code is arranged,
such as arranging code into units with the state that the code
modifies.
This course aims to provide a solid foundation on various pro-
gramming paradigms and teaches students how to make op-
timal use of a particular programming language and identify
the most appropriate language for a specific development as-
signment. Following are the key highlights of the course:
• Declarative paradigms
• Imperative paradigms
• Structured
• Concurrent computing
• Data-driven
• Event-Driven
• Nondeterministic programming
• Current Research Articles

Studien-/Prüfungsleistungen Portfolio-Prüfung. Mögliche Portfoliobestandteile sind tech-

Assessment nische Berichte, dokumentierter und funktionsfähiger Quell-
Module Catalogue 152

text für Softwareanalysen, Live-Systemdemonstration, Teil-

präsentationen zu Einzelleistungen, laufende, fortzuschrei-
bende technische Teilberichte zur Zusammenfassung zu ei-
nem Gesamtdokument, Abschlusspräsentation. Eckpunkte ei-
ner Portofolio-Prüfung (einige Teile fakultativ):
• 3-4 Projektteile zur Implementierung (teilweise in Grup-
penarbeit)
• 3-4 Teilpräsentationen max. 15 min, u.a. zu aktuellen
Forschungsartikeln
• 1 Abschlusspräsentation max. 20 min
• technische Berichte max. 20 Seiten
Die genauen Anforderungen werden vom Dozierenden zu Be-
ginn der Veranstaltung bekanntgegeben.
Portfolio-exam. The exact mode of assessment will be announ-
ced at the start of the semester.

Medienformen Präsentation, Beamer, Übungsblätter

Media used Presentations, projector, exercise sheets

Literatur Wird vom Dozent / von der Dozentin bekannt gegeben.

Reading list Die Literatur wird in Abhängigkeit der konkreten Aufgaben-
stellung ausgewählt und bekanntgegeben.
Will be announced by the lecturer.
The literature will be selected and announced depending on
the specific task.
Module Catalogue 153

5855 Object-Oriented Programming with C++ PN xxxxxx

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Hammer
Module convenor

Dozent(in) Hammer
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Software Engineering” (SE)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 120 Std. Übungsaufgaben, Nachbereitung

Workload und Prüfungsvorbereitung
60 contact hours + 120 hours exercises, independent study
and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Programmierung I + II, Software Engineering

Recommended skills Programming I + II, Software Engineering

Verwendbarkeit in weiteren
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden lernen Basiskonzepte der objekt-orientierten
Programmierung und weitere fortgeschrittene Konzepte der
Programmiersprache C++ kennen. Die Konzepte umfassen
z.B. (Mehrfach-)Vererbung, Ausnahmebehandlung, Templa-
tes, Operatorüberladung, Ein-/Ausgabe mit Streams, Lamb-
Module Catalogue 154

das, das Speichermodell und Multi-Threading.

—
Students learn basic concepts of object-oriented programming
as well as further advanced concepts of the C++ programming
language. The concepts include, for example, (multiple) inhe-
ritance, exception handling, templates, operator overloading,
input/output with streams, lambdas, the memory model, and
multi-threading.
Fähigkeiten / Abilities
Die Teilnehmer kennen die wichtigsten Konzepte der objekt-
orientierten Programmierung in C++ und sind in der Lage,
diese Konzepte korrekt umzusetzen. Sie können die Umset-
zung in Compilern erklären und die daraus folgenden Konse-
quenzen analysieren sowie die passenden Anwendungsgebiete
identifizieren und Sicherheitsaspekte einschätzen.
—
Participants know the most important concepts of object-
oriented programming in C++ and are able to implement
these concepts correctly. They can explain the implementa-
tion in compilers, analyze the resulting consequences, identify
appropriate application areas, and assess security aspects.
Kompetenzen / Competencies
Die Teilnehmer erlernen theoretische und praktische Kompe-
tenzen in der Konzeption, Umsetzung und Evaluierung von
maschinennaher objekt-orientierter Programmierung. Weiter-
hin sind die Studierenden befähigt, die erlernten Konzepte
auch auf andere Programmiersprachen und Systeme anzupas-
sen
—
Participants acquire theoretical and practical skills in the
design, implementation, and evaluation of low-level object-
oriented programming. Furthermore, students are able to ad-
apt the learned concepts to other programming languages and
systems.

Inhalt • Objekt-orientierte Programmierung

Course content • Vererbung, Mehrfachvererbung (auch virtuell)
• Ausnahmebehandlung
• Template Programmierung
• Operatorüberladung
• Manuelles und semi-automatisches Speichermanage-
ment
• Stream-basierte Ein-/Ausgabe
• Lambdas
• Mult-Threading
• Speichermodell
Module Catalogue 155

—
• Object-oriented programming
• Inheritance, multiple inheritance (including virtual)
• Exception handling
• Template programming
• Operator overloading
• Manual and semi-automatic memory management
• Stream-based input/output
• Lambdas
• Multi-threading
• Memory model

Studien-/Prüfungsleistungen 90min Klausur oder Portfolio-Prüfung. Mögliche Portfoliobe-

Assessment standteile sind technische Berichte, dokumentierter und funk-
tionsfähiger Quelltext in C++, Live-Systemdemonstration,
Teilpräsentationen zu Einzelleistungen, laufende, fortzuschrei-
bende technische Teilberichte zur Zusammenfassung zu einem
Gesamtdokument, Abschlusspräsentation. Die genauen Anfor-
derungen werden vom Dozierenden zu Beginn der Veranstal-
tung bekanntgegeben.
90-minute exam or portfolio-exam. The exact mode of assess-
ment will be announced at the start of the semester.

Medienformen Präsentation, Beamer, Übungsblätter

Media used Presentation, projector, exercise sheets

Literatur Wird vom Dozenten / von der Dozentin bekannt gegeben.

Reading list Die Literatur wird in Abhängigkeit der konkreten Aufgaben-
stellung ausgewählt und bekanntgegeben.
Will be announced by the lecturer. The literature will be se-
lected and announced depending on the specific task.
Module Catalogue 156

5861 Mathematische Logik PN xxxxxx

Mathematical Logic

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Kaiser, Müller

Module convenor

Dozent(in) Kaiser, Müller

Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 60 + 30 Std. Präsenz, 120 + 60 Std. Eigenarbeitszeit

Workload 60 + 30 hrs presence, 120 + 60 hrs self study

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Theoretische Algebra, Algebra

Recommended skills Theoretical computer science, algebra

Verwendbarkeit in weiteren [Link]. Mathematik, [Link]. Informatik

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Working knowledge of

Learning outcomes • syntax and semantics of first-order logic
• formal notions proof and their equivalence
• Gödel’s completeness theorem and the compactness
theorem
• formal notions of computation and their equivalence
• basics of (un)computability theory
Module Catalogue 157

• representations of computations in formal theories

• Gödel’s Incompleteness theorems

Inhalt Two of the most important achievements of mathematics in

Course content the last century are the formalization of the notion of com-
putation by Church and Turing, and Gödel’s Incompleten-
ess theorems. Both root in the so-called foundational crisis
of mathematics around 1900 and the birth of modern ma-
thematical logic. The course starts with an introduction to
the syntax and semantics of first-order logic and formal no-
tions of proof; it proves Gödel’s completeness theorem and
the compactness theorem. Its second part introduces formal
notions of computation and gives an introduction to the theo-
ry of (un)computability. The third part connects the first two
showing how to represent computations in formal theories of
arithmetic, and proves Gödel’s Incompleteness theorems.

Studien-/Prüfungsleistungen 120-minütige schriftliche Klausur oder mündliche Prüfung (ca.

Assessment 30 Minuten); die genaue Prüfungsart wird zu Beginn des Se-
mesters bekannt gegeben.
120-minute written examination or 30-minute oral examinati-
on. The precise mode of assessment will be announced at the
start of the semester

Medienformen Tafel
Media used blackboard

Literatur Ziegler, Mathematische Logik, Birkhäuser, 2010.

Reading list Hils, Loeser, A first journey through logic, Student Mathema-
tical Library 89, AMS, 2019.
Ebbinghaus, Flum, Thomas, Mathematical Logic, Springer
1994
Ebbinghaus, Flum, Thomas, Einführung in die mathematische
Logik, 2018
Shoenfield, Mathematical Logic, Addison-Wesley, 1967
Module Catalogue 158

5952 Randomisierte Algorithmen PN 405388

Randomised Algorithms

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Sudholt
Module convenor

Dozent(in) Sudholt
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 3V + 2Ü
Contact hours

Arbeitsaufwand 75 Std. Präsenz + 60 Std. Übungen + 75 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
75 contact hours + 60 hrs exercises + 75 hrs independent
study and exam preparation

ECTS 7
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Algorithmen und Datenstrukturen, Einführung in die Stochas-

Recommended skills tik
Algorithms and Data Structures, Introduction to Stochastics

Verwendbarkeit in weiteren [Link]. Computer Science, [Link]. Internet Computing, [Link].

Studiengängen Mathematik
Applicability for other courses

Angestrebte Lernergebnisse Am Ende der Lehrveranstaltung werden Studierende in der

Learning outcomes Lage sein,
• die Effizienz randomisierter Algorithmen zu analysieren,
• Randomisierung als Werkzeug beim Design effizienter
Module Catalogue 159

Algorithmen einzusetzen,
• die Vor- und Nachteile von Randomisierung zu beschrei-
ben, und
• grundlegende randomisierte Algorithmen für wichtige
Probleme zu beschreiben.
—
At the end of the course students will be able to
• analyse the efficiency of randomised algorithms,
• use randomness as a tool in the design of efficient algo-
rithms,
• describe the pros and cons of randomised algorithms,
and
• describe fundamental randomised algorithms for import-
ant problems.

Inhalt Motivation und Klassifikation randomisierter Algorithmen

Course content Paradigmen für den Entwurf randomisierter Algorithmen (z.B.
Methode der Fingerabdrücke, Wahrscheinlichkeitsverstärkung,
randomisiertes Runden)
Methoden zur Analyse randomisierter Algorithmen (z.B. pro-
babilistische Rekurrenzen, Markoffketten, Random Walks,
Markoff- und Chernoff-Schranken)
Randomisierte Algorithmen für grundlegende Optimierungs-
probleme (z.B. Schnittprobleme, MaxSat)
—
Motivation for randomised algorithms and classification of ran-
domised algorithms
Paradigms for the design of randomised algorithms (e.g. fin-
gerprinting, probability amplification, randomised rounding)
Methods for the analysis of randomised algorithms (e.g. pro-
babilistic recurrences, Markov chains, random walks, Markov’s
inequality and Chernoff bounds)
Randomised algorithms for fundamental optimisation pro-
blems (e.g. cut problems, MaxSat)

Studien-/Prüfungsleistungen Klausur oder mündliche Prüfung; die genaue Prüfungsart wird

Assessment zu Beginn des Semesters bekannt gegeben.
Written or oral exam; the exact mode of assessment will be
indicated at the beginning of the semester.

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur Juraj Hromkoviĉ, Randomisierte Algorithmen. Teubner, 2004

Reading list Rajeev Motwani, Prabhakar Raghavan, Randomized Algo-
rithms. Cambridge University Press, 1995.
Michael Mitzenmacher, Eli Upfal, Probability and Computing,
Module Catalogue 160

2nd edition, Cambridge University Press, 2017

Module Catalogue 161

5973 SQL for Data Science PN 472080

SQL for Data Science

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Scherzinger
Module convenor

Dozent(in) Scherzinger
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Visual Computing & Data Science” (VCDS)
Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 60 Std. Übungen + 60 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
60 contact hours + 60 hrs exercises + 60 hrs independent
study and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Programmierkenntnisse, Datenbanken und Informationssyste-

Recommended skills me I
Programming skills, Data Base and Information Systems I

Verwendbarkeit in weiteren [Link]. Informatik, [Link]. Internet Computing

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes SQL-Kenntnisse im Kontext von Data Science
Verständnis des Datenlebenszyklus
Umgang mit unkonventionellen Datenformaten wie XML,
Module Catalogue 162

JSON, Graphdaten und Text

Zeitreihenanalyse in Datenbanken
—
SQL proficiency within the context of data science
Understanding the data life cycle
Handling non-traditional data formats like XML, JSON, graph
data and text
Time series analysis in database
Fähigkeiten / Abilities
Datenanalyseaufgaben mit SQL durchführen
Effiziente SQL-Abfragen schreiben und SQL-Anti-Patterns
vermeiden
Den Datenlebenszyklus verstehen und sich darin zurechtfinden
Verschiedene Datenformate für die Analyse verarbeiten
—
Perform data analysis tasks using SQL
Write efficient SQL queries, avoid SQL anti-patterns
Understand and navigate the data life cycle
Handle diverse data formats for analysis
Kompetenzen / Competencies
Fähigkeit, SQL für Data-Science-Aufgaben einzusetzen
Kompetenz im Laden, Bereinigen und Vorverarbeiten von Da-
ten
Fähigkeit,
SQL-Abfragen für die Datenexploration, -bereinigung und -
transformation anzuwenden
Fähigkeit, SQL in Programmiersprachen zu integrieren, um
Datenanalyse-Workflows zu verbessern
—
Proficiency in using SQL for data science applications
Competence in data loading, cleaning, and pre-processing
Ability to apply SQL queries for data exploration, cleaning,
and transformation
Capability to integrate SQL with programming languages for
enhanced data analysis workflows

Inhalt Dieser fortgeschrittene Datenbankkurs vermittelt ein umfas-

Course content sendes Verständnis des gesamten Datenlebenszyklus sowie das
Potenzial von SQL für verschiedene Datenanalyseaufgaben.
Die Studierenden beschäftigen sich mit Themen, die von Da-
tenimport und -bereinigung bis hin zur Vorverarbeitung rei-
chen, und erlangen fundierte Kenntnisse in relationalen Daten-
banken. Sie lernen zudem, mit unkonventionellen Datenforma-
ten wie XML und Text umzugehen. Die Integration von Pro-
grammiersprachen wie R und Python erweitert die Fähigkeiten
der Studierenden und ermöglicht eine nahtlose Interaktion mit
Module Catalogue 163

Datenbanken, wodurch die Datenanalyse-Workflows optimiert

werden. Interaktive Übungen und praktische Erfahrungen mit
MySQL- und Postgres-Datenbanken festigen die Kompeten-
zen der Studierenden und rüsten sie mit den entscheidenden
Fähigkeiten aus, um in den Bereichen Data Science und Da-
tenbankmanagement erfolgreich zu sein.
—
This advanced database class offers a comprehensive under-
standing of the data life cycle and the potential of SQL in
various data analysis tasks. Students explore topics ranging
from data loading and cleaning to pre-processing, while mas-
tering relational databases and handling non-traditional data
formats such as XML and text. Integration with programming
languages like R and Python further enriches students’ abili-
ties, enabling seamless interaction with databases and enhan-
cing data analysis workflows. Practical exercises and hands-on
experience with MySQL and Postgres databases solidify stu-
dents’ competencies, equipping them with the essential skills
to excel in data science and database management roles.

Studien-/Prüfungsleistungen 60-minütige schriftliche Klausur

Assessment 60-minute written examination.

Medienformen Präsentation und Beamer, Arbeitsblätter

Media used Presentation and projector, worksheets

Literatur Antonio Badia: SQL for Data Science - Data Cleaning, Wrang-
Reading list ling and Analytics with Relational Databases. Springer 2020.
Cathy Tanimura: SQL for Data Analysis: Advanced Techni-
ques for Transforming Data into Insights. O’Reilly 2021.
Bill Karwin: SQL Antipatterns. Pragmatic Programmers, LLC,
2017.
Ramez Elmasri and Shamkant B. Navathe. Fundamentals of
Database Systems, Global Edition. Pearson, 7th Edition, 2016.
Module Catalogue 164

6070 Markov Chain Monte Carlo PN xxxxxx

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Rudolf
Module convenor

Dozent(in) Rudolf
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Random

Curriculum Structures and Dynamics” (RSD)

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Funktionalanalysis, Wahrscheinlichkeitstheorie, Einführung in

Recommended skills die Stochastik, Maß- und Integrationstheorie
Functional Analysis, Probability Theory, Introduction to Sto-
chastics, Measure and Integration Theory

Verwendbarkeit in weiteren Keine

Studiengängen None
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden erwerben vertiefende Kenntnisse bzgl. der

Learning outcomes Theorie von Markovketten auf allgemeinen Zustandsräumen.
Sie kennen und verstehen verschiedene Algorithmen zum ap-
proximativen Simulieren von Verteilungen basierend auf Mar-
Module Catalogue 165

kovketten (z.B. Slice Sampling Metropolis-Hastings, Hit-and-

run). Darüber hinaus erlangen die Studierenden vertiefendes
Wissen über Beweistechniken zum Verifizieren der Konvergenz
von Markovketten und sind in der Lage diese Methoden an-
zuwenden.
—
The students acquire a systematic understanding of the theo-
ry of Markov chains on general state spaces.
They know and understand advanced algorithms for approxi-
mate sampling based on Markov chains (e.g. slice sampling,
Metropolis-Hastings, Hit-and-run). Beyond that the students
obtain deep knowledge about proof techniques to verify con-
vergence results for Markov chains and are able to apply this
methodology.

Inhalt • Motivation zum approximativen Sampling

Course content • Theorie von Markovketten
• Verschiedene algorithmische Verfahren (z.B. Slice
Sampling, Metropolis-Hastings, Hit-and-run)
• Wasserstein-Abstand
• Ergodensätze
—
• Motivation of approximate sampling
• Theory of Markov chains
• Different algorthmic approaches (e.g. Slice Sampling,
Metropolis-Hastings, Hit-and-Run)
• Wasserstein distance
• Ergodic theorems

Studien-/Prüfungsleistungen Entweder 90-minütige Klausur oder mündliche Prüfung (ca.

Assessment 30 Minuten); die genaue Prüfungsart wird zu Beginn des Se-
mesters bekannt gegeben.
Either written exam (90 minutes) or oral exam (about 30 mi-
nutes); the precise mode of assessment will be announced at
the start of the semester.

Medienformen Präsentation mit Tafel und/oder Beamer

Media used Presentation with a projector or blackboard

Literatur R. Douc, E. Moulines, P. Priouret, P. Soulier, Markov Chains,

Reading list Springer, 2018
A. Klenke, Probability theory: A Comprehensive Course, Sprin-
ger, 2014
Module Catalogue 166

6073 Stochastische Prozesse PN xxxxxx

Stochastic Processes

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Rudolf
Module convenor

Dozent(in) Rudolf
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Random

Curriculum Structures and Dynamics” (RSD)

Lehrform/SWS 3V + 1Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 45 Std. Übungen + 105 Std. Nachberei-

Workload tung der Vorlesung und Prüfungsvorbereitung
60 contact hours + 45 hrs exercises + 105 hrs independent
study and exam preparation

ECTS 7
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Wahrscheinlichkeitstheorie, Einführung in die Stochastik, Li-

Recommended skills neare Algebra 1 und 2, Analysis 1 und 2
Probability theory, Introduction to stochastics, Linear Algebra
1 and 2, Analysis 1 and 2

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden lernen grundlegende stochastische Prozesse,

Learning outcomes deren Eigenschaften, Modellierungsaspekte sowie deren ver-
schiedene Verhalten kennen. Sie sind in der Lage diese Prozes-
Module Catalogue 167

se einzuordnen, mit ihnen umfassend theoretisch zu arbeiten

sowie Aussagen über deren Charakteristika zu beweisen.
—
The students acquire a systematic understanding of the theory
of stochastic processes, their properties and modeling aspects
as well as their different behaviors. They are able to classfiy the
processes, can work with them theoretically and can formulate
as well as prove statements about their characteristics.

Inhalt Folgenden Inhalte werden besprochen:

Course content • Poisson Prozesse
• Martingale (zeitdiskret und/oder zeitkontinuierlich)
• Markov Prozesse (Brownsche Bewegung und/oder Mar-
kovketten auf allgemeinen Zustandsräumen)
• Stoppzeiten und starke Markoveigenschaft
• Simulationsalgorithmen mit Konvergenzeigenschaften
—
The following content will be covered:
• Poisson processes
• Martingales (time-discrete and/or time-continuous)
• Markov processes (Brownian motion and/or Markov
chains on continuous state spaces)
• stopping times and strong Markov property
• simulation of processes with convergence properties

Studien-/Prüfungsleistungen Entweder 90-minütige Klausur oder mündliche Prüfung (ca.

Assessment 30 Minuten); die genaue Prüfungsart wird zu Beginn des Se-
mesters bekannt gegeben.
Either written exam (90 minutes) or oral exam (about 30 mi-
nutes); the precise mode of assessment will be announced at
the start of the semester.

Medienformen Präsentation mit Tafel und/oder Beamer und/oder andere vir-

Media used tuelle Formate
Presentation with a projector or blackboard or other virtual
formats

Literatur A. Klenke, Probability theory: A Comprehensive Course, Sprin-

Reading list ger, 2014.
R. Douc, E. Moulines, P. Priouret, P. Soulier, Markov chains,
Springer 2018
Module Catalogue 168

6082 NLP for Social Media Analysis PN 407608

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Hautli-Janisz
Module convenor

Dozent(in) Hautli-Jansiz
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Natural Language Processing and Multilingu-
Curriculum al Computational Linguistics” (NLP)

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz, 40 Std. Nachbereitung und Übungsaufgaben,

Workload 65 Std. Projektarbeit
45 hours of presence in class + 40 hours of lecture recap and
exercises + 65 hours for project development

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Information Retrieval and Natural Language Processing

Recommended skills

Verwendbarkeit in weiteren [Link]. Informatik, [Link]. Internet Computing

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Im ersten Teil dieses Kurses erwerben die Studierenden Kennt-
nisse über grundlegende Verarbeitungsschritte bei Anwendun-
gen der maschinellen Sprachverarbeitung. Sie werden auch mit
den Kernbereichen der Linguistik und den Herausforderungen
im Zusammenhang mit der Verarbeitung von Sprache vertraut
Module Catalogue 169

gemacht. Im zweiten Teil des Kurses wird dieses Wissen ver-

tieft und angewendet: Die Studierenden wissen, wie sie APIs
für den Datenzugriff nutzen und die verschiedenen Stufen der
Sprachverarbeitung anhand einer konkreten NLP-Aufgabe im-
plementieren können.
—
In the first part of this course, students acquire knowledge
on basic processing steps for Natural Language Processing
applications. They also get familiar with the core areas in lin-
guistics and the challenges related to processing language. In
the second part of the course, this knowledge is deepened and
applied to social media data: students know how to use APIs
for accessing data and implement the various stages of lan-
guage processing given a specific NLP task.
Fähigkeiten / Abilities
Erfolgreiche Bewerber sind in der Lage, mittelgroße NLP-
Anwendungen für die Analyse sozialer Medien zu program-
mieren. Sie können die Angemessenheit und Qualität externe
Ressourcen und Bibliotheken in diesem Bereich kritisch hin-
terfragen und sind in der Lage, eigene Lösungen zu entwickeln
und zu implementieren.
—
Successful candidates are able to code medium-sized NLP ap-
plications for social media analysis. They can also critically
reflect on external resources and libraries in the area and are
able to develop and implement their own solutions.
Kompetenzen / Competencies
Erfolgreiche Kandidaten sind in der Lage, über die Verarbei-
tungsentscheidungen für ihre NLP-Anwendung nachzudenken.
Sie sind in der Lage, ihre Kodierungsarbeit zu organisieren und
die Qualität ihrer eigenen Arbeit im Vergleich zu der ihrer Mit-
bewerber zu beurteilen.
—
Successful candidates can reflect on the processing choices for
their NLP application. They have learned to organize their co-
ding work and are able to judge the quality of their own work
with respect to their peers.

