Content:

Selection from the following topics:

• Enumeration (twelvefold way, inclusion-exclusion, double counting, recursions, generating functions, inversion, Ramsey's Theorem, asymptotic counting)
• Discrete Structures (graphs, set systems, designs, posets, matroids)
• Graph Theory (trees, matchings, connectivity, planarity, colorings)

• J. Matousek, J. Nesetril (2002/2007): An Invitation to Discrete Mathematics, Oxford University Press, Oxford/Diskrete Mathematik, Springer Verlag, Berlin, Heidelberg.
• L. Lovasz, J. Pelikan, K. Vesztergombi (2003): Discrete Mathemtics - Elementary and Beyond/Diskrete Mathematik, Springer Verlag, New York.
• N. Biggs (2004): Discrete Mathematics. Oxford University Press, Oxford.
• M. Aigner (2004/2007): Diskrete Mathematik, Vieweg Verlag, Wiesbaden/Discrete Mathemattics, American Mathematical Society, USA.
• D. West (2011): Introduction to Graph Theory. Pearson Education, New York.

Target group:

BMS students, Master and Bachelor students

Whiteboard:

You need access to the whiteboard in order to receive information and participate in the exercises.

Content:

Selection from the following topics:

• Counting (basics, double counting, Pigeonhole Principle, recursions, generating functions, Inclusion-Exclusion, inversion, Polya theory)
• Discrete Structures (graphs, set systems, designs, posets, matroids)
• Graph Theory (trees, matchings, connectivity, planarity, colorings)
• Algorithms (asymptotic running time, BFS, DFS, Dijkstra, Greedy, Kruskal, Hungarian, Ford-Fulkerson)

Inhalte:

Programmieren und Synchronisieren von gleichzeitig laufenden Prozessen, die auf gemeinsame Ressourcen zugreifen oder über Nachrichtenaustausch interagieren.

• Nichtsequentielle Programme und Prozesse in ihren verschiedenen Ausprägungen, Nichtdeterminismus, Determinierung
• Synchronisationsmechanismen: Sperren, Monitore, Wachen, Ereignisse, Semaphore
• Nichtsequentielle Programmausführung und Objektorientierung
• Ablaufsteuerung, Auswahlstrategien, Prioritäten, Umgang mit und Vermeidung von Verklemmung
• Koroutinen, Implementierung, Mehrprozessorsysteme
• Interaktion über Nachrichten
• Programmieren und Synchronisieren von gleichzeitig laufenden Prozessen, die über Nachrichtenaustausch interagieren
• Fernaufruftechniken
• Client-Server, Peer-to-Peer
• Parallelrechnen im Netz
• Koordinierungssprachen
• Verarbeitung auf dem Server und auf dem Client, Mobilität
• Middleware, strukturierte Kommunikation, statische und dynamische Schnittstellen
• Ereignisbasierte und strombasierte Verarbeitung
• Sicherheit von Anwendungen im Netzwerk
• Ausblick auf nichtfunktionale Eigenschaften (Zeit, Speicher, Dienstgüte) 

Literatur:

• Principles of Concurrent and Distributed Programming. M. Ben-Ari. Addison-Wesley. 
• Distributed Systems. Concepts and Design. Fifth Edition. George Coulouris, Jean Dollimore, Tim Kindberg, Gordon Blair. Pearson.

Inhalte:

Programmieren und Synchronisieren von gleichzeitig laufenden Prozessen, die auf gemeinsame Ressourcen zugreifen oder über Nachrichtenaustausch interagieren.

• Nichtsequentielle Programme und Prozesse in ihren verschiedenen Ausprägungen, Nichtdeterminismus, Determinierung
• Synchronisationsmechanismen: Sperren, Monitore, Wachen, Ereignisse, Semaphore
• Nichtsequentielle Programmausführung und Objektorientierung
• Ablaufsteuerung, Auswahlstrategien, Prioritäten, Umgang mit und Vermeidung von Verklemmung
• Koroutinen, Implementierung, Mehrprozessorsysteme
• Interaktion über Nachrichten
• Programmieren und Synchronisieren von gleichzeitig laufenden Prozessen, die über Nachrichtenaustausch interagieren
• Fernaufruftechniken
• Client-Server, Peer-to-Peer
• Parallelrechnen im Netz
• Koordinierungssprachen
• Verarbeitung auf dem Server und auf dem Client, Mobilität
• Middleware, strukturierte Kommunikation, statische und dynamische Schnittstellen
• Ereignisbasierte und strombasierte Verarbeitung
• Sicherheit von Anwendungen im Netzwerk
• Ausblick auf nichtfunktionale Eigenschaften (Zeit, Speicher, Dienstgüte) 

Literatur:

• Principles of Concurrent and Distributed Programming. M. Ben-Ari. Addison-Wesley. 
• Distributed Systems. Concepts and Design. Fifth Edition. George Coulouris, Jean Dollimore, Tim Kindberg, Gordon Blair. Pearson.

Studierende erarbeiten sich im Betriebssystemteil den grundlegenden Aufbau aktueller Betriebssysteme und erlernen deren grundlegende Aufgaben. Sie lernen die Verwaltung von Ein-/Ausgabe-Systemen und Peripheriegeräten zur Vernetzung kennen und üben die Programmierung von DMA/PIO in C. Daneben erarbeiten sie sich die Konzepte von Prozessen/Threads, Unterbrechungen und virtuellen Speichers und Speicherverwaltung. Sie üben die Programmierung von Unterbrechungsbehandlung und Speicherverwaltung in C, sowie die Nutzung von Utilities, wie Shells u. ä. Zudem lernen sie Beispiele für Betriebssysteme (UNIX und Windows) kennen.

Studierende erarbeiten sich im Kommunikationssystemeteil den grundlegenden Aufbau von Netzen, insbesondere des Internets. Sie erlernen den TCP/IP-Protokollstack und das ISO/OSI-Referenzmodell und diskutieren Unterschiede und Anwendungsmöglichkeiten. Sie lernen Medienzugriffsverfahren und Netzwerkgeräte kennen und ordnen diese den verschiedenen Schichten des Protokollstacks zu. Sie erarbeiten sich den Umgang mit Übertragungsfehlern und diskutieren Grenzen dieser Verfahren. Darüber hinaus lernen Sie Routingverfahren innerhalb und außerhalb Autonomer Systeme, sowie TCP und UDP kennen und üben deren Implementierung in C. 

• Andrew S. Tanenbaum: Computerarchitektur, 5.Auflage, Pearson Studium, 2006
• English: Andrew S. Tanenbaum (with contributions from James R. Goodman):
• Structured Computer Organization, 4th Ed., Prentice Hall International, 2005.

Begleitveranstaltung zur Vorlesung 19300701

Inhalt:

Das Modul Mobilkommunikation stellt exemplarisch alle Aspekte mobiler und drahtloser Kommunikation dar, welche derzeit den stärksten Wachstumsmarkt überhaupt darstellt und in immer mehr Bereiche der Gesellschaft vordringt.

Während der gesamten Vorlesung wird ein starker Wert auf die Systemsicht gelegt und es werden zahlreiche Querverweise auf reale Systeme, internationale Standardisierungen und aktuellste Forschungsergebnisse gegeben.

Die zu behandelnden Themen sind:

• Technische Grundlagen der drahtlosen Übertragung: Frequenzen, Signale, Antennen, Signalausbreitung, Multiplex, Modulation, Spreizspektrum, zellenbasierte Systeme;
• Medienzugriff: SDMA, FDMA, TDMA, CDMA;
• Drahtlose Telekommunikationssysteme: GSM, TETRA, UMTS, IMT-2000, LTE;
• Drahtlose lokale Netze: Infrastruktur/ad-hoc, IEEE 802.11/15, Bluetooth;
• Mobile Netzwerkschicht: Mobile IP, DHCP, ad-hoc Netze;
• Mobile Transportschicht: traditionelles TCP, angepasste TCP-Varianten, weitere Mechanismen;
• Mobilitätsunterstützung;
• Ausblick: 4. Generation Mobilnetze

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

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

Cluster-Computer bilden die zur Zeit vorherrschende Klasse paralleler Hochleistungsrechner. Sie bestehen aus konventionellen Prozessorknoten, die über ein Hochgeschwindig­keitsnetzwerk miteinander verbunden sind. Obwohl meistens räumlich integriert, handelt es sich um verteilte Systeme mit jeweils lokalen Betriebssystemen. Das enorme Leistungspotential dieser Rechnerklasse kann nur ausgeschöpft werden, wenn Programmcode und Daten optimal über die Knoten verteilt werden. Die einge­setzten Verfahren müssen insbesondere skalierbar sein, also auch bei Tausenden von Rechnerknoten noch effizient arbeiten. Gleichzeitig soll aber die Programmiererin bzw. der Programmierer von diesen Aufgaben entlastet werden. Die Vorlesung gibt einen Überblick über die auftretenden Probleme und stellt Algorithmen zu ihrer Lösung vor.

• Heiss, H.-U.: Prozessorzuteilung in Parallelrechnern, BI-Verlag, Mannheim, 1996
• Andrews, G. A.: Foundations of Multithreaded, Parallel and Distributed Programming, Addison-Wesley, 2000
• Pfister, G.: In Search of Clusters 2nd ed., Prentice Hall, 1998
• Zomaya, A.: Parallel and distributed computing handbook, McGraw Gill, 1995
• Buyya, R.: High Performance Cluster Computing, Vol. 1+2, Prentice Hall, 1999

Zielgruppe

• MSc

Anforderungen

• Erfahrung mit Computern und Software sowie Programierkenntnisse

Sprache

• Die Kurssprache ist Deutsch (oder Englisch wenn benötigt).
• The exam will be formulated in German, but answers may be given in English, too.

