Infoveranstaltung zumLehrveranstaltungsangebot
imWS2017/18
Institut für Informatik
15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik
Vorlesungen
Softwaretechnik
Praktikum Web &MobileDevelopmentDozent Prof.Dr.C.Wille(Lehrauftrag)InhaltederVorlesungausdemSS17:- KonzepteundtechnischeGrundlagenvonWebservernundJavabasierterWebtechnologien- KonzeptionundEntwicklungvonServlets/JSP/JSF- RollevonScriptsprachen wieJavascript immodernesWebdesign- KonzepteundEntwicklungsschrittemobilerApplikationen- SoftwarePlattformAndroidundihreKomponenten- GUI-ProgrammierungfürmobileEndgeräte- DatenverwaltungundContentProvider- DatenzugriffüberAsynchroneTask/WebservicemitSOAPundREST- EntwicklungvonAnwendungenmitSensorenundOrtsbezogenheit- NetzwerkprogrammierungfürmobileGeräte- SicherheitwebbasierterundmobilerAnwendungen- PlattformübergreifendeProgrammierung.
Studiengang B.Sc.Termin 18.-29.Sept.2017
15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik
Softwaretechnik
Vorl. +Üb. Mensch-Maschine-InteraktionDozent Prof.Dr.VolkerLuckasInhalte ….
Studiengang B.Sc. /M.Ed.Termin Do. 10.00– 14.00Uhr(Vorlesung+Übung)
15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik
Vorlesungen
Datenbanken
Vorl. +Üb. Nicht-StandarddatenbankenDozent Dr.H.-J.SchröderInhalte NoSQL - Datenbanken
GeodatenbankenXMLSecurityEngineering….
Studiengang B.Sc. /M.Ed.Termin Do. 8.30– 10.00Uhr
15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik
Datenbanken
Praktikum DatenbankenDozent Dr.H.-J.SchröderInhalte RelationaleDatenbanken
….
Studiengang B.Sc.Termin 4.-14. Oktober(ganztägig)
15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik
Vorlesungen
Fachdidaktik
Vorl. +Üb. FachdidaktikIDozent/en E.MessnerInhalte
Studiengang B.Ed.Termin VLDo.16-18Uhr,Üb. Mo.10-12Uhr
15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik
Vorlesungen
Fachdidaktik
Vorl. +Üb.Seminar
FachdidaktikII
Dozent/en Dr.JensGallenbacherInhalte
Studiengang M.Ed.Termin n.V.
15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik
Vorlesungen
Fachdidaktik
Praktikum ProjektpraktikumDozent/en Prof.Dr.E.Schömer /Dr.H.-J.SchröderInhalte
Studiengang M.Ed.Termin n.V.
25. Januar 2017 | Johannes Gutenberg-Universität Mainz * Institut für Informatik
Mathematik M.Sc. Angew. Bioinformatik
Seminar Statistik für Bio-InformatikerDozent Dr. M. PersikeInhalteStudiengang M.Sc. Angewandte BioinformatikTermin Mi. 8-10 Uhr
15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik
Vorlesungen
Technische Informatik
Vorlesung u. Übung
Speichersysteme
Dozent/en Prof. Dr. André BrinkmannInhalte
Studiengang B.Sc. / M.Sc.Termin Mi., 16 – 18 Uhr (Vorlesung), Übungen n.V.
15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik
Vorlesungen
Angewandte- / Praktische Informatik
Vorlesung u. Übung
Compilerbau
Dozent/en N.N.Inhalte Wir hoffen noch auf eine Zusage von dem
Dozenten (Lehrauftrag).
Studiengang B.Sc.Termin n V
15. Juli 2015 | Johannes Gutenberg-Universität Mainz * Institut für Informatik
Vorlesungen
Angewandte- / Praktische Informatik
Vorlesung u. Übung
Verteilte Systeme
Dozent/en N.N.Inhalte Wir hoffen noch auf eine Zusage von dem
Dozenten (Lehrauftrag).