Inhalt Dieses Modul vermittelt die Grundlagen von Natural Language

Course content Processing, indem es die Kernbereiche der Linguistik abdeckt
und eine Reihe von Methoden zur Sprachverarbeitung in die-
sen Bereichen behandelt. Ein besonderer Schwerpunkt liegt
auf der Anwendung von maschineller Sprachverarbeitung auf
Social Media Daten.
Der Kurs deckt die folgenden Themen ab:
• Python-Grundlagen (Kontrollstrukturen, reguläre Aus-
Module Catalogue 170

drücke, Unterroutinen, Module, objektorientierte Pro-

grammierung)
• Syntaktisches Parsing
• Vektorraumsemantik
• Sentiment-Analyse
• Klassifikation und Clustering
• Auswertung von NLP-Anwendungen
• API-Integration (z. B. für die Bewertung von LLM-
Fähigkeiten)
—
This module covers the basics in Natural Language Processing
by covering the core areas of linguistics and a range of methods
to analyze language in these areas. A specific focus lies on
applying NLP to social media data.
The course covers the following topics:
• Python basics (control structures, regular expressions,
subroutines, modules, object-oriented programming)
• Syntactic parsing
• Vector space semantics
• Sentiment analysis
• Classification and clustering
• Evaluation of NLP applications
• API integration (e.g., for LLM capability assessment)

Studien-/Prüfungsleistungen Portfolio: Entwicklung eines Projektes + Dokumentation +

Assessment Vortrag
Portfolio: Project development + documentation + presenta-
tion

Medienformen Projector, Computer

Media used

Literatur Wird im Kurs bekannt gegeben

Reading list Given in class.
Module Catalogue 171

6083 Fortschritte in der maschinellen Sprachverarbeitung PN xxxxxx

Advances in Natural Language Processing

Häufigkeit des Modulangebots jedes Jahr

Frequency of course offering Every Year

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Hautli-Janisz, List

Module convenor

Dozent(in) Hautli-Janisz, List

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Natural Language Processing and Multilingu-
Curriculum al Computational Linguistics” (NLP)

Lehrform/SWS 2V
Contact hours

Arbeitsaufwand 30 Std. Präsenz + 60 Std. Nachbereitung der Vorlesung und

Workload Prüfungsvorbereitung
30 contact hours + 60 hrs independent study and exam pre-
paration

ECTS 3
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erwerben systematisches Verständnis von
Spezialgebieten der maschinellen Sprachverarbeitung.
—
The students acquire a systematic understanding of special
Module Catalogue 172

topics in Natural Language Processing.

Fähigkeiten / Abilities
Die Studierenden besitzen die Fähigkeit Spezialthemen der
maschinellen Sprachverarbeitung in den Kontext des Fachs
einzuordnen und grundlegende Verfahren, die in diesen The-
men zur Anwendung kommen, kritisch einzuordnen.
—
The students have the ability to contextualize special topics
of Natural Language Processing and to critically identify ad-
vantages and disadvantages of the methods that are used in
these particular fields.
Kompetenzen / Competencies
Die Studierenden besitzen die Kompetenz für spezifische
Problemstellungen einzelner Unterbereiche der maschinellen
Sprachverarbeitung geeignete Entwurfs- und Analysetechniken
auszuwählen und diese auf Teilprobleme anzuwenden.
—
The students have the competence to select appropriate de-
sign and analysis techniques for given problems of particular
subfields of Natural Language Processing. They can further
apply them to particular problems.

Inhalt Die Themen, die die maschinelle Sprachverarbeitung abdeckt,

Course content sind so vielfältig, dass es kaum möglich ist, sie vollständig in
einer Einführungsveranstaltung zu erschließen. Um den Stu-
dierenden die Möglichkeit geben, sich in Bezug auf die compu-
terlinguistische Themen weiter zu spezialisieren, werden wir in
diesem Modul einige aktuelle Themen vertieft behandeln, die
in allgemeinen Veranstaltungen zu kurz kommen würden. Da-
zu gehören unter anderem Themen, wie die computergestütz-
te Semantik, computergestützte Morphologie, Sprachmodelle,
oder auch die computergestützte Modellierung von Sprach-
wandel.
—
The topics that Natural Language Processing deals with are
so manifold that it is impossible to cover them all in one single
introductory lecture. In order to enable students to gain dee-
per insights into special topics dealt with in Natural Langua-
ge Processing, this module will treat topics of actual interest
in due detail, for which there would be no time in a pure-
ly introductory lecture. Among these, there are topics, such
as computational semantics, computational morphology, lan-
guage models, but also computational modeling of language
change.
Module Catalogue 173

Studien-/Prüfungsleistungen Schriftliches Portfolio mit praktischem Bezug (10-15 Seiten).

Assessment Written portfolio with with practical relevance (10-15 pages).

Medienformen Präsentation mit Whiteboard und Beamer.

Media used Presentation with a whiteboard and beamer.

Literatur -
Reading list
Module Catalogue 174

6110 Klassische Harmonische Analysis PN 415346

Classical Harmonic Analysis

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Prochno
Module convenor

Dozent(in) Prochno
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 50 Std. Übungen + 55 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
45 contact hours + 50 hrs exercises + 55 hrs independent
study and exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Analysis I und II

Recommended skills Analysis I and II

Verwendbarkeit in weiteren [Link]. Informatik, [Link]. Mathematik

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden lernen die grundlegenden Konzepte sowie
Techniken aus der klassischen harmonischen Analysis kennen.
—
Students learn the fundamental concepts and methods of clas-
Module Catalogue 175

sical harmonic analysis.

Fähigkeiten / Abilities
Die Studierenden üben den Umgang sowie die Kombination
der Methoden der klassischen harmonischen Analysis an aus-
gewählten Problemen. Sie lernen auch die Entwicklung der
Theorie in ihrem historischen Kontext kennen.
—
Students practice handling the methods developed and used
in classical harmonic analysis. They also learn about the his-
toric development of the theory.
Kompetenzen / Competencies
Die Studierenden sind in der Lage, die Konzepte und Me-
thoden der klassischen harmonischen Analysis bei konkreten
Fragestellungen anzuwenden.
—
The students are able to approach concrete problems by means
of methods and ideas from classical harmonic analysis.

Inhalt Die klassische Harmonische Analysis beschäftigt sich mit Fou-

Course content rierreihen. Ein zentraler Aspekt dieser Untersuchungen der
Konvergenzeigenschaften. Wir werden in dieser Veranstaltung
verschiedene Resultate, Konzepte sowie Anwendungen ken-
nenlernen und in ihrem historischen Kontext betrachten.
Das Modul beinhaltet unter anderem:
• Fourierreihen
• Fouriertransformation
• Cesàro-Mittel
• Satz von Fejér
• Satz von Dirichlet
• Approximationssatz von Weierstrass
• Momentenproblem
• Lemma von Riemann-Lebesgue
• Beispiel von Du Bois-Raymond
—
Classical harmonic analysis is concerned with Fourier series. A
key focus is on convergence properties of such series. In this
module, we shall discuss several classical results, concepts and
applications in its historical context.
Among others, the module covers:
• Fourier series
• Fourier transformation
• Cesàro averages
• Fejér’s theorem
• Dirichlet’s theorem
• Weierstrass approximation theorem
• Moment problem
Module Catalogue 176

• Riemann-Lebesgue lemma
• Example of Du Bois-Raymond

Studien-/Prüfungsleistungen Klausur (90 Minuten) oder mündliche Prüfung (ca. 30 Minu-

Assessment ten) in Deutscher oder englischer Sprache; die genaue Prü-
fungsart wird zu Beginn des Semesters bekannt gegeben.
90-minute written examination or oral exam (about 30 minu-
tes) in German or English; the precise mode of assessment will
be announced at the start of the semester.

Medienformen Präsentation und Beamer, Tafel

Media used Tablet Presentation and projector, blackboard/tablet

Literatur J. Prochno: Klassische Harmonische Analysis, Lecture Notes

Reading list T. Körner, Fourier Analysis, Cambridge University Press
(1988)
Module Catalogue 177

6111 Klassische Grenzwertsätze & große Abweichungen PN 451019

Classical Limit Theorems & Large Deviations

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Prochno
Module convenor

Dozent(in) Prochno
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Random

Curriculum Structures and Dynamics” (RSD)

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Einführung in die Stochastik, Wahrscheinlichkeitstheorie

Recommended skills Introduction to Stochastics, Probability Theory

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden bekommen ein vertieftes Verständnis klassi-
scher Grenzwertsätze der Wahrscheinlichkeitstheorie und ler-
nen die grundlegenden Konzepte sowie Techniken der Theorie
der großen Abweichungen kennen.
Module Catalogue 178

—
Students obtain a deeper understanding of classical limit theo-
rems in probability and learn the fundamental concepts and
methods of large deviations theory.
Fähigkeiten / Abilities
Die Studierenden üben den Umgang sowie die Kombinati-
on der Methoden der Wahrscheinlichkeitstheorie, speziell der
Theorie der großen Abweichungen, an ausgewählten Proble-
men, die sich auf verschiedene Bereiche der Mathematik, wie
etwa Funktionalanalysis, Wahrscheinlichkeitstheorie, (konvexe
und diskrete) Geometrie sowie theoretische Informatik, stüt-
zen.
—
Students practice handling the methods developed and used in
probability theory, in particular large deviations theory, which
are intimately related to functional analysis, probability theo-
ry, (discrete and convex) geometry, and computer science.
Kompetenzen / Competencies
Die Studierenden sind in der Lage, die Konzepte und Metho-
den der Wahrscheinlichkeitstheorie, speziell der Theorie der
großen Abweichungen, bei konkreten Fragestellungen anzu-
wenden.
—
The students are able to approach problems in mathematics
and related fields by means of methods and ideas from proba-
bility theory, in particular large deviations theory.

Inhalt Ausgehend von den klassischen Grenzwertsätzen der Wahr-

Course content scheinlichkeitstheorie, die das typische Verhalten etwa von
Summen u.i.v Zufallsgrößen beschreiben, führen wir in die
Theorie der großen Abweichungen ein, d.h. die zentralen Be-
griffe, Konzepte und fundamentale Sätze werden behandelt.
Die Theorie beschäftigt sich mit untypischen/ seltenen Ereig-
nissen und deren asymptotische Quantifizierung mittels Ra-
tenfunktionen. Sie steht historisch in enger Verbindung zur
statistischen Physik und hat moderne Anwendungen/Bezüge
etwa zu geometrischer Funktionalanalysis, Konvexgeometrie
oder theoretischer Informatik.
Das Modul beinhaltet Elemente aus:
• Kolmogorovs L1-Version des SGGZ
• Lindebergs Zentraler Grenzwertsatz
• Lindeberg Methode
• Legendre Transformation
• Kumulantenerzeugende Funktion
• Satz von Cramér
• Satz von Cramér (heavy tails Version)
Module Catalogue 179

• Prinzipien großer Abweichungen

• Kontraktionsprinzip
• Varadhans Variationslemma
• Satz von Sanov
• Anwendungen in Funktionalanalysis, theoretischer Infor-
matik
—
Starting with the classical limit theorems in probability theory,
which describe, for instance, the typical behavior of sums of iid
random variables, we introduce the theory of large deviations
with its key notions and concepts as well as some of the fun-
damental results. The theory deals with atypical/ rare events
and their asymptotic quantification using rate functions. His-
torically, the area is closely linked to statistical physics and
has modern applications in/ is related to geometric functional
analysis, convex geometry or theoretical computer science.
The module covers elements from:
• Kolmogorov’s L1 version of the SLLN
• Lindeberg’s central limit theorem
• Lindeberg’s method
• Legendre transformation
• Cumulant generating function
• Cramér’s theorem
• Cramér’s theorem (heavy tails version)
• Large deviation principles
• Contraction principle
• Varadhan’s variational lemma
• Sanov’s theorem
• Applications in functional analysis, theoretical computer
science

Studien-/Prüfungsleistungen Klausur (90 Minuten) oder mündliche Prüfung (ca. 30 Mi-

Assessment nuten) in deutscher oder englischer Sprache; die genaue Prü-
fungsart wird zu Beginn des Semesters bekannt gegeben.
90-minute written examination or oral exam (about 30 minu-
tes) in German or English; the precise mode of assessment will
be announced at the start of the semester.

Medienformen Präsentation und Beamer, Tafel/Tablet

Media used Presentation and projector, blackboard/tablet

Literatur J. Prochno: Classical limit theorems & large deviations, Lec-

Reading list ture notes, 2020
F. Den Hollander: Large Deviations, Fields Institute Monogra-
phs, Volume 14, 2000
A. Dembo, O. Zeitouni: Large Deviations Techniques & App-
lications, Springer, 2010
Module Catalogue 180

6112 Introduction to Information-Based Complexity and PN 485384

Compressed Sensing

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Prochno
Module convenor

Dozent(in) Prochno
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 3V + 1Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 40 Std. Übungen + 80 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
60 contact hours + 40 hrs exercises + 80 hrs independent
study and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Lineare Algebra I+II, Analysis I+II, Einführung in die Stochas-
Recommended skills tik
Linear Algebra I+II, Analysis I+II, Introduction to Stochastics

Verwendbarkeit in weiteren
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden kennen Grundkonzepte und -resultate der
“Information-based complexity” und wissen über die Funkti-
onsweise von “Compressed Sensing” Bescheid.
Module Catalogue 181

—
The students know fundamental concepts and statements of
information-based complexity and are aware of the workings
of compressed sensing.
Fähigkeiten / Abilities
Die Studierenden üben anhand ausgewählter Probleme Be-
griffe und Methoden aus “Information-based Complexity” und
“Compressed Sensing” einzuordnen und anzuwenden. Sie wen-
den diese an, um konkrete Fragestellungen zu beantworten.
—
The students practice with the help of selected problems to
classify and apply concepts and methods of information-based
complexity and compressed sensing. They apply these in order
to solve concrete problems.
Kompetenzen / Competencies
Die Studierenden sind in der Lage, die Konzepte und Me-
thoden von “Information-based Complexity” und “Compres-
sed Sensing” bei konkreten Fragestellungen anzuwenden.
—
The students are able to apply concepts and methods of
information-based complexity and compressed sensing to con-
crete problems.

Inhalt Die “Information-based Complexity” beschäftigt sich mit der

Course content theoretischen Analyse von numerischen Problemen und der
Komplexität dieser Probleme in Abhängigkeit von gegebener
Information und Dimensionalität. “Compressed Sensing” ist
eine effiziente Methode, um Signale mit wenigen wesentli-
chen Charakteristika wiederherzustellen oder abzuspeichern,
und wird als solche in der Lehrveranstaltung im Rahmen von
“Information-based Complexity” studiert. Der Inhalt setzt sich
aus Themenbereichen der folgenden Liste zusammen:
• Grundlagen der “Information-based complexity”
• Numerische Integration und Approximation
• Lineare Algorithmen und lineare Probleme
• “Compressed sensing” und “sparse approximation”
• “Restricted Isometry Property”
• (Gauss’sche) Zufallsmatrizen und Maßkonzentration
—
Information-based Complexity is concerned with the theoreti-
cal analysis of numerical problems and their complexity with
respect to given information and intrinsic dimensionality. Com-
pressed sensing is an efficient technique to recover and sto-
re signals with few important features, and as such will be
studied in this course in the framework of information-based
complexity. The content is based on elements of the following
Module Catalogue 182

list:
• Information-based complexity basics
• Numerical integration and approximation
• Linear algorithms and Linear problems
• Compressed sensing and sparse approximation
• Restricted Isometry Property
• (Gaussian) random matrices and concentration of mea-
sure

Studien-/Prüfungsleistungen Klausur (90 Minuten) oder mündliche Prüfung (ca. 30 Mi-

Assessment nuten) in deutscher oder englischer Sprache; die genaue Prü-
fungsart wird zu Beginn des Semesters bekannt gegeben.
90-minute written examination or oral exam (about 30 minu-
tes) in German or English; the precise mode of assessment will
be announced at the start of the semester.

Medienformen Präsentation und Beamer, Tafel/Tablet

Media used Presentation and projector, blackboard/tablet

Literatur Skript / lecture notes

Reading list Weiterführende Literatur wird zu Beginn des Semesters be-
kannt gegeben
Additional reading material will be announced at the start of
the semester
Module Catalogue 183

6117 Convex Geometry and Applications to Linear Programming PN 472730

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Prochno
Module convenor

Dozent(in) Prochno, Sonnleitner

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 3V + 1Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 40 Std. Übungen + 80 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
60 contact hours + 40 hrs exercises + 80 hrs independent
study and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Lineare Algebra I, Analysis I

Recommended skills Linear Algebra I, Analysis I

Verwendbarkeit in weiteren [Link]. Mathematik, [Link]. Informatik, [Link]. Artificial Intelli-

Studiengängen gence Engineering
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden kennen Grundkonzepte und -resultate der
Konvexgeometrie und der Linearen Optimierung.
—
The students know fundamental concepts and statements of
convex geometry and linear programming.
Module Catalogue 184

Fähigkeiten / Abilities
Die Studierenden üben anhand ausgewählter Probleme Begrif-
fe und Methoden aus der Konvexgeometrie und der Linearen
Optimierung einzuordnen und anzuwenden. Sie wenden diese
an, um konkrete Fragestellungen zu beantworten.
—
The students practice on selected problems to classify and
apply concepts and methods of convex geometry and linear
programming. They apply these to solve concrete problems.
Kompetenzen / Competencies
Die Studierenden sind in der Lage, die Konzepte und Metho-
den der Konvexgeometrie und der Linearen Optimierung bei
konkreten Fragestellungen anzuwenden.
—
The students are able to apply concepts and methods of con-
vex geometry and linear programming to concrete problems.

Inhalt Die Konvexgeometrie beschäftigt sich mit konvexen Mengen

Course content im euklidischen Raum und bildet die Grundlage der Konvexen
Optimierung, wozu die Lineare Optimierung zählt. Dieser Zu-
sammenhang wird durch Themenbereiche aus der folgenden
Liste dargestellt:
• Grundlagen der Konvexgeometrie
• Geometrische Version des Satzes von Hahn-Banach
• Satz von Krein-Milman über Extremalpunkte
• Polytope und Polyeder
• Grundlagen der Linearen Optimierung
• Simplex Algorithmus
• Farkas’ Lemma
• “Neighborly Polytopes” und dünne lineare Systeme
—
Convex geometry is concerned with convex sets in Euclidean
space and forms the basis of convex optimization, of which
linear programming is part. This relation will be demonstrated
through topics from the following list:
• Elementary convex geometry
• Geometric Hahn-Banach theorem
• Krein-Milman theorem on extreme points
• Polytopes and Polyhedra
• Linear programming basics
• Simplex algorithm
• Farkas’ lemma
• Neighborly Polytopes and sparse linear systems

Studien-/Prüfungsleistungen Klausur (90 Minuten) oder mündliche Prüfung (ca. 30 Mi-

Assessment nuten) in deutscher oder englischer Sprache; die genaue Prü-
Module Catalogue 185

fungsart wird zu Beginn des Semesters bekannt gegeben.

90-minute written examination or oral exam (about 30 minu-
tes) in German or English; the precise mode of assessment will
be announced at the start of the semester.

Medienformen Präsentation und Beamer, Tafel/Tablet

Media used Presentation and projector, blackboard/tablet

Literatur Skript / lecture notes

Reading list Weiterführende Literatur wird zu Beginn des Semesters be-
kannt gegeben
Additional reading material will be announced at the start of
the semester
Module Catalogue 186

6132 Random Graphs PN 405340

Random Graphs

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Glock
Module convenor

Dozent(in) Glock
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Random

Curriculum Structures and Dynamics” (RSD)

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 60 Std. Übungen + 60 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
60 contact hours + 60 hrs exercises + 60 hrs independent
study and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Kenntnisse über grundlegende Definitionen der Graphentheo-

Recommended skills rie und Wahrscheinlichkeitstheorie sind hilfreich
Knowledge of basic definitions in graph theory and probability
theory are helpful

Verwendbarkeit in weiteren [Link]. Mathematics , [Link]. Computer Science

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erwerben Fachwissen über Zufallsgraphen.
Sie kennen wichtige Definitionen, Theoreme und deren Be-
Module Catalogue 187

weise.
—
The students acquire expertise on random graphs. They know
important definitions, theorems and their proofs.
Fähigkeiten / Abilities
Die Studierenden besitzen die Fähigkeit, konkrete theoretische
Fragestellungen, die einen engen Bezug zum Vorlesungsstoff
haben, zu lösen. Insbesondere sind sie in der Lage, Schwellen-
funktionen für bestimmte monotone Grapheneigenschaften zu
bestimmen.
—
The students have the ability to solve specific theoretical pro-
blems closely related to the lecture material. In particular,
they are capable of determining thresholds for specific mono-
tone graph properties.
Kompetenzen / Competencies
Die Studierenden besitzen die Kompetenz, Lösungsstrategien
für komplexe Fragestellungen der Theorie der Zufallsgraphen
zu entwickeln.
—
The students have the competence to develop strategies for
solving complex problems from the theory of random graphs.

Inhalt • Basiswissen Graphentheorie

Course content • Binominale Zufallsgraphen
• Schwellenfunktion
• Phasenübergang
• Kleine Teilgraphen
• Aufspannende Teilgraphen
—
• Basics about graph theory
• Binomial random graph model
• Thresholds
• Phase transition
• Small subgraph
• Spanning subgraphs

Studien-/Prüfungsleistungen Klausur (120 Min.) oder mündliche Prüfung (ca. 30 Min.); die
Assessment genaue Prüfart wird zu Beginn des Semesters bekannt gege-
ben.
Written exam (120 min) or oral exam (30 minutes); The exact
type of examination will be announced at the beginning of the
semester.

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard
Module Catalogue 188

Literatur Janson, Luczak, Rucinski: Random graphs, Wiley

Reading list Frieze, Karonski: Introduction to random graphs, Cambridge
University Press
Module Catalogue 189

6170 Visualisierung PN 405417

Visualization

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Heinzl
Module convenor

Dozent(in) Heinzl
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Visual Computing & Data Science” (VCDS)
Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 60 Std. Übungen + 60 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
60 contact hours + 60 hrs exercises + 60 hrs independent
study and exam preparation

ECTS 6
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Programmierung I

Recommended skills Programming I

Verwendbarkeit in weiteren [Link]. Computer Science, [Link]. Internet Computing

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Nach Abschluss der Lehrveranstaltung „Visualisierung“ haben

Learning outcomes die Studierenden einen breiten Überblick über die Grundlagen
der (wissenschaftlichen) Visualisierung und ihrer Teilbereiche.
Die Studierenden sind in der Lage, selbständig die Anforde-
rungen für konkrete Anwendungen zu analysieren und theo-
Module Catalogue 190

retische Methoden und Techniken der Visualisierung prototy-

pisch umzusetzen.
—
After completing the course “Visualization”, students will have
gained a broad overview of the principles of (scientific) visua-
lization and its sub-areas. Students can independently analyze
the requirements for specific applications and prototypically
implement theoretical methods and techniques of visualizati-
on.

Inhalt Visualisierung besteht aus einem theoretischen Vorlesungsteil

Course content und einem praktischen Übungsteil.
Der Vorlesungsteil gliedert sich in die folgenden Teilbereiche:
• Im ersten Teil lernen die Studierenden die Grundlagen
der (wissenschaftlichen) Visualisierung bzw. der visuel-
len Analyse kennen. Sie erhalten einen breiten Überblick
über Visualisierungsalgorithmen und -techniken für ver-
schiedene Datentypen, Visualisierungsaufgaben und An-
wendungsbereiche.
• Der zweite Teil beschäftigt sich mit der Volumenvisua-
lisierung. Neben grundlegenden Konzepten und Techni-
ken werden Methoden der direkten und indirekten Vo-
lumenvisualisierung besprochen.
• Der dritte Hauptteil beschäftigt sich mit der Strömungs-
visualisierung, entsprechenden Beispielen, Grundlagen,
sowie Methoden zur direkten und indirekten Strömungs-
visualisierung.
• Im vierten Teil lernen die Studierenden die Prinzipien,
Methoden und Techniken der Informationsvisualisierung
und deren Anwendungsgebiete kennen. Dieser Teil kon-
zentriert sich daher auf die Visualisierung abstrakter Da-
ten sowie Graphen.
• Der letzte Teil diskutiert Visual Analytics und Visual
Data Science sowie entsprechende Herausforderungen
als abschließende Klammer.
Die Vorlesung wird von einer praktischen Übung begleitet, in
der die Studierenden die vorgestellten theoretischen Konzep-
te anwenden und umsetzen sollen. Im praktischen Teil sollen
Aufgaben aus verschiedenen Bereichen der Visualisierung mit
Hilfe von zur Verfügung gestellten Frameworks basierend auf
JavaScript und D3 für abstrakte Daten bzw. C++ Frameworks
für Übungen zu Volumen- oder Strömungsvisualisierungstech-
niken umgesetzt werden.
—
Visualization consists of a theoretical lecture and a practical
exercise part.
Module Catalogue 191

The lecture part is divided into the following main areas:

• In the first part, students learn the basic principles of
visualization or visual analysis. They receive a broad
overview of visualization algorithms and techniques for
various types of data, tasks and areas of application.
• The second part deals with volume visualization. In ad-
dition to basic concepts and techniques, methods for
direct and indirect volume visualization will be discus-
sed.
• The third section deals with flow visualization. In addi-
tion to respective examples, basics as well as direct and
indirect flow visualization techniques are discussed.
• In the fourth part, students learn the principles, me-
thods and techniques of information visualization and
their areas of application. This section thus focuses on
visualization of abstract data and graphs.
• The last part discusses visual analytics and visual data
science as well as respective challenges as a final bracket.
The lecture is accompanied by a practical exercise course in
which students are expected to apply and implement the theo-
retical concepts presented. Tasks from various areas of visua-
lization are to be implemented in the practical part based on
provided frameworks using JavaScript and D3 for the visuali-
zation of abstract data or C++ based frameworks for exercises
on volume or flow visualization techniques.