Credits & Klausur

• aktive Teilnahme an den Übungen: regelmäßige Vorbereitung von Übungsaufgaben & Präsentation der Ergebnisse in den Übungen
• Bestehen der Klausur

Webseite

https://www.mi.fu-berlin.de/w/SE/VorlesungClusterComputing

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

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

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

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

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

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

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

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

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

Cybersecurity and AI ist ein viersemestriger Vorlesungszyklus, der alle wesentlichen Aspekte von Cybersecurity und KI abdeckt. Dieser Kurs vermittelt die Grundlagen für Angriffe auf- und mit KI. Grundsätzlich ist es möglich, den Vorlesungszyklus zu jedem Semester zu beginnen.

Der Lehrplan ist:

1. Einführung: KI & Cybersicherheit, Bedrohungsmodell, Bewertungsmetriken, Beispiele für Angriffe
2. Robuste KI: Definition und Grenzen des Deep Learning, Stärkung von Robustheit, robuste Optimierungsmethoden
3. Adversarial ML: Verteidigungsmechanismen, Adversarial-Training, Übertragbarkeit, Real-World Implikationen
4. Generative KI: Generative Modelle, Deepfakes
5. Federated ML: Sicherheitsherausforderungen, sichere Aggregationsprotokolle

Cluster-Computer bilden die zur Zeit vorherrschende Klasse paralleler Hochleistungsrechner. Sie bestehen aus konventionellen Prozessorknoten, die über ein Hochgeschwindig­keitsnetzwerk miteinander verbunden sind. Obwohl meistens räumlich integriert, handelt es sich um verteilte Systeme mit jeweils lokalen Betriebssystemen. Das enorme Leistungspotential dieser Rechnerklasse kann nur ausgeschöpft werden, wenn Programmcode und Daten optimal über die Knoten verteilt werden. Die einge­setzten Verfahren müssen insbesondere skalierbar sein, also auch bei Tausenden von Rechnerknoten noch effizient arbeiten. Gleichzeitig soll aber die Programmiererin bzw. der Programmierer von diesen Aufgaben entlastet werden. Die Vorlesung gibt einen Überblick über die auftretenden Probleme und stellt Algorithmen zu ihrer Lösung vor.

• Heiss, H.-U.: Prozessorzuteilung in Parallelrechnern, BI-Verlag, Mannheim, 1996
• Andrews, G. A.: Foundations of Multithreaded, Parallel and Distributed Programming, Addison-Wesley, 2000
• Pfister, G.: In Search of Clusters 2nd ed., Prentice Hall, 1998
• Zomaya, A.: Parallel and distributed computing handbook, McGraw Gill, 1995
• Buyya, R.: High Performance Cluster Computing, Vol. 1+2, Prentice Hall, 1999

Zielgruppe

• MSc

Anforderungen

• Erfahrung mit Computern und Software sowie Programierkenntnisse

Sprache

• Die Kurssprache ist Deutsch (oder Englisch wenn benötigt).
• The exam will be formulated in German, but answers may be given in English, too.

Credits & Klausur

• aktive Teilnahme an den Übungen: regelmäßige Vorbereitung von Übungsaufgaben & Präsentation der Ergebnisse in den Übungen
• Bestehen der Klausur

Webseite

https://www.mi.fu-berlin.de/w/SE/VorlesungClusterComputing

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

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

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

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

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

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

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

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

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

Cybersecurity and AI ist ein viersemestriger Vorlesungszyklus, der alle wesentlichen Aspekte von Cybersecurity und KI abdeckt. Dieser Kurs vermittelt die Grundlagen für Angriffe auf- und mit KI. Grundsätzlich ist es möglich, den Vorlesungszyklus zu jedem Semester zu beginnen.

Der Lehrplan ist:

1. Einführung: KI & Cybersicherheit, Bedrohungsmodell, Bewertungsmetriken, Beispiele für Angriffe
2. Robuste KI: Definition und Grenzen des Deep Learning, Stärkung von Robustheit, robuste Optimierungsmethoden
3. Adversarial ML: Verteidigungsmechanismen, Adversarial-Training, Übertragbarkeit, Real-World Implikationen
4. Generative KI: Generative Modelle, Deepfakes
5. Federated ML: Sicherheitsherausforderungen, sichere Aggregationsprotokolle

Inhalt:

• Theoretische Rechnermodelle
  • Automaten
  • formale Sprachen
  • Grammatiken und die Chomsky-Hierarchie
  • Turing-Maschinen
  • Berechenbarkeit
• Einführung in die Komplexität von Problemen

• Uwe Schöning, Theoretische Informatik kurzgefasst, 5. Auflage, Spektrum Akademischer Verlag, 2008
• John E. Hopcroft, Rajeev Motwani, Jeffrey D. Ullman, Einführung in die Automatentheorie, Formale Sprachen und Komplexität, Pearson Studium, 3. Auflage, 2011
• Ingo Wegener: Theoretische Informatik - Eine algorithmenorientierte Einführung, 2. Auflage, Teubner, 1999
• Michael Sipser, Introduction to the Theory of Computation, 2nd ed., Thomson Course Technology, 2006
• Wegener, Kompendium theoretische Informatik - Eine Ideensammlung, Teubner 1996

Inhalt

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

Projekt: im begleitenden Projekt werden die Themen praktisch vertieft.

• Alfons Kemper, Andre Eickler: Datenbanksysteme - Eine Einführung, 5. Auflage, Oldenbourg 2004
• R. Elmasri, S. Navathe: Grundlagen von Datenbanksystemen, Pearson Studium, 2005

Zielgruppe

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

Voraussetzungen

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

Projekte können anwendungs- oder systemorientiert sein. Eine größere Aufgabe der Systementwicklung wird arbeitsteilig gelöst. Dazu gehören alle Phasen der Softwareentwicklung. Schwerpunkt sind Datenverwaltungssysteme.

Die Veranstaltung wird in zwei Phasen durchgeführt. Die zweite Phase (Implementierung, Test, Auslieferung) kann als Blockveranstaltung in der vorlesungsfreien Zeit durchgeführt werden.

Wird bekannt gegeben. / To be announced.

Zielgruppe

Studierende im Master- bzw. Bachelorstudiengang

Voraussetzungen

Gute Programmierkenntnisse, Einführung in Datenbanksysteme.

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

Weitere Informationen finden sich auf der Veranstaltungsseite.

Pony [1] ist eine Programmiersprache, die dafür designed wird, hoch
performant zu sein.
Sie basiert auf dem Akteur-Modell [2]: Akteure beinhalten
sequentielle Code-Abschnitte, verschiedene Akteure werden
nebenläufig und unabhängig voneinander ausgeführt.
Die Nebenläufigkeit auf der Ebene von Akteuren [3] siedelt
Beschleunigung direkt im Design der Sprache an.
Es gibt jedoch auch andere Formen von Parallelismus auf anderen Ebenen,
welche dazu genutzt werden könnten, Pony noch performanter zu machen.
Auf Ebene der Daten gibt es sogenannten Datenparallelismus [4].
Er kann beispielsweise in Schleifennestern gefunden werden,
die viele Male ausgeführt werden und auf unabhängigen aber
gleich strukturierten Daten arbeiten.

Grafische Prozessoren (GPUs) spezialisieren sich darauf
datenparallele Probleme zu berechnen. [5]
In einem System, in dem sowohl eine GPU als auch eine CPU vorhanden
sind, kann die GPU die Berechnungen der CPU unterstützen,
indem datenparallele Probleme von ihr übernommen werden.
Der Fachbegriff dazu heißt GPU Offloading.
Die GPU berechnet aufgrund ihrer internen Struktur und Ressourcen
datenparallele Probleme effizienter und schneller als die CPU und
beschleunigt dadurch die Gesamtausführung eines Programms.

In diesem Softwareprojekt wollen wir gemeinsam herausfinden,
ob sich GPU Offloading in Pony integrieren lässt.
Dazu experimentieren wir mit Ponys Compiler und schreiben Teile
dieses Compilers um.

Das SWP bietet die Möglichkeit, einmal genauer in den internen
Aufbau eines Compilers zu blicken und sich anzusehen, wie genau
GPUs dazu verwendet werden können, ein Programm zu beschleunigen.
Darüber hinaus werden wir die Compiler Infrastruktur LLVM [6]
kennenlernen, denn der Pony Compiler ist ein Compiler Frontend
zu LLVM.
Falls Ihnen der Name LLVM nichts sagt, ist es vielleicht interessant
für Sie zu wissen, dass sowohl der Rust, als auch der Clang Compiler
Frontends zu LLVM sind.

Das Softwareprojekt zielt darauf ab im Bereich GPU Offloading zu forschen,
möglicherweise mit der Option später die Ergebnisse der Experimente
zu veröffentlichen und zu den beiden genannten Open-Source-Projekten
Pony und LLVM beizutragen.

Ablauf

Während der Vorlesungszeit wird die Aufgabenstellung mit reduziertem Anwesenheits- und Arbeitsaufwand spezifiziert. Die eigentliche Bearbeitung der Aufgabenstellung erfolgt dann in der vorlesungsfreien Zeit.

Links:

[1]: [Pony](https://www.ponylang.io/discover/#what-is-pony)
[2]: [Actor Model](https://en.wikipedia.org/wiki/Actor_model)
[3]: [Task-level parallelism](https://en.wikipedia.org/wiki/Task_parallelism)
[4]: David A. Patterson and John L. Hennessy. Computer Organization and Design: The Hardware Software Interface [RISC-V Edition]. 2nd. The Morgan Kaufmann Series in Computer Architecture and Design. Morgan Kaufmann, 2021. ISBN: 9780128203316. Page 528.
[5]: David A. Patterson and John L. Hennessy. Computer Organization and Design: The Hardware Software Interface [RISC-V Edition]. 2nd. The Morgan Kaufmann Series in Computer Architecture and Design. Morgan Kaufmann, 2021. ISBN: 9780128203316. Appendix B.
[6]: [LLVM](https://llvm.org/)

Zielgruppe

BA und MA Informatik

Webseite

https://www.mi.fu-berlin.de/w/SE/SoftwareprojektCompilerOptimization2024

Dozent & Ansprechpartner

Barry Linnert führt die Veranstaltung durch.