Studiengang B.Sc.Termin n.V.
Modellierung mitDifferentialgleichungen
Peter Spichtinger
Institut für Physik der Atmosphäre, JGU Mainz
5. Juli 2017
Motivation
3 Säulen der NaturwissenschaftenÉ Theorie/ModellÉ ExperimentÉ (Numerische) Simulation
Differentialgleichungen zur ModellbildungViele physikalische Prozesse können mit Differentialgleichungenbeschrieben werden.
Einfache Beispiele:É Schwingendes Pendel
d2 xdt2+ κ
dxdt+ωx = 0 (1)
É Wärmeleitung in einem Stab∂ T∂ t= K
∂ 2T∂ x2
(2)
,2/5
Motivation
3 Säulen der NaturwissenschaftenÉ Theorie/ModellÉ ExperimentÉ (Numerische) Simulation
Differentialgleichungen zur ModellbildungViele physikalische Prozesse können mit Differentialgleichungenbeschrieben werden.
Einfache Beispiele:É Schwingendes Pendel
d2 xdt2+ κ
dxdt+ωx = 0 (1)
É Wärmeleitung in einem Stab∂ T∂ t= K
∂ 2T∂ x2
(2)
,2/5
Vorlesung Modellierung
ThemenÉ Nutzen und Grenzen von ModellenÉ Modellbildung durch DifferentialgleichungenÉ Analyse von ModellenÉ Numerische Simulation
,3/5
Inhalte Vorlesung Modellierung
Teil 1 - ModellbildungÉ Allgemeines zur ModellbildungÉ Stochastische ModelleÉ Deterministische ModelleÉ Beispiele aus der Atmosphärenphysik (Strömungen/Wolken)É Asymptotische Analyse
Teil 2 - AnwendungÉ Qualitative Analyse von DifferentialgleichungenÉ Numerische Verfahren für ODEs und PDEsÉ Simulationen von Modellen, z.B.
É TransportÉ WolkenmodelleÉ Struktur-Gleichungen
,4/5
Inhalte Vorlesung Modellierung
Teil 1 - ModellbildungÉ Allgemeines zur ModellbildungÉ Stochastische ModelleÉ Deterministische ModelleÉ Beispiele aus der Atmosphärenphysik (Strömungen/Wolken)É Asymptotische Analyse
Teil 2 - AnwendungÉ Qualitative Analyse von DifferentialgleichungenÉ Numerische Verfahren für ODEs und PDEsÉ Simulationen von Modellen, z.B.
É TransportÉ WolkenmodelleÉ Struktur-Gleichungen
,4/5
Beispiele von Strukturen
,5/5
DataMining
§ ProjektartigeVeranstaltungmitKombinationvonVorlesungundÜbung• Donnerstag,14-18Uhr,Raum03.222• MaterialaufEnglisch
§ Hands-on• Programmierkenntnisseerforderlich• Interesse
§ Prüfung:• mündlich
Ablauf
ArbeitsgruppeDataMining
DataMining
§ PatternMining
Content / Inhalt der Vorlesung
ArbeitsgruppeDataMining
language ofpatterns L
databaseD
DataMining
§ PatternMining
§ Clustering
Content / Inhalt der Vorlesung
ArbeitsgruppeDataMining
DataMining
§ PatternMining
§ Clustering§ Graph
Mining
Content / Inhalt der Vorlesung
ArbeitsgruppeDataMining
DataMining
§ PatternMining
§ Clustering§ Graph
Mining§ Stream
Mining
Content / Inhalt der Vorlesung
ArbeitsgruppeDataMining
Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz
§ Vorlesung:• Mittwoch,14-16Uhr,Raum03.428• VorlesungsmaterialaufEnglisch• BasierendaufRussel&Norvig
§ Übungen:• Mittwoch,16-18Uhr,Raum03.428• GrößtenteilspraktischeÜbungen
§ Voraussetzungen:• Programmierkenntnisseerforderlich(!!)• Interesse
§ Prüfung:• schriftlich(<10:mündlich)
Ablauf
ArbeitsgruppeDataMining(Prof.Kramer)
Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz
§ TheTuringTestContent / Inhalt der Vorlesung
ArbeitsgruppeDataMining(Prof.Kramer)
Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz
§ TheTuringTest§ RationalAgents
Content / Inhalt der Vorlesung
ArbeitsgruppeDataMining(Prof.Kramer)
Environment
AgentSensors
Percepts
ActuatorsActions
?
Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz
§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching
Content / Inhalt der Vorlesung
ArbeitsgruppeDataMining(Prof.Kramer)
Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz
§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching§ Constrained-SatisfactionProblems(CSPs)
Content / Inhalt der Vorlesung
ArbeitsgruppeDataMining(Prof.Kramer)
Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz
§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching§ Constrained-SatisfactionProblems(CSPs)§ PlayingGames
Content / Inhalt der Vorlesung
ArbeitsgruppeDataMining(Prof.Kramer)
Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz
§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching§ Constrained-SatisfactionProblems(CSPs)§ PlayingGames§ Satisfiability andModelConstruction§ PredicateLogic &ModelingwithLogic
Content / Inhalt der Vorlesung
ArbeitsgruppeDataMining(Prof.Kramer)
Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz
§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching§ Constrained-SatisfactionProblems(CSPs)§ PlayingGames§ Satisfiability andModelConstruction§ PredicateLogic &ModelingwithLogic§ Planning
Content / Inhalt der Vorlesung
ArbeitsgruppeDataMining(Prof.Kramer)
CB A
startstate
BA
C
goalstate
Introduction to Artificial IntelligenceEinführungindiekünstlicheIntelligenz
§ TheTuringTest§ RationalAgents§ SolvingProblemsbySearching§ Constrained-SatisfactionProblems(CSPs)§ PlayingGames§ Satisfiability andModelConstruction§ PredicateLogic &ModelingwithLogic§ Planning§ MachineLearning(BriefOverview)§ ReinforcementLearning
Content / Inhalt der Vorlesung
ArbeitsgruppeDataMining(Prof.Kramer)
Seminar: Design Patterns
Inhalt:• Übrige GoF Patterns, die nicht in der Vorlesung behandelt wurden• Patterns für Nebenläufigkeit• Objektrelationale Patterns• (Antipatterns)
Vorbesprechung:• 15.08.2017• 13-14 Uhr• Raum: 03-424
Dr. Stefan Endler
Übungsleiterschulung
• Pflichtveranstaltung für alle neuen Übungsleiter bzw. Übungsleiter,die die Schulung noch nicht besucht haben
• Offen für jeden (1CP Softskills)• Termin:
• 09. + 10. 10. 2017• Ganztägig (9-17 Uhr)• Raum: 03-424
Dr. Stefan Endler
08.079.212 Betriebssysteme - WiSe 2017/18
Dr. Michael O. Distler <[email protected]>
5. Juli 2017
Dr. Michael O. Distler <[email protected]> 08.079.212 Betriebssysteme - WiSe 2017/18 1 / 5
Gliederung der Vorlesung - Worum geht es?