Studien-/Prüfungsleistungen Portfolio
Assessment Der Leistungsnachweis basiert einerseits auf dem Abga-
begespräch der implementierten Programmieraufgaben des
Übungsteils (Teil 1: 50%). Für eine positive Beurteilung müs-
sen die Studierenden die Aufgaben selbst und in eigenen Imple-
mentierungen umsetzen, den theoretischen Hintergrund ver-
stehen, den Quellcode während des Abgabegesprächs erläutern
können. Jeder Studierende einer Gruppe muss beide Übungs-
aufgaben kennen. Es muss von jedem Studierenden für eine
der beiden Aufgaben in einem Abgabegespräch (10 min Prä-
sentation + 10 min Fragen/Diskussion) Funktionalität sowie
Sourcecode dargestellt bzw. erklärt werden. Die zu präsentie-
rende Aufgabe wird nach dem Zufallsprinzip zugewiesen.
Der Vorlesungsteil (Teil 2: 50%) wird durch eine mündliche
Prüfung (ca. 20 Minuten) der präsentierten Vorlesungsinhalte
evaluiert, in der die Erreichung der Lehrziele überprüft wird.
Für eine positive Beurteilung der Visualisierung 1 müssen so-
wohl Abgabegespräch als auch mündliche Prüfung positiv ab-
solviert werden.
Portfolio
Module Catalogue 192

The performance assessment of Visualization will be based on

the practical implementation work and the theoretical know-
ledge. The performance evaluation of the exercise course fo-
cusses on the implemented programming tasks. For a positive
assessment, students must implement the tasks themselves
and in their own implementations, understand the theoreti-
cal background and be able to explain the source code during
the presentation. The lecture part will be evaluated in an oral
exam (ca. 20 min) of the presented lecture content or in a
written exam (90 minutes), depending on the number of par-
ticipants, in which the achievement of the teaching objectives
will be checked. The students will be informed about the exact
type of exam at the beginning of the semester. To pass the
examination, both assessment components have to be passed.

Medienformen Der Stoff ist in thematische Gruppen unterteilt und wird an-
Media used hand elektronischer Folien präsentiert. In praktischen Design-
und Implementierungsprojekten können die Studierenden ihre
analytischen Fähigkeiten entwickeln und ihre Programmier-
kenntnisse vertiefen.
The material is divided into thematic groups and presented
using electronic slides. Students can develop their analytical
skills and deepen their programming knowledge in practical
design and implementation projects.

Literatur • Hansen, Johnson: The Visualization Handbook, 2005

Reading list • Chen, Hauser, Rheingans, Scheuermann: Foundations of
Data Visualization, 2020
• Daniel A. Keim, Jörn Kohlhammer, Geoffrey Ellis and
Florian Mansmann: Mastering the Information Age -
Solving Problems with Visual Analytics, 2010
• Tamara Munzner, Visualization Analysis and Design,
2009.
• Hansen, Chen, Johnson, Kaufman, Hagen: Scientific Vi-
sualization - Uncertainty, Multifield, Biomedical, and
Scalable Visualization, 2014
• Claus Wilke: Fundamentals of Data Visualization, 2019
Module Catalogue 193

6208 Machine Learning Control and Optimization PN 455398

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Wirth
Module convenor

Dozent(in) Wirth
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 60+30 Std. Präsenz + 90+90 Std. Eigenarbeitszeit

Workload 60+30 contact hours + 90+90 hours lecture and tutorials
follow-up and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Lineare Algebra I + II, Analysis I + II, Gewöhnliche Differenti-

Recommended skills algleichungen, Optimierung oder Mathematik in Technischen
Systemen I – III sowie Mathematische Systemtheorie
—
Linear Algebra I+II, Analysis I+II, Ordinary Differential Equa-
tions, Optimization or Mathematics in Technical Systems I-III
and Mathematical Systems Theory

Verwendbarkeit in weiteren Master Informatik, Master Computational Mathematics, Mas-

Studiengängen ter Artificial Intelligence Engineering
Applicability for other courses Master Computer Science, Master Computational Mathema-
tics, Master Artificial Intelligence Engineering

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Module Catalogue 194

Learning outcomes Die Studierenden verstehen die grundlegenden Prinzipien der

datenbasierten Regelung dynamischer Systeme. Dazu kennen
sie Methoden zur Behandlung von Datensätzen und zur da-
tenbasierten Identifikation dynamischer Systeme. Ferner ver-
fügen sie über relevante Techniken der mathematischen Op-
timierung. Sie sind in der Lage stabilisierende, datenbasierte
LQR-Regler zu entwerfen.
—
The participants are familiar with the fundamental concepts
of data-based control. They know methods from data analysis
and data-driven system identification of dynamical systems.
They are able to apply relevant techniques from optimization.
Also they can design stabilizing, data-based LQR controllers.
Fähigkeiten / Abilities
Die Studierenden beherrschen die Grundsätze der Datenkom-
pression, sowie der Gruppierung von Daten. Sie sind in der
Lage entsprechende Verfahren auf gegebene Datensätze an-
zuwenden. Zudem können die Studierenden unterschiedliche
Verfahren zur Identifikation dynamischer Systeme auf gege-
bene Datensätze anwenden. Ebenso können sie Regelungsauf-
gaben datenbasiert formulieren und beherrschen wesentliche
Ansätze für den datenbasierten Reglerentwurf.
—
The participants can analyze given data sets with respect to
dimensionality reduction and clustering. They can apply dif-
ferent techniques for data-based system identification. They
can design algorithms for these purposes. They are capable of
formulating various data-driven control tasks and are able to
design appropriate data-based controllers.

Inhalt Datenkompression, Hauptkomponenten-Analyse, Gruppie-

Course content rung, Lloyd Algorithmus, Support-Vector Machines, Kern-
Trick, Eigensystem-Realisierungsalgorithmus.
Beobachter-Kalman Filter Identifikation.
Zusammenhang zwischen Systemidentifikation und der Koop-
man Operatortheorie.
Datenbasierte Regelung, linear-quadratische optimale Steue-
rung, Dateninformativität, Semi-Definite Programme, sto-
chastische Gradientenverfahren
—
Dimensionality reduction, principal component analysis, clus-
tering, Lloyd’s algorithm, support vector machines, kernel
trick, eigensystem realization algorithm.
Connection between system identification and Koopman ope-
rator theory, observer-Kalman filter identification.
Data-driven linear-quadratic regulator problem, data informa-
Module Catalogue 195

tivity, semi-definite programming, stochastic gradient descent

Studien-/Prüfungsleistungen 90 min Klausur oder ca. 30 min mündliche Prüfung. Die ge-
Assessment naue Prüfungsart wird zu Beginn des Semesters bekannt ge-
geben.
90-minute written examination or 30-minute oral examinati-
on. The precise mode of assessment will be announced at the
beginning of the semester

Medienformen Tafel, Beamer, Vorlesungsskript, Übungsblätter

Media used Blackboard, projector presentation, lecture notes, exercise
sheets

Literatur S.L. Burton, J.N. Kutz: Data-Driven Science and Engineering:

Reading list Machine Learning, Dynamical Systems and Control, Cam-
bridge University Press, 2019.
De Persis, C., Tesi, P.: Formulas for Data-Driven Control: Sta-
bilization, Optimality and Robustness, IEEE Transactions on
Automatic Control 65 (3): 909 – 924, 2020.
van Waarde, H., Eising, J., Trentelman, H., Camlibel, K.: Da-
ta Informativity: A New Perspective on Data-Driven Analysis
and Control. IEEE Transactions on Automatic Control 65 (11):
4753 – 4768, 2020.
Module Catalogue 196

6218 Maß- und Integrationstheorie PN 455510

Measure and Integration Theory

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Müller-Gronbach, Prochno, Rudolf

Module convenor

Dozent(in) Müller-Gronbach, Prochno, Rudolf

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Random

Curriculum Structures and Dynamics” (RSD)

Lehrform/SWS 4V + 2Ü
Contact hours

Arbeitsaufwand 90 Std. Präsenz + 90 Std. Übungen + 90 Std. Nachbereitung

Workload der Vorlesung und Prüfungsvorbereitung
90 contact hours + 90 hrs exercises + 90 hrs independent
study and exam preparation

ECTS 9
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Lineare Algebra I + II, Analysis I + II, Einführung in die Sto-
Recommended skills chastik
Analysis I + II, Linear Algebra I + II, Introduction to Stocha-
stics

Verwendbarkeit in weiteren [Link]. Mathematics, [Link]. Computer Science

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Verständnis der Grundkonzepte und -techniken sowie der zen-
tralen Ergebnisse der Maß- und Integrationstheorie.
Module Catalogue 197

—
Understanding of the basic concepts and techniques as well
as the central results of measure and integration theory.
Fähigkeiten / Abilities
Fähigkeit zur Anwendung grundlegender Modellierungs- und
Beweisverfahren der Maß- und Integrationstheorie.
—
Ability to apply modelling and proof techniques from measure
and integration theory.

Inhalt Grundkonzepte und zentrale Ergebnisse aus der Maß-und In-

Course content tegrationstheorie, insbesondere:
• Maßräume und messbare Abbildungen
• Produkträume
• Konstruktion von Maßen
• Maßintegrale
• Konvergenz von Folgen messbarer Funktionen
• Absolute Stetigkeit von Maßen
Darauf aufbauend eine Auswahl weiterer Inhalte, etwa
• Hausdorff-Maße
• Integration auf Mannigfaltigkeiten
• Integralsätze von Stokes und Gauß
—
Basic concepts and central results from measure and integra-
tion theory, in particular:
• measure spaces and measurable mappings
• product spaces
• Construction of measures
• measure integrals
• Convergence of sequences of measurable functions
• Absolute continuity of measures
Building on this, a selection of further content, such as
• Hausdorff measures
• Integration on manifolds
• integral theorems of Stokes and Gauss

Studien-/Prüfungsleistungen Klausur (120 Minuten) oder mündliche Prüfung (ca. 30 Mi-

Assessment nuten); die genaue Prüfungsart wird zu Beginn des Semesters
bekannt gegeben.
120-minute written or 30-minute oral examination, the preci-
se mode of assessment will be announced at the start of the
semester.

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector and blackboard
Module Catalogue 198

Literatur Wird vom Dozenten oder der Dozentin bekannt gegeben /

Reading list Will be announced by the lecturer
Module Catalogue 199

6241 Lineare und Diskrete Optimierung PN 471550

Linear and Discrete Optimization

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Harks
Module convenor

Dozent(in) Harks
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Theoretical Foundations of AI - Algorithms

Curriculum and Optimization” (AO)

Lehrform/SWS 3V + 1Ü
Contact hours

Arbeitsaufwand 45 + 15 Std. Präsenz, 75 + 75 Std. Eigenarbeitszeit

Workload 45+15 contact hours, 75+75 hours independent study and
exam preparation

ECTS 7
Credits

Voraussetzungen nach Prü- Keine

fungsordnung
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Lineare Algebra I

Recommended skills Lineare Algebra I

Verwendbarkeit in weiteren [Link]. Mathematics,[Link]. Computer Science

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden kennen die grundlegenden Fragestellun-
gen und Methoden der Optimierung sowie die theoretischen
Grundlagen der Algorithmen.
—
The students get to know the foundational questions and me-
Module Catalogue 200

thods in the area of linear and discrete optimization. In parti-

cular cutting planes and the Ellipsoid methods are taught.
Fähigkeiten / Abilities
Die Studierenden können Optimierungsprobleme modellieren
und geeignete Lösungsverfahren auswählen oder selbst imple-
mentieren. Weiterhin haben sie sich grundlegende theoreti-
sche Einsichten zur Klassifizierung eines gegebenen Optimie-
rungsproblems hinsichtlich einer Charakterisierung und Sensi-
tivitätsanalyse von Optimallösungen angeeignet.
—
The students are able to model linear and discrete optimiza-
tion problems and to design appropriate solution algorithms.
Moreover, they are able to reformulate those problems in or-
der to use standard software tools to solve them.
Kompetenzen / Competencies
Die Studierenden haben die Kompetenz, Optimierungsproble-
me zu modellieren, zu bewerten und mit Rechnerunterstüt-
zung zu lösen.
—
The students gain the competency to model and solve linear
and integer optimization problems.

Inhalt Grundsätzliche Optimierungsfragen, Lineare und diskrete Op-

Course content timierung, Ellipsoid Methode, Dualität, Schnittebenenverfah-
ren.
—
Foundational optimization problems, linear and discrete pro-
blems, Ellipsoid method, duality, cutting plane algorithms.

Studien-/Prüfungsleistungen 120-minütige Klausur oder ca. 30-minütige mündliche Prü-

Assessment fung
Exam (120 minutes) or oral exam (about 30 minutes)

Medienformen Tafel
Media used blackboard

Literatur Skript
Reading list lecture notes
Module Catalogue 201

11017A Ethische Konzepte in einer globalen Wirtschaft PN xxxxxx

Ethical Concepts in a Global Economy

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Meißner, Bort

Module convenor

Dozent(in) Meißner, Bort

Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Entrepreneurship” (Ent)

Curriculum

Lehrform/SWS 2
Contact hours

Arbeitsaufwand 30 h Kontaktstudium, 120 h Selbststudium

Workload 30 hours contact time, 120 hours own work time

ECTS 5
Credits

Voraussetzungen nach Prü- Für den Erhalt eines Zertifikats ist die Teilnahme an dem
fungsordnung Modul „Ethische Konzepte in einer globalen Wirtschaft“ und
Required prerequisites as per (11017C1 oder 11017C2) Voraussetzung.
the study and examination Participation in the module “Ethical Concepts in a Global Eco-
regulations nomy” and (11017C1 or 11017C2) is a prerequisite for obtai-
ning a certificate.

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Studierende, die am Modul „Ethische Konzepte in einer glo-

Learning outcomes balen Wirtschaft“ erfolgreich teilgenommen haben,
• benennen zentrale Theorien und Begrifflichkeiten der
Wirtschafts- und Unternehmensethik sowie von Verant-
wortung und globaler Gerechtigkeit im deutschsprachi-
Module Catalogue 202

gen Raum
• verorten diese innerhalb der grundlegenden Ansätze und
Positionen der Ethik
• reflektieren kritisch die zugrundeliegenden Prämissen
und Argumente dieser Theorien sowie mögliche Gegen-
argumente
• wenden die Theorien in Bezug auf Praxisbeispiele an und
positionieren sich zu ihnen
• verstehen den Argumentationsaufbau wirtschafts- und
unternehmensethischer Texte
• präsentieren die behandelten Theorien / Konzepte, lei-
ten Diskussionen in diesem Themenbereich
• arbeiten Forschungsperspektiven aus
—
Students who have successfully completed the module “Ethi-
cal Concepts in a Global Economy”,
• name central theories and concepts of economic and
business ethics as well as responsibility and global justice
in German-speaking countries
• locate these within the fundamental approaches and po-
sitions of ethics
• critically reflect on the underlying premises and argu-
ments of these theories as well as possible counter-
arguments
• apply the theories in relation to practical examples and
take a position on them
• understand the argumentation structure of economic
and business ethics texts
• present the theories/concepts dealt with and lead dis-
cussions in this subject area
• work out research perspectives

Inhalt • Theorien der Verantwortung und globaler Gerechtigkeit

Course content • Unterschiedliche Theorien und Ansätze innerhalb der
Wirtschafts- und Unternehmensethik
• Corporate Social Responsibility & Consumer Responsi-
bility
• Ethische Grundlagen nachhaltigen Wirtschaftens im glo-
balen Kontext
—
• Theories of responsibility and global justice
• Different theories and approaches within business ethics
• Corporate Social Responsibility & Consumer Responsi-
bility
• Ethical foundations of sustainable business in a global
context
Module Catalogue 203

Studien-/Prüfungsleistungen Portfolio
Assessment

Medienformen Die Veranstaltung besitzt Seminarcharakter mit

Media used Präsentations-, Diskussions- und Reflexionsformaten.
The lecture has the character of a seminar with presentations,
discussions and reflection formats.

Literatur Literaturhinweise in der Veranstaltung

Reading list Literature will be announced during the course.
Module Catalogue 204

11017C1 Global Justice and Business Ethics: Sustainable PN xxxxxx

Entrepreneurship

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Meißner, Bort

Module convenor

Dozent(in) Meißner, Bort

Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Entrepreneurship” (Ent)

Curriculum

Lehrform/SWS 3
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 105 Std. Eigenarbeitszeit

Workload 45 contact hours + 105 hours independent study

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Studierende, die am Modul „Global Justice and Business

Learning outcomes Ethics: Sustainable Entrepreneurship“ erfolgreich teilgenom-
men haben,
• erläutern, was nachhaltige Unternehmer/innen sind und
wie diese zur Lösung eines gesellschaftlichen, sozialen
und ökologischen Problems beitragen.
• nutzen praxisorientierte Tools um Probleme und dessen
Module Catalogue 205

Stakeholder zu identifizieren.
• erklären und bewerten die wesentlichen Bestandteile ei-
nes nachhaltigen Geschäftsmodells.
• entwickeln und validieren auf Basis evidenzbasierter Er-
gebnisse und des Design-Thinking Ansatzes eine erste
Geschäftsidee inklusive Werteversprechen.
• bewerten und identifizieren das Marktumfeld, relevante
Marktteilnehmer und das Marktpotenzial.
• entwickeln einen low-fidelity Prototypen des Produktes
bzw. der Dienstleitung.
• beurteilen kritisch wie die von ihnen entwickelte Ge-
schäftsidee zur Lösung eines gesellschaftlichen, sozialen
und ökologischen Problems beiträgt.
—
Students who have successfully completed the module “Global
Justice and Business Ethics: Sustainable Entrepreneurship”
are able to
• explain what sustainable entrepreneurs are and how they
contribute to solving a societal, social and ecological
problem.
• use practice-orientated tools to identify problems and
their stakeholders.
• explain and evaluate the key components of a sustaina-
ble business model.
• develop and validate an initial business idea including a
value proposition on the basis of evidence-based results
and the design thinking approach.
• evaluate and identify the market environment, relevant
market participants and market potential.
• develop a low-fidelity prototype of the product or ser-
vice.
• critically assess how the business idea they have develo-
ped contributes to solving a societal, social and ecolo-
gical problem.

Inhalt In diesem Praxismodul können die Studierenden ihre

Course content Handlungs- und Problemlösungskompetenzen im Umgang mit
gesellschaftlichen, sozialen und ökologischen Herausforderun-
gen erweitern. In diesem Teilmodul steht die inter- und trans-
disziplinäre Entwicklung von nachhaltigen und / oder sozialen
Geschäftsmodellen im Mittelpunkt.
—
In this practical module, students can expand their action
and problem-solving skills in dealing with societal, social and
ecological challenges. This sub-module focuses on the inter-
and transdisciplinary development of sustainable and/or social
Module Catalogue 206

business models.

Studien-/Prüfungsleistungen Portfolio
Assessment

Medienformen Vorlesung mit Seminarcharakter: interaktiver Frontalunter-

Media used richt mit Workshops. Präsentation der eigenen Arbeit durch
Studierende. Verfassung eines Projektberichtes
Lecture with seminar character: interactive frontal teaching
with workshops. Presentation of own work by students. Wri-
ting a project report.

Literatur Osterwalder, A. & Pigneur, Y. (2010). Business Model Ge-

Reading list neration: A Handbook for Visionaries, Game Changers, and
Challengers.
Weitere Literatur wird im Laufe des Kurses bekannt gegeben.
Further literature will be announced during the course.
Module Catalogue 207

21450 Urheberrecht PN xxxxxx

Copyright Law

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Beurskens
Module convenor

Dozent(in) Beurskens
Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Regulation of AI and Data” (RAI)

Curriculum

Lehrform/SWS 2V
Contact hours

Arbeitsaufwand 30 Std. Präsenz + 120 Std. Nachbereitung der Vorlesung und

Workload Prüfungsvorbereitung
30 contact hours + 120 hrs independent study and exam pre-
paration

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Ethical Aspects of AI, Legal Aspects of AI

Recommended skills

Verwendbarkeit in weiteren [Link]. Wirtschaftsinformatik, [Link]. Digital Transformation in

Studiengängen Business and Society
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden können nach erfolgreicher Teilnahme am

Learning outcomes Modul:
• selbstständig tatsächliche Lebenssachverhalte anhand
der aktuellen urheberrechtlichen Regelungen einordnen
und sie einer Risikobewertung zuführen,
Module Catalogue 208

• die Bedeutung des Urheberrechts für die moderne Infor-

mationsgesellschaft (Inhaberschaft an Inhalten, Softwa-
re, Datenbankstrukturen und -instanzen; Blockaderecht
und wirtschaftliche Handelsware) bewerten und kritisch
hinterfragen,
• grundlegende Formulierungen für vertragliche Nut-
zungsrechte (Lizenzen) entwerfen und die Reichweite
der Beschränkung der Rechte durch fremde Textentwür-
fe beurteilen,
• die rechtspolitische Debatte um eine Erweiterung
urheber- und leistungsschutzrechtlicher Ausschließungs-
rechte einerseits und die Schaffung neuer bzw. Erweite-
rung bestehender Schranken andererseits nachvollziehen
und zusammenfassen sowie eigene Stellung beziehen,
• die Bedeutung der nationalen Geltung urheberrechtli-
cher Regelungen nachvollziehen und in seinen prakti-
schen Implikationen auf echte Lebenssachverhalte an-
wenden,
• einschlägige Normen im deutschen Recht auffinden und
anhand zentraler Rechtsstreitigkeiten auch Laien gegen-
über erklären.
—
After successfully completing the module, students will be able
to
• independently categorize actual life situations on the ba-
sis of current copyright regulations and assess their risks,
• evaluate and critically scrutinize the significance of co-
pyright for the modern information society (ownership
of content, software, database structures and instances;
blocking rights and economic commodities),
• draft basic formulations for contractual rights of use
(licenses) and assess the scope of the restriction of rights
by third-party text drafts,
• understand and summarize the legal policy debate on
an extension of copyright and ancillary copyright exclu-
sion rights on the one hand and the creation of new or
extension of existing restrictions on the other hand and
take their own position,
• understand the significance of the national validity of
copyright regulations and apply them to real life situa-
tions in terms of their practical implications,
• identify relevant norms in German law and explain them
to laypersons using key legal disputes.
Module Catalogue 209

Inhalt Das Urheberrecht ist nicht erst seit Plagiatsaffären, Abmah-

Course content nungen wegen illegalen Streamings und der Diskussion um
die Bereitstellung von fremden Materialien zu Lehrzwecken in
der Diskussion. Neben dem idealistischen Schutz des kreativ
Schaffenden steht heute vor allem die überragende wirtschaft-
liche Bedeutung, etwa bei Kinofilmen, Computerspielen, aber
auch bei Fachbüchern und Produktdesigns im Fokus intensi-
ver Lobbyarbeit. Die Vorlesung behandelt den internationalen
und europäischen Regelungsrahmen ebenso wie die geltenden
deutschen Regelungen. Dabei wird der Stoff nicht abstrakt-
theoretisch, sondern konkret anhand praktischer Fälle Schritt
für Schritt einprägsam vermittelt.
—
Copyright law has been under discussion not only since the
plagiarism scandals, warnings about illegal streaming and the
debate about making third-party materials available for tea-
ching purposes. In addition to the idealistic protection of crea-
tors, the focus of intensive lobbying today is above all on the
outstanding economic significance of copyright, for example in
cinema films, computer games, but also in specialist books and
product designs. The lecture deals with the international and
European regulatory framework as well as the applicable Ger-
man regulations. The material is not taught in an abstract,
theoretical manner, but in a concrete, step-by-step manner
using practical cases.