Dieser Kurs lehrt agile Methoden (Scrum und XP) und Open-Source-Werkzeuge anhand eines semesterlangen Projekts. Der Kurs findet online und universitätsübergreifend statt. Lehr- und Lerninhalte umfassen:

• Agile Methoden und verwandte Entwicklungsprozesse
• Scrum Rollen und Prozesspraktiken, inkl. Produktmanagement und Entwicklungsleitung
• Technische Praktiken wie Refactoring, Continuous Integration, und test-getriebene Entwicklung
• Prinzipien und Praktiken der Open-Source-Softwareentwicklung

Das Projekt ist ein Softwareentwicklungsprojekt, bei dem jedes Studierendenteam mit einem Industriepartner zusammenarbeitet, der die Projektidee bereitstellt. Studierende arbeiten praktisch und angewandt.

Studierende nehmen die Rolle einer Softwareentwicklerin oder eines Softwareentwicklers ein. In dieser Rolle schätzen sie den Aufwand von Anforderungen und setzen sie im Projekt um. Teilnehmende Studierende müssen über vorherige Softwareentwicklungserfahrung verfügen.

Studierende werden in Teams von 7-9 Personen organisiert. Ein Team besteht aus einem Scrum Master, zwei Product Ownern, und sechs Softwareentwickler:innen. Ein Industriepartner stellt die allgemeinen Anforderungen bereit, welche von den Product Ownern ausgearbeitet und von den Softwareentwickler:innen umgesetzt werden. Das Projektangebot wird kurz vor Semesterbeginn vorgestellt werden.

Der Kurs besteht aus einer 90 min. Vorlesung, gefolgt von einem 90 min. Team-Meeting (Teilnahme verpflichtend). Bitte registrieren Sie sich nicht für diesen Kurs, falls Sie nicht regelmäßig am Team-Meeting teilnehmen können.

Registrierung und weitere Kursinformation finden Sie auf eine Google Spreadsheet über https://amos.uni1.de – bitte registrieren Sie Ihr Teilnahmeinteresse durch Ausfüllen des dort verlinkten Formulars zur Interessenbekundung, sobald sich dieses öffnet.

http://goo.gl/5Wqnr7

Lernziele und Kompetenzen

• Studierende lernen zu Softwareprodukten und Softwareentwicklung in der Industrie
• Studierende lernen zu agilen Methoden, insbesondere Scrum und Extreme Programming
• Studierende lernen zu Open-Source-Softwareentwicklung und ihren Prinzipien
• Studierende erwerben praktische Erfahrung mit Scrum und Extrem Programming

Zielgruppe

Studierende der Informatik (und verwandte Disziplinen). Für die Softwareentwickler:innen Rolle sollten Sie praktische Programmiererfahrung mitbringen. Dieser Kurs ist nicht geeignet, um Programmieren zu lernen.

Sprache

Englisch (Vorlesungen auf Englisch, Team-Meeting auf Deutsch oder Englisch nach Wahl der Studierenden)

Benotung

• Softwareentwickler:in (zu 100%)
  • 10% der Note: 5 Kurzquizzes zu jeweils 5 Fragen mit 2 Punkten
  • 90% der Note: Wöchentliche Projektarbeit

Weiteres

• SWS: 4 SWS (2 SWS VL, 2 SWS Team-Meeting)
• Semester: Jedes Semester
• Modalität: Online, universitätsübergreifend
• Tags: Scrum

In diesem Kurs werden die Konzepte und Techniken des Continual Learning, eines wichtigen Bereichs im maschinellen Lernen, untersucht. Continual Learning, auch als lebenslanges Lernen bekannt, bezieht sich auf die Fähigkeit von KI-Systemen, kontinuierlich zu lernen und sich an neue Informationen anzupassen, ohne dabei früher erworbenes Wissen zu verlieren. Diese Fähigkeit ist entscheidend für die Entwicklung flexiblerer und anpassungsfähigerer KI-Systeme, insbesondere in sich schnell verändernden und datenreichen Umgebungen.

Der Kurs richtet sich an Studierende der (Bio-)Informatik und Data Science, die ein tieferes Verständnis für fortgeschrittene Konzepte im maschinellen Lernen entwickeln und praktische Erfahrungen im Bereich Continual Learning sammeln möchten.

,,

,,

In der wissenschaftlichen Gemeinschaft hat sich die Praxis von offenem Quellcode und offenen Daten als Standard für Reproduzierbarkeit und Transparenz etabliert. Im Gegensatz dazu befindet sich "Open Hardware" noch in einem frühen Entwicklungsstadium. Oft werden in der Forschung eigene Hardware-Lösungen entwickelt – sei es aus finanziellen Gründen oder weil kommerzielle Produkte die spezifischen Anforderungen nicht erfüllen. Diese Eigenentwicklungen werden jedoch selten als vollwertige Forschungsergebnisse anerkannt und finden in wissenschaftlichen Publikationen meist nur als methodische Komponenten Erwähnung. In diesem Projekt untersuchen wir, wie ein offenes Publikationssystem gestaltet werden kann, um Forschenden zu ermöglichen, ihre Entwicklungen im Bereich Open Hardware effektiver zu publizieren. Unser Ziel ist es, ein System zu entwickeln, das die einfache Veröffentlichung, Begutachtung und Verifizierung von Open Hardware in der wissenschaftlichen Forschung unterstützt.

Inhalte der Veranstaltung

• Allgemeiner Überblick zur Computergrafik
• Grundlagen der Computergrafik
  • Punkte, Linien, Polygone, Kreise, Ellipsen
  • Flächen füllen, Clipping und Kurven
• OpenGL und GLSL
  • Einführung in OpenGL mit LWJGL
  • Shaderprogrammierung in GLSL
  • Einfache Spieleumgebungen entwickeln
• Grundlagen des Beleuchtungsdesigns
  • Wahrnehmung von Licht, Farbblindheit, Barrierefreie UIs
  • Ziele des Beleuchtungsdesigns
  • Three- und Four-Point-Lighting, Komposition einer Szene
• Lokale Beleuchtungsmodelle
  • Materialeigenschaften, Lichtquellenmodelle
  • Elementare Beleuchtungsmodelle
  • Beleuchtungsmodelle von Phong- und OpenGL
• Schattierungsmodelle und visuelle Wahrnehmung
  • Flat- und Gouraud-Shading
  • Neuronale Netze und Machbandeffekt, Phong-Shading
• Texture-Mapping
  • Allgemein und Prozedural
  • Perlin-Noise
• Normal-Mapping
• Geometrische Transformationen
  • 2D und 3D, Homogene Koordinaten
  • Euler-Winkel und Quaternione
• Koordinatensysteme
  • World-, View-, Clip-Space, MVP-Matrix
  • Tangentialraum, Orthogonalisierung
• Mikrostrukturen mit BRDF
  • Radiometrie, Kartesische und Polarkoordinaten
  • Raumwinkel, Rendergleichung
  • Herleitung und Untersuchung von BRDFs
• Displacement-Mapping
  • Per-Vertex- und Per-Pixel-Displacement-Mapping
• Echtzeitschatten
  • Hard-, Soft- und Filtered-Hard-Shadows
  • Shadow-Volumes, Shadow-Mapping
  • Screen-Space-Ambient-Occlusion

Die Themen werden teilweise mit Programmbeispielen in Java, LWJGL, OpenGL und GLSL vorgestellt.
Diese Werkzeuge sind für die Bearbeitung der Übungsaufgaben ebenfalls vorgesehen. Die Vorlesung
orientiert sich dabei hauptsächlich an folgendem Lehrbuch [1].

Die notwendigen mathematischen Grundlagen werden bei Bedarf eingeführt.

Zielgruppe

B.Sc.-Studierende ab 5. Semester, M.Sc.-Studierende in Informatik, Mathematik, Physik o.ä.,

Literatur zur Veranstaltung

[1] Block-Berlitz M.: "Warum sich der Dino furchtbar erschreckte - Lehrbuch zu Beleuchtung und Rendering mit Java,
     LWJGL, OpenGL, OpenCV und GLSL", vividus Wissenschaftsverlag, 3. Auflage, 2021

Ergänzende Literatur

[2] Birn J.: "Digital Lighting & Rendering", 3. Auflage, New Riders Verlag, 2015
[3] Foley J.D., et al.: "Computer Graphics: Principles and Practise", Addison-Wesley Verlag, 2. Auflage, 1997
[4] Shirley P., et al.: "Fundamentals of Computer Graphics", CRC Press, AK Peters, 3. Auflage, 2009
[5] Akenine-Möller T., et al.: "Real-Time Rendering", 3. Auflage, AK Peters, 2008
[6] Eisemann E., et al.: "Real-Time Shadows", CRC Press, AK Peters, 2012
[7] Gortler S. J.: "Founddations of 3D Computer Graphics", MIT Press, 2012
[8] Han JH: "3D Graphics for Game Programming", CRC Press, 2011
[9] Ammeraal L, et al.: "Computer Graphics for Java Programmers", Springer Verlag, 3. Auflage, 2017
[10] Olano M. et al.: "Real-Time Shading", AK Peters, 2002
[11] Shreiner M., et al.: "OpenGL Programming Guide: The Official Guide to Learning OpenGL", Addison-Wesley Verlag, 2007
[12] Angel E.: "Interactive Computer Graphics", Addison-Wesley Verlag, 4. Auflage, 2006

In der Vorlesung "Computergrafik" werden die vorgestellten Themen teilweise mit Programmbeispielen in
Java, LWJGL, OpenGL und GLSL vorgestellt [1]. Diese Beispiele liegen als Programmpaket für die Bearbeitung
und Ausführung in Eclipse bereit:

Diese Werkzeuge sind für die Bearbeitung der Übungsaufgaben ebenfalls vorgesehen. In vorheriger Absprache
können allerdings auch andere Werkzeuge, als die zuvor genannten, zum Einsatz kommen.