Programme, die der internen Verwaltung des Betriebseines Rechensystems dienenOrganisation und Koordination von (nebenläufigen)AbläufenOptimale oder effiziente Verwaltung von BetriebsmittelnBekannte Beispiele: UNIX, Windows NT
Lehrbuch zur VorlesungA. S. Tanenbaum: Moderne Betriebssysteme,3. aktualisierte Auflage, Pearson Studium, 20094. Auflage in englisch
Dr. Michael O. Distler <[email protected]> 08.079.212 Betriebssysteme - WiSe 2017/18 2 / 5
Organisation der Veranstaltung (1)
Vorlesung (2-stündig)Vorstellung von Betriebssystem-Konzepten
ProzessverwaltungInterprozesskommunikationSpeicherverwaltungDateiverwaltungInput / OutputDeadlocks (Systemverklemmungen)
Praktikum (2-stündig)Praktikum am Rechner
Kennenlernen der Programmierschnittstelle (API) desBetriebssystems UNIXProgrammieraufgaben unter Nutzung von SystemdienstenErwartete Vorkenntnisse: C, gcc, Linux
Eingestreute Papierübungen
Dr. Michael O. Distler <[email protected]> 08.079.212 Betriebssysteme - WiSe 2017/18 3 / 5
Dr. Michael O. Distler (Vita)
ab 1985 Studium der Physik in MainzVorlesungen bei Prof. Perl:Algorithmen, Software-Engineering, KI, . . .
7/1990 Diplomarbeit:“Aufbau und Test einer vertikalen Driftkammer”
ab 10/1990 Promotionsstudium dabei: Entwicklung einesAnalyse-Programms für Streuexperimente
1/1997 Promotion: “Elektroproduktion von neutralen Pionenam Wasserstoff an der Schwelle”
1997/1998 PostDoc am M.I.T. in Cambridge/MAseit 1999 wiss. Mitarbeiter am Institut für Kernphysik
Entwicklung eines Datenaufnahmesystemsfür die A1 Kollaboration @ MAMI
seit 2016 Leitung der IT-Gruppe in der KPHAusbildung von Fachinformatikern(Systemintegration)
Dr. Michael O. Distler <[email protected]> 08.079.212 Betriebssysteme - WiSe 2017/18 4 / 5
Die 3-Spektrometer-Anlage @ MAMI
Dr. Michael O. Distler <[email protected]> 08.079.212 Betriebssysteme - WiSe 2017/18 5 / 5
Parallele und Verteilte Architekturen –Lehrangebot: WiSe 2016/17
• Vorlesungen – Technische Informatik
(Grundvorlesung)
– High Performance Computing (HPC)
• Praktikum– Paralleles Programmieren mit CUDA
• Seminar– Paralleles Rechnen
Prof. Bertil Schmidt
Vorlesung: High Performance Computing (HPC)
• Background– Parallel Hardware– Parallel Software
• Shared Memory Programming – OpenMP– Pthreads
• Distributed Memory Programming– MPI– Unified Parallel C (UPC)
• Parallel Program Development• Parallel Architectures• Practical Parallel Programming
Exercises (using SAUCE)• Interactive/Blended Learning
Approach
Multi-core CPUs
Manycores
Super-computers
CUDA Block-Praktikum
• Paralleles Programmieren mit CUDA
– 9.-20.10.2017
– Aktuelle Hardware (Titan, K40, GTX 1080 etc.)
– Voraussetzung: Erfolgreiche Teilnahme an PAA
Seminarvorbesprechung:Paralleles Rechnen
Prof. Bertil Schmidt
Scheinkriterien und Organisation
• Voraussetzung:– Erfolgreiche Teilnahme an PAA oder HPC (d.h. mindestens
Klausurzulassung)
• Vortrag von ca. 45min (inkl. Q&A)– Termin: wird noch bekanntgegeben (zwei Vorträge pro Termin)
• Abgabe der Vortragsfolien – zwei Wochen vor dem Vortrag einzureichen per Email – Danach persönliche Vorbesprechung mit Professor Schmidt
• Abgabe einer ausführlichen Ausarbeitung (Deutsch oder Englisch) als Basis für die Bewertung des schriftlichen Teils – Ausarbeitung im IEEE CS Format (Umfang mindestens 5-7 Seiten) – Abgabe bis spätestens vier Wochen nach dem Vortrag!