Studien-/Prüfungsleistungen Mündliche Prüfung (ca. 15 Minuten pro Kandidat:in) als

Assessment Gruppenprüfung am Ende der Vorlesungszeit
Oral exam (approx. 15 minutes per candidate) as a group ex-
am at the end of the lecture period

Medienformen Vorlesung mit Diskussionsmöglichkeit in Präsenz (Gruppen-

Media used größe bis zu 40 Personen), darunter auch Jurist:innen im
Schwerpunktbereichstudium (6. Semester); Onlinekurs mit
Diskussionsforum und Selbstkontrollelementen
Lecture with discussion opportunity in presence (group size
up to 40 people), including lawyers in the specialization area
(6th semester); online course with discussion forum and self-
control elements

Literatur keine
Reading list none
Module Catalogue 210

21470 Grundzüge des IT- und Datenrechts PN 431300

Introduction to IT and Data Law

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Bomhard, Rücker

Module convenor

Dozent(in) Bomhard, Rücker

Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Regulation of AI and Data” (RAI)

Curriculum

Lehrform/SWS 2V
Contact hours

Arbeitsaufwand 30 Std. Präsenz + 120 Std. Nachbereitung der Vorlesung und

Workload Prüfungsvorbereitung
30 contact hours + 120 hrs independent study and exam pre-
paration

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Ethical Aspects of AI, Legal Aspects of AI

Recommended skills

Verwendbarkeit in weiteren [Link]. Internet Computing

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden sind für IT- und datenrechtliche relevante
Learning outcomes Fallkonstellationen sensibilisiert und können den rechtlichen
Rahmen eigenständig recherchieren und potentielle Gefahren
abstecken. Sie können Fragestellungen mit Digitalisierungs-
Bezug eigenständig in das Gesamtsystem der Rechtsordnung
Module Catalogue 211

und Spezialregelungen einordnen und die zur Beurteilung er-

forderlichen Informationen zielgerichtet und effizient auffin-
den. Die Studierenden können bestehende und geplante recht-
liche Vorgaben im Hinblick auf ihre Eignung zur Lösung kon-
kreter Probleme sowie der Gefahr der Beschränkung mögli-
cher Innovationen beurteilen. Die Studierenden können ak-
tiv an Diskussionen zu aktuellen Fragestellungen sowie Ent-
wicklungen auf Ebene der Gesetzgebung mitwirken und diese
durch sachlich fundierte Argumente bereichern. Die Studie-
renden haben einen kritischen Blick auf die Vorgaben die Ge-
setzgebung und Rechtsprechung an Aktivitäten im Bereich der
Digitalisierung stellen und können deren Zweckmäßigkeit ei-
genständig bewerten.
—
Students are sensitized to IT and date law-related case con-
stellations and can independently research the legal framework
as well as identify potential risks. They can independently clas-
sify digitalization-related questions in the overall legal system
and special regulations as well as efficiently find the informa-
tion required for the assessment. Students can assess existing
and planned legal requirements regarding their suitability for
solving specific problems as well as the risk of restricting pos-
sible innovations. They can actively participate in discussions
on current issues and developments at the legislative level, en-
riching these with factually based, objective arguments. They
have critical perspective of the requirements imposed by le-
gislation and jurisprudence on activities in the field of digita-
lization and can independently evaluate their appropriateness.

Inhalt Das Modul vermittelt die zentralen Grundlagen des Rechts

Course content der Informationstechnologie. In Parallele zum Recht der kör-
perlichen Gegenstände (Sachenrecht) stehen hier immateriel-
le Güter (Daten, Software, digitale Inhalte, digitale Dienst-
leistungen) im Fokus. Behandelt werden daher insbesonde-
re Grundzüge des Datenschutz- und des Urheber- bzw. Leis-
tungsschutzrechts. Weitergehend steht der Rahmen der Digi-
talökonomie im Fokus; neben dem allgemeinen Zivilrecht und
Grundzügen des Kartellrechts werden damit die zunehmenden
europarechtlichen Vorgaben in den Fokus gerückt. Behandelt
werden insoweit etwa das Recht der Onlineplattformen (ein-
schließlich Sonderregeln für soziale Medien und Gatekeeper),
aber auch die neueren Entwicklungen zu Data Governance und
Künstlicher Intelligenz. Das Modul ist eng verknüpft mit den
spezielleren Modulen „Algorithmen und Recht“ sowie „Da-
tenbanken, Netzwerke, Sicherheit und Kommunikation“, in
denen jeweils Einzelaspekte vertieft werden. Die drei Modu-
Module Catalogue 212

le bilden insgesamt den einzigen spezifischen IT-Recht-Inhalt

im Bachelorstudiengang. Ziel ist dabei ausschließlich das Pro-
blembewusstsein bei der Konzeptionierung, Entwicklung und
Betreuung von Legal Tech Anwendungen zu schaffen, nicht
hingegen ein umfassendes Verständnis der jeweiligen Materie.
Dies ist vielmehr dem Schwerpunktbereichsstudium im Staats-
examensstudiengang oder einem entsprechenden Masterstu-
diengang vorbehalten. Die (zivil-)rechtliche Behandlung von
Daten, vor allem der Handel mit Daten, ist für Legal Tech
genauso relevant wie der Handel mit herkömmlichen Gütern.
Auch Datenverträge können automatisiert entworfen werden.
Die in den letzten Jahren hinzugekommenen europäischen Di-
gitalrechtsakte stellen dabei die Rahmenbedingungen, die Sie
kennen und anwenden müssen, wenn Sie sich mit dem Digi-
talrecht befassen.
—
This module provides the central principles of information
technology law. In parallel to the law of tangible objects (pro-
perty law), it focuses on intangible assets (such as data, soft-
ware, digital content, digital services). Accordingly, it mainly
addresses the basics of data protection law and copyright law.
Furthermore, the framework of the digital economy is a central
focus; thereby placing emphasis on increasing European legal
regulations in addition to general civil law and the basics of
antitrust law. Topics covered include law of online platforms
(including special regulations for social media and gatekee-
pers) as well as recent developments in data governance and
artificial intelligence. This module is closely linked to the mo-
re specific modules “Algorithms and Law” and “Databases,
Networks, Security and Communication”, in which individu-
al aspects are explored in more depth. Together, these three
modules constitute the only specific IT law content within the
bachelor´s degree. The aim is solely to raise awareness of is-
sues regarding conception, development and maintenance of
Legal Tech applications, rather than to provide a comprehensi-
ve understanding of the respective subjects, which is reserved
for focus area studies in the state examination program or
a corresponding master´s course. The (civil) legal treatment
of date, particularly data trade, is just as relevant to Legal
Tech as the trade of traditional goods. Data contracts can
be drafted automatically as well. The European digital legal
acts introduced in recent years provide the framework that one
must know and apply when dealing with digital law.

Studien-/Prüfungsleistungen Klausur (60 Min)

Assessment Written Exam (60 Min)
Module Catalogue 213

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur keine
Reading list none
Module Catalogue 214

25910 Einführung in das Internetrecht für Nichtjuristen PN 432200

Internet Law for Non-Lawyers

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Beurskens
Module convenor

Dozent(in) Beurskens
Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Regulation of AI and Data” (RAI)

Curriculum

Lehrform/SWS 2V
Contact hours

Arbeitsaufwand 30 Std. Präsenz + 120 Std. Nachbereitung des Vorlesungs-

Workload stoffes und Prüfungsvorbereitung

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Ethical Aspects of AI, Legal Aspects of AI

Recommended skills

Verwendbarkeit in weiteren [Link]. Internet Computing

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Teilnehmer/innen kennen die besonderen Herausforderun-

Learning outcomes gen der Regulierung des Internets und die Schwierigkeiten bei
der Rechtsdurchsetzung im Kontext des Internets. Die Teilneh-
mer/innen verstehen grundlegende Aspekte der Internet Go-
vernance. Die Teilnehmer/innen haben einen fundierten Über-
blick über die durch die vielfältige private und kommerzielle
Module Catalogue 215

Nutzung des Internets aufgeworfenen Rechtsfragen. Die Teil-

nehmer/innen beherrschen die vermittelten Rechtskenntnisse
und können diese auf einzelne Fälle anwenden.
—
Participants are familiar with the unique challenges of regula-
ting the Internet and the difficulties of enforcing the law in the
context of the Internet. They understand fundamental aspects
of Internet governance. Participants possess a solid overview
of the legal issues arising from the diverse private and com-
mercial uses of the Internet. They have mastered the legal
principles conveyed and are able to apply them to individual
cases.

Inhalt Die Teilnehmer/innen erhalten eine Einführung in die durch

Course content die vielfältige private und kommerzielle Nutzung des Internets
aufgeworfenen Rechtsfragen. Grundlegende Regulierungspara-
meter der Internet Governance werden ergänzend vermittelt.
Im Einzelnen erfolgt eine Befassung mit Einzelfragen des Ver-
tragsrechts, des eCommerce-Rechts, des Daten(schutz)rechts,
des Kartellrechts, des Medienrechts, des Urheberrechts, des
Domainrechts, des Werberechts sowie mit Haftungsfragen im
Internet. Ergänzt werden die vorbenannten Inhalte jeweils
durch internationale Bezüge und (rechts-) politische Frage-
stellungen. Themenspezifisch werden jeweils aktuelle internet-
rechtliche Fragen behandelt.
—
Participants receive an introduction to the legal issues raised
by the diverse private and commercial use of the Internet.
Basic regulatory parameters of Internet governance are also
covered. Topics that are addressed in detail include contract
law, e-commerce law, data protection law, antitrust law, media
law, copyright law, domain law, advertising law, and liability
issues regarding the Internet. They are supplemented by in-
ternational perspectives and (legal) political issues. Current
issues in Internet law are discussed in a topic-specific manner.

Studien-/Prüfungsleistungen Klausur
Assessment Written Exam

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur Haug, Grundwissen Internetrecht, 2. Aufl. 2010

Reading list Heckmann, jurisPK-Internetrecht, 4. Aufl. 2014
Module Catalogue 216

25960 Datenschutzrecht für Nebenfachstudierende PN xxxxxx

Data Protection / Privacy Law for Non-Lawyers

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) von Lewinski

Module convenor

Dozent(in) von Lewinski

Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Regulation of AI and Data” (RAI)

Curriculum

Lehrform/SWS 2V
Contact hours

Arbeitsaufwand 30 Std. Präsenz + 120 Std. Nachbereitung der Vorlesung und

Workload Prüfungsvorbereitung
30 contact hours + 120 hrs independent study and exam pre-
paration

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Ethical Aspects of AI, Legal Aspects of AI

Recommended skills

Verwendbarkeit in weiteren [Link]. Wirtschaftsinformatik, [Link]. Digital Transformation in

Studiengängen Business and Society
Applicability for other courses

Angestrebte Lernergebnisse Die Teilnehmer/innen kennen die (rechts-)politischen Grund-

Learning outcomes lagen der Datenschutzregulierung sowie die Entwicklung des
Datenschutz(recht)es. Die Teilnehmer/innen verstehen grund-
legende Aspekte der Data Governance. Die Teilnehmer/innen
haben einen fundierten Überblick über die Regelungen und
Module Catalogue 217

Vorgaben der DS-GVO und des nationalen Datenschutzrechts.

Die Teilnehmer/innen beherrschen die vermittelten Rechts-
kenntnisse und können diese auf einzelne Fälle anwenden.
—
Participants are familiar with the (legal) political foundations
of data protection regulation and the development of data pro-
tection (law). Participants understand fundamental aspects of
data governance. Participants have a sound overview of the
regulations and requirements of the GDPR and national data
protection law. Participants have mastered the legal knowled-
ge taught and can apply it to individual cases.

Inhalt Gegenstand der Vorlesung ist das Europäische und natio-

Course content nale Datenschutzrecht nebst internationalen Bezügen. Die
Teilnehmer/innen erhalten eine Einführung in die Grund-
strukturen des Datenschutzrechtes der DS-GVO und natio-
naler Umsetzungsnormen. Grundlegende Regulierungsparame-
ter der Data Governance werden dabei vermittelt. Im Einzel-
nen erfolgt eine Befassung mit der Geschichte des Daten-
schutz(recht)es, den verfassungsrechtlichen Grundlagen des
Datenschutz(recht)es, den Zielen und Grundsätzen des Da-
tenschutz(recht)es, den Grundzügen des Internationalen Da-
tenschutzrechtes, den datenschutzrechtlichen Akteuren, den
Compliance-Anforderungen der DS-GVO und des BDSG so-
wie mit dem public und private enforcement des Datenschutz-
rechtes. Im Überblick wird das Zusammenspiel mit anderen
Rechtsgebieten vermittelt. Ergänzt werden die vorbenann-
ten Inhalte jeweils durch internationale Bezüge und (rechts-
)politische Fragestellungen. Themenspezifisch werden jeweils
aktuelle datenschutzrechtliche Fragen behandelt.
—
The lecture covers European and national data protection law
together with international references. Participants will recei-
ve an introduction to the basic structures of data protection
law under the GDPR and national implementation standards.
Basic regulatory parameters of data governance are taught.
In detail, the history of data protection (law), the constitutio-
nal foundations of data protection (law), the objectives and
principles of data protection (law), the main features of inter-
national data protection law, the data protection actors, the
compliance requirements of the GDPR and the BDSG as well
as the public and private enforcement of data protection law
are dealt with. An overview of the interplay with other areas of
law is provided. The aforementioned content is supplemented
by international references and (legal) policy issues. Current
data protection issues are dealt with on a topic-specific basis.
Module Catalogue 218

Studien-/Prüfungsleistungen Klausur (Abschlussklausur), 60 Minuten

Assessment Written Exam (60 Minutes)

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur keine
Reading list none
Module Catalogue 219

26639 KI im Strafrecht PN xxxxxx

Artificial Intelligence in Criminal Law

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Valerius
Module convenor

Dozent(in) Valerius
Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Regulation of AI and Data” (RAI)

Curriculum

Lehrform/SWS 2V
Contact hours

Arbeitsaufwand 30 Std. Präsenz + 120 Std. Nachbereitung der Vorlesung und

Workload Prüfungsvorbereitung
30 contact hours + 120 hrs independent study and exam pre-
paration

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Ethical Aspects of AI, Legal Aspects of AI

Recommended skills

Verwendbarkeit in weiteren
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden haben ein Bewusstsein für die grundsätzli-
Learning outcomes chen Fragen der Zurechnung von durch automatisierte Sys-
teme verursachte Rechtsgutverletzungen zu Menschen und
juristischen Personen und können auf dieser Grundlage ei-
genständig praktische Falllösungen entwickeln. Die Studieren-
Module Catalogue 220

den kennen praktische Einsatzfelder von künstlicher Intelli-

genz und können mögliche Strafbarkeitsrisiken vorab beurtei-
len. Die Studierenden haben ein Verständnis für die wesent-
lichen strafrechtlichen und strafverfahrensrechtlichen Grund-
sätze und können vor diesem Hintergrund aktuelle wie künfti-
ge Entwicklungen im Bereich der Künstlichen Intelligenz kon-
struktiv begleiten.
—
Students have an awareness of the fundamental issues of at-
tributing violations of legal interests caused by automated sys-
tems to people and legal entities and can independently deve-
lop practical case solutions on this basis. Students are familiar
with practical fields of application of artificial intelligence and
can assess potential criminal liability risks in advance. Stu-
dents will have an understanding of the key principles of cri-
minal law and criminal procedure and will be able to construc-
tively support current and future developments in the field of
artificial intelligence against this background.

Inhalt Die Vorlesung „Künstliche Intelligenz im Strafrecht“ behan-

Course content delt strafrechtlich relevante Fragestellungen und Eigenschaf-
ten der Künstlichen Intelligenz. Im materiellen Strafrecht wird
nicht zuletzt auf die Verantwortlichkeit von bzw. für Algorith-
men eingegangen. Hierbei wird insbesondere erörtert, welche
Sorgfaltsanforderungen bei der Programmierung Künstlicher
Intelligenz zu beachten sind, um etwa deren Inverkehrbringen
als erlaubtes Risiko ansehen zu können. Außerdem werden tra-
dierte Verantwortlichkeitsregime wie die Produkthaftung so-
wie klassische Konstellationen wie der sog. Weichenstellerfall
erörtert, die auch im Zusammenhang mit Künstlicher Intel-
ligenz (z.B. bei der Programmierung autonomer Fahrzeuge)
Bedeutung erlangen können. Im Strafverfahrensrecht wird the-
matisiert, ob und ggf. in welchem Umfang der unterstützende
oder sogar ersetzende Einsatz Künstlicher Intelligenz zuläs-
sig ist. Besprochen wird unter anderem die Anwendung von
Algorithmen bei der Strafzumessung oder zur Schätzung der
Rückfallwahrscheinlichkeit sowie der Rückgriff auf Bilderken-
nungssysteme bei der Sichtung und Analyse verdächtiger und
rechtswidriger (z.B. kinderpornographischer) Inhalte.
—
The lecture “Artificial Intelligence in Criminal Law” deals with
issues and characteristics of artificial intelligence relevant to
criminal law. In substantive criminal law, the responsibility of
or for algorithms is discussed. In particular, it discusses which
due diligence requirements must be observed when program-
ming artificial intelligence in order, for example, to be able to
Module Catalogue 221

consider placing it on the market as a permissible risk. In addi-

tion, traditional liability regimes such as product liability and
classic constellations such as the so-called “switchman case”
are discussed, which can also become important in connection
with artificial intelligence (e.g. in the programming of autono-
mous vehicles). In criminal procedure law, the issue of whether
and, if so, to what extent the supportive or even substitutive
use of artificial intelligence is permissible will be addressed.
Among other things, the use of algorithms in sentencing or
for estimating the probability of recidivism as well as the use
of image recognition systems for viewing and analyzing su-
spicious and illegal (e.g. child pornography) content will be
discussed.

Studien-/Prüfungsleistungen Klausur (60 Min)

Assessment Written Exam (60 Min)

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur keine
Reading list none
Module Catalogue 222

32720 Technologie- und Innovationsmanagement PN 212418

Technology and Innovation Management

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 semester
Module duration

Modulverantwortliche(r) Häussler
Module convenor

Dozent(in) Häussler
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Entrepreneurship” (Ent)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 30 + 30 Std. Präsenz, 45 + 45 Std. Eigenarbeitszeit

Workload 30 + 30 hrs presence, 45 + 45 hrs self study

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren [Link]. Mathematik, [Link]. Internet Computing

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Studierende, die erfolgreich an dem Modul „Technologie- und

Learning outcomes Innovationsmanagement“ teilgenommen haben,
• erläutern grundlegende Konzepte und Methoden im Be-
reich von Technologie- und Innovationsmanagement.
• klassifizieren Innovationstypen (z.B. disruptive Innova-
tion) anhand verschiedener Dimensionen (z.B. Grad der
Veränderung von inkrementell zu radikal) und stellen
Module Catalogue 223

Innovations(teil)prozesse dar.
• bedienen sich theoretischer Überlegungen der Innovati-
onsforschung zur Analyse von Innovationsstrategien.
• charakterisieren aktuelle Konzepte der Forschungsorga-
nisation (z.B. Open Innovation) und strukturieren Inno-
vationsprojekte strategisch.
• beurteilen die Effizienz des Innovationsprozesses anhand
verschiedener Gestaltungsvariablen.
• schätzen aktuelle Herausforderungen des Innovations-
managements durch organisationalen und technischen
Wandel ein.
• entwickeln Empfehlungen für Innovationsstrategien auf
Basis von Vor- und Nachteilen verschiedenster Maßnah-
men
—
Students who have successfully participated in the module
“Technology and Innovation Management”,
• explain basic concepts and methods in the field of
technology- and innovation management.
• classify types of innovation (e.g., disruptive innovati-
on) on the basis of various dimensions (e.g., degree of
change from incremental to radical) and describe inno-
vation (sub)processes.
• use theoretical considerations from innovation research
to analyze innovation strategies.
• characterize current concepts of research organization
(e.g., open innovation) and structure innovation pro-
jects strategically.
• assess the efficiency of the innovation process on the
basis of various design variables.
• assess current challenges of innovation management due
to organizational and technical change.
• develop recommendations for innovation strategies ba-
sed on the advantages and disadvantages of various
measures.

Inhalt Organisatorischer Wandel und Innovation sind Voraussetzun-

Course content gen für nachhaltigen Unternehmenserfolg in zahlreichen In-
dustrien. Sie stellen allerdings Unternehmen häufig vor große
strategische und organisatorische Herausforderungen. Die Vor-
lesung thematisiert sowohl das strategische als auch das
taktisch-operative Innovationsmanagement. In der Vorlesung
erhalten Studierende Einblick in aktuelle Organisations- und
Managementkonzepte, die geeignete Rahmenbedingungen für
ein effektives und effizientes Technologie- und Innovationsma-
nagement darstellen.
Module Catalogue 224

—
Organizational change and innovation are prerequisites for su-
stainable corporate success in numerous industries. However,
they often pose major strategic and organizational challen-
ges to organizations. This lecture addresses innovation mana-
gement on strategic as well as tactical-operational levels. In
the lecture, students gain insights into current organizational
and management concepts that provide a suitable framework
for effective and efficient technology- and innovation manage-
ment.

Studien-/Prüfungsleistungen 60 Minuten Endklausur

Assessment Written exam at the end of the course (60 Minutes)

Medienformen Interaktiver Frontalunterricht, individuelle und Gruppen-

Media used Bearbeitung von Aufgaben, Diskussion von Lehrinhalten und
Integration von Studierenden-Präsentationen
Interactive lecture, individual and group tasks, discussion of
contents, and Integration of (voluntary) student presentati-
ons.

Literatur Aktuelle Beiträge aus wissenschaftlichen Zeitschriften

Reading list Selection of academic essays, articles, and case-studies.
Module Catalogue 225

32765 5-Euro-Business Wettbewerb PN xxxxxx

5-Euro-Business Competition

Häufigkeit des Modulangebots Unregelmäßig

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Bort
Module convenor

Dozent(in) Bort
Lecturer

Sprache Deutsch
Language of instruction German. Slides available in English

Zuordnung zum Curriculum Module Group “Entrepreneurship” (Ent)

Curriculum

Lehrform/SWS 4
Contact hours

Arbeitsaufwand 60h Präsenzzeit, 90h Eigenstudium

Workload 60h attendance time, 90h self-study

ECTS 5
Credits

Voraussetzungen nach Prü- Teilnahme an der Auftaktveranstaltung in den ersten Wochen

fungsordnung des Semesters.
Required prerequisites as per Die Auswahl der Teilnehmenden, falls nötig, findet im An-
the study and examination schluss an die Anmeldung bei der Auftaktveranstaltung statt.
regulations (Bei den letzten Wettbewerben konnte allen Angemeldeten die
Teilnahme ermöglicht werden).
Participation in the kick-off event in the first weeks of the
semester.
The selection of participants, if necessary, takes place after
registration at the kick-off event. (In the last competitions, all
those who registered were able to take part).

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses
Module Catalogue 226

Angestrebte Lernergebnisse Studierende, die erfolgreich an dem Modul „5-Euro-Business

Learning outcomes Wettbewerb (für Bachelorstudierende)“ teilgenommen haben,
• erläutern grundlegende Konzepte und Methoden im Be-
reich der Existenzgründung und identifizieren entschei-
dungsrelevante Meilensteine in verschiedenen Teilbe-
reichen wie „Ideenentwicklung“, „Projektmanagemen“,
„Marketing“ und „Finanzen“, welche im Zuge der Exis-
tenzgründung essenziell sind.
• stellen wirtschaftliche Zusammenhänge und Bedingun-
gen, unter welchen unternehmerische Entscheidungen
getroffen werden, dar.
• arbeiten einen Businessplan auf Basis des für Unterneh-
mensgründungen notwendigen Grundwissen aus, wel-
cher ihre entwickelte Geschäftsidee strukturiert und kon-
zeptionell zielgruppenspezifisch illustriert.
• schätzen ihre im spielerischen Umfeld des Wettbe-
werbs getätigten Entscheidungen Handlungen und Er-
fahrungen anhand von wissenschaftlichen Konzepten
und Theorien ein.
• analysieren das Potential der eigenen Geschäftsidee an-
hand verschiedener Dimensionen. Dabei nutzen die Stu-
dierenden Tools, um u.a. den Wettbewerb oder das mit
der Geschäftsidee adressierte Problem zu analysieren.
Auf Basis ihrer Ergebnisse entwickeln die Studieren-
den anschließend die Value Proposition der eigenen Ge-
schäftsidee.
• entwickeln im Zuge der praktischen Erfahrung der Exis-
tenzgründung unternehmerisches Denken und Handeln,
für welches Eigeninitiative, Entscheidungsfreude, Team-
fähigkeit, Kreativität und Selbstständigkeit von zentra-
ler Bedeutung sind.
—
Students who have successfully participated in the module “5-
Euro-Business Competition (for Bachelor students)”,
• explain basic concepts and methods in the field of busi-
ness start-ups and identify decision-relevant milestones
in various sub-areas such as “idea development”, “pro-
ject management”, “marketing” and “finance”, which
are essential in the course of setting up a business.
• present economic contexts and conditions under which
entrepreneurial decisions are made.
• develop a business plan based on the basic knowledge
required for setting up a business, which structures the
business idea they have developed and illustrates it con-
ceptually for a specific target group.
Module Catalogue 227

• assess their decisions, actions and experiences made in

the playful environment of the competition on the basis
of scientific concepts and theories.
• analyse the potential of their own business idea on the
basis of various dimensions. Students use tools to ana-
lyse the competition or the problem addressed by the
business idea, among other things. Based on their fin-
dings, students then develop the value proposition of
their own business idea.
• develop entrepreneurial thinking and behaviour in the
course of the practical experience of setting up a busi-
ness, for which initiative, decisiveness, teamwork, crea-
tivity and independence are of central importance.

Inhalt Spielen Sie mit dem Gedanken, ein Unternehmen zu gründen?