[1] Block-Berlitz M.: "Warum sich der Dino furchtbar erschreckte - Lehrbuch zu Beleuchtung und Rendering
mit Java, LWJGL, OpenGL, OpenCV und GLSL", vividus Wissenschaftsverlag, 3. Auflage, 2021

Inhalt

Die Vorlesung hält Dr. Andreas Wolf (Bundesdruckerei.) Er wird einen breiten Einblick in Biometriethemen und biometrische Verfahren und in deren Anwendung geben. Er wird auch auf die aktuellen Themen aus ePassport und neuem elektronischem Personalausweis eingehen. Vorgesehene Gebiete in der Lehrveranstaltung sind unter anderem:

• Allgemeine Struktur biometrischer Systeme
• Eigenschaften biometrischer Modalitäten
• IT-Sicherheit und Risikoabschätzung
• Fehlergrößen biometrischer Verfahren
• Fingerabdruckverfahren
• Gesichts- und Iriserkennung
• Sprechererkennung und weitere Modalitäten
• Standards
• Elektronischer Pass

Neben der Vermittlung der theoretischen Grundlagen der behandelten biometrischen Modalitäten wird besonderer Wert auf die Entwicklung der Fähigkeit zur Beurteilung der Eignung des Biometrie-Einsatzes in konkreten Anwendungsszenarien gelegt.

Die Vorlesung beginnt am Montag, den 15.04.

Das Vorlesungsskript liegt unter

hhttps://drive.google.com/drive/folders/0B7NhYbv9QewkRkk2WVRuM2Rqd00?resourcekey=0-Yshu3zWsEGEP1i2z0UZjXw&usp=sharing

Cluster-Computer bilden die zur Zeit vorherrschende Klasse paralleler Hochleistungsrechner. Sie bestehen aus konventionellen Prozessorknoten, die über ein Hochgeschwindig­keitsnetzwerk miteinander verbunden sind. Obwohl meistens räumlich integriert, handelt es sich um verteilte Systeme mit jeweils lokalen Betriebssystemen. Das enorme Leistungspotential dieser Rechnerklasse kann nur ausgeschöpft werden, wenn Programmcode und Daten optimal über die Knoten verteilt werden. Die einge­setzten Verfahren müssen insbesondere skalierbar sein, also auch bei Tausenden von Rechnerknoten noch effizient arbeiten. Gleichzeitig soll aber die Programmiererin bzw. der Programmierer von diesen Aufgaben entlastet werden. Die Vorlesung gibt einen Überblick über die auftretenden Probleme und stellt Algorithmen zu ihrer Lösung vor.

• Heiss, H.-U.: Prozessorzuteilung in Parallelrechnern, BI-Verlag, Mannheim, 1996
• Andrews, G. A.: Foundations of Multithreaded, Parallel and Distributed Programming, Addison-Wesley, 2000
• Pfister, G.: In Search of Clusters 2nd ed., Prentice Hall, 1998
• Zomaya, A.: Parallel and distributed computing handbook, McGraw Gill, 1995
• Buyya, R.: High Performance Cluster Computing, Vol. 1+2, Prentice Hall, 1999

Zielgruppe

• MSc

Anforderungen

• Erfahrung mit Computern und Software sowie Programierkenntnisse

Sprache

• Die Kurssprache ist Deutsch (oder Englisch wenn benötigt).
• The exam will be formulated in German, but answers may be given in English, too.

Credits & Klausur

• aktive Teilnahme an den Übungen: regelmäßige Vorbereitung von Übungsaufgaben & Präsentation der Ergebnisse in den Übungen
• Bestehen der Klausur

Webseite

https://www.mi.fu-berlin.de/w/SE/VorlesungClusterComputing

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

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

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

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

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

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

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

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

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

Im digitalen Zeitalter geht es nicht mehr um die Entscheidung, ob eine Software genutzt werden soll, sondern um die Entscheidung, welche Software genutzt werden soll. Die Benutzerfreundlichkeit, die oft eher eine implizite als eine explizite Anforderung ist, beeinflusst diese Entscheidung erheblich. Um eine hohe Benutzerfreundlichkeit und ein positives Benutzererlebnis zu erreichen, ist ein tiefes Verständnis der Benutzerziele, der verborgenen Bedürfnisse und der kognitiven Möglichkeiten erforderlich.

An dieser Stelle kommt das Fachgebiet der Mensch-Computer-Interaktion (HCI) ins Spiel. HCI ist ein Teilgebiet der Informatik, das sich auf die Entwicklung von Technologien konzentriert, die den Menschen in den Mittelpunkt stellen. Es ist jedoch wichtig zu verstehen, dass die Benutzerfreundlichkeit nicht von Natur aus in der Software enthalten ist und auch nicht separat als Softwarefunktion zu einem bestimmten Zeitpunkt entwickelt werden kann. Benutzerfreundlichkeit ist immer kontextabhängig, und das Verständnis dieses Kontexts ist entscheidend.

Die Verbesserung der Benutzerfreundlichkeit bedeutet auch eine Änderung des gesamten Softwareentwicklungsprozesses. Ziel ist es, eine Software zu entwickeln, die trotz ihrer Komplexität und Informationsfülle von der vorgesehenen Zielgruppe genutzt werden kann. Um dieses Ziel zu erreichen, können wir je nach Entwicklungsphase und Projektsituation unterschiedliche Prinzipien und Methoden auswählen und anwenden.

In diesem Kurs zur Mensch-Maschine-Interaktion werden wir diese Prinzipien und Methoden erkunden. Sie werden lernen, wie man

• Methoden des menschenzentrierten Designs auf Ihre Entwicklungspraxis anzuwenden: Sie lernen Methoden kennen, mit denen Sie die Bedürfnisse und Vorlieben der Menschen verstehen und in den Entwurfsprozess einbeziehen können.
• Daten über menschliche Aktivitäten zu sammeln: Sie lernen, wie Sie qualitative und quantitative Daten über das Verhalten und die Präferenzen der Anwender:innen sammeln und interpretieren.
• Daten in konzeptionellen Modellen synthetisieren, die Ihnen bei der Ableitung von Anforderungen helfen: Wir zeigen Ihnen, wie Sie Ihre Erkenntnisse in umsetzbare Designziele und Anforderungen übersetzen.
• grafischen Benutzeroberflächen auf der Grundlage von Anforderungen prototypisieren: Sie erhalten praktische Erfahrung bei der Erstellung von Benutzeroberflächen, die diese Anforderungen erfüllen.
• Prototypen (low-fidelity und high-fidelity) in Studien evaluieren: Schließlich lernen Sie, wie Sie Benutzertests durchführen und Ihre Entwürfe auf der Grundlage des Benutzerfeedbacks überarbeiten können.

Am Ende dieses Kurses verfügen Sie über ein solides Fundament an HCI-Prinzipien und -Methoden. Sie werden mit den notwendigen Fähigkeiten ausgestattet sein, um benutzerfreundliche Schnittstellen zu entwerfen und zu entwickeln, die ein positives Benutzererlebnis schaffen. Dieser Kurs wird Ihnen helfen, Software zu entwickeln, die nicht nur funktionale Anforderungen erfüllt, sondern auch ein zufriedenstellendes Benutzererlebnis bietet.

Shneiderman, B., Plaisant, C., Cohen, M., Jacobs, S., Elmqvist, N., & Diakopoulos, N. (2016). Designing the user interface: Strategies for effective human-computer interaction. Pearson.

Dix, A., Finlay, J., Abowd, G. D., & Beale, R. (2004). Human-computer interaction. Pearson Education.

Sharp, H., Rogers, Y., & Preece, J. (2019). Interaction design: Beyond human-computer interaction (5th ed.). Wiley.

Weitere Informationen:

Die Datenwissenschaft hat in den letzten Jahren ein rasantes Wachstum erlebt, das vor allem durch Fortschritte im maschinellen Lernen vorangetrieben wurde. Diese Entwicklung hat neue Möglichkeiten in einer Vielzahl von sozialen, wissenschaftlichen und technologischen Bereichen eröffnet. Es wird jedoch immer deutlicher, dass bei einer ausschließlichen Konzentration auf die statistischen und numerischen Aspekte der Datenwissenschaft soziale Nuancen und ethische Überlegungen häufig übersehen werden. Das Feld der Human-Centered Data Science (HCDS) entsteht, um diese Lücke zu schließen, und kombiniert Elemente der Mensch-Computer-Interaktion, der Sozialwissenschaften, der Statistik und der Numerik.

HCDS legt den Schwerpunkt auf die Grundprinzipien der Datenwissenschaft und ihre menschlichen Auswirkungen. Dazu gehören Forschungsethik, Datenschutz, rechtliche Rahmenbedingungen, algorithmische Voreingenommenheit, Transparenz, Fairness, Rechenschaftspflicht, Datenherkunft, Reproduzierbarkeit, User Experience Design, Human Computing und die gesellschaftlichen Auswirkungen der Datenwissenschaft.

Am Ende dieser Veranstaltung werden die Studierenden in der Lage sein

• Anwendung von Methoden des menschenzentrierten Designs in der datenwissenschaftlichen Praxis unter Berücksichtigung von ethischen Belangen und Datenschutzanforderungen
• einen reproduzierbaren datenwissenschaftlichen Arbeitsablauf zu konstruieren.
• Schlüsselbegriffe wie Bias, Fairness, Accountability, Transparenz und Interpretierbarkeit zu verstehen und zu differenzieren.
• Maßnahmen, Techniken und Frameworks anwenden, um ihre datenwissenschaftlichen Ergebnisse im Kontext der menschenzentrierten Erklärbaren KI (HC-XAI) interpretierbar zu machen.
• Datenwissenschaftliche Arbeitsabläufe mit qualitativen Forschungsansätzen zu verbessern.
• Sie sind sich der vorhandenen Maßnahmen, Techniken und Ansätze bewusst, die helfen, die datenwissenschaftlichen Praktiken zu reflektieren.