• Teilnahme am Seminar (Anwesenheitspflicht)
Seminar: Paralleles Rechnen – Themen
1. Bézier Surfaces on Heterogeneous Platforms2. GPU-based parallel Ant Colony System3. Parallel Graph Coloring for Manycore Architectures4. Parallel Algorithm for Computing Connected Components5. Concurrent Hash Tables: Fast and General6. Robust Massively Parallel Sorting7. Suffix Array Construction on the GPU8. Massively-Parallel Lossless Data Decompression9. String Matching on the GPU10. Clustering Throughput Optimization on the GPU11. Sparse Tensor Factorization on Many-Core Processors12. Selber vorgeschlagenes Thema
– muss aber von mir genehmigt werden
Themenvergabe
• E-mail mit 2 bevorzugten Themen (mit Präferenz) an Prof. Schmidt bis 16.7.2017
• Ich werde dann versuchen die Themen an Studenten zuzuordnen
• Neue Themen können auch vorgeschlagen werden (müssen dann aber von mir genehmigt werden)
Arbeitsgruppe
Scientific Computing and Bioinformatics
Prof. Dr. Andreas HildebrandtWintersemester 2017/2018
Vorlesung
Big DataI Termin: dienstags, 14–16 Uhr (Raum 03-428)
I Sprache: DeutschI Inhalt:
I Techniken zur Verarbeitung großer Datenmengen (VerteilteDateisysteme, Map/Reduce, Hadoop, Spark)
I Komplexitat von Map/Reduce-ProgrammenI Anwendungen aus Wissenschaft und Industrie (PageRank,
Clustering, Recommender Systems, ...)
I Werkzeuge: Java, Python oder Scala, Hadoop, Spark
Seminar
Vertiefungsseminar BioinformatikI Termin: dienstags, 16–18 Uhr (ab 17.Oktober; Raum 03-424)
I Sprache: Englisch
I Vorbesprechung: 22.September, 16 Uhr (Raum 03-424)I Themenbereiche (Auswahl):
I ProteinstrukturaufklarungI Maschinelle Lernverfahren in der BioinformatikI MolekulbewegungenI DockingI Wirkstoffdesign
Praktikum
Vertiefungspraktikum BioinformatikI Dauer: 2 Wochen, ganztagig
I Termin: Vorlesungsfreie Zeit (Marz 2018)
I Sprache: Deutsch oder EnglischI Aufbau:
I 1. Woche: Crashkurs C++I 2. Woche: Use cases: Computational Genomics (Python)
I Sollte idealerweise vor der Vorlesung”Strukturbasierte
Bioinformatik“ belegt werden!
Lehrveranstaltungen der theoretischen Informatik
Komplexitatstheorie
Graphenalgorithmen
Seminar: Algorithmen fur das Leben
Praktikum “Fortgeschrittene Algorithmen” & APC
Vorlesung: Komplexitatstheorie
Inhalt:
Was heißt effizient berechenbar?
Berechnen einer Losung vs. Uberprufen einer Losung: P und NP
NP-Vollstandigkeit (“schwerste” Problem mit eineruberprufbaren Losung)
Algorithmen fur schwere Probleme
Randomisierung
Die gute Seite schwerer Probleme: Kryptographie
Formales:
Vorlesung: Mo 10-12
Ubung: mehrere Termine
Organisation der Ubung: Domenico Mosca
Graphenalgorithmen
Inhalt:
Matchings
Lowest Common Ancestors
Randomisierte Graphenalgorithmen
Parametrisierte Algorithmen
Planare Graphen
Formales:
Vorlesung: Mi 14-16
Ubung: TBA
Organisation der Ubung: Domenico Mosca
Seminar: Algorithmen fur das Leben
Frage: Sollte ich heute in mein Lieblingsrestaurant gehen oder einneues ausprobieren?
Geht man immer in sein Lieblingsrestaurant, lernt man ein evtl.“besseres” nie kennen
Geht man immer in ein unbekanntes Restaurant, kommen dieeigenen Vorlieben nie zur Geltung
Die optimale Strategie muss zwischen explorativem- undBindungsverhalten wechseln
Formaler: In einer Spielbank gibt es verschiedene Spielautomatenmit mir unbekannter Gewinnwahrscheinlichkeit. WelchenAutomaten sollte ich spielen?