Course content Wollen Sie ausprobieren, ob Ihre Idee am Markt ankommt?
Dann nehmen Sie am „5-Euro-Business“-Wettbewerb teil! In-
teressierte Studierende können sowohl mit als auch ohne Team
und Idee teilnehmen.
Sie entwickeln während des Wettbewerbs gemeinsam mit Ih-
rem Team eine Idee und setzen diese um. In Intensivkursen
werden Sie von Coaches aus der Praxis begleitet (z.B. Ideen-
entwicklung, Teambildung, Marketing, Schutz, Projektmana-
gement). Ein(e) Pate/Patin aus der Wirtschaft steht Ihnen
zur Seite und unterstützt Sie durchgehend bei der Umsetzung
Ihrer Idee. Bei der Abschlussveranstaltung können Preise im
Gesamtwert von über 1.500 Euro gewonnen werden.
Wir freuen uns über Teilnehmende aller Fakultäten!
Nach erfolgreichem Abschluss des Wettbewerbs erhalten Sie
bei Abgabe einer zusätzlichen, kurzen Seminararbeit nach dem
Wettbewerb 5 ECTS (vom Lehrstuhl für Betriebswirtschafts-
lehre mit Schwerpunkt Organisation, Technologiemanagement
und Entrepreneurship).
Weitere Informationen: [Link]
—
Are you toying with the idea of setting up a company? Do you
want to try out whether your idea will be successful on the
market? Then take part in the “5-Euro-Business” competiti-
on! Interested students can take part with or without a team
and idea.
During the competition, you will develop an idea together with
your team and realise it. You will be supported by coaches from
the field in intensive courses (e.g. idea development, team buil-
ding, marketing, protection, project management). A mentor
from the business world will be at your side and support you
throughout the realisation of your idea. Prizes totalling over
Module Catalogue 228

1,500 euros can be won at the final event.

We welcome participants from all faculties!
After successfully completing the competition, you will recei-
ve 5 ECTS (from the Chair of Business Administration with
a focus on Organisation, Technology Management and Entre-
preneurship) if you submit an additional, short seminar paper
after the competition.
Further information: [Link]

Studien-/Prüfungsleistungen Teilnahme an der Auftaktveranstaltung in den ersten Wochen

Assessment des Semesters.
Die Auswahl der Teilnehmenden, falls nötig, findet im An-
schluss an die Anmeldung bei der Auftaktveranstaltung statt.
(Bei den letzten Wettbewerben konnte allen Angemeldeten die
Teilnahme ermöglicht werden).
Zusätzlich zur Teilnahme am Wettbewerb: Abgabe einer kur-
zen Seminararbeit (100%).
Participation in the kick-off event in the first weeks of the
semester is mandatory.
The selection of participants, if necessary, takes place after
registration at the kick-off event. (In the last competitions, all
those who registered were able to take part).
In addition to participation in the competition: submission of
a short seminar paper (100%).

Medienformen Interaktiver Frontalunterricht. Problemorientiertes Lernen

Media used (POL), angeleitet durch die Dozierenden und Wirtschaftspa-
ten und -patinnen aus der betrieblichen Praxis.
Interactive frontal teaching. Problem-orientated learning
(POL), guided by the lecturers and business mentors from
business practice

Literatur
Reading list
Module Catalogue 229

32766 Entrepreneurship Development Programme PN xxxxxx

Häufigkeit des Modulangebots Jedes Winter-/Sommersemester

Frequency of course offering Every winter/ summer semester

Moduldauer 2 Semester
Module duration

Modulverantwortliche(r) Barmeyer, Bleyer, Bort, Granitzer, Häussler, Mayr, Schumann,

Module convenor Totzek, von Lewinski, Diekmann

Dozent(in) Barmeyer, Bleyer, Bort, Granitzer, Häussler, Mayr, Schumann,

Lecturer Totzek, von Lewinski, Diekmann

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Entrepreneurship” (Ent)

Curriculum

Lehrform/SWS 8
Contact hours

Arbeitsaufwand 120 Std. Unterricht, 180 Std. Selbststudium & Teamarbeit.

Workload 120 hrs. class instruction, 180 hrs. self-study & teamwork.

ECTS 10
Credits

Voraussetzungen nach Prü- Erfolgreiche Bewerbung und Teilnahme an „Focus Days“ (Hin-
fungsordnung weis: Die Auswahl der Teilnehmer erfolgt gegebenenfalls nach
Required prerequisites as per der Bewerbung auf den so genannten „Focus Days“).
the study and examination Successful application and participation at „Focus Days“ (No-
regulations te: The selection of participants, if necessary, will take place
after application at the so-called „Focus Days“.)

Empfohlene Vorkenntnisse Erste (Geschäfts-)Idee und ein Team von mindestens zwei Mit-
Recommended skills gliedern.
Initial (business) idea, and at least a team of two members.

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Studierende, die erfolgreich an dem Modul „Entrepreneurship

Learning outcomes Development Programme“ teilgenommen haben,
• erläutern Start-up-Konzepte und -Methoden und identi-
fizieren entscheidungsrelevante Meilensteine in verschie-
denen Teilbereichen wie „kundenzentrierte Ideenent-
Module Catalogue 230

wicklung“, „Business Modelling“, „Prototyping“, „Tes-

ting“ und „Stakeholder Management“.
• analysieren das Potenzial von Zielmärkten, Prototypen
oder Geschäftsideen mit qualitativen (und ggf. quanti-
tativen) Kunden- und Marktforschungsinstrumenten.
• wenden etablierte Instrumente und Konzepte zur Formu-
lierung und Quantifizierung eines überzeugenden Wert-
versprechens unter Berücksichtigung nachhaltiger (öko-
logischer und sozialer) und interkultureller Auswirkun-
gen an.
• reflektieren ihre unternehmerischen Entscheidungen,
Handlungen und Erfahrungen auf der Grundlage wis-
senschaftlicher Konzepte und Theorien kritisch.
• präsentieren ein Pitch Deck und erstellen einen Ge-
schäftsplan, die die Geschäftsidee und den Prototyp
für potenzielle Interessenten (z. B. Partner, Mitarbeiter
oder Investoren) überzeugend strukturieren.
• entwickeln unternehmerisches Denken und Handeln, wo-
für Eigeninitiative, Entscheidungsfreude, Teamarbeit,
Kommunikationsfähigkeit und Kreativität von zentraler
Bedeutung sind.
—
Students who have successfully participated in the module
Entrepreneurship Development Programme,
• explain concepts and methods in the start-up field and
identify decision-relevant milestones in various sub-areas
such as “customer-centric idea development”, “business
modelling”, “prototyping”, “testing”, and “stakeholder
management”.
• analyse the potential of target markets, prototypes or
business ideas with qualitative (and, if necessary, quan-
titative) customer and market research tools.
• apply established entrepreneurial tools and concepts to
formulate and quantify a compelling value proposition
while taking sustainable (ecological and social), and in-
tercultural effects into consideration.
• critically reflect their entrepreneurial decisions, actions
and experiences based on scientific concepts and theo-
ries.
• set up and present a pitch deck and business plan, which
compellingly structures the business idea and prototype
for potential stakeholders (e.g., partners, employees, or
investors).
• develop entrepreneurial thinking and action during the
practical experience of setting up a business, for which
Module Catalogue 231

self-initiative, decisiveness, teamwork, communication

skills, and creativity are of central importance.

Inhalt Das Entrepreneurship Development Programme ist ein intensi-

Course content ves, interdisziplinäres Programm zur Entwicklung und Validie-
rung einer Geschäftsidee und eines Prototyps mit Schwerpunkt
auf Digitalisierung, Interkulturalität oder Nachhaltigkeit. In
Anlehnung an die Lean-Start-up-Methode ist das Programm
in zwei intensive Phasen gegliedert, die sich auf die Wert-
schaffung (value creation) und Wertschöpfung (value capture)
konzentrieren, um den individuellen Bedürfnissen der studenti-
schen Start-up-Teams (oder studentischen Unternehmer) ge-
recht zu werden. In jeder Intensivphase werden die (Geschäfts-
)Idee und der/die Prototyp(en) in verschiedenen Workshops
und individuellen Coaching-Sitzungen verfeinert. Auf (digitale)
Technologie, Wirtschaft, Nachhaltigkeit, Interkulturalität und
Recht spezialisierte Dozenten unterstützen die Teams bei der
Entwicklung und Validierung des Geschäftsmodells und des
Prototyps/der Prototypen. Am Ende des Programms werden
alle erarbeiteten Inhalte in einen Geschäftsplan und ein Pitch
Deck münden, die bei der abschließenden Pitch-Veranstaltung
präsentiert werden und den Ausgangspunkt für die nächsten
Schritte als Unternehmer bilden können.
Die folgenden Inhalte werden behandelt:
• Kunden- und Marktforschung
• Entwicklung eines Wertversprechens mit Wettbewerbs-
und Stakeholder-Analysen
• Geschäftsmodellierung, einschließlich Finanzplanung so-
wie nachhaltige (ökologische und soziale) Auswirkungen
• Formulierung von Marketingstrategien (einschließlich
Marketing-Mix) und interkulturelle Aspekte
• (Digitales) Prototyping und Testen auf der Grundlage
psychologischer Theorien und Konzepte
• Rechtliches Konzept und Bewertung der Interessengrup-
pen
—
The Entrepreneurship Development Programme is an intense,
interdisciplinary programme to develop and validate a business
idea and prototype with a focus on digitalisation, intercultu-
rality or sustainability. Following the Lean Start-up method,
the programme is structured in two intense phases focusing on
value creation and value capture to meet the individual needs
of student start-up teams (or student entrepreneurs). Within
each intense phase, the (business) idea and prototype(s) will
be refined in various workshops and individual coaching sessi-
ons. Faculty specialised in (digital) technology, business, su-
Module Catalogue 232

stainability, interculturality, and law support the teams in de-

veloping and validating their business model and prototype(s).
At the end of the programme, all developed content results
in a business plan and pitch deck presented at the final pitch
event which can be the starting point for the next steps as an
entrepreneur.
The following contents will be covered:
• Customer and market research
• Value proposition design along with competition and
stakeholder analyses
• Business modelling, incl. financial planning as well as
sustainable (ecological and social) impact
• Marketing strategy (incl. marketing mix) formulation
and intercultural aspects
• (Digital) prototyping and testing based on psychological
theories and concepts
• Legal idea and stakeholder assessment

Studien-/Prüfungsleistungen Portfolio-Prüfung: Project Submissions (inkl. 40% Business-

Assessment report, 20% Participation, 40% Checkpoint & final pitch)
Portfolio examination: Project Submissions (incl. 40% Busi-
nessreport, 20% Participation, 40% Checkpoint & final pitch)

Medienformen -Projektbasiertes Lernen in Kombination mit einem iterativen

Media used Ideenentwicklungsprozess nach dem Vorbild der Lean-Start-
up-Methode.
-Seminar- und Workshop-Sitzungen mit interaktivem Frontal-
unterricht, ergänzt durch Praxis-Impulsvorträge und Einzel-
coaching mit team- und ideenspezifischer Begleitung.
-Arbeit im Selbststudium in Teams an der jeweiligen Idee, be-
gleitet von individuellen Coaching- und Mentoring-Sitzungen
mit ideen- und teamspezifischer Anleitung und themenspezi-
fischen Aufgabenstellungen.
-Präsentation und Diskussion der Lösungen in der Klasse
(Peer-to-Peer-Feedback).
–
-Project-based learning in combination with an iterative idea
development process inspired by the Lean Start-up method.
-Seminar and workshop sessions with interactive frontal tea-
ching supplemented by practitioner impulse talks, and indivi-
dual coaching with team- and idea-specific guidance.
-Self-study work in teams on their respective idea accompanied
by individual coaching and mentoring sessions providing idea-
and team-specific guidance and topic-specific assignments.
-In-class presentation and discussion of solutions (peer-to-peer
feedback).
Module Catalogue 233

Literatur Literatur und Begleitmaterial werden in den Workshops und

Reading list Coachings individuell bekannt gegeben.
Literature & supporting material will be announced individual-
ly in the workshops & coaching sessions
Module Catalogue 234

33660 Entrepreneurial Marketing PN xxxxxx

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Totzek
Module convenor

Dozent(in) Totzek
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Entrepreneurship” (Ent)

Curriculum

Lehrform/SWS 2
Contact hours

Arbeitsaufwand 30 Stunden Anwesenheit & 120 Stunden Selbststudium

Workload 30 hours attendance & 120 hours own study

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Der vorherige Besuch des Moduls „Marketing“ wird empfoh-
Recommended skills len.
Prior attendance of the “Marketing” module is recommended.

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Studierende, die am Modul „Entrepreneurial Marketing“ teil-

Learning outcomes genommen haben
• beschreiben die Herausforderungen des Marketings in
Start-Ups und in einem Gründungsumfeld.
• wenden wichtige Marketing- und Vertriebskonzepte in
einem Start-Up-Kontext and.
• verstehen die Herausforderungen des Experimentierens,
Module Catalogue 235

die Entwicklung der Kundennachfrage und die notwen-

digen Ressourcen und Fähigkeiten.
• können Marketing- und Vertriebskonzepte von jungen
Unternehmen evaluieren.
• entwickeln, bewerten und kommunizieren Marketing-
und Vertriebskonzepte für Innovationen oder junge Un-
ternehmen.
—
Students who have participated in the module of “Entrepre-
neurial Marketing”
• describe the challenges of marketing in start-ups and
entrepreneurial businesses.
• apply key marketing and sales concepts in an entrepre-
neurial context.
• understand the challenges of experimentation, develo-
ping customer demand, and the relevant capabilities in
an entrepreneurial context.
• evaluate the appropriateness and soundness of entrepre-
neurial ventures’ marketing and sales approaches.
• develop, evaluate, and communicate marketing and sa-
les plans for innovations or new ventures.

Inhalt • Marketing zur Unterstützung von Unternehmensgrün-

Course content dungen
• Identifizierung einer Anwendung und eines Marktes
• Detaillierung des Marktes: Segmentierung und Positio-
nierung
• Verständnis und Bearbeitung von Lead-Kunden
• Wichtige Wettbewerbs- und Marktüberlegungen
• Marktforschung in einem Gründungskontext
• Der Prozess der Kundenentwicklung
• Entwicklung eines Marketing- und Vertriebskonzepts
• Die Rolle des Vertriebs bei der Kundenentwicklung
• Entwicklung der Marketing- und Vertriebsfähigkeiten in
einem jungen Unternehmen
—
• Using marketing to create a new business with radically
new ideas
• Identifying an application and market
• Detailing the market: segmentation and positioning to
maximize the value of the product application
• Adoption, diffusion, and understanding lead customers
• Important competitive and market considerations
• Market research in an entrepreneurial context
• The customer development process
• Developing a marketing and sales program
Module Catalogue 236

• The role of sales in customer development

• Developing the new firm’s marketing and sales capabi-
lities

Studien-/Prüfungsleistungen Portfolio (50% Präsentation, 50% schriftliche Klausur)

Assessment Portfolio (50% case presentation, 50% written exam)

Medienformen Vorlesung mit Seminarcharakter

Media used Interactive teaching with in-class presentations and discussi-
ons

Literatur Longenecker, J. G., Petty, J. W., Palic, L. E., Hoy, F. (2023),

Reading list Small business management: Launching & Growing Entrepre-
neurial Ventures, 20th edition, Cengage Learning.
Nijssen, E. J. (2022), Entrepreneurial Marketing: How to De-
velop Customer Demand, 3rd edition, Routledge.
A list with mandatory readings will be provided at the begin-
ning of the course.
Module Catalogue 237

34700 Marketing Research PN 212404

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Schumann
Module convenor

Dozent(in) Schumann
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Entrepreneurship” (Ent)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 30 + 30 Std. Präsenz, 45 + 45 Std. Eigenarbeitszeit

Workload 30 + 30 hrs presence, 45 + 45 hrs self-study

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Grundkenntnisse in Marketing, linearer Algebra und Differen-

Recommended skills tialrechnung sind hilfreich.
Basic knowledge of marketing, linear algebra and differential
calculus is helpful.

Verwendbarkeit in weiteren [Link]. Mathematik

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Studierende, die erfolgreich an dem Modul „Marketing Rese-

Learning outcomes arch“ teilgenommen haben...
• erklären die Art und den Umfang der Marketingfor-
schung.
• zeigen die Rahmenbedingungen für die Durchführung
von Marketingforschung auf.
Module Catalogue 238

• beschreiben und klassifizieren verschiedene Forschungs-

designs und erklären die Unterschiede zwischen ihnen.
• identifizieren und leiten die Konzepte der Messung, Ska-
lierung und Stichprobe ab.
• erläutern und führen verschiedene Methoden der Daten-
analyse durch und interpretieren die Erkenntnisse, die
aus einer solchen Analyse gewonnen werden können.
—
Students who have successfully participated in the module
“Marketing Research”...
• explain the nature and scope of marketing research.
• illustrate a framework for conducting marketing rese-
arch.
• describe and classify various research designs and ex-
plain the differences between them.
• identify and deduce the concepts of measurement, sca-
ling and sampling.
• illustrate and perform different methods of data analysis
and interpret the insights that can be obtained from
such analysis.

Inhalt • Einführung in die Marketingforschung

Course content • Formulierung von Forschungsdesigns
• Messung, Skalierung und Stichprobenziehung
• Uni- und bivariate Analysemethoden
• Multivariate Analysemethoden
—
• Introduction to marketing research
• Research design formulation
• Measurement, scaling and sampling
• Uni- and bivariate methods of analysis
• Multivariate methods of analysis

Studien-/Prüfungsleistungen Klausur (60 Min)

Assessment Written exam (60 min)

Medienformen Interaktive Vorlesung, Übungen über Tutorium.

Media used Interactive lecture, Exercises via tutorial.

Literatur Malhotra, Naresh K. (2010), Marketing Research: An Applied

Reading list Orientation. Boston: Pearson.
Field, Andy P. (2009), Discovering statistics Using SPSS. Los
Angeles: Sage.
Module Catalogue 239

34948 Data and Decisions PN xxxxxx

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Goerigk
Module convenor

Dozent(in) Goerigk
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Business Analytics” (BuAn)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60h Präsenz, 90h selbständige Arbeit

Workload 60h presence, 90h self-study & exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Nach Abschluss des Moduls sind die Studierenden in der Lage
Learning outcomes • datenintensive Entscheidungsfindungsprobleme durch
die Wahl einer geeigneten Methode zu lösen,
• Optimierungs- und Data-Science-Modelle in Python zu
implementieren und
• Fallstricke bei der Nutzung von Daten für Entscheidun-
gen zu erkennen und zu umgehen.
—
Module Catalogue 240

Upon completion of the module, students are able to

• solve data-rich decision making problems by choosing
an appropriate method,
• implement optimization and data science models in Py-
thon, and
• identify and circumvent pitfalls when using data for de-
cisions.

Inhalt Entscheidungsfindungsmodelle benötigen Daten, um in die

Course content Praxis umgesetzt werden zu können. Während wir die Samm-
lung und Aufbereitung von Daten und den anschließenden
Entscheidungsschritt getrennt betrachten können, betrachten
moderne Ansätze eine integrierte Prozesspipeline. Wir lernen
die Grundlagen solcher Methoden kennen und wenden sie mit
einfachem Python-Code an. Folgende Data Science- und Op-
timierungsmethoden werden besprochen:
• lineare und ganzzahlige Programmierung
• Vorverarbeitung von Daten
• Kontextuelle Optimierung
• Optimierung von Entscheidungsregeln
• präskriptive Optimierung mit stochastischer und robus-
ter Optimierung
• Integriertes Lernen und Optimierung, insbesondere
smart predict-then-optimize
• Präferenzlernen für UTA
• Überwachtes Lernen
• Grundlagen der Programmierung in Python und die Ver-
wendung von Solvern der gemischt-ganzzahligen Pro-
grammierung
—
Decision-making models need data to be put into practice.
While we may consider the collection and preparation of data
and the subsequent decision-making step in separation, mo-
dern approaches consider an integrated process pipeline. We
get to know the basics of such methods and apply them with
simple Python code. The following data science and optimi-
zation methods will be discussed:
• linear and integer programming
• data preprocessing
• contextual optimization
• decision rule optimization
• prescriptive optimization with stochastic and robust op-
timization
• integrated learning and optimization, in particular smart
predict-then-optimize
• preference learning for UTA
Module Catalogue 241

• supervised learning
• basics of programming in Python and the use of mixed-
integer programming solvers

Studien-/Prüfungsleistungen Portfolio
Assessment Portfolio

Medienformen Interaktive Vorlesungen, Gruppenarbeit in Tutorien, Program-

Media used miersitzungen und Online-Foren und Diskussionen.
Interactive lectures, group work in tutorial classes, program-
ming sessions, and online forums and discussions.

Literatur Sadana, Utsav, et al. “A survey of contextual optimization me-

Reading list thods for decision-making under uncertainty.” European Jour-
nal of Operational Research, Volume 320, Issue 2, 16 January
2025, Pages 271-289.
Module Catalogue 242

34954 Practical Course: Management Science PN xxxxxx

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Goerigk
Module convenor

Dozent(in) Goerigk
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Business Analytics” (BuAn)

Curriculum

Lehrform/SWS 2
Contact hours

Arbeitsaufwand 30h Präsenz, 120h selbständige Arbeit

Workload 30h presence, 120h self-study & exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Die Themen des Praktikums sind auf den Kurs „Fundamentals
fungsordnung of Management Science“ abgestimmt. Daher sollten die Stu-
Required prerequisites as per dierenden als Voraussetzung entweder einen Kurs in Optimie-
the study and examination rung (z. B. „Supply Chain and Operations Management“ oder
regulations „Fundamentals of Management Science“) erfolgreich abge-
schlossen haben oder derzeit in einem Kurs in Optimierung (z.
B. „Supply Chain and Operations Management“ oder „Fun-
damentals of Management Science“) eingeschrieben sein.
—
The topics of the practical course are aligned with the course
"Fundamentals of Management Science". Therefore, as prere-
quisites, the students should have either successfully comple-
ted a course in optimization (e.g. SSupply Chain and Operati-
ons Managementör "Fundamentals of Management Science")
or should be currently enrolled in a course in optimization (e.g.
SSupply Chain and Operations Managementör "Fundamentals
of Management Science").
Module Catalogue 243

Empfohlene Vorkenntnisse Grundlegende Kenntnisse in Mathematik und die Fähigkeit,

Recommended skills präzise und logisch stringente Argumente zu verfassen. So-
lide Grundkenntnisse in Modellierung und Optimierung. Die
Fähigkeit, einen Pseudocode zu verstehen und zu schreiben.
Grundlegende Programmierkenntnisse.
—
Mathematical maturity and the ability to write down precise
and rigorous arguments. Solid basic knowledge of modeling
and optimization. Ability to understand and write a pseudo-
code. At least basic programming skills.

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Nach erfolgreicher Teilnahme am Modul sind die Studierenden

Learning outcomes in der Lage: Optimierungsprobleme aus der Praxis (quantitati-
ve Planungsprobleme) zu analysieren und zu lösen, einschließ-
lich der Erstellung eines geeigneten mathematischen Modells,
der Lösung mit einem Optimierungslöser und der kritischen In-
terpretation der Ergebnisse Erkenntnisse für das Management
zu erarbeiten, die für die Entscheidungsfindung im eigenen
Optimierungsprojekt (Fallstudie) relevant sind Die Ergebnisse
des eigenen Optimierungsprojekts auf klare und überzeugende
Weise zu präsentieren
—
After successful participation in the module, students will be
able to: Analyze and solve real-world optimization problems
(quantitative planning problems), including setting up a suita-
ble mathematical model, solving it with an optimization solver,
critically interpreting the results Work-out managerial insights
relevant for decision making in the own optimization project
(case study) Present the results of own optimization project
in a clear, persuasive manner

Inhalt In diesem praktischen Kurs werden die Teilnehmer eine spezi-

Course content fische Fallstudie im Detail bearbeiten, ein geeignetes Lösungs-
verfahren entwerfen, es umsetzen, ihren Algorithmus kritisch
bewerten und ihn in computergestützten Experimenten tes-
ten. Die Kursteilnehmer stellen ihr Projekt in einer Abschluss-
präsentation vor. Die Themen des praktischen Kurses sind
auf den Kurs „Fundamentals of Management Science“ ab-
gestimmt und können sich beispielsweise auf die Gestaltung
maßgeschneiderter Heuristiken/Metaheuristiken, exakte Op-
timierungsmethoden oder die Arbeit mit spezieller Optimie-
Module Catalogue 244

rungssoftware (z. B. IBM ILOG Cplex, Gurobi) konzentrieren.

—
In this practical course, the participants will work in depth
through a specific case study, design an appropriate soluti-
on procedure, implement it, critically evaluate their algorithm
and test it in computational experiments. The course partici-
pants present their project in the final presentation. Topics of
the practical course are aligned with the course “Fundamen-
tals of Management Science” and may center, for instance,
around design of customized heuristics/metaheuristics, exact
optimization methods, or work with specialized optimization
software (e.g., IBM ILOG Cplex, Gurobi).