Die Studenten werden nicht nur die Kernkonzepte, Theorien und Praktiken der HCDS verstehen, sondern auch die verschiedenen Perspektiven, aus denen Daten gesammelt und verarbeitet werden können. Darüber hinaus erhalten die Studierenden einen Einblick in die potenziellen gesellschaftlichen Auswirkungen der aktuellen technologischen Fortschritte. Ziel dieses Kurses ist es, die Studierenden in die Lage zu versetzen, datenwissenschaftliche Techniken bewusst und gewissenhaft anzuwenden und dabei menschliche und gesellschaftliche Zusammenhänge zu berücksichtigen, was zu ethischeren, inklusiveren und sinnvolleren datengesteuerten Lösungen führt.

Aragon, Cecilia, et al. "Developing a research agenda for human-centered data science." Proceedings of the 19th ACM Conference on Computer Supported Cooperative Work and Social Computing Companion. 2016.

Baumer, Eric PS. “Toward Human-Centered Algorithm Design.” Big Data & Society, 4(2), Dec. 2017. 

Kogan, Marina, et al. "Mapping Out Human-Centered Data Science: Methods, Approaches, and Best Practices." Companion of the 2020 ACM International Conference on Supporting Group Work. 2020. pp. 151-156.

The course is held in cooperation with Prof. Sabine Ammon (TU Berlin).

Content:

Students will learn to critically assess the relationship between technology and society and to analyze the interactions between technology and society from an ethical perspective. Furthermore, students will deal with the deconstruction of the concept of neutrality of technology and learn to critically assess it. At the same time, the environment will be taken as a stakeholder in its own right in order to consider the impact of technological applications from a sustainability perspective. The course will provide students with the necessary theoretical foundations stemming from both Computer Science (in particular AI and digital technologies) and Ethics. This knowledge will be put into practice and deepened through case-based projects carried out in interdisciplinary groups.

Knowledge:

• Acquiring an understanding of foundational concepts of Philosophy and Ethics of Artificial Intelligence (AI) and their application in research and practice in the field;
• acquiring an overview of the current ethical challenges in AI;
• transdisciplinary perspectives on these said challenges (including sociological, ecological, political, economic, cultural, historical issues, etc.).

Skills:

• Critical discussion and evaluation of various current perspectives among ethical debates in Philosophy and Ethics of AI;
• development of own argumentative positions based on the fundamental concepts of Philosophy and Ethics of AI (articulation of logical reasoning supported by examples);
• drafting of current and practical case studies in relation to contemporary societal challenges and assessment of these case studies through interdisciplinary perspectives.

Competencies:

• Ability to apply methods of interdisciplinary cooperation, specifically at the intersection of humanities/social sciences and natural/technical sciences;
• ability to discuss and integrate critical feminist, queer and anti-racist perspectives on science, i.e., how sociotechnical problems surrounding race, gender, sexuality, status, class, ability etc. relate to institutional structures of power and domination;
• effective self-management in a collaborative group setting.

Inhalt

Die Vorlesung hält Dr. Andreas Wolf (Bundesdruckerei.) Er wird einen breiten Einblick in Biometriethemen und biometrische Verfahren und in deren Anwendung geben. Er wird auch auf die aktuellen Themen aus ePassport und neuem elektronischem Personalausweis eingehen. Vorgesehene Gebiete in der Lehrveranstaltung sind unter anderem:

• Allgemeine Struktur biometrischer Systeme
• Eigenschaften biometrischer Modalitäten
• IT-Sicherheit und Risikoabschätzung
• Fehlergrößen biometrischer Verfahren
• Fingerabdruckverfahren
• Gesichts- und Iriserkennung
• Sprechererkennung und weitere Modalitäten
• Standards
• Elektronischer Pass

Neben der Vermittlung der theoretischen Grundlagen der behandelten biometrischen Modalitäten wird besonderer Wert auf die Entwicklung der Fähigkeit zur Beurteilung der Eignung des Biometrie-Einsatzes in konkreten Anwendungsszenarien gelegt.

Die Vorlesung beginnt am Montag, den 15.04.

Das Vorlesungsskript liegt unter

hhttps://drive.google.com/drive/folders/0B7NhYbv9QewkRkk2WVRuM2Rqd00?resourcekey=0-Yshu3zWsEGEP1i2z0UZjXw&usp=sharing

Cluster-Computer bilden die zur Zeit vorherrschende Klasse paralleler Hochleistungsrechner. Sie bestehen aus konventionellen Prozessorknoten, die über ein Hochgeschwindig­keitsnetzwerk miteinander verbunden sind. Obwohl meistens räumlich integriert, handelt es sich um verteilte Systeme mit jeweils lokalen Betriebssystemen. Das enorme Leistungspotential dieser Rechnerklasse kann nur ausgeschöpft werden, wenn Programmcode und Daten optimal über die Knoten verteilt werden. Die einge­setzten Verfahren müssen insbesondere skalierbar sein, also auch bei Tausenden von Rechnerknoten noch effizient arbeiten. Gleichzeitig soll aber die Programmiererin bzw. der Programmierer von diesen Aufgaben entlastet werden. Die Vorlesung gibt einen Überblick über die auftretenden Probleme und stellt Algorithmen zu ihrer Lösung vor.

• Heiss, H.-U.: Prozessorzuteilung in Parallelrechnern, BI-Verlag, Mannheim, 1996
• Andrews, G. A.: Foundations of Multithreaded, Parallel and Distributed Programming, Addison-Wesley, 2000
• Pfister, G.: In Search of Clusters 2nd ed., Prentice Hall, 1998
• Zomaya, A.: Parallel and distributed computing handbook, McGraw Gill, 1995
• Buyya, R.: High Performance Cluster Computing, Vol. 1+2, Prentice Hall, 1999

Zielgruppe

• MSc

Anforderungen

• Erfahrung mit Computern und Software sowie Programierkenntnisse

Sprache

• Die Kurssprache ist Deutsch (oder Englisch wenn benötigt).
• The exam will be formulated in German, but answers may be given in English, too.

Credits & Klausur

• aktive Teilnahme an den Übungen: regelmäßige Vorbereitung von Übungsaufgaben & Präsentation der Ergebnisse in den Übungen
• Bestehen der Klausur

Webseite

https://www.mi.fu-berlin.de/w/SE/VorlesungClusterComputing

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

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

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

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

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

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

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

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

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

Im digitalen Zeitalter geht es nicht mehr um die Entscheidung, ob eine Software genutzt werden soll, sondern um die Entscheidung, welche Software genutzt werden soll. Die Benutzerfreundlichkeit, die oft eher eine implizite als eine explizite Anforderung ist, beeinflusst diese Entscheidung erheblich. Um eine hohe Benutzerfreundlichkeit und ein positives Benutzererlebnis zu erreichen, ist ein tiefes Verständnis der Benutzerziele, der verborgenen Bedürfnisse und der kognitiven Möglichkeiten erforderlich.

An dieser Stelle kommt das Fachgebiet der Mensch-Computer-Interaktion (HCI) ins Spiel. HCI ist ein Teilgebiet der Informatik, das sich auf die Entwicklung von Technologien konzentriert, die den Menschen in den Mittelpunkt stellen. Es ist jedoch wichtig zu verstehen, dass die Benutzerfreundlichkeit nicht von Natur aus in der Software enthalten ist und auch nicht separat als Softwarefunktion zu einem bestimmten Zeitpunkt entwickelt werden kann. Benutzerfreundlichkeit ist immer kontextabhängig, und das Verständnis dieses Kontexts ist entscheidend.

Die Verbesserung der Benutzerfreundlichkeit bedeutet auch eine Änderung des gesamten Softwareentwicklungsprozesses. Ziel ist es, eine Software zu entwickeln, die trotz ihrer Komplexität und Informationsfülle von der vorgesehenen Zielgruppe genutzt werden kann. Um dieses Ziel zu erreichen, können wir je nach Entwicklungsphase und Projektsituation unterschiedliche Prinzipien und Methoden auswählen und anwenden.

In diesem Kurs zur Mensch-Maschine-Interaktion werden wir diese Prinzipien und Methoden erkunden. Sie werden lernen, wie man

• Methoden des menschenzentrierten Designs auf Ihre Entwicklungspraxis anzuwenden: Sie lernen Methoden kennen, mit denen Sie die Bedürfnisse und Vorlieben der Menschen verstehen und in den Entwurfsprozess einbeziehen können.
• Daten über menschliche Aktivitäten zu sammeln: Sie lernen, wie Sie qualitative und quantitative Daten über das Verhalten und die Präferenzen der Anwender:innen sammeln und interpretieren.
• Daten in konzeptionellen Modellen synthetisieren, die Ihnen bei der Ableitung von Anforderungen helfen: Wir zeigen Ihnen, wie Sie Ihre Erkenntnisse in umsetzbare Designziele und Anforderungen übersetzen.
• grafischen Benutzeroberflächen auf der Grundlage von Anforderungen prototypisieren: Sie erhalten praktische Erfahrung bei der Erstellung von Benutzeroberflächen, die diese Anforderungen erfüllen.
• Prototypen (low-fidelity und high-fidelity) in Studien evaluieren: Schließlich lernen Sie, wie Sie Benutzertests durchführen und Ihre Entwürfe auf der Grundlage des Benutzerfeedbacks überarbeiten können.

Am Ende dieses Kurses verfügen Sie über ein solides Fundament an HCI-Prinzipien und -Methoden. Sie werden mit den notwendigen Fähigkeiten ausgestattet sein, um benutzerfreundliche Schnittstellen zu entwerfen und zu entwickeln, die ein positives Benutzererlebnis schaffen. Dieser Kurs wird Ihnen helfen, Software zu entwickeln, die nicht nur funktionale Anforderungen erfüllt, sondern auch ein zufriedenstellendes Benutzererlebnis bietet.

Shneiderman, B., Plaisant, C., Cohen, M., Jacobs, S., Elmqvist, N., & Diakopoulos, N. (2016). Designing the user interface: Strategies for effective human-computer interaction. Pearson.