Die erste Strategie, von der man etwas beweisen konnte, war:Bleibe so lange an einem Automat, bis man verliert.Wechsele dann zu einem zufalligen anderen
Mittlerweile kennt man bessere Strategien
Seminar: Algorithmen fur das Leben
Themen:
Optimal Stopping: When to Stop Looking
Explore/Exploit: The Latest vs. the Greatest
Sorting: Making Order
Caching: Forget About It
Scheduling: First Things First
Bayes’s Rule: Predicting the Future
Overfitting: When to Think Less
Relaxation: Let It Slide
Randomness: When to Leave It to Chance
Networking: How We Connect
Game Theory: The Minds of Others
Vorbesprechung: Mi. 23.08.2016 - 14:00 Uhr, Raum: 03-331
Literatur: Algorithms to live by + eigene Literatursuche
Praktikum: Fortgeschrittene Algorithmen & APC
Fortgeschrittene Algorithmen:
ILP-Solver benutzen (z.B. um Sudokus zu losen)
Algorithmen, die in DSEA nicht vorkommen
experimenteller Vergleich von Approximationsalgorithmen undexakten Algorithmen
Approaching Programming Contests:
Losen von Problemen, wie sie in Programmierwettbewerbenauftreten
Eingesetzte Algorithmen: Dynamische Programmierung, Flusseund Matchings, Minimale Spannbaume, ...
Formales
Organisation: Markus Blumenstock
2-wochiges Blockpraktikum nach der Vorlesungszeit (TBA)
Beschreibung: Typische Einsatzgebiete der Computergrafik sind die grafische Aufbereitung von Mess- und Simulationsdaten und die Schaffung und Animation von virtuellen Welten für Spiele, Filme oder für die Entwicklung technischer Produkte.Vorkenntnisse: C++ (erwünscht)Themen der Vorlesung: - Aufbau und Rendern einer Szene mit OpenGL- lokale Beleuchtungsmodelle- Virtual Reality- Stereoscopic Rendering- Grafik-Pipeline und Shader
• Vorlesung: Computergrafik und VR • Vorlesung: DSEA • Seminar: TBA • Praktikum: nach dem Semester
Veranstaltungen WS 17/18 der Arbeitsgruppe
Computational Geometry Prof. E. Schömer
A. von Dziegielewski
• Vorlesung: Computergrafik und VR • Vorlesung: DSEA • Seminar: TBA • Praktikum: nach dem Semester
Veranstaltungen WS 17/18 der Arbeitsgruppe
Computational Geometry Prof. E. Schömer
A. von Dziegielewski
Echtzeit Bildverarbeitung – WS 2008/2009RheinMain University of Applied SciencesComputer Vision and Mixed Reality Group
Uli Schwanecke 2D Vision and Deep Learning 1
Prof. Dr. Ulrich Schwanecke
RheinMain University of Applied Sciences Wiesbaden Rüsselsheim
2017/07/05
2D Vision and Deep Learning
Falscher Titel in jogustine: 08.079.204 3D Computer Vision Mo 14:00-16:00 03 428
Echtzeit Bildverarbeitung – WS 2008/2009RheinMain University of Applied SciencesComputer Vision and Mixed Reality Group
Uli Schwanecke 2D Vision and Deep Learning
Content
➡ History of Computer Vision ➡ Photometric Image Formation
➡ The digital camera, point operators, linear filtering, Fourier transform ➡ Feature Detection and Matching
➡ Points, edges, lines, SIFT ➡ Recognition
➡ Object detection, face recognition ➡ Machine Learning Basics
➡ k-NN classifier, Perceptron, Multilayer Perceptron ➡ Convolutional Neural Networks
➡ Convolutional layers, Activation layers, Pooling layers, Dropout ➡ Transfer learning
2
Echtzeit Bildverarbeitung – WS 2008/2009RheinMain University of Applied SciencesComputer Vision and Mixed Reality Group
Uli Schwanecke 2D Vision and Deep Learning
Prerequisites and Literature
➡ Prerequisites ➡ Basic knowledge of linear algebra and analysis ➡ Programming exercises will be done in Python
➡ Literature ➡ Richard Szeliski, Computer Vision: Algorithms and Applications,
Springer 2011 ➡ Aurélien Néron, Hands-On Machine Learning with Scikit-Learn and
TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems, O’Reilly UK Ltd. 2017
3
Le hra nge botVis ua l Com puting
Wintersemester 2017/18
Einführung in die Programmierung
Einführung in die Programmierung Bas ic programming You know the drill…
This time it’s the friendlyreptile language..!
