Suchergebnis: Katalogdaten im Herbstsemester 2019

Informatik DZ Information
Detaillierte Informationen zum Ausbildungsgang auf: Link
Erziehungswissenschaften
Das allgemeine Lehrangebot für den Bereich Erziehungwissenschaften ist unter "Studiengang: Ausbildung in Erziehungswissenschaften für Lehrdiplom und DZ" aufgeführt.
NummerTitelTypECTSUmfangDozierende
851-0240-00LMenschliches Lernen (EW1)
Die Veranstaltung sollte nur besucht werden, wenn man vorhat, sich in den Studiengang "Lehrdiplom für Maturitätsschulen" oder in den Ausbildungsgang "Didaktik-Zerfitikat" einzuschreiben. Der Inhalt ist auf schulisches Lernen im Kindes- und Jugendalter abgestimmt.
O2 KP2VE. Stern
KurzbeschreibungEs werden wissenschaftliche Theorien sowie empirische
Untersuchungen zum menschlichen Lernen behandelt und auf die
Schule bezogen.
LernzielWer erfolgreich lehren will, muss zunächst einmal das Lernen verstehen. Vor diesem Hintergrund werden Theorien und Befunde zur menschlichen Informationsverarbeitung und zum menschlichen Verhalten so aufbereitet, dass sie für die Planung und Durchführung von Unterricht genutzt werden können. Zudem soll ein Verständnis für das Vorgehen in der lern- und verhaltenswissenschaftlichen Forschung aufgebaut werden, so dass
Lehrpersonen befähigt werden, sich im Gebiet der Lehr- und Lernforschung selbständig weiterzubilden.
InhaltThematische Schwerpunkte:
Lernen als Verhaltensänderung und als Informationsverarbeitung; Das menschliche Gedächtnis unter besonderer Berücksichtigung der Verarbeitung symbolischer Information; Lernen als Wissenskonstruktion und Kompetenzerwerb unter besonderer Berücksichtigung des Wissenstransfers; Lernen durch Instruktion und Erklärungen; Die Rolle von Emotion und Motivation beim Lernen; Interindividuelle Unterschiede in der Lernfähigkeit und ihre Ursachen: Intelligenztheorien, Geschlechtsunterschiede beim Lernen

Lernformen:
Theorien und wissenschaftliche Konstrukte werden zusammen mit ausgewählten wissenschaftlichen Untersuchungen in Form einer Vorlesung präsentiert. Die Studierenden vertiefen nach jeder Stunde die Inhalte durch die Bearbeitung von Aufträgen in einem elektronischen Lerntagebuch. Über die Bedeutung des Gelernten für den Schulalltag soll reflektiert werden. Ausgewählte Tagebucheinträge werden zu Beginn jeder Vorlesung thematisiert.
SkriptFolien werden zur Verfügung gestellt.
Literatur1) Marcus Hasselhorn & Andreas Gold (2006). Pädagogische Psychologie: Erfolgreiches Lernen und Lehren. Stuttgart: Kohlhammer. 2) Jeanne Omrod (2006): Human Learning. Upper Saddle River: Pearson Prentice Hall.
Voraussetzungen / BesonderesDie Veranstaltung sollte nur besucht werden, wenn man vorhat, sich in die Studiengänge Lehrdiplom oder Didaktisches Zertifikat einzuschreiben. Der Inhalt ist auf schulisches Lernen im Kindes- und Jugendalter abgestimmt.
851-0240-16LKolloquium Lehr-Lern-Forschung und Fachdidaktik Information W1 KP1KE. Stern, P. Greutmann, weitere Dozierende
KurzbeschreibungIm Kolloquium werden wissenschaftliche Arbeiten zu Fragen der Vermittlung von Mathematik, Informatik, Naturwissenschaften und Technik (MINT) und weiteren an Mittelschulen unterrichteten Fächern präsentiert und diskutiert. Im Mittelpunkt stehen die Arbeiten der am Kompetenzzentrum EducETH der ETH sowie der an der Lehrerinnen- und Lehrerbildung Maturitätsschulen der UZH beteiligten Professuren.
LernzielDie Teilnehmer sollen exemplarisch unterschiedliche Methoden der Lehr- und Unterrichtsforschung und die damit einhergehenden Probleme kennen lernen.
851-0240-22LBewältigung psychosozialer Anforderungen im Lehrberuf (EW4 DZ) Information Belegung eingeschränkt - Details anzeigen
Maximale Teilnehmerzahl: 20

Der erfolgreiche Abschluss von EW1 und EW2 stellt eine wünschenswerte, jedoch nicht obligatorische Voraussetzung dar.
W2 KP3SP. Greutmann, U. Markwalder, S. Peteranderl
KurzbeschreibungIn diesem Seminar werden Kenntnisse und Kompetenzen für die Bewältigung psychosozialer Anforderungen im Lehrberuf vermittelt.
LernzielDie Teilnehmenden verfügen über Hintergrundwissen und Handlungskompetenzen, um mit den psychosozialen Anforderungen im Lehrberuf produktiv umgehen zu können.