Dix, A., Finlay, J., Abowd, G. D., & Beale, R. (2004). Human-computer interaction. Pearson Education.

Sharp, H., Rogers, Y., & Preece, J. (2019). Interaction design: Beyond human-computer interaction (5th ed.). Wiley.

Weitere Informationen:

Die Datenwissenschaft hat in den letzten Jahren ein rasantes Wachstum erlebt, das vor allem durch Fortschritte im maschinellen Lernen vorangetrieben wurde. Diese Entwicklung hat neue Möglichkeiten in einer Vielzahl von sozialen, wissenschaftlichen und technologischen Bereichen eröffnet. Es wird jedoch immer deutlicher, dass bei einer ausschließlichen Konzentration auf die statistischen und numerischen Aspekte der Datenwissenschaft soziale Nuancen und ethische Überlegungen häufig übersehen werden. Das Feld der Human-Centered Data Science (HCDS) entsteht, um diese Lücke zu schließen, und kombiniert Elemente der Mensch-Computer-Interaktion, der Sozialwissenschaften, der Statistik und der Numerik.

HCDS legt den Schwerpunkt auf die Grundprinzipien der Datenwissenschaft und ihre menschlichen Auswirkungen. Dazu gehören Forschungsethik, Datenschutz, rechtliche Rahmenbedingungen, algorithmische Voreingenommenheit, Transparenz, Fairness, Rechenschaftspflicht, Datenherkunft, Reproduzierbarkeit, User Experience Design, Human Computing und die gesellschaftlichen Auswirkungen der Datenwissenschaft.

Am Ende dieser Veranstaltung werden die Studierenden in der Lage sein

• Anwendung von Methoden des menschenzentrierten Designs in der datenwissenschaftlichen Praxis unter Berücksichtigung von ethischen Belangen und Datenschutzanforderungen
• einen reproduzierbaren datenwissenschaftlichen Arbeitsablauf zu konstruieren.
• Schlüsselbegriffe wie Bias, Fairness, Accountability, Transparenz und Interpretierbarkeit zu verstehen und zu differenzieren.
• Maßnahmen, Techniken und Frameworks anwenden, um ihre datenwissenschaftlichen Ergebnisse im Kontext der menschenzentrierten Erklärbaren KI (HC-XAI) interpretierbar zu machen.
• Datenwissenschaftliche Arbeitsabläufe mit qualitativen Forschungsansätzen zu verbessern.
• Sie sind sich der vorhandenen Maßnahmen, Techniken und Ansätze bewusst, die helfen, die datenwissenschaftlichen Praktiken zu reflektieren.

Die Studenten werden nicht nur die Kernkonzepte, Theorien und Praktiken der HCDS verstehen, sondern auch die verschiedenen Perspektiven, aus denen Daten gesammelt und verarbeitet werden können. Darüber hinaus erhalten die Studierenden einen Einblick in die potenziellen gesellschaftlichen Auswirkungen der aktuellen technologischen Fortschritte. Ziel dieses Kurses ist es, die Studierenden in die Lage zu versetzen, datenwissenschaftliche Techniken bewusst und gewissenhaft anzuwenden und dabei menschliche und gesellschaftliche Zusammenhänge zu berücksichtigen, was zu ethischeren, inklusiveren und sinnvolleren datengesteuerten Lösungen führt.

Aragon, Cecilia, et al. "Developing a research agenda for human-centered data science." Proceedings of the 19th ACM Conference on Computer Supported Cooperative Work and Social Computing Companion. 2016.

Baumer, Eric PS. “Toward Human-Centered Algorithm Design.” Big Data & Society, 4(2), Dec. 2017. 

Kogan, Marina, et al. "Mapping Out Human-Centered Data Science: Methods, Approaches, and Best Practices." Companion of the 2020 ACM International Conference on Supporting Group Work. 2020. pp. 151-156.

The course is held in cooperation with Prof. Sabine Ammon (TU Berlin).

Content:

Students will learn to critically assess the relationship between technology and society and to analyze the interactions between technology and society from an ethical perspective. Furthermore, students will deal with the deconstruction of the concept of neutrality of technology and learn to critically assess it. At the same time, the environment will be taken as a stakeholder in its own right in order to consider the impact of technological applications from a sustainability perspective. The course will provide students with the necessary theoretical foundations stemming from both Computer Science (in particular AI and digital technologies) and Ethics. This knowledge will be put into practice and deepened through case-based projects carried out in interdisciplinary groups.

Knowledge:

• Acquiring an understanding of foundational concepts of Philosophy and Ethics of Artificial Intelligence (AI) and their application in research and practice in the field;
• acquiring an overview of the current ethical challenges in AI;
• transdisciplinary perspectives on these said challenges (including sociological, ecological, political, economic, cultural, historical issues, etc.).

Skills:

• Critical discussion and evaluation of various current perspectives among ethical debates in Philosophy and Ethics of AI;
• development of own argumentative positions based on the fundamental concepts of Philosophy and Ethics of AI (articulation of logical reasoning supported by examples);
• drafting of current and practical case studies in relation to contemporary societal challenges and assessment of these case studies through interdisciplinary perspectives.

Competencies:

• Ability to apply methods of interdisciplinary cooperation, specifically at the intersection of humanities/social sciences and natural/technical sciences;
• ability to discuss and integrate critical feminist, queer and anti-racist perspectives on science, i.e., how sociotechnical problems surrounding race, gender, sexuality, status, class, ability etc. relate to institutional structures of power and domination;
• effective self-management in a collaborative group setting.

Die Vorlesung über fortgeschrittene Datenvisualisierung für künstliche Intelligenz ist eine umfassende Erkundung der modernsten Techniken und Tools zur Erstellung und Validierung komplexer Visualisierungen für die Vermittlung von Dateneinblicken und Geschichten, mit einem besonderen Schwerpunkt auf Anwendungen in der Verarbeitung natürlicher Sprache (NLP) und erklärbarer KI. Der Vortrag führt die Teilnehmer in das verschachtelte Modell der Visualisierung ein, das vier Ebenen umfasst: Charakterisierung der Aufgabe und der Daten, Abstrahierung in Operationen und Datentypen, Entwurf visueller Kodierungs- und Interaktionstechniken und Erstellung von Algorithmen zur effizienten Ausführung von Techniken. Dieses Modell dient als Rahmen für den Entwurf und die Validierung von Datenvisualisierungen.

Darüber hinaus wird in der Vorlesung die Anwendung der Datenvisualisierung im Bereich NLP behandelt, wobei der Schwerpunkt auf der Visualisierung von Worteinbettungen und Sprachmodellen liegt, um die Erforschung semantischer Beziehungen zwischen Wörtern und die Interpretation des Verhaltens von Sprachmodellen zu unterstützen. Im Kontext von Explainable AI liegt der Schwerpunkt auf der Verwendung von Visualisierungen zur Erklärung von Modellvorhersagen und der Bedeutung von Merkmalen, wodurch die Interpretierbarkeit von KI-Modellen verbessert wird. Durch die Nutzung des verschachtelten Modells der Visualisierung und die Fokussierung auf NLP und erklärbare KI zielt der Vortrag darauf ab, die Teilnehmer mit den wesentlichen Fähigkeiten auszustatten, um fortschrittliche Datenvisualisierungen zu entwerfen und zu validieren, die auf diese spezifischen Anwendungen zugeschnitten sind. So können sie letztendlich komplexe Datenmuster effektiv kommunizieren und tiefere Einsichten aus ihren Daten gewinnen.

Cybersecurity and AI ist ein viersemestriger Vorlesungszyklus, der alle wesentlichen Aspekte von Cybersecurity und KI abdeckt. Dieser Kurs vermittelt die Grundlagen für Angriffe auf- und mit KI. Grundsätzlich ist es möglich, den Vorlesungszyklus zu jedem Semester zu beginnen.

Der Lehrplan ist:

1. Einführung: KI & Cybersicherheit, Bedrohungsmodell, Bewertungsmetriken, Beispiele für Angriffe
2. Robuste KI: Definition und Grenzen des Deep Learning, Stärkung von Robustheit, robuste Optimierungsmethoden
3. Adversarial ML: Verteidigungsmechanismen, Adversarial-Training, Übertragbarkeit, Real-World Implikationen
4. Generative KI: Generative Modelle, Deepfakes
5. Federated ML: Sicherheitsherausforderungen, sichere Aggregationsprotokolle

Die Vorlesung über fortgeschrittene Datenvisualisierung für künstliche Intelligenz ist eine umfassende Erkundung der modernsten Techniken und Tools zur Erstellung und Validierung komplexer Visualisierungen für die Vermittlung von Dateneinblicken und Geschichten, mit einem besonderen Schwerpunkt auf Anwendungen in der Verarbeitung natürlicher Sprache (NLP) und erklärbarer KI. Der Vortrag führt die Teilnehmer in das verschachtelte Modell der Visualisierung ein, das vier Ebenen umfasst: Charakterisierung der Aufgabe und der Daten, Abstrahierung in Operationen und Datentypen, Entwurf visueller Kodierungs- und Interaktionstechniken und Erstellung von Algorithmen zur effizienten Ausführung von Techniken. Dieses Modell dient als Rahmen für den Entwurf und die Validierung von Datenvisualisierungen.

Darüber hinaus wird in der Vorlesung die Anwendung der Datenvisualisierung im Bereich NLP behandelt, wobei der Schwerpunkt auf der Visualisierung von Worteinbettungen und Sprachmodellen liegt, um die Erforschung semantischer Beziehungen zwischen Wörtern und die Interpretation des Verhaltens von Sprachmodellen zu unterstützen. Im Kontext von Explainable AI liegt der Schwerpunkt auf der Verwendung von Visualisierungen zur Erklärung von Modellvorhersagen und der Bedeutung von Merkmalen, wodurch die Interpretierbarkeit von KI-Modellen verbessert wird. Durch die Nutzung des verschachtelten Modells der Visualisierung und die Fokussierung auf NLP und erklärbare KI zielt der Vortrag darauf ab, die Teilnehmer mit den wesentlichen Fähigkeiten auszustatten, um fortschrittliche Datenvisualisierungen zu entwerfen und zu validieren, die auf diese spezifischen Anwendungen zugeschnitten sind. So können sie letztendlich komplexe Datenmuster effektiv kommunizieren und tiefere Einsichten aus ihren Daten gewinnen.