Studien-/Prüfungsleistungen Portfolio-Prüfung. Die Abschlussnote kann beispielsweise von

Assessment folgenden Faktoren abhängen: dem entworfenen Algorithmus
und seiner kritischen Bewertung, der Umsetzung des Algo-
rithmus, computergestützten Experimenten, Abschlusspräsen-
tation, Empfehlung und Managementerkenntnisse. Das Beno-
tungsschema wird zu Beginn des Kurses bekannt gegeben
—
Portfolio examination. The final grade may depend, for instan-
ce, on: The designed algorithm and its critical appreciation.
The implementation of the algorithm. Computational expe-
riments. Final presentation, recommendation and managerial
insights. The grading scheme is announced in the beginning
of the course.

Medienformen -
Media used

Literatur -
Reading list
Module Catalogue 245

34962 Fundamentals of Management Science II PN xxxxxx

Häufigkeit des Modulangebots Jedes Summersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Goerigk
Module convenor

Dozent(in) Goerigk
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Business Analytics” (BuAn)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60h Präsenz, 90h selbständige Arbeit

Workload 60h presence, 90h self-study & exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Modul “Fundamentals of Management Science I”

fungsordnung Module “Fundamentals of Management Science I”
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Grundlagenwissen der linearen Algebra

Recommended skills Mathematical maturity and the ability to write down precise
and rigorous arguments. Basic knowledge of linear algebra.

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Nach Abschluss des Moduls sind die Studierenden in der Lage
Learning outcomes • fortgeschrittene Modellierungs- und Lösungstechniken
auf Entscheidungsprobleme anzuwenden,
• fortgeschrittene Versionen ausgewählter exakter Lö-
sungsalgorithmen anzuwenden,
• zwischen verschiedenen Arten von Lösungsmethoden zu
unterscheiden und auf der Grundlage eines theoretischen
Module Catalogue 246

Verständnisses die am besten geeignete Methode für ein

Problem zu finden,
• Optimierungsprobleme in besser handhabbare Typen
umzuformulieren,
• auf der Grundlage eines vertieften strukturellen Ver-
ständnisses ihrer Bestandteile zwischen schwierigen und
einfachen Problemen zu unterscheiden
—
Upon completion of the module, students are able to
• apply advanced modeling and solution techniques to
decision-making problems
• apply advanced versions of selected exact solution algo-
rithms
• discriminate between types of solution methods, find the
best-performing method for a problem based on a theo-
retical understanding
• reformulate optimization problems into better tractable
types
• differentiate between hard and easy problems based on a
deepened structural insight into their constitutent parts

Inhalt Wir erweitern die Untersuchung von Entscheidungssituationen

Course content durch ihre mathematische Darstellung als Optimierungspro-
bleme. Die Themen umfassen:
• fortgeschrittene Methoden der linearen Programmie-
rung, Interne-Punkt-Methoden, die Ellipsoid-Methode
• Theorie von Polyedern und Kegeln
• Farkas’sches Lemma
• Methoden der Variableneliminierung, wie die Fourier-
Motzkin-Eliminierung
• Schnittebenenverfahren für ganzzahlige Programme,
wie z.B. Gomory-Schnittebenen
• Grundlagen der konvexen Optimierung
• Karush-Kuhn-Tucker-Bedingungen
• Totale duale Integralität
—
We extend the study of decision-making situations through
their mathematical representation as optimization problems.
Topics include:
• advanced methods of linear programming, interior-point
methods, the ellipsoid method
• theory of polyhedra and cones
• Farkas’ lemma
• variable elimination methods, such as Fourier-Motzkin
elimination
• cutting methods for integer programs, such as Gomory
Module Catalogue 247

cuts
• basics of convex optimization
• Karush–Kuhn–Tucker conditions
• Total dual integrality

Studien-/Prüfungsleistungen Mündliche Prüfung (Dauer 45 Minuten), ODER schriftliche

Assessment Prüfung (90 Minuten). Die Art der Prüfung wird innerhalb
der ersten zwei Wochen des Unterrichts bekannt gegeben.
Oral exam (duration 45 minutes), OR written exam (90 minu-
tes). The type of exam will be communicated within the first
two weeks of teaching.

Medienformen Interaktive Vorlesungen, Gruppenarbeit in Tutorien, Online-

Media used Foren und Diskussionen, Probeklausur und deren Diskussion
und Blended Learning.
Interactive lectures, group work in tutorial classes, online fo-
rums and discussions, take-home mock exam and its discussi-
on, and blended learning.

Literatur Related literature includes:

Reading list Bertsimas, Dimitris, and John N. Tsitsiklis. Introduction to
linear optimization. Vol. 6. Belmont, MA: Athena scientific,
1997
Boyd, Stephen P., and Lieven Vandenberghe. Convex optimi-
zation. Cambridge university press, 2004.
Wolsey, Laurence A., and George L. Nemhauser. Integer and
combinatorial optimization. Vol. 55. John Wiley & Sons, 1999.
Module Catalogue 248

34964 Fundamentals of Management Science I PN xxxxxx

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Goerigk
Module convenor

Dozent(in) Goerigk
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Business Analytics” (BuAn)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz, 90 Std. Eigenarbeitszeit

Workload 60 hrs presence, 90 hrs independent study & exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Grundlegende Kenntnisse in Mathematik und die Fähigkeit,

Recommended skills präzise und logisch stringente Argumente zu verfassen. Solide
Grundkenntnisse in linearer Algebra.
—
Mathematical maturity and the ability to write down precise
and rigorous arguments. Solid basic knowledge of linear alge-
bra.

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Nach erfolgreicher Teilnahme am Modul werden die Studie-

Learning outcomes renden in der Lage sein: Optimierungsmodelle zu lesen und zu
interpretieren, selbstständig Modelle für Variationen grund-
Module Catalogue 249

legender Optimierungsprobleme zu erarbeiten, einen geeigne-

ten Lösungsansatz, basierend auf grundlegenden Problemklas-
sifikationen sowie Überlegungen zur erforderlichen Lösungs-
qualität und zur akzeptablen Rechenkomplexität auszuwäh-
len, die Rechenkomplexität von Algorithmen zu bewerten, die
Grundlagen der linearen Programmierung und der Dualitäts-
theorie zu verstehen, den Erfolg und die Designkomponen-
ten der Simplex-Methode zu erläutern, MIP-Modelle bewer-
ten, zwischen guten und weniger vorteilhaften Modellierungs-
entscheidungen unterscheiden, auch für ganzzahlige Program-
me, grundlegende Versionen der ausgewählten exakten Algo-
rithmen (die Cutting Plane Methode und die Branch-and-
Bound-Methode) anwenden und vielversprechende Variatio-
nen und Erweiterungen dieser Methoden erarbeiten, das Kon-
zept der totalen Unimodularität verstehen und ausgewählte
entsprechende Optimierungsprobleme heuristisch und exakt
mit modernsten Lösungsansätzen lösen, Prinzipien verschie-
dener heuristischer und metaheuristischer Lösungsansätze an-
wenden und verstehen, das Potenzial der generischen heuris-
tischen Lösungsansätze (wie Metaheuristiken, auf bestärken-
dem Lernen basierende Heuristiken) kritisch bewerten, auch
im Hinblick auf das No-Free-Lunch-Theorem
—
After successful participation in the module, students will be
able to: Read and interpret optimization models, indepen-
dently work out models for variations of basic optimization
problems Select a suitable solution approach based on ba-
sic problem classifications as well as on considerations on the
required solution quality and the acceptable computational
complexity Evaluate computational complexity of algorithms
Understand in-depth foundations of linear programming and
duality theory, elaborate on the success and the design com-
ponents of the simplex method Evaluate MIP models, discri-
minate between good and less fortunate modeling decisions,
incl. for integer programs Apply basic versions of the selected
exact algorithms (the cutting plane method and the branch-
and-bound method) and elaborate on promising variations and
extensions of these methods Understand the concept of total
unimodularity and solve selected respective optimization pro-
blems heuristically and exactly with state-of-the-art solution
approaches Apply and understand principles of various heuri-
stic and metaheuristic solution approaches Critically evaluate
the potential of the generic heuristic solution approaches (such
as metaheuristics, reinforcement learning based heuristics), in-
cl. in the light of the no-free-lunch theorem.
Module Catalogue 250

Inhalt Modellierung, d. h. mathematische Darstellung verschiedener

Course content Entscheidungssituationen als Optimierungsproblem; verschie-
dene Lösungsansätze zur Lösung dieser Optimierungsproble-
me, wie problemspezifische Heuristiken, Metaheuristiken und
exakte Lösungsverfahren; einige Grundlagen der Komplexi-
tätstheorie, die z. B. bei der Wahl eines Lösungsansatzes
und beim Entwurf eines geeigneten Lösungsverfahrens rele-
vant sind; Fallstudien.
—
Modeling, i.e. mathematical representation of diverse decision-
making situations as an optimization problem; different soluti-
on approaches for solving these optimization problems, such as
problem-specific heuristics, metaheuristics, and exact solution
methods; some basics of complexity theory that are relevant,
for instance, in choosing a solution approach and in designing
a suitable solution algorithm; case studies.

Studien-/Prüfungsleistungen Klausur 100% oder Klausur 90% + 10% durch fakultative se-
Assessment mesterbegleitende Leistung (unter Vorbehalt)
—
Exam 100% or Exam 90% + 10% for completing optional as-
signments during the semester (with reservations)

Medienformen Vorlesung mit Seminarcharakter Vorlesungen mit interaktiven

Media used Elementen und Diskussionen Lösung und Besprechung von
Übungen und Fallstudien; Online-Foren und -Diskussionen; Ei-
ne Probeklausur, um die Abschlussprüfung des Kurses zu si-
mulieren. Besprechung dieser Probeklausur; Blended Learning,
wie die Verwendung von Software-Beispielen, Videos und web-
basierten Übungen
—
Lecture with seminar character Lectures with interactive ele-
ments and classroom discussions; Solution and discussions of
exercises and case studies; Online forums and discussions; A
take-home mock exam to simulate the final exam of the cour-
se. Discussion of this mock exam; Blended learning, such as
usage of software examples, videos and web-based exercises

Literatur -
Reading list
Module Catalogue 251

34965 Supply Chain & Operations Management PN 210961

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Goerigk
Module convenor

Dozent(in) Goerigk
Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Business Analytics” (BuAn)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz, 90 Std. Eigenarbeitszeit

Workload 60 hrs presence, 90 hrs independent study & exam preparation

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse mathematische Grundkenntnisse und Fertigkeiten

Recommended skills Basic mathematical knowledge is expected

Verwendbarkeit in weiteren [Link]. Mathematics

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Nach erfolgreicher Teilnahme am Modul sind die Studierenden

Learning outcomes in der Lage:
• Planungsebenen in der Produktion benennen und samt
Ziele und Herausforderungen erklären,
• typische Planungsprobleme im Produktion- und Supply
Chain Management erklären,
• wichtige relevante Konzepte (wie Bullwhip-Effekt) er-
kennen, erläutern und die Ursachen dafür verstehen,
Module Catalogue 252

• einfache Problemstellungen durch Anwendung betriebs-

wirtschaftlicher Verfahren (inkl. Heuristiken und exakte
Verfahren) selbständig lösen,
• Basisoptimierungsmodelle (graphentheo-
retische, LP und MIP) erläutern und Pseudocode von
grundlegenden Algorithmen lesen,
• Simulationen in Excel durchführen,
• grundlegende theoretische Begriffe der quantitativen
Planung (wie Lokale Suchverfahren, Konstruktionsheu-
ristiken, Begriffe der Graphentheorie, Begriffe der War-
teschlangentheorie) erläutern.
—
Upon completion of the module, students are able to:
• identify planning levels in production and explain their
goals and challenges,
• explain typical planning problems in production and sup-
ply chain management,
• recognize, describe, and understand the causes of im-
portant relevant concepts (such as the bullwhip effect),
• independently solve simple problems by applying busi-
ness administration methods (including heuristics and
exact methods),
• explain basic optimization models (graph-theoretical,
LP, and MIP) and read pseudocode of fundamental al-
gorithms,
• perform simulations in Excel,
• explain basic theoretical concepts of quantitative plan-
ning (such as local search methods, construction heuri-
stics, graph theory terms, and queuing theory terms).

Inhalt Die Vorlesung gibt eine Einführung in Supply Chain Manage-

Course content ment, Standortplanung, Layoutplanung, Konfigurierung von
Produktionssystemen sowie in operative Produktionsplanung
und –steuerung. Die Studierenden lernen durch die Modellie-
rung von Planungsproblemen, die Grundstruktur in jeder spe-
zifischen Planungssituation zu erkennen und einen passenden
grundlegenden Lösungsansatz auszuwählen und anzuwenden.
Die gewonnenen Kenntnisse werden durch zahlreiche Fallbei-
spiele gefestigt.
—
The lecture provides an introduction to supply chain mana-
gement, location planning, layout planning, configuration of
production systems, as well as operational production planning
and control. Students learn to recognize the basic structure of
planning situations specific to the [Link]. Business Adminis-
tration and Economics module catalog by modeling planning
Module Catalogue 253

problems, and to select and apply an appropriate basic so-

lution approach. The knowledge gained is reinforced through
numerous case studies.

Studien-/Prüfungsleistungen Klausur 100% oder Klausur 90% + 10% durch fakultative se-
Assessment mesterbegleitende Leistung (unter Vorbehalt)
Exam 100% or Exam 90% + in-term assessment 10%

Medienformen Frontalunterricht in der Vorlesung, Bearbeitung von Übungs-

Media used aufgaben in der Übung
Frontal teaching in lectures, working on exercises in tutorials

Literatur Thonemann, U.: Operations Management, Pearson Studium,

Reading list 1. Auflage München 2005 oder 2. Auflage München 2010.
Module Catalogue 254

35555 Einführung in die Ökonometrie PN 212109

Introduction to Econometrics

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Haupt
Module convenor

Dozent(in) Haupt
Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Business Analytics” (BuAn)

Curriculum

Lehrform/SWS 3V + 2Ü
Contact hours

Arbeitsaufwand 45 + 30 Std. Präsenz, 30 + 45 Std. Eigenarbeitszeit

Workload 45 + 30 hrs presence, 30 + 45 hrs self study

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Inhalte der Veranstaltungen (a) Mathematik für Wirtschafts-

Recommended skills wissenschaften und (b) Statistik für Wirtschaftswissenschaf-
ten (Teil 1 und 2) werden vorausgesetzt, insbesondere Teil 2
von (b).
Contents of the courses (a) Mathematics for Economics and
(b) Statistics for Economics (Parts 1 & 2) are a prerequisite,
especially part 2 of (b).

Verwendbarkeit in weiteren [Link]. Mathematik

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Studierende, die an dem Modul „Einführung in die Ökonome-

Learning outcomes trie“ erfolgreich teilgenommen haben,
Module Catalogue 255

• können einen systematischen Überblick über die Grund-

prinzipien der Ökonometrie skizzieren.
• verstehen die deskriptive und schließende Regressions-
analyse und deren grundlegende Interpretationen,
• sind in der Lage, die erworbenen Methoden und Prinzi-
pien in datenbasierten Problemstellungen anzuwenden.
• können einfache ökonometrische Analysen durchführen
und sind mit den zu Grunde liegenden mathemati-
schen Annahmen und den entsprechenden statistischen
Eigenschaften wichtiger regressionsbasierter Test- und
Schätzverfahren vertraut.
• sind in der Lage, empirische Ergebnisse kritisch zu be-
werten, Aussagen zu falsifizieren und, dabei die zu Grun-
de liegende Unsicherheit zu quantifizieren sowie fundier-
te einfache Modelle zu entwickeln und zu interpretieren.
—
Students who have successfully completed the module ‘Intro-
duction to Econometrics’,
• can outline a systematic overview of the basic principles
of econometrics.
• understand descriptive and inferential regression analy-
sis and their basic interpretations.
• can apply the acquired methods and principles of
regression-based estimation and hypothesis testing to
data-based problems.
• are able to carry out simple econometric analyses and are
familiar with the underlying mathematical assumptions
and the corresponding statistical properties of important
regression-based test and estimation methods.
• are able to critically evaluate empirical results, falsify
statements, quantify the underlying uncertainty and de-
velop and interpret well-founded simple models

Inhalt Das Modul gibt eine Einführung in die Regressionsanalyse, mit

Course content der sich datenbasiert ökonomische Zusammenhänge explorie-
ren, modellbasiert quantifizieren und korrespondierende Hypo-
thesen testen lassen. Regressionsanalytische Werkzeuge wer-
den in den Kontext der bereits erlernten statistischen Theorie
eingebettet und mit Beispielen interpretiert und illustriert. Al-
le Schritte einfacher empirisch-ökonometrischer Analysen wer-
den durchgeführt und Möglichkeiten und Grenzen ihrer Inter-
pretation im Lichte der zu Grunde liegenden Unsicherheit dis-
kutiert.
—
The module provides an introduction to regression analysis,
which can be used to explore data-based economic relation-
Module Catalogue 256

ships, quantify them on the basis of models and test corre-

sponding hypotheses. Regression analysis tools are embedded
in the context of the statistical theory already learnt and in-
terpreted and illustrated with examples. All steps of simple
empirical econometric analyses are carried out and the possi-
bilities and limits of their interpretation are discussed in the
light of the underlying uncertainty.

Studien-/Prüfungsleistungen Schriftliche Prüfung oder häusliche Leistungsfeststellung am

Assessment Ende des Semesters (60 Minuten) oder mündliche
(Online-)Prüfung, 100 %
Written exam or performance assessment at home at the end
of the semester (60 minutes) or oral (online) examination.

Medienformen Interaktiver Frontalunterricht und Diskussion von Lehrinhal-

Media used ten. Vermittlung der theoretischen Grundlagen und Illustration
anhand von Beispielen in der Vorlesung und Übung. Wöchent-
liche (barrierefreie) Vorlesungs- und Übungsmaterialien sowie
Pflichtliteratur.
Interactive frontal teaching and discussion of teaching con-
tent. Teaching of theoretical principles and illustration using
examples in lectures and exercises. Weekly (accessible) lecture
and exercise materials as well as compulsory literature.

Literatur -
Reading list
Module Catalogue 257

35560 Einführung in die Zeitreihenanalyse PN 212107

Introduction to Time Series Analysis

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Haupt
Module convenor

Dozent(in) Haupt
Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Business Analytics” (BuAn)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 30 + 30 Std. Präsenz, 45 + 45 Std. Eigenarbeitszeit

Workload 30 + 30 hrs presence, 45 + 45 hrs self study

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Inhalte der Veranstaltungen Mathematik für Wirtschaftswis-

Recommended skills senschaften und Statistik für Wirtschaftswissenschaften (Teil
1 und 2) werden vorausgesetzt.
Contents of the courses Mathematics for Economics and Sta-
tistics for Economics (Parts 1 & 2) are a prerequisite.

Verwendbarkeit in weiteren [Link]. Mathematik

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Studierende, die erfolgreich an dem Modul teilgenommen ha-

Learning outcomes ben,
• können einen systematischen Überblick über grundle-
gende Methoden der statistischen Modellierung und em-
Module Catalogue 258

pirischen Analyse von Zeitreihendaten skizzieren.

• verstehen die deskriptive Analyse der Datenstruktur und
die zu Grunde liegenden stochastischen Prozesse.
• sind in der Lage, die behandelten empirischen Methoden
in datenbasierten Problemstellungen anzuwenden.
• können einfache Zeitreihenanalysen wie Trend- und
Saisonbereinigung, diagnostische Tests und Prognosen
durchführen und sind mit den zu Grunde liegenden ma-
thematischen Annahmen und Interpretation vertraut.
• sind in der Lage, empirische Ergebnisse kritisch zu be-
werten, Aussagen zu falsifizieren und dabei die zu Grun-
de liegende Unsicherheit mit geeigneten Maßen zu quan-
tifizieren sowie fundierte einfache Modelle zu entwickeln
und zu interpretieren.
—
Students who have successfully completed the module,
• are able to outline a systematic overview of basic me-
thods of statistical modelling and empirical analysis of
time series data.
• understand the descriptive analysis of the data structure
and the underlying stochastic processes.
• are able to apply the empirical methods dealt with in
data-based problems.
• Can carry out simple time series analyses such as trend
and seasonal adjustment, diagnostic tests and forecasts
and are familiar with the underlying mathematical ass-
umptions and interpretation.

Inhalt Das Modul gibt eine Einführung in klassische Themen der

Course content Zeitreihenanalyse. Der erste Teil behandelt das Komponen-
tenmodell und intuitive nicht- und semiparametrische Verfah-
ren zur Trend- und Saisonanalyse sowie zur Prognose. Der
zweite Teil behandelt stationäre und nichtstationäre stochas-
tische Prozesse und führt in Theorie und Praxis von ARIMA-
Modellen ein. Für alle erlernten Methoden werden geeignete
moderne Validierungsinstrumente diskutiert.
—
The module provides an introduction to classical topics in time
series analysis. The first part deals with the component mo-
del and intuitive non-parametric and semi-parametric methods
for trend and seasonal analysis as well as forecasting. The se-
cond part deals with stationary and non-stationary stochastic
processes and introduces the theory and practice of ARIMA
models. Suitable statistical validation tools are discussed for
all methods learned.
Module Catalogue 259

Studien-/Prüfungsleistungen Schriftliche Prüfung am Ende des Semesters (60 Minuten)

Assessment oder häusliche Leistungsfeststellung oder mündliche
(Online-)Prüfung, 100%
Written exam or performance assessment at home at the end
of the semester (60 minutes) or oral (online) examination

Medienformen Interaktiver Frontalunterricht und Diskussion von Lehrinhal-

Media used ten. Vermittlung der theoretischen Grundlagen und Illustration
anhand von Beispielen in der Vorlesung und Übung. Wöchent-
liche (barrierefreie) Vorlesungs- und Übungsmaterialien sowie
Pflichtliteratur.
Interactive frontal teaching and discussion of teaching con-
tent. Teaching of theoretical principles and illustration using
examples in lectures and exercises. Weekly lecture and exerci-
se materials as well as compulsory literature.

Literatur -
Reading list
Module Catalogue 260

35620 Computergestützte Statistik – Einführung in R PN 212119

Computational Statistics – Introduction to R

Häufigkeit des Modulangebots Jedes Semester

Frequency of course offering Every Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Schnurbus
Module convenor

Dozent(in) Schnurbus
Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Business Analytics” (BuAn)

Curriculum

Lehrform/SWS 2V
Contact hours

Arbeitsaufwand 30 Std. Präsenz als Computerübungen + 60 Std. Eigenarbeits-

Workload zeit
30 hrs computer lectures and exercises, 60 hrs. self-study.

ECTS 3
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Grundlegende Kenntnisse in Statistik (beispielsweise erworben

Recommended skills durch Statistik für Wirtschaftswissenschaften, Teil 1 & 2)
Basic knowledge in statistics (e.g. acquired through Statistics
for Economics, Part 1 & 2).

Verwendbarkeit in weiteren [Link]. Informatik, [Link]. Mathematik, [Link]. Internet Compu-

Studiengängen ting
Applicability for other courses

Angestrebte Lernergebnisse Studierende, die erfolgreich an dem Modul teilgenommen ha-

Learning outcomes ben,
• sind in der Lage, die Statistiksoftware R zur Durchfüh-
rung eigener statistischer Analysen und Modellschätzun-
Module Catalogue 261

gen zu nutzen.
• verstehen die Grundlagen der Programmierung (Um-
gang mit Datensätzen, Objekten, Funktionen, Schleifen)
ebenso wie die grundlegenden deskriptiven und indukti-
ven statistischen Verfahren.
• sind in der Lage, eigene Funktionen, Auswertungen und
Modellschätzungen zu kreieren und die produzierten Er-
gebnisse zu visualisieren und interpretieren.
—
Students who have successfully completed the module,
• are able to use the statistical software R to carry out
their own statistical analyses and model estimations.
• understand the basics of programming (handling data
sets, objects, functions, loops) as well as the basic des-
criptive and inductive statistical methods.
• can create their own functions, evaluations, and model
estimations and are able to visualize and interpret the
results produced.

Inhalt Zentraler Gegenstand ist die Einführung in die Arbeit mit

Course content der Statistiksoftware R. Dies umfasst neben der Vermittlung
von programmiertechnischen Grundlagen (Objekte, Funktio-
nen, Schleifen, etc.) auch eine Einführung in die statistische
Datenanalyse (Erstellen hilfreicher Tabellen und Graphiken,
deskriptive Analysen, Modellschätzungen).
—
Central subject is the introduction to the work with the sta-
tistical software R. In addition to teaching the basics of pro-
gramming (objects, functions, loops, etc.), the course also in-
cludes an introduction to statistical data analysis (creating
helpful tables and graphs, descriptive analyses, model estima-
tions).

Studien-/Prüfungsleistungen Abschluss-Klausur oder häusliche Leistungsfeststellung (60

Assessment Minuten) oder Portfolio 100%. Bei bestandener Prüfung wer-
den die R-Grundlagenkenntnisse zusätzlich mittels eines Zer-
tifikats bescheinigt.
Exam or performance assessment at home (60 minutes) or
portfolio, 100%. R-skills are confirmed by a certificate if the
examination is passed.