Lecture: Modeling IIModeling 2 (Modellierung 2) Non-linear models Geometric modeling Statistical/variational models
Topics Geometric representations Differential geometry
Non-linear models Intrinsic geometry
Measured Geometry (point clouds) (Statistical) shape learning / inference
*#$ ?!!?!!
Lecture: Modeling IIModeling 2 (Modellierung 2) Continuation of “Modeling 1” Prerequis ite: Modeling 1
Not mandatory:math background required
Talk to us to double check!
Required Background Linear algebra / linear models Leas t-squares / quadratic optimization Bas ics : ODEs / PDEs / bas ic finite elements Matrix factorization (SVD) and eigenvalues
Lecture: Modeling IIOrganization Format: V2+Ü2 Time: Thu 16-18h Start: 19.10.2017 Room: 03-428 Audience: Bachelor & Master
Prerequisites Linear mathematical modeling (as in Modeling I) Software development (EiP, EiS), C++ is very useful Computer graphics / machine learning helpful
Grundstudium / BachelorPraktikum Angewandte Mathematik Teil II Angewandte Mathematik am Rechner 2
Grundlagen der mathematischen Modellierung Anschaulich & angewandt
Teil 2 des Praktikums Beide Teile müssen zusammen belegt werden Ers ter Teil fand im Sommersemes ter 2017 s tatt
Ergänzung: Begleitend zu Mathematik für Informatiker 2 / Lineare Algebra 1 /
Mathematik für Phys iker Blended Learning Ansatz (digitale Lernmaterialien)
Wahlpflichtfach für Bachelor Informatik
Praktikum AMAR II
Online Portalhttp:/ / iaimz101.informatik.uni-mainz.de/
Seminar
Digitale Mus tererkennung und ihre Anwendungs möglichkeiten in den Altertums wis s ens chaften Blockseminar in den Semes terferien
Computer Vis ion & maschinelles Lernen für Altertumswissenschaften
SeminarThema Computer Vis ion / maschinelles Lernen
für His toriker / Archäologen
Interdis ziplinäres Seminar Gemeinsame Verans taltung mit Fachrichtung
„Altorientalis che Philologie“, FB07 (Prof. Doris Prechel) Studierende aus beiden Fachgebieten! Informatiker
Methoden & Konzepte für Altorientalis tien erklären Altorientalis tien
Methoden & Konzepte für Informatiker erklären Didaktik & Präsentation zentral (Bewertet: vermitteltes Wissen)
SeminarOrganis ation Blocks eminar: Vorlesungs freie Zeit
nach dem Wintersemes ter Vorbes prechung: Mittwoch, 18. Oktober 2017 Teilnehmer: Mittwoch, 18. Oktober 2017 Teilnehmerzahl: max. 10 Personen (Informatik)
+ max. 10 Personen (Altorientalis tik) Zielgruppe: Bachelors tudenten
Mas ters tudenten bei Bedarf möglich(extra Aufgabe für s chriftliche Ausarbeitung)
Vorwis s en: Deep Learning for Visual Dataoder Machine Learning oder Data Miningoder Modellierung 1/2 oder Stat. Geo. Proc.oder Computer Vis ion / Graphik