Siehe englische Sprachversion

Zielgruppe: Studierende der Masterprogramme Mathematik, Informatik und Computational Sciences.

Die Vorlesung beschäftigt sich mit unterschiedlichsten asymmetrischen Kryptoverfahren, insbesondere mit den diesen Verfahren zugrunde liegenden vermuteten schweren Problemen. Inhalte sind u.a.

• RSA und das Faktorisierungsproblem
• DSA und das diskrete Logarithmusproblem
• Merkel-Hellman und das Rucksack- und Gitterproblem
• McEliece und das Decodierungsprobleme
• Matsumoto-Imai und multivariate Polynomsystem

Vorkenntnisse in den Bereichen IT-Sicherheit und Kryptologie werden vorausgesetzt.

Der Schwerpunkt dieser Vorlesung ist die Verwendung von Zufall bei der Lösung algorithmischer Problemstellungen. Dabei werden verschiedene algorithmische Techniken behandelt und analysiert.

(The course is offered in English. Further details about the course contents can be found in the English description.

Die Vorlesung wird in der englischen Sprache gehalten. Zusätzliche Details zu den Kursinhalten finden Sie in der englischen Beschreibung.)

Wird noch bekannt gegeben.

Zielgruppe

Informatiker und interessierte Mathematiker im Masterstudium.

Empfohlene Vorkennntnisse

"Höhere Algorithmik" oder eine andere Vorlesung ähnlichen Inhalts.

Der Schwerpunkt dieser Vorlesung ist die Verwendung von Zufall bei der Lösung algorithmischer Problemstellungen. Dabei werden verschiedene algorithmische Techniken behandelt und analysiert.

(The course is offered in English. Further details about the course contents can be found in the English description.

Die Vorlesung wird in der englischen Sprache gehalten. Zusätzliche Details zu den Kursinhalten finden Sie in der englischen Beschreibung.)

Wird noch bekannt gegeben.

Zielgruppe

Informatiker und interessierte Mathematiker im Masterstudium.

Empfohlene Vorkennntnisse

"Höhere Algorithmik" oder eine andere Vorlesung ähnlichen Inhalts.

Siehe englische Sprachversion

Zielgruppe: Studierende der Masterprogramme Mathematik, Informatik und Computational Sciences.

Die Vorlesung beschäftigt sich mit unterschiedlichsten asymmetrischen Kryptoverfahren, insbesondere mit den diesen Verfahren zugrunde liegenden vermuteten schweren Problemen. Inhalte sind u.a.

• RSA und das Faktorisierungsproblem
• DSA und das diskrete Logarithmusproblem
• Merkel-Hellman und das Rucksack- und Gitterproblem
• McEliece und das Decodierungsprobleme
• Matsumoto-Imai und multivariate Polynomsystem

Vorkenntnisse in den Bereichen IT-Sicherheit und Kryptologie werden vorausgesetzt.

Cybersecurity and AI ist ein viersemestriger Vorlesungszyklus, der alle wesentlichen Aspekte von Cybersecurity und KI abdeckt. Dieser Kurs vermittelt die Grundlagen für Angriffe auf- und mit KI. Grundsätzlich ist es möglich, den Vorlesungszyklus zu jedem Semester zu beginnen.

Der Lehrplan ist:

1. Einführung: KI & Cybersicherheit, Bedrohungsmodell, Bewertungsmetriken, Beispiele für Angriffe
2. Robuste KI: Definition und Grenzen des Deep Learning, Stärkung von Robustheit, robuste Optimierungsmethoden
3. Adversarial ML: Verteidigungsmechanismen, Adversarial-Training, Übertragbarkeit, Real-World Implikationen
4. Generative KI: Generative Modelle, Deepfakes
5. Federated ML: Sicherheitsherausforderungen, sichere Aggregationsprotokolle

• Vektorraum, Basis und Dimension;
• lineare Abbildung, Matrix und Rang;
• Gauss-Elimination und lineare Gleichungssysteme;
• Determinanten, Eigenwerte und Eigenvektoren;
• Euklidische Vektorräume und Orthonormalisierung;
• Hauptachsentransformation
• Grundlagen der Algebra und Zahlentheorie

• Albrecht Beutelspacher. Mathe-Basics zum Studienbeginn: Survival-Kit Mathematik. Springer Vieweg, 2. Auflage, Wiesbaden 2016.
• Peter Hartmann. Mathematik für Informatiker. Springer Vieweg, 6. Auflage, Wiesbaden 2015.
• Gerald Teschl und Susanne Teschl. Mathematik für Informatiker - Band 1: Diskrete Mathematik und Lineare Algebra, Springer Vieweg, 4. Auflage, Berlin Heidelberg 2013.
• Thomas Westermann. Mathematik für Ingenieure. Springer Vieweg, 7. Auflage, Berlin Heidelberg 2015.
• Kurt-Ulrich Witt. Lineare Algebra für die Informatik. Springer Vieweg, 1. Auflage, Wiesbaden 2013.

Willkommen an der Universität und im spannenden Feld der Mathematik! Sie haben sich für ein herausforderndes Studium entschieden, das Ihnen unendliche Möglichkeiten bietet. Mathematik ist die Sprache des Universums, und sie zu studieren bedeutet, die Geheimnisse hinter allem, von den Bewegungen der Sterne bis zur Software in Ihren Smartphones, zu entschlüsseln.

In „Analysis I“ werden Sie die Grundlagen der Mathematik von den natürlichen Zahlen bis hin zu komplexeren Themen wie Differentiation und Integration kennenlernen. Von der Optimierung von Verkehrsflüssen über das Verstehen von Finanzmärkten bis hin zur Entwicklung neuer Technologien – die Fähigkeiten, die Sie hier erwerben, haben echte, greifbare Anwendungen, die weit über den Hörsaal hinausgehen.

Die Bedeutung von Tutorien und der Zentralübung kann dabei nicht genug betont werden. In den Tutorien werden Sie nicht nur die Übungsaufgaben besprechen, sondern auch lernen, wie man mathematische Konzepte anderen erklärt – eine essenzielle Fähigkeit in der Mathematik und darüber hinaus. In der Zentralübung werden wir interaktiv und informell ihre Fragen besprechen, was für ein umfassendes Verständnis unerlässlich ist.

Ich wünsche Ihnen viel Erfolg!

Literature:

• Bröcker, Theodor: Analysis 1, Spektrum der Wissenschaft-Verlag.
• Forster, Otto: Analysis 1, Vieweg-Verlag.
• Spivak, Michael: Calculus, 4th Edition.

Viele Analysis Bücher sind auch über die Fachbibliothek der FU Berlin elektronisch verfügbar.

Bei Schwierigkeiten mit den Grundbegriffen Menge, Abbildung etc. ist die folgende Ausarbeitung empfehlenswert:

• Scheerer, Hans: Brückenkurs, Skript FU Berlin 2006.

Inhalt

• Grundbegriffe: Mengen, Abbildungen, Äquivalenzrelationen, Gruppen, Ringe, Körper
• Lineare Gleichungssysteme: Lösbarkeitskriterien, Gauß-Algorithmus
• Vektorräume: Lineare Unabhängigkeit, Erzeugendensysteme und Basen, Dimension, Unterräume, Faktorräume, Vektorprodukt im R3
• Lineare Abbildungen: Bild und Rang, Zusammenhang mit Matrizen, Verhalten bei Basiswechsel
• Dualer Vektorraum: Multilinearformen, alternierende und symmetrische Bilinearformen, Zusammenhang mit Matrizen, Basiswechsel
• Determinanten: Cramersche Regel, Eigenwerte und -vektoren

Voraussetzungen

• Der Brückenkurs Mathematik ist zum Einstieg sehr zu empfehlen!

• Siegfried Bosch, Lineare Algebra, 4. Auflage, Springer-Verlag, 2008;
• Gerd Fischer, Lernbuch Lineare Algebra und Analytische Geometrie, Springer-Verlag, 2017;
• Bartel Leendert van der Waerden, Algebra Volume I, 9th Edition, Springer 1993;

Zu den Grundlagen

• Kevin Houston, Wie man mathematisch denkt: Eine Einführung in die mathematische Arbeitstechnik für Studienanfänger, Spektrum Akademischer Verlag, 2012

Das "Seminar: Verteilte Systeme" behandelt sowohl theoretische als auch praktische Themen aus verschiedenen Projekten der Arbeitsgruppe "Zuverlässige verteilte Systeme". Dabei ist eine Aufgabenstellung selbstständig alleine oder in einer Gruppe von maximal 2-3 Studierenden durch Literaturrecherche, Evaluation und Schreiben eines wissenschaftlichen Reports zu bearbeiten.

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

Themen in diesem Semester sind:
- Blockchain - Technologien im Alltag (PoW, PoS, Offlinenutzung)
- Tangle - Technologien als Alternative zur Blockchain für IoT
- Could - Computing
- Consensus algorithms

Details werden in der ersten Sitzung besprochen.
Das Seminar: Verteilte Systeme wird je nach Bedarf der Studierenden in deutscher oder englischer Sprache durchgeführt.

Das "Seminar: Verteilte Systeme" behandelt sowohl theoretische als auch praktische Themen aus verschiedenen Projekten der Arbeitsgruppe "Zuverlässige verteilte Systeme". Dabei ist eine Aufgabenstellung selbstständig alleine oder in einer Gruppe von maximal 2-3 Studierenden durch Literaturrecherche, Evaluation und Schreiben eines wissenschaftlichen Reports zu bearbeiten.