Medienformen Interaktiver Frontalunterricht anhand von R-Codedateien.

Media used Übungsaufgaben, die selbstständig in R bearbeitet und danach
gemeinsam besprochen werden. Eigenständiges Programmie-
ren zur Vertiefung der Kenntnisse.
Interactive frontal teaching and discussion of the (accessible)
Module Catalogue 262

R-Codes (online). Exercises that are worked on independent-

ly in R and then discussed together. Students are expected
to deepen their knowledge by completing self-contained R-
exercises.

Literatur • Ligges, U. (2008), Programmieren mit R, Springer.

Reading list • Kleiber, C. & A. Zeileis (2008), Applied Econometrics
with R, Springer.
• Field, A. & Miles, J. & Field, Z. (2012), Discovering
Statistics using R, SAGE.
• Wooldridge, J. (2013), Introductory Econometrics, 5A.,
South Western.
Module Catalogue 263

39763 Fundamentals of Entrepreneurship PN xxxxxx

Häufigkeit des Modulangebots Irregulär

Frequency of course offering Irregular

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Bort
Module convenor

Dozent(in) Bort
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Entrepreneurship” (Ent)

Curriculum

Lehrform/SWS 2V + 2Ü
Contact hours

Arbeitsaufwand 60 Std. Präsenz, 90 Std. Eigenarbeitszeit

Workload 60 hrs presence, 90 hrs self-study

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Grundkenntnisse in Marketing, linearer Algebra und Differen-

Recommended skills tialrechnung sind hilfreich.
Basic knowledge of marketing, linear algebra and differential
calculus is helpful.

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Studierende, die erfolgreich am Modul „Fundamentals of

Learning outcomes Entrepreneurship“ teilgenommen haben,
• veranschaulichen grundlegende Konzepte und Theorien
im Bereich des Unternehmertums.
• erläutern die
verschiedenen Unternehmerrollen und Schlüsselfaktoren
Module Catalogue 264

für ein erfolgreiches Startup(-Umfeld).

• entwickeln und bewerten Geschäftsideen, (digitale) Pro-
totypen, unternehmerische Strategien sowie Geschäfts-
modelle unter Verwendung verschiedener Methoden.
• skizzieren die Phasen von Startups von der Gründung
bis zum Exit.
• kennen die Besonderheiten des sozialen und nachhalti-
gen Unternehmertums.
—
Students who have successfully participated the course “Fun-
damentals of Entrepreneurship”,
• exemplify fundamental concepts and theories in the field
of entrepreneurship.
• illustrate the different roles of an entrepreneur and the
key factors of a successful start-up (environment).
• develop and evaluate business ideas, (digital) proto-
types, entrepreneurial strategies and business models
using various tools.
• outline the stages and life cycles of start-ups (i.e. from
foundation to exit)
• explain the different types of entrepreneurship, such as
corporate, intercultural, social and sustainable entrepre-
neurship.

Inhalt • Einführung in das Unternehmertum

Course content • Geschäftsmöglichkeiten erkennen und entwickeln
• Die Rolle der Unternehmerin und des Unternehmers
• Digitales Prototyping
• Finanzierung von unternehmerischen Projekten
• Markteintritt, Wachstum und Exit
• Unternehmerische Teams und Führung
• Corporate Entrepreneurship
• Soziales und nachhaltiges Unternehmertum
—
• Introduction to entrepreneurship
• Developing and recognizing business opportunities
• Becoming an entrepreneur
• Digital prototyping
• Financing entrepreneurial ventures
• Market entry, growth, and exit
• Entrepreneurial leadership
• Corporate entrepreneurship
• Social and sustainable entrepreneurship

Studien-/Prüfungsleistungen Klausur (60 Minuten, 100%).

Assessment Written Exam (100%)
Module Catalogue 265

Medienformen Interaktive Lerneinheiten. Diskussion aktueller Literatur und

Media used Bearbeitung von Fallstudien zum Thema Unternehmertum.
Einbindung von Gastvorträgen.
Interactive teaching sessions. Discussion of readings and case
studies linked to the topic of entrepreneurship. Guest lectures
will be offered.

Literatur Literatur wird zu Beginn der Vorlesung bekannt gegeben.

Reading list Literature recommendations and mandatory readings will be
announced at the beginning of the lecture.
Module Catalogue 266

39901 Financial Data Analytics PN xxxxxx

Häufigkeit des Modulangebots Jedes Semester

Frequency of course offering Every Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Kellner
Module convenor

Dozent(in) Kellner
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Business Analytics” (BuAn)

Curriculum

Lehrform/SWS 4
Contact hours

Arbeitsaufwand 150 h (60 h Kontaktstudium / 90 h Selbststudium)

Workload 150 h (60 h contact studies / 90 h self-studies)

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Mathematik und Statistik; Vorteilhaft ist eine (zeitgleiche) Be-
Recommended skills legung des Kurses „Data Analysis and Digital Reporting with
Python“
Mathematics and Statistics; It is advantageous to take the
course "Data Analysis and Digital Reporting with Python” at
the same time.

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Studierende verstehen die Funktionsweise der Datenmodellie-

Learning outcomes rung, sind in der Lage mit diesem Wissen neue Modelle zu
erlernen und für den jeweiligen Sachverhalt geeignete Model-
le auszuwählen. Praktisch relevante Aspekte bei der Analyse
Module Catalogue 267

finanzwirtschaftlicher Daten werden durch vielfältige Anwen-

dungen, der im Kurs verwendeten Methoden, erlernt.
—
Students understand how data modeling works, are able to
use this knowledge to learn new models and select models
that are appropriate for the situation at hand. Practically re-
levant aspects of financial data analysis are learned through
diverse applications of the methods used in the course.

Inhalt • Grundlagen der Datenmodellierung

Course content • Lineare, logistische und polynomiale Regression
• Hauptkomponentenanalyse
• Clustering
• Generalisierung statistischer Modelle
• Regularisierung
• Umgang mit Texten bei der Datenanalyse
• Analyse von Asset Returns
• Analyse binärer Zielvariablen
• Clustering von Unternehmen anhand unterschiedlicher
Firmencharakteristika
—
• Basics of data modeling
• Linear, logistic and polynomial regression
• Principal component analysis
• Clustering
• Generalization of statistical models
• Regularization
• Handling text in data analysis
• Analysis of asset returns
• Analysis of binary target variables
• Outlier identification
• Clustering of companies based on different company
characteristics

Studien-/Prüfungsleistungen Klausur, Projektarbeit.

Assessment Written exam, Assignment.

Medienformen Interaktive Vorlesungen inkl. digitaler Unterlagen und Lehrvi-

Media used deos.
Interaktive Übungseinheiten inkl. selbstständig erzeugter Da-
tenanalysen.
Interactive lectures incl. digital documents and teaching vi-
deos.
Interactive exercise units incl. self-made data analyses.

Literatur Introduction to Statistical Learning (2013) – James, G., Wit-

Reading list ten, D., Hastie, T., Tibshirani, R.
Module Catalogue 268

Springer.
Statistics and Data Analysis for Financial Engineering (2015)
– Ruppert, D., Matteson, D. S.
Springer.
Module Catalogue 269

39905 Data Analysis and Digital Reporting with Python PN xxxxxx

Häufigkeit des Modulangebots Jedes Semester

Frequency of course offering Every Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Kellner
Module convenor

Dozent(in) Kellner
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Business Analytics” (BuAn)

Curriculum

Lehrform/SWS 4
Contact hours

Arbeitsaufwand 150 h (60 h Kontaktstudium / 90 h Selbststudium)

Workload 150 h (60 h contact studies / 90 h self-studies)

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden erlernen die Grundbegriffe und für die Da-
Learning outcomes tenanalyse notwendigen Konzepte der Programmiersprache
Python. Mit Kenntnissen über verschiedene Kanäle des Da-
tenbezugs, können sie auf verschiedene Arten Finanzdaten au-
tomatisiert beziehen. Weiterhin lernen die Studierenden, wie
sie mit Hilfe verschiedener Grafiktypen relevante und in den
Daten enthaltene Informationen visualisieren. Zusammen mit
deskriptiven Analysemethoden sind die Studierenden am En-
Module Catalogue 270

de des Kurses in der Lage, Dashboards für digitale Reporting-

zwecke zu generieren, welche in den wirtschaftlichen Entschei-
dungsprozess mit einbezogen werden können.
—
Students learn the basic terms and concepts of the Python pro-
gramming language necessary for data analysis. With know-
ledge of different channels of data retrieval, they can obtain
financial data in different ways in an automated manner. Fur-
thermore, students learn how to visualize relevant information
contained in the data using different types of graphics. Along
with descriptive analysis methods, by the end of the course,
students will be able to generate dashboards for digital re-
porting purposes that can be incorporated into the business
decision-making process.

Inhalt • Einführung in die Programmierung mit Python:

Course content Allgemeine Grundlagen: Python mit Jupyter
Arbeiten mit Datensätzen: Pandas
• Beziehen von Finanzdaten über:
Kommerzielle Anbieter
APIs
Web Scraping
• Visualisierung von Finanzdaten mit statischen und in-
teraktiven Grafiken
• Deskriptive Analysen von Finanzdaten
• Interaktive digitale Reports mit Hilfe von Dashboards
—
• Introduction to programming with Python:
General basics: Python with Jupyter
Working with data sets: Pandas
• Obtaining financial data through:
Commercial providers
APIs
Web Scraping
• Visualizing financial data with static and interactive gra-
phics
• Descriptive analysis of financial data
• Interactive digital reports using dashboards

Studien-/Prüfungsleistungen Projektarbeit.
Assessment Assignment.

Medienformen Interaktive Vorlesungen inkl. digitaler Unterlagen.

Media used Interaktive Übungseinheiten inkl. selbstständig erzeugter Da-
tenanalysen.
Interactive lectures incl. digital documents.
Module Catalogue 271

Interactive exercise units incl. self-made data analyses.

Literatur Learn Python Programming (2018) – Romano, F., Packt Pu-

Reading list blishing Ltd.
Web Scraping with Python (2018) - Ryan Mitchell, O’Reilly
Media, Inc.
Module Catalogue 272

40120 Ethical Aspects of AI PN xxxxxx

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Reinhardt
Module convenor

Dozent(in) Reinhardt
Lecturer

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “Responsible AI”

Curriculum

Lehrform/SWS 1V
Contact hours

Arbeitsaufwand 15 Std. Präsenz + 75 Std. Nachbereitung der Vorlesung und

Workload Prüfungsvorbereitung
15 contact hours + 75 hrs independent study and exam pre-
paration

ECTS 3
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erhalten einen Überblick über relevante The-
men, zentrale Debatten und Methoden in der KI-Ethik. Sie er-
kennen ihre eigene Verantwortung für die Gestaltung der Welt
durch technische Artefakte.
—
Module Catalogue 273

The students gain an overview of relevant issues, key debates,

and methods in AI ethics. They recognize their own respon-
sibility in shaping the world through technological artifacts.
Fähigkeiten / Abilities
Sie sind in der Lage, ethische Fragestellungen zu erkennen, zu
analysieren und mit Hilfe ethischer Argumentation und Über-
legungen zu bearbeiten. Sie können eine kritische Distanz zu
ihrer eigenen persönlichen Einschätzung wahren und alterna-
tive Positionen zu einem gegebenen Problem berücksichtigen.
—
They are able to identify, analyze, and address ethical issu-
es using ethical reasoning and arguments. They are able to
maintain a critical distance from their own personal assess-
ment and consider alternative positions on a given problem.
Kompetenzen / Competencies
Die Studierenden verfügen über die Kompetenz, ethisch pro-
blematische Situationen im Kontext von KI zu erkennen, ge-
eignete konzeptionelle und theoretische Ansätze zur Bearbei-
tung auszuwählen und diese Situationen aus verschiedenen
Perspektiven zu analysieren.
—
The students possess the competence to identify ethically pro-
blematic situations in the context of AI, select appropriate
conceptual and theoretical approaches to address them, and
analyze these situations from multiple perspectives.

Inhalt In diesem Modul erhalten die Studierenden eine Einführung

Course content in die KI-Ethik und lernen ihre Methoden und Ansätze (z.
B. Value-Sensitive-Design, Algorithmic Responsibility) ken-
nen. Sie erwerben Wissen über zentrale Theorien und Begriffe
in der KI-Ethik (z. B. Wohltätigkeit, Autonomie, Gerechtig-
keit) und lernen, diese anhand konkreter Fallbeispiele anzu-
wenden.
—
In this module, students are introduced to AI ethics and beco-
me familiar with its methods and approaches (e.g. value sen-
sitive design, algorithmic responsibility). They acquire know-
ledge of key concepts (e.g. beneficence, non-maleficence, au-
tonomy, justice) in AI ethics and learn to apply them using
concrete cases.

Studien-/Prüfungsleistungen Klausur
Assessment Written Exam

Medienformen Präsentation mit einem Projektor, Tafel

Media used Presentation with a projector, blackboard
Module Catalogue 274

Literatur Will be announced during the course.

Reading list
Module Catalogue 275

41623 Computergestützter Sprachvergleich PN xxxxxx

Computer-Assisted Language Comparison

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) List
Module convenor

Dozent(in) List
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Natural Language Processing and Multilingu-
Curriculum al Computational Linguistics” (NLP)

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 105 Std. Nachbereitung der Vorlesung und

Workload Prüfungsvorbereitung
45 contact hours + 105 hrs independent study and exam pre-
paration

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erwerben systematisches Verständnis der
klassischen und der computergestützten Methoden, mit de-
ren Hilfe Sprachen historisch, typologisch und areal verglichen
werden können.
Module Catalogue 276

—
The students acquire a systematic understanding of the clas-
sical and computational methods that can be used to compare
languages historically, typologically, and areally.
Fähigkeiten / Abilities
Die Studierenden besitzen die Fähigkeit die unterschiedlichen
Verfahren zu identifizieren und automatische von manuellen
Verfahren zu unterscheiden. Die Studierenden können diese
Verfahren anhand konkreter, aufbereiteter Beispiele eigenstän-
dig anwenden und auf neue Daten übertragen
—
The students have the ability to identify the various methods
and to distinguish manual from computational approaches.
They can apply these methods to concrete, well-prepared ex-
amples and transfer them to new data.
Kompetenzen / Competencies
Die Studierenden besitzen die Kompetenz für gegebene Pro-
blemstellungen geeignete Entwurfs- und Analysetechniken
auszuwählen und sie zu nutzen, um eigene Sprachvergleichs-
analysen zu planen und auf neue Daten anzuwenden.
—
The students have the competence to select appropriate de-
sign and analysis techniques for given problems. They can
further apply them to make new analyses of new data.

Inhalt Menschliche Sprachen weisen eine beachtliche Diversität auf,

Course content die sich auf verschiedenste Ebenen von Sprache – wie Lau-
te, Lexikon, oder Satzbau – erstreckt. Die Diversität ist je-
doch nicht grenzenlos, sondern folgt bestimmten Mustern und
Trends, die in der Vergleichenden Sprachwissenschaft syste-
matisch untersucht werden. Der Vergleich von Sprachen bie-
tet uns dabei nicht nur spannende Einblicke in die sprach-
liche Diversität, sondern erlaubt es uns auch, die Entwick-
lungsgeschichte von Sprachen zu rekonstruieren und Einblicke
in die menschliche Kognition zu erlangen. Traditionell werden
Sprachen manuell miteinander verglichen, indem verschiedene
Aspekte in mühsamer Kleinarbeit von ausgebildeten Forschen-
den untersucht werden. Der Computergestützte Sprachver-
gleich hat zum Ziel, diese traditionellen Verfahren des Sprach-
vergleichs durch die Hinzunahme von Computertechniken zu
unterstützen, um deren Effizienz und Zuverlässigkeit zu erhö-
hen. Die Techniken zum Computergestützten Sprachvergleich
finden eine vielfältige Anwendung im wissenschaftlichen Be-
reich und geben uns neue Einblicke in deren historische, typo-
logische und kognitive Aspekte. In dem Modul erhalten Stu-
dierende einen Überblick über verschiedene Verfahren, mit de-
Module Catalogue 277

nen Sprachen computergestützt verglichen werden können. Sie

lernen, wie Sprachen typologisch verglichen werden, wie man
sprachen historisch vergleicht, wie sich Sprachkontakt compu-
tergestützt untersuchen lässt, und sie erfahren, wie sich die-
se Verfahren von den klassischen manuellen Verfahren unter-
scheiden. Darüber hinaus werden verschiedenste Probleme der
neuen computergestützten Verfahren diskutiert und ihre Rol-
le im Kontext populärwissenschaftlicher Publikationen kritisch
beleuchtet.
—
Human languages are very diverse. This diversity is reflected
at various levels of language, including the sounds, the lexi-
con, or the structure of sentences. This diversity is, however,
not limitless. It follows instead certain tendencies which are
systematically investigated in the field of comparative lingui-
stics. The comparison of languages not only offers us new in-
sights into linguistic diversity, but also allows us to reconstruct
the history of languages and gain insights into human cogni-
tion. Traditionally, this work has been done manually, with
researchers looking at individual data points in painstaking
labor. Computer-assisted language comparison aims to sup-
port this labor by providing computational solutions that as-
sist researchers in their comparative work. The techniques for
computer-assisted language comparison cover various aspects
and give us new insights into historical, typological, and cogni-
tive aspects of linguistic diversity. This module gives students
an overview of various methods that can be used to compare
languages using computers. Students will learn how languages
are compared typologically, how one can compare them his-
torically, and how language contact can be investigated with
the help of computers. They will also learn to distinguish these
methods from the classical, manual approaches.

Studien-/Prüfungsleistungen 90-minütige Klausur oder schriftliche Hausarbeit mit prakti-

Assessment schem Bezug (10-15 Seiten); die genaue Prüfungsart wird zu
Beginn des Semesters durch Aushang und auf den Internetsei-
ten der Fakultät bekannt gegeben.
90-minute written or written term paper with practical rele-
vance (10-15 pages); the precise mode of assessment will be
announced at the start of the semester on a notice board and
on the faculty’s website.

Medienformen Präsentation mit Whiteboard und Beamer.

Media used Presentation with a whiteboard and beamer.

Literatur -
Reading list
Module Catalogue 278

41624 Multilinguale Computerlinguistik PN xxxxxx

Multilingual Computational Linguistics

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) List
Module convenor

Dozent(in) List
Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Natural Language Processing and Multilingu-
Curriculum al Computational Linguistics” (NLP)

Lehrform/SWS 2V + 1Ü
Contact hours

Arbeitsaufwand 45 Std. Präsenz + 105 Std. Nachbereitung der Vorlesung und

Workload Prüfungsvorbereitung
45 contact hours + 105 hrs independent study and exam pre-
paration

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erwerben systematisches Verständnis der
verschiedenen Methoden, die in der Multilingualen Compu-
terlinguistik angewendet werden.
—
Module Catalogue 279

The students acquire a systematic understanding of the va-

rious methods that are applied in Multilingual Computational
Linguistics.
Fähigkeiten / Abilities
Die Studierenden besitzen die Fähigkeit die unterschiedlichen
Verfahren zu identifizieren und deren Vorteile und Schwach-
punkte zu beurteilen. Die Studierenden können einzelne dieser
Verfahren anhand zuvor aufbereiteter Beispiele eigenständig
anwenden.
—
The students have the ability to identify the various methods
and to identify their advantages and disadvantages. They can
apply these methods to well-prepared examples.
Kompetenzen / Competencies
Die Studierenden besitzen die Kompetenz für gegebene Pro-
blemstellungen der Multilingualen Computerlinguistik geeig-
nete Entwurfs- und Analysetechniken auszuwählen und diese
auf Teilprobleme anzuwenden.
—
The students have the competence to select appropriate de-
sign and analysis techniques for given problems in Multilingu-
al Computational Linguistics. They can further apply them to
particular problems.

Inhalt Die Multilinguale Computerlinguistik beschäftigt sich mit ver-

Course content schiedenen Bereichen der maschinellen Sprachverarbeitung, in
denen nicht nur eine Sprache, sondern zugleich mehrere Spra-
chen im Mittelpunkt stehen. Während multilinguale Ansätze
bisher vor allem im Bereich der automatischen Übersetzung
verfolgt wurden, wurden insbesondere in den letzten Jahren
in vielen Bereichen multilinguale Methoden, in denen Multi-
lingualität oder eine sprachübergreifende Perspektive zentral
sind. In dem Modul werden wir uns beispielhaft mit verschiede-
nen Bereichen der Multilingualen Computerlinguistik ausein-
andersetzen, um einen allgemeinen Überblick über das Fach zu
erlangen. Dazu gehören neben klassischen Bereichen, wie der
Phonologie, der Semantik, der Morphologie und der Syntax
auch praktische Aspekte wie die Erstellung paralleler Korpora
und die Erstellung sprachübergreifender Datenbanken.
—
Multilingual Computational Linguistics deals with various are-
as of Natural Language Processing in which not only one lan-
guage, but multiple languages are in the center of interest.
While multilingual approaches have so far been predominant-
ly designed for automatic translation, multilingual approaches
have been introduced in many new areas of computational
Module Catalogue 280

linguistics in the past years in which a multilingual perspec-

tive plays a crucial role. In the module, we will provide an
exemplary overview on various topics that can be dealt with
in Multilingual Computational Linguistics, in order to acquire
some general insights into the discipline. Among these are not
only classical research fields, such as phonology, semantics,
morphology, and syntax, but also practical aspects, such as
the compilation of parallel corpora and cross-linguistic data-
bases.

Studien-/Prüfungsleistungen 90-minütige Klausur oder schriftliche Hausarbeit mit prakti-

Assessment schem Bezug (10-15 Seiten); die genaue Prüfungsart wird zu
Beginn des Semesters durch Aushang und auf den Internetsei-
ten der Fakultät bekannt gegeben.
90-minute written or written term paper with practical rele-
vance (10-15 pages); the precise mode of assessment will be
announced at the start of the semester on a notice board and
on the faculty’s website.

Medienformen Präsentation mit Whiteboard und Beamer.

Media used Presentation with a whiteboard and beamer.

Literatur -
Reading list
Module Catalogue 281

41625 Fortschritte in der Multilingualen Computerlinguistik PN xxxxxx

Advances in Multilingual Computational Linguistics

Häufigkeit des Modulangebots Jedes Sommersemester

Frequency of course offering Every Summer Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Hautli-Janisz, List

Module convenor

Dozent(in) Hautli-Janisz, List

Lecturer

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “Natural Language Processing and Multilingu-
Curriculum al Computational Linguistics” (NLP)

Lehrform/SWS 2V
Contact hours

Arbeitsaufwand 30 Std. Präsenz + 60 Std. Nachbereitung der Vorlesung und

Workload Prüfungsvorbereitung
30 contact hours + 60 hrs independent study and exam pre-
paration

ECTS 3
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Keine

Recommended skills None

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erwerben systematisches Verständnis von
Spezialgebieten der Multilingualen Computerlinguistik.
—
The students acquire a systematic understanding of special
Module Catalogue 282

topics in Multilingual Computational Linguistics.

Fähigkeiten / Abilities
Die Studierenden besitzen die Fähigkeit Spezialthemen der
Multilingualen Computerlinguistik in den Kontext des Fachs
einzuordnen und grundlegende Verfahren, die in diesen The-
men zur Anwendung kommen, kritisch einzuordnen.
—
The students have the ability to contextualize special topics of
Multilingual Computational Linguistics and to critically iden-
tify advantages and disadvantages of the methods that are
used in these particular fields.
Kompetenzen / Competencies
Die Studierenden besitzen die Kompetenz für spezifische
Problemstellungen einzelner Unterbereiche der Multilingualen
Computerlinguistik geeignete Entwurfs- und Analysetechniken
auszuwählen und diese auf Teilprobleme anzuwenden.
—
The students have the competence to select appropriate de-
sign and analysis techniques for given problems of particular
subfields of Multilingual Computational Linguistics. They can
further apply them to particular problems.

Inhalt Die Themen, die die Multilinguale Computerlinguistik ab-

Course content deckt, sind so vielfältig, dass es kaum möglich ist, sie voll-
ständig in einer Einführungsveranstaltung zu erschließen. Um
den Studierenden die Möglichkeit geben, sich in Bezug auf die
sprachübergreifende computerlinguistische Themen weiter zu
spezialisieren, werden wir in diesem Modul einige aktuelle The-
men vertieft behandeln, die in allgemeinen Veranstaltungen
zu kurz kommen würden. Dazu gehören unter anderem The-
men, wie die sprachübergreifende Semantik, sprachübergrei-
fende Morphologie, multilinguale Sprachmodelle, oder auch
die computergestützte Modellierung sprachlicher Evolution.
—
The topics that Multilingual Computational Linguistics deals
with are so manifold that it is impossible to cover them all
in one single introductory lecture. In order to enable students
to gain deeper insights into special topics dealt with in Mul-
tilingual Computational Linguistics, this module will treat to-
pics of actual interest in due detail, for which there would be
no time in a purely introductory lecture. Among these, there
are topics, such as cross-linguistic semantics, cross-linguistic
morphology, multilingual language models, but also computer-
assisted approaches to model language evolution.
Module Catalogue 283

Studien-/Prüfungsleistungen Schriftliches Portfolio mit praktischem Bezug (10-15 Seiten).

