htw saar Piktogramm QR-encoded URL
Zurück zur Hauptseite Version des Moduls auswählen:
Lernziele hervorheben XML-Code

The Algorithm Toolbox of the Programming Expert

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
The Algorithm Toolbox of the Programming Expert
Modulbezeichnung (engl.): The Algorithm Toolbox of the Programming Expert
Studiengang:
Studiengang mit Beginn der Gültigkeit der betreffenden ASPO-Anlage/Studienordnung des Studiengangs, in dem dieses Modul zum Studienprogramm gehört (=Start der ersten Erstsemester-Kohorte, die nach dieser Ordnung studiert).
Kommunikationsinformatik, Master, ASPO 01.04.2016
Code: KI761
SWS/Lehrform:
Die Anzahl der Semesterwochenstunden (SWS) wird als Zusammensetzung von Vorlesungsstunden (V), Übungsstunden (U), Praktikumsstunden (P) oder Projektarbeitsstunden (PA) angegeben. Beispielsweise besteht eine Veranstaltung der Form 2V+2U aus 2 Vorlesungsstunden und 2 Übungsstunden pro Woche.
4V (4 Semesterwochenstunden)
ECTS-Punkte:
Die Anzahl der Punkte nach ECTS (Leistungspunkte, Kreditpunkte), die dem Studierenden bei erfolgreicher Ableistung des Moduls gutgeschrieben werden. Die ECTS-Punkte entscheiden über die Gewichtung des Fachs bei der Berechnung der Durchschnittsnote im Abschlusszeugnis. Jedem ECTS-Punkt entsprechen 30 studentische Arbeitsstunden (Anwesenheit, Vor- und Nachbereitung, Prüfungsvorbereitung, ggfs. Zeit zur Bearbeitung eines Projekts), verteilt über die gesamte Zeit des Semesters (26 Wochen).
5
Studiensemester: 1
Pflichtfach: nein
Arbeitssprache:
Englisch
Prüfungsart:
Klausur/Studienarbeit

[letzte Änderung 04.09.2012]
Verwendbarkeit / Zuordnung zum Curriculum:
Alle Studienprogramme, die das Modul enthalten mit Jahresangabe der entsprechenden Studienordnung / ASPO-Anlage.

KI761 Kommunikationsinformatik, Master, ASPO 01.04.2016 , 1. Semester, Wahlpflichtfach, informatikspezifisch
PIM-WI69 (P221-0169) Praktische Informatik, Master, ASPO 01.10.2011 , 1. Semester, Wahlpflichtfach, informatikspezifisch
Arbeitsaufwand:
Der Arbeitsaufwand des Studierenden, der für das erfolgreiche Absolvieren eines Moduls notwendig ist, ergibt sich aus den ECTS-Punkten. Jeder ECTS-Punkt steht in der Regel für 30 Arbeitsstunden. Die Arbeitsstunden umfassen Präsenzzeit (in den Vorlesungswochen), Vor- und Nachbereitung der Vorlesung, ggfs. Abfassung einer Projektarbeit und die Vorbereitung auf die Prüfung.

Die ECTS beziehen sich auf die gesamte formale Semesterdauer (01.04.-30.09. im Sommersemester, 01.10.-31.03. im Wintersemester).
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 5 Creditpoints 150 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 105 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
Keine.
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Damian Weber
Dozent/innen:
Prof. Dave Swayne


[letzte Änderung 05.09.2012]
Labor:
Labor für Systemtechnik (8207)
Lernziele:
The student is able to apply advanced problem solving and analysis techniques to algorithmically advanced problems. Through the use of concrete
applications, the value of theoretical computer science algorithms will be demonstrated. The roles of optimal algorithms (where they exist) and approximation algorithms (where they do not) will also lead
to increased respect for theoretical Computer Science.

[letzte Änderung 05.09.2012]
Inhalt:
Tool 1: Algorithmic Fundamentals
- how to solve recurrence equations
- advanced sorting algorithms
- selected problems from discrete mathematics
- advanced data structures (example: Fibonacci heap)
  
  
Tool 2: Algorithms for selected topics
- some favourite algorithmic problems with insightful solutions
- parallel computing, analyzing parallel algorithms
  
Tool 3: Approximation Algorithms
- greedy algorithms
- dynamic programming
  
Tool 4: Algorithms and Statistics
- evaluating statistical data (mean, median, variance,....)
- find median value
- checking hypotheses
  
Tool 5: Data Mining Techniques
- characteristics of data mining problems
- decision trees, learning
- association rules, apriori
- Similarity measures, minhashing, parallelization, analysis of precision and recall of minhashing
 


[letzte Änderung 04.09.2012]
Literatur:


[noch nicht erfasst]
Modul angeboten in Semester:
WS 2014/15, WS 2013/14, WS 2012/13 
[Sun Dec 22 21:41:21 CET 2024, CKEY=ktatotp, BKEY=kim, CID=KI761, LANGUAGE=de, DATE=22.12.2024]