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

Themen in diesem Semester sind:
- Blockchain - Technologien im Alltag (PoW, PoS, Offlinenutzung)
- Tangle - Technologien als Alternative zur Blockchain für IoT
- Could - Computing
- Consensus algorithms

Details werden in der ersten Sitzung besprochen.
Das Seminar: Verteilte Systeme wird je nach Bedarf der Studierenden in deutscher oder englischer Sprache durchgeführt.

Projekte können anwendungs- oder systemorientiert sein. Eine größere Aufgabe der Systementwicklung wird arbeitsteilig gelöst. Dazu gehören alle Phasen der Softwareentwicklung. Schwerpunkt sind Datenverwaltungssysteme.

Die Veranstaltung wird in zwei Phasen durchgeführt. Die zweite Phase (Implementierung, Test, Auslieferung) kann als Blockveranstaltung in der vorlesungsfreien Zeit durchgeführt werden.

Wird bekannt gegeben. / To be announced.

Zielgruppe

Studierende im Master- bzw. Bachelorstudiengang

Voraussetzungen

Gute Programmierkenntnisse, Einführung in Datenbanksysteme.

Projekte können anwendungs- oder systemorientiert sein. Eine größere Aufgabe der Systementwicklung wird arbeitsteilig gelöst. Dazu gehören alle Phasen der Softwareentwicklung. Schwerpunkt sind Datenverwaltungssysteme.

Die Veranstaltung wird in zwei Phasen durchgeführt. Die zweite Phase (Implementierung, Test, Auslieferung) kann als Blockveranstaltung in der vorlesungsfreien Zeit durchgeführt werden.

Wird bekannt gegeben. / To be announced.

Zielgruppe

Studierende im Master- bzw. Bachelorstudiengang

Voraussetzungen

Gute Programmierkenntnisse, Einführung in Datenbanksysteme.

Siehe den englischen Beschreibungstext.

• Stuart Russell and Peter Norvig, Artificial Intelligence: A Modern Approach (http://aima.cs.berkeley.edu/)
• Richard Sutton and Andrew Barto, Reinforcement Learning: An Introduction (https://mitpress.mit.edu/books/reinforcement-learning-second-edition)

Voraussetzungen:

Grundkenntnisse in Mathematik und Algorithmen & Datenstrukturen.

Inhalt

Ein Projektseminar dient als Vorbereitung für eine Bachelor- oder Masterarbeit in der AGDB. Im Rahmen des Projektseminars beschäftigen wir uns mit der Analyse und Visualisierung medizinischer Daten. Studierende lernen in einem iterativen Verfahren das Verfassen von wissenschaftlichen Dokumenten. Zusätzlich werden wir ein kleines praktisches Projekt realisieren.

Wird bekannt gegeben.

Voraussetzungen

• ALP I
• ALP II
• Datenbanksysteme

Projekte können anwendungs- oder systemorientiert sein. Eine größere Aufgabe der Systementwicklung wird arbeitsteilig gelöst. Dazu gehören alle Phasen der Softwareentwicklung. Schwerpunkt sind Datenverwaltungssysteme.

Die Veranstaltung wird in zwei Phasen durchgeführt. Die zweite Phase (Implementierung, Test, Auslieferung) kann als Blockveranstaltung in der vorlesungsfreien Zeit durchgeführt werden.

Wird bekannt gegeben. / To be announced.

Zielgruppe

Studierende im Master- bzw. Bachelorstudiengang

Voraussetzungen

Gute Programmierkenntnisse, Einführung in Datenbanksysteme.

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

Weitere Informationen finden sich auf der Veranstaltungsseite.

Pony [1] ist eine Programmiersprache, die dafür designed wird, hoch
performant zu sein.
Sie basiert auf dem Akteur-Modell [2]: Akteure beinhalten
sequentielle Code-Abschnitte, verschiedene Akteure werden
nebenläufig und unabhängig voneinander ausgeführt.
Die Nebenläufigkeit auf der Ebene von Akteuren [3] siedelt
Beschleunigung direkt im Design der Sprache an.
Es gibt jedoch auch andere Formen von Parallelismus auf anderen Ebenen,
welche dazu genutzt werden könnten, Pony noch performanter zu machen.
Auf Ebene der Daten gibt es sogenannten Datenparallelismus [4].
Er kann beispielsweise in Schleifennestern gefunden werden,
die viele Male ausgeführt werden und auf unabhängigen aber
gleich strukturierten Daten arbeiten.

Grafische Prozessoren (GPUs) spezialisieren sich darauf
datenparallele Probleme zu berechnen. [5]
In einem System, in dem sowohl eine GPU als auch eine CPU vorhanden
sind, kann die GPU die Berechnungen der CPU unterstützen,
indem datenparallele Probleme von ihr übernommen werden.
Der Fachbegriff dazu heißt GPU Offloading.
Die GPU berechnet aufgrund ihrer internen Struktur und Ressourcen
datenparallele Probleme effizienter und schneller als die CPU und
beschleunigt dadurch die Gesamtausführung eines Programms.

In diesem Softwareprojekt wollen wir gemeinsam herausfinden,
ob sich GPU Offloading in Pony integrieren lässt.
Dazu experimentieren wir mit Ponys Compiler und schreiben Teile
dieses Compilers um.

Das SWP bietet die Möglichkeit, einmal genauer in den internen
Aufbau eines Compilers zu blicken und sich anzusehen, wie genau
GPUs dazu verwendet werden können, ein Programm zu beschleunigen.
Darüber hinaus werden wir die Compiler Infrastruktur LLVM [6]
kennenlernen, denn der Pony Compiler ist ein Compiler Frontend
zu LLVM.
Falls Ihnen der Name LLVM nichts sagt, ist es vielleicht interessant
für Sie zu wissen, dass sowohl der Rust, als auch der Clang Compiler
Frontends zu LLVM sind.

Das Softwareprojekt zielt darauf ab im Bereich GPU Offloading zu forschen,
möglicherweise mit der Option später die Ergebnisse der Experimente
zu veröffentlichen und zu den beiden genannten Open-Source-Projekten
Pony und LLVM beizutragen.

Ablauf

Während der Vorlesungszeit wird die Aufgabenstellung mit reduziertem Anwesenheits- und Arbeitsaufwand spezifiziert. Die eigentliche Bearbeitung der Aufgabenstellung erfolgt dann in der vorlesungsfreien Zeit.

Links:

[1]: [Pony](https://www.ponylang.io/discover/#what-is-pony)
[2]: [Actor Model](https://en.wikipedia.org/wiki/Actor_model)
[3]: [Task-level parallelism](https://en.wikipedia.org/wiki/Task_parallelism)
[4]: David A. Patterson and John L. Hennessy. Computer Organization and Design: The Hardware Software Interface [RISC-V Edition]. 2nd. The Morgan Kaufmann Series in Computer Architecture and Design. Morgan Kaufmann, 2021. ISBN: 9780128203316. Page 528.
[5]: David A. Patterson and John L. Hennessy. Computer Organization and Design: The Hardware Software Interface [RISC-V Edition]. 2nd. The Morgan Kaufmann Series in Computer Architecture and Design. Morgan Kaufmann, 2021. ISBN: 9780128203316. Appendix B.
[6]: [LLVM](https://llvm.org/)

Zielgruppe

BA und MA Informatik

Webseite

https://www.mi.fu-berlin.de/w/SE/SoftwareprojektCompilerOptimization2024

Dozent & Ansprechpartner

Barry Linnert führt die Veranstaltung durch.

Dieser Kurs lehrt agile Methoden (Scrum und XP) und Open-Source-Werkzeuge anhand eines semesterlangen Projekts. Der Kurs findet online und universitätsübergreifend statt. Lehr- und Lerninhalte umfassen:

• Agile Methoden und verwandte Entwicklungsprozesse
• Scrum Rollen und Prozesspraktiken, inkl. Produktmanagement und Entwicklungsleitung
• Technische Praktiken wie Refactoring, Continuous Integration, und test-getriebene Entwicklung
• Prinzipien und Praktiken der Open-Source-Softwareentwicklung

Das Projekt ist ein Softwareentwicklungsprojekt, bei dem jedes Studierendenteam mit einem Industriepartner zusammenarbeitet, der die Projektidee bereitstellt. Studierende arbeiten praktisch und angewandt.

Studierende nehmen die Rolle einer Softwareentwicklerin oder eines Softwareentwicklers ein. In dieser Rolle schätzen sie den Aufwand von Anforderungen und setzen sie im Projekt um. Teilnehmende Studierende müssen über vorherige Softwareentwicklungserfahrung verfügen.

Studierende werden in Teams von 7-9 Personen organisiert. Ein Team besteht aus einem Scrum Master, zwei Product Ownern, und sechs Softwareentwickler:innen. Ein Industriepartner stellt die allgemeinen Anforderungen bereit, welche von den Product Ownern ausgearbeitet und von den Softwareentwickler:innen umgesetzt werden. Das Projektangebot wird kurz vor Semesterbeginn vorgestellt werden.

Der Kurs besteht aus einer 90 min. Vorlesung, gefolgt von einem 90 min. Team-Meeting (Teilnahme verpflichtend). Bitte registrieren Sie sich nicht für diesen Kurs, falls Sie nicht regelmäßig am Team-Meeting teilnehmen können.

Registrierung und weitere Kursinformation finden Sie auf eine Google Spreadsheet über https://amos.uni1.de – bitte registrieren Sie Ihr Teilnahmeinteresse durch Ausfüllen des dort verlinkten Formulars zur Interessenbekundung, sobald sich dieses öffnet.

http://goo.gl/5Wqnr7

Lernziele und Kompetenzen

• Studierende lernen zu Softwareprodukten und Softwareentwicklung in der Industrie
• Studierende lernen zu agilen Methoden, insbesondere Scrum und Extreme Programming
• Studierende lernen zu Open-Source-Softwareentwicklung und ihren Prinzipien
• Studierende erwerben praktische Erfahrung mit Scrum und Extrem Programming