Assessment Written portfolio with with practical relevance (10-15 pages).

Medienformen Präsentation mit Whiteboard und Beamer.

Media used Presentation with a whiteboard and beamer.

Literatur -
Reading list
Module Catalogue 284

48672 Medienrecht für Nebenfachstudierende PN 385061

Media Law for Non-Lawyers

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) von Lewinski

Module convenor

Dozent(in) von Lewinski

Lecturer

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Module Group “Regulation of AI and Data” (RAI)

Curriculum

Lehrform/SWS 2V
Contact hours

Arbeitsaufwand 30 Std. Präsenz + 120 Std. Nachbereitung des Vorlesungs-

Workload stoffes und Prüfungsvorbereitung

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Ethical Aspects of AI, Legal Aspects of AI

Recommended skills

Verwendbarkeit in weiteren [Link]. Internet Computing

Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden verstehen den verfassungsrechtlichen Rah-

Learning outcomes men des geltenden Medienrechts und die Differenzierung nach
verschiedenen Medienformen. Die Studierenden können die
Rolle der Medien im gesellschaftlichen Diskurs und die da-
mit verbundenen rechtliche Privilegierungen und Anforderun-
gen einordnen und kritisch würdigen. Die Studierenden können
Module Catalogue 285

Fragen der medienrechtlichen Verantwortung rechtlich veror-

ten und in Grundzügen eigenständig würdigen. Die Studieren-
den verstehen die historischen, soziologischen, politischen und
ökonomischen Hintergründe des geltenden Medienrechts und
können diese aktiv in eine Diskussion einbringen.
—
Students understand the constitutional framework of current
media law and the differentiation between various forms of
media. Students will be able to classify and critically assess
the role of the media in social discourse and the associated le-
gal privileges and requirements. Students will be able to legally
locate questions of media law responsibility and independently
assess the main features. Students understand the historical,
sociological, political and economic background of current me-
dia law and can actively contribute this to a discussion.

Inhalt Die Veranstaltung vermittelt einen Überblick über das Me-

Course content dienrecht. Erörtert werden Grundzüge des Rundfunk- und
Presserechts sowie Grundzüge des Rechts der sog. „Neuen
Medien“ (“Digitale Dienste”). Neben den einfachrechtlichen
Grundlagen des Medienrechts beleuchtet die Veranstaltung
im Schwerpunkt die verfassungsrechtlichen Grundlagen dieses
Rechtsgebiets. Aber auch das sog. private Medienrecht wird
mit in den Blick genommen.
—
The course provides an overview of media law. The main featu-
res of broadcasting and press law as well as the main features
of the law of the so-called “new media” (“digital services”)
will be discussed. In addition to the basic principles of media
law, the course will focus on the constitutional foundations of
this area of law. However, the so-called private media law will
also be examined.

Studien-/Prüfungsleistungen Klausur
Assessment Written Exam

Medienformen Präsentation mit Tafel und Beamer

Media used Presentation with a projector, blackboard

Literatur Wird vom Dozenten/ von der Dozentin bekannt gegeben.

Reading list Will be announced by the lecturer.
Module Catalogue 286

90200 Deutsch als Fremdsprache PN xxxxxx

German as a Foreign Language

Häufigkeit des Modulangebots Jedes Semester

Frequency of course offering Hinweis: Vorlesungsnummer wechselt je nach Semester und
Level
Every Semester
Notice: Lecture number changes depending both on the se-
mester & level

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Wird vom Sprachenzentrum festgelegt / Set by the Language

Module convenor Centre

Dozent(in) Wird vom Sprachenzentrum festgelegt / Set by the Language

Lecturer Centre

Sprache Deutsch
Language of instruction German

Zuordnung zum Curriculum Modulgruppe „Deutsch als Fremdsprache“ / Module Group

Curriculum “German as a Foreign Language”

Lehrform/SWS 4
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 90 Std. Vor- und Nachbearbeitung

Workload 60 hrs presence + 90 hrs preparation & follow-up

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse für A1: keine / ab A2: Einstufungstest oder Zertifikat

Recommended skills for A1: none / from A2: placement test or certificate

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Sprachkenntnisse auf der entsprechenden Niveaustufe des

Learning outcomes Gemeinsamen Europäischen Referenzrahmen für Sprachen
(GER) Language skills at the corresponding level of the Com-
Module Catalogue 287

mon European Framework of Reference for Languages (CEFR)

Inhalt Vermittlung und Training der Kompetenzen Hören, Lesen,

Course content Schreiben und Sprechen nach Vorgaben des GER für die ent-
sprechende Niveaustufe mit besonderer Beachtung von Aspek-
ten der Sprache im akademischen Kontext
—
Teaching and training of listening, reading, writing and spea-
king skills according to the CEFR guidelines for the correspon-
ding level with special attention to aspects of language in an
academic context

Studien-/Prüfungsleistungen Klausur 90 Minuten

Assessment Written examination (90 minutes)

Medienformen nach Vorgabe des oder der jeweiligen Dozierenden

Media used as specified by the instructor

Literatur Lehrwerk nach Vorgabe des oder der jeweiligen Dozierenden

Reading list / reading materials determinded by the instructor
Module Catalogue 288

9059X Englisch als Fremdsprache PN xxxxxx

English as a Foreign Language

Häufigkeit des Modulangebots Jedes Semester

Frequency of course offering Hinweis: Vorlesungsnummer wechselt je nach Semester und
Level
Every Semester
Notice: Lecture number changes depending both on the se-
mester & level

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Wird vom Sprachenzentrum festgelegt / Set by the Language

Module convenor Centre

Dozent(in) Wird vom Sprachenzentrum festgelegt / Set by the Language

Lecturer Centre

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Modulgruppe „Englisch als Fremdsprache“ / Module Group

Curriculum “English as a Foreign Language”

Lehrform/SWS 4
Contact hours

Arbeitsaufwand 60 Std. Präsenz + 90 Std. Vor- und Nachbearbeitung

Workload 60 hrs presence + 90 hrs preparation & follow-up

ECTS 5
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse für A1: keine / ab A2: Einstufungstest oder Zertifikat

Recommended skills for A1: none / from A2: placement test or certificate

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Sprachkenntnisse auf der entsprechenden Niveaustufe des

Learning outcomes Gemeinsamen Europäischen Referenzrahmen für Sprachen
(GER) Language skills at the corresponding level of the Com-
Module Catalogue 289

mon European Framework of Reference for Languages (CEFR)

Inhalt Vermittlung und Training der Kompetenzen Hören, Lesen,

Course content Schreiben und Sprechen nach Vorgaben des GER für die ent-
sprechende Niveaustufe mit besonderer Beachtung von Aspek-
ten der Sprache im akademischen Kontext
—
Teaching and training of listening, reading, writing and spea-
king skills according to the CEFR guidelines for the correspon-
ding level with special attention to aspects of language in an
academic context

Studien-/Prüfungsleistungen Klausur 90 Minuten

Assessment Written examination (90 minutes)

Medienformen nach Vorgabe des oder der jeweiligen Dozierenden

Media used as specified by the instructor

Literatur Lehrwerk nach Vorgabe des oder der jeweiligen Dozierenden

Reading list / reading materials determinded by the instructor
Module Catalogue 290

Bachelorarbeit Artificial Intelligence PN xxxxxx

Bachelor’s Thesis in Artificial Intelligence

Häufigkeit des Modulangebots Jedes Semester

Frequency of course offering Every Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Alle Dozierende

Module convenor FIM Professors

Dozent(in) Erstbetreuer der Bachelorarbeit (durch den Prüfungsausschuss

Lecturer bestellte Prüfer) gemäß §21(2) AStuPO, mit begründetem
Antrag und nach Genehmigung durch den Prüfungsausschuss
ggf. gemäß §21(3) AStuPO
(First) supervisor of the bachelor’s thesis (an examiner appoin-
ted by the board of examiners) as per § 21 para. 2 AStuPO,
or (if appropriate) by submitting a reasoned request and after
approval by the board of examiners as per § 21 para. 3 AStu-
PO

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “AIP, Seminar and Presentation”

Curriculum

Lehrform/SWS -
Contact hours

Arbeitsaufwand Präsenzzeit (Besprechung/Diskussion des Fortschritts): 15h,

Workload Vor- und Nachbereitung, Anfertigung der Ausarbeitung: 795h
Summe: 810h
Contact hours (meetings/discussions on progress): 15 hrs, in-
dependent study and writing the bachelor’s thesis: 795 hrs
In sum: 810 hrs

ECTS 12
Credits

Voraussetzungen nach Prü- Gemäß §20 (1) AStuPO

fungsordnung As per § 20 (1) AStuPO
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Die Veranstaltungen im Bachelor–Studiengang bis einschließ-

Recommended skills lich dem dritten Semester.
Module Catalogue 291

All courses of the Bachelor programme up to the third semes-

ter.

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Selbstständiges Einarbeiten und wissenschaftlich methodische
Bearbeitung eines für das Artificial Intelligence relevanten
Themas. Die Studierenden verwenden etablierte Methoden
oder passen bestehende Ansätze an, während sie sich an die
Standards der akademischen Arbeit halten. Sie haben die
Möglichkeit, ihre eigenen Ideen zu entwickeln, zu verfeinern
und zu formulieren und kritisch mit der Literatur zu arbeiten.
—
The students learn how to independently acquire a research
topic and to work on a relevant topic in Artificial Intelligence
scientifically based and methodically sound. The students use
established methods or adapt existing approaches while ad-
hering to academic standards. They have the opportunity to
develop, to refine and to formulate their own ideas and to take
a critical review of the state of the art.
Fähigkeiten / Abilities
Der bzw. die Studierende kann die wissenschaftlichen Me-
thoden der Themenschwerpunkte des Studiengangs und die
grundlegenden Techniken des wissenschaftlichen Arbeitens,
insb. der Literaturrecherche, anwenden, um ein vorgegebenes
Thema eigenständig zu bearbeiten.
—
The students are able to use the scientific methods of the fo-
cus areas of the programme and to use the basic techniques
of scientific research, in particular, literature review, to work
independently on a given subject.
Kompetenzen / Competencies
Der bzw. die Studierende besitzt die Kompetenz, dass er oder
sie in der Lage ist, ein Problem aus den Themenschwerpunkten
des Studiengangs innerhalb einer vorgegebenen Frist selbstän-
dig mit wissenschaftlichen Methoden zu bearbeiten, erfolg-
reich zu lösen, und die Ergebnisse wissenschaftlich adäquat
schriftlich darzustellen und zu bewerten.
—
The students will acquire the competence to work indepen-
dently on a problem from the focus areas of the programme
within a specified timeframe using scientific methods, to solve
this problem successfully and to write down and evaluate the
Module Catalogue 292

results in a adequate scientific way.

Inhalt Wird von der Dozentin bzw. dem Dozenten bekanntgegeben.

Course content Die Inhalte werden in Abhängigkeit von der konkreten The-
menstellung ausgewählt und bekanntgegeben.
—
Will be announced by the lecturer. The contents are selected
and announced dependent on the specific topic.

Studien-/Prüfungsleistungen Schriftliche Ausarbeitung, ggf. inkl. der verwendeten Quellen

Assessment (wissenschaftliche Arbeiten, Programm-Bibliotheken, etc.),
sowie ggf. dokumentierter und funktionsfähiger Quelltext in-
kl. aller zur Bewertung notwendigen Informationen, sowie ggf.
einer Systemdemonstration
Written thesis, possibly accompanied by the sources used (re-
search articles, program libraries etc.) and, if appropriate, do-
cumented and fully functional and executable source code in-
cluding all informations which are necessary for the evaluation
and, if appropriate, a system demonstration

Medienformen Abhängig von der konkreten Themenstellung

Media used Dependent on the specific topic

Literatur Wird von der Dozentin bzw. dem Dozenten bekanntgegeben.

Reading list Die Literatur wird in Abhängigkeit von der konkreten Aufga-
benstellung ausgewählt und bekanntgegeben.
Will be announced by the lecturer. A reading list will be se-
lected and announced dependent on the specific assignment.
Module Catalogue 293

Präsentation der Bachelorarbeit Artificial Intelligence PN xxxxxx

Presentation of the Bachelor’s Thesis in Artificial Intelligence

Häufigkeit des Modulangebots Jedes Semester

Frequency of course offering Every Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Alle Dozierende

Module convenor FIM Professors

Dozent(in) Alle Dozierende

Lecturer FIM Professors

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “AIP, Seminar and Presentation”

Curriculum

Lehrform/SWS -
Contact hours

Arbeitsaufwand 90 Std. Nachbearbeitung und Prüfungsvorbereitung (+Prä-

Workload senz)
90 hrs independent study and exam preparation (+contact
hours)

ECTS 3
Credits

Voraussetzungen nach Prü- Abgabe der Bachelorarbeit

fungsordnung The Bachelor’s thesis has to be submitted
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse -
Recommended skills

Angestrebte Lernergebnisse Fähigkeit der/des Studierenden die Ergebnisse der Arbeit kurz
Learning outcomes und verständlich zu formulieren und im Rahmen einer fachli-
chen Diskussion anzuwenden.
Ability of the student to present the results of his or her thesis
in a short and comprehensible way and to discuss the results
in a professional way.

Inhalt Darstellung der in der Arbeit erworbenen Erkenntnisse sowie

Course content kurze Diskussion.
Module Catalogue 294

—
Presentation of the results of his or her thesis and a short
discussion.

Studien-/Prüfungsleistungen Präsentation (ca. 20 Minuten bis ca. 45 Minuten); die genaue

Assessment Prüfungsdauer wird vom Prüfer bzw. der Prüferin vorher be-
kannt gegeben
Presentation (approx. 20 or 45 minutes); the precise mode of
assessment will be announced by the examiner beforehand.

Medienformen Beamer, Tafel, Overheadprojektor

Media used Projector, blackboard

Literatur Je nach Thema

Reading list Based on Theme
Module Catalogue 295

Seminar zu Künstlicher Intelligenz PN xxxxxx

Seminar in Artificial Intelligence

Häufigkeit des Modulangebots Jedes Semester (Geeignete Seminare werden zu Beginn des
Frequency of course offering Semesters durch Aushang sowie auf der Webseite der Fakul-
tät bekannt gegeben )
Every Semester (Suitable seminars will be announced at the
beginning of the semester on the noticeboard and on the fa-
culty website)

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Alle Dozierende

Module convenor FIM Professors

Dozent(in) Alle Dozierende

Lecturer FIM Professors

Sprache Deutsch oder Englisch

Language of instruction German or English

Zuordnung zum Curriculum Module Group “AIP, Seminar and Presentation”

Curriculum

Lehrform/SWS 2S
Contact hours

Arbeitsaufwand 30 Std. Präsenz + 120 Std. Vor- und Nachbereitung

Workload 30 contact hours + 120 hrs preparation and follow-up

ECTS 4
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Werden vom jeweiligen Dozenten zu Beginn des Semesters

Recommended skills bekanntgegeben
Will be announced by the respective instructors at the begin-
ning of the semester

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Die Studierenden lernen, sich selbständig in das gestellte Se-
Module Catalogue 296

Learning outcomes minarthema einzuarbeiten, es fachlich für einen Vortrag aufzu-

bereiten und zu präsentieren. Zudem vertiefen sie ihre Fähig-
keit zur kritischen Reflexion, indem sie aktiv an Diskussionen
teilnehmen und Argumente fundiert erörtern. Kompetenzen:
Selbständige Einarbeitung in ein Thema, schriftliche Erörte-
rung, mündliche Ausdrucks- und Präsentationskompetenz, Fä-
higkeit zur Teilnahme an wissenschaftlichen Diskussionen.
—
Students learn to independently engage with the seminar to-
pic, prepare it professionally for a presentation, and deliver it.
Additionally, they enhance their critical reflection skills by ac-
tively participating in discussions and thoroughly debating ar-
guments. Competencies: developing a topic, written discourse,
Oral communication and presentation skills, ability to partici-
pate in academic discussions

Inhalt Erarbeitung des gestellten Themas anhand von wissenschaft-

Course content licher Literatur und dessen Präsentation
—
Elaboration of the set topic based on scientific literature, and
presentation of the same

Studien-/Prüfungsleistungen Bewertung der schriftlichen Ausarbeitung (ca. 8-10 Seiten)

Assessment und deren Präsentation. Dabei wird jeweils die mündliche
Ausdrucks- und Präsentationskompetenz bzw. die schriftliche
Erörterungskompetenz geprüft; Zusätzlich werden die Beiträge
zu fachbezogenen Diskussionen bewertet. Für die Leistungen
wird eine gemeinsame Note vergeben. Die genaue Dauer der
Präsentation wird von der Dozentin bzw. dem Dozenten zu
Beginn der Veranstaltung bekanntgegeben.
Es besteht Anwesenheitspflicht. Die Studierenden präsen-
tieren und nehmen aktiv an fachbezogenen Diskussionen teil,
daher ist eine Anwesenheit erforderlich, um den Kompetenz-
erwerb zu sichern.
Assessment of the written paper (approx. 8-10 pages) and its
presentation. Oral expression and presentation skills, as well
as written argumentation skills, will be evaluated. Additionally,
contributions to subject-related discussions will be assessed. A
single overall grade will be assigned for all components. The
exact duration of the presentation will be announced by the
lecturer at the beginning of the course.
Attendance is mandatory. Students are required to present
and actively participate in subject-related discussions; there-
fore, attendance is necessary to ensure competency develop-
ment.
Module Catalogue 297

Medienformen -
Media used

Literatur Wird vom Dozenten bekanntgegeben

Reading list Will be announced by the lecturer
Module Catalogue 298

KI Projekt PN xxxxxx
AI Project

Häufigkeit des Modulangebots Jedes Wintersemester

Frequency of course offering Every Winter Semester

Moduldauer 1 Semester
Module duration

Modulverantwortliche(r) Granitzer, Harks, Herbold, Lemmerich

Module convenor

Dozent(in) Alle Dozierenden

Lecturer FIM Professors

Sprache Englisch
Language of instruction English

Zuordnung zum Curriculum Module Group “AIP, Seminar and Presentation”

Curriculum

Lehrform/SWS 6P
Contact hours

Arbeitsaufwand 45 Std. Teammeetings + 25 Std. Projektmanagement + 50

Workload Std. Analyse und Spezifikation + 120 Std. Entwurf und Imple-
mentierung + 30 Std. Validierung + 10 Std. Berichterstellung
+ 10 Std. Kolloquien + deren Vorbereitung + 10 Std. Prä-
sentation und deren Vorbereitung
Gesamt: 300 Std.
45 hrs of team meetings 25 hrs of project management 50 hrs
of analysis and specification 120 hrs of design and implemen-
tation 30 hrs of validation 10 hrs of report creation 10 hrs of
colloquia and their preparation 10 hrs of presentation and its
preparation
Total: 300 hrs

ECTS 10
Credits

Voraussetzungen nach Prü- Keine

fungsordnung None
Required prerequisites as per
the study and examination
regulations

Empfohlene Vorkenntnisse Programmierung für Datenanalyse

Recommended skills Programming for Data Analytics
Module Catalogue 299

Verwendbarkeit in weiteren -
Studiengängen
Applicability for other courses

Angestrebte Lernergebnisse Kenntnisse / Skills/Knowledge

Learning outcomes Die Studierenden erwerben vertiefte Kenntnisse in der Kon-
zeption, Entwicklung und Umsetzung komplexer KI-Systeme
unter Verwendung aktueller Frameworks und Methoden. Sie
vertiefen ihr Verständnis von KI-Fragestellungen und ihre Pro-
grammierkenntnisse im Kontext von KI-Anwendungen. Zudem
erweitern sie ihre Fähigkeiten im Projektmanagement, insbe-
sondere in der Planung und Steuerung von KI-Projekten, und
lernen Strategien zur Qualitätssicherung und Evaluierung von
KI-Lösungen kennen.
—
Students acquire in-depth knowledge of conceptualizing, de-
veloping, and implementing complex AI systems using current
frameworks. They deepen their understanding of AI-related
issues and their programming skills in the context of AI app-
lications. In addition, they expand their project management
abilities, particularly in planning and controlling AI projects,
and learn strategies for quality assurance and the evaluation
of AI solutions.
Fähigkeiten / Abilities
Die Studierenden können eigenständig KI-bezogene Problem-
stellungen analysieren, geeignete Algorithmen auswählen und
verwenden, im Fall von maschinellen Lernen inkl. einer geeig-
neten Wahl von Datenquellen und dem Modelltraining. Sie
können Lösungen validieren und in Anwendungsszenarien in-
tegrieren. Sie sind in der Lage, effektive Lösungen im Team
zu erarbeiten, dabei unterschiedliche Rollen und Aufgaben
zu übernehmen, den Projektfortschritt zu dokumentieren und
zielgerichtet auf Projektziele hinzuarbeiten. Darüber hinaus
beherrschen sie den Umgang mit Werkzeugen zur Versions-
verwaltung und Testautomatisierung um robuste KI-Projekte
umzusetzen.
—
Students can independently analyze AI-related problems, se-
lect appropriate algorithms and data sources, train and valida-
te models, and integrate them into application scenarios. They
are able to develop effective solutions as a team, taking on
different roles and responsibilities, documenting project pro-
gress, and working purposefully towards project goals. They
also master tools for version control and test automation to
implement robust AI projects.
Module Catalogue 300

Kompetenzen / Competencies
Die Teilnehmenden entwickeln durch die Arbeit an praxisna-
hen KI-Projekten ihre sozialen, organisatorischen und fachli-
chen Kompetenzen weiter. Sie lernen, in Teams kooperativ
und lösungsorientiert zu arbeiten, Arbeitsaufwände realistisch
einzuschätzen, Ressourcen sinnvoll zu nutzen und unter Zeit-
druck fundierte Entscheidungen zu treffen. Die Fähigkeit, Kon-
flikte konstruktiv zu lösen, Prozesse zu optimieren und den
Projekterfolg durch transparente Dokumentation und reflek-
tiertes Projektmanagement sicherzustellen, wird gezielt geför-
dert.
—
Through working on practical AI projects, participants further
develop their social, organizational, and professional compe-
tencies. They learn to collaborate and solve problems coope-
ratively within teams, realistically estimate workloads, use re-
sources effectively, and make informed decisions under time
pressure. The ability to resolve conflicts constructively, optimi-
ze processes, and ensure project success through transparent
documentation and reflective project management is systema-
tically promoted.

Inhalt Im Rahmen des Praktikums wird eine praxis- oder forschungs-

Course content orientierte Problemstellung aus dem Bereich der Künstlichen
Intelligenz bearbeitet. Dabei stehen die Konzeption, Modellie-
rung, Entwicklung und Implementierung eines komplexen KI-
Systems, -Moduls, oder -Algorithmus im Vordergrund, welches
mit Hilfe angemessener KI-Methoden (z.B. Machine-Learning-
Methoden) sowie entsprechender Entwicklungswerkzeuge um-
gesetzt wird. Die Studierenden arbeiten in kleinen Teams, um
geeignete Vorgehensweisen zur Projekt- und Arbeitsorganisati-
on kennenzulernen und anzuwenden. Dabei wird ein Vorgehen
gewählt, das sich so nah wie möglich an etablierten Industrie-
standards und Forschungspraktiken orientiert.
—
In this course, students address a practical or research-oriented
problem in the field of Artificial Intelligence. The focus lies on
conceptualizing, developing, and implementing a complex AI
system, module, or algorithm using appropriate AI-methods
(e.g., machine learning methods) as well as suitable develop-
ment tools. Students work in small teams, learning and ap-
plying effective approaches to project and work organization.
The chosen methodology aligns as closely as possible with
established industry standards and research practices.
Module Catalogue 301

Studien-/Prüfungsleistungen Schriftliche Dokumentation in Form eines technischen Be-

Assessment richts, mündliche Kolloquien zu den Arbeitspaketen die durch
geeignete Medien (z.B. Folien) unterstützt werden, doku-
mentierter und funktionsfähiger Quelltext inkl. aller zur De-
monstration notwendigen Informationen, sowie einer System-
demonstration und Präsentation im Rahmen einer Abschluss-
veranstaltung.
Written documentation in the form of a technical report, oral
colloquia on the work packages supported by suitable media
(e.g. slides), documented and functional source code inclu-
ding all information necessary for demonstration, as well as a
system demonstration and presentation at a final event.

Medienformen Präsentation mit Beamer

Media used Presentation with a beamer

Literatur Die Literatur wird in Abhängigkeit der konkreten Aufgaben-

Reading list stellung ausgewählt und bekanntgegeben.
The literature is selected and announced depending on the
specific task.