(1) Sie kennen wichtige Regeln der Gesprächsführung und des Konfliktmanagements (z.B. Mediation) und können diese im schulischen Rahmen (z.B. Gespräche mit Eltern) adäquat einsetzen.
(2) Sie können Massnahmen des Classroom Managements gezielt anwenden (z.B. Verhinderung von Disziplinschwierigkeiten) und kennen entsprechende Anlaufstellen (z.B. rechtliche Rahmenbedingungen).
851-0242-06LKognitiv aktivierender Unterricht in den MINT-Fächern Belegung eingeschränkt - Details anzeigen
Belegung für Studierende des Didaktik-Zertifikats (DZ) und des Lehrdiploms (LD) ohne das Fach Sport.

Diese Veranstaltung kann nur parallel zu oder nach dem erfolgreichen Abschluss von der Veranstaltung 851-0240-00L "Menschliches Lernen (EW 1)" belegt werden.
W2 KP2SR. Schumacher
KurzbeschreibungDie am MINT-Lernzentrum der ETH erarbeiteten Unterrichtseinheiten zu Themen der Chemie, Physik und Mathematik stehen im Mittelpunkt. In der ersten Veranstaltung wird die Mission des MINT-Zentrums vermittelt. In Zweiergruppen müssen die Studierenden sich intensiv in eine Einheit einarbeiten und sie im Sinne eines vorab besprochenen Ziel erweitern und optimieren.
Lernziel- Kognitiv aktivierende Lernformen kennen lernen
- Mit didaktischer Forschungsliteratur vertraut werden
Voraussetzungen / BesonderesFür eine reibungslose Semesterplanung wird um frühe Anmeldung und persönliches Erscheinen zum ersten Lehrveranstaltungstermin ersucht.
851-0242-07LMenschliche Intelligenz Belegung eingeschränkt - Details anzeigen
Belegung für Studierende des Didaktik-Zertifikats (DZ) und des Lehrdiploms (LD) ohne das Fach Sport.
Maximale Teilnehmerzahl: 30
Diese Veranstaltung kann nur parallel zu oder nach dem erfolgreichen Abschluss von der Veranstaltung 851-0240-00L "Menschliches Lernen (EW 1)" belegt werden!
W1 KP1SE. Stern
KurzbeschreibungDas Buch "Intelligenz: Grosse Unterschiede und ihre Folgen" von Stern/Neubauer steht im Mittelpunkt. Zum ersten Termin müssen alle Teilnehmer kommen. Danach muss das Buch vollständig gelesen werden. In zwei 90-minütigen Sitzungen werden in Kleingruppen (5-10 Personen) von den Studierenden ausgearbeitete Konzeptpapiere diskutiert.
Lernziel- Empirische humanwissenschaftliche Forschungsmethoden verstehen
- Intelligenztests kennenlernen
- Pädagogisch relevante Befunde der Intelligenzforschung verstehen
851-0242-08LForschungsmethoden der empirischen Bildungsforschung Belegung eingeschränkt - Details anzeigen
Maximale Teilnehmerzahl: 30
Diese Veranstaltung kann nur parallel zu oder nach dem erfolgreichen Abschluss von der Veranstaltung 851-0240-00L "Menschliches Lernen (EW 1)" belegt werden.
W1 KP1SP. Edelsbrunner, T. Braas, C. M. Thurn
KurzbeschreibungLiteratur aus der empirischen Bildungsforschung wird gelesen und diskutiert. Forschungsmethodische Aspekte stehen im Vordergrund.
Am ersten Termin werden alle Teilnehmer in Kleingruppen eingeteilt und mit den Gruppen Einzeltermine vereinbart.
Die Kleingruppen verfassen kritische Kurzessays zur gelesenen Literatur. Die Essays werden am dritten Termin im Plenum vorgestellt und diskutiert.
Lernziel- Empirische bildungswissenschaftliche Forschungsmethoden verstehen
- Information aus wissenschaftlichen Journals und Medien verstehen und kritisch beleuchten
- Pädagogisch relevante Befunde der Bildungsforschung verstehen
851-0242-11LGender Issues In Education and STEM Belegung eingeschränkt - Details anzeigen
Number of participants limited to 20.

Enrolment only possible with matriculation in Teaching Diploma or Teaching Certificate (excluding Teaching Diploma Sport).

Prerequisite: students should be taking the course 851-0240-00L Human Learning (EW1) in parallel, or to have successfully completed it.
W2 KP2SM. Berkowitz Biran, T. Braas, C. M. Thurn
KurzbeschreibungIn this seminar, we will introduce some of the major gender-related issues in the context of education and science learning, such as the under-representation of girls and women in science, technology, engineering and mathematics (STEM). Common perspectives, controversies and empirical evidence will be discussed.
Lernziel- To familiarize students with gender issues in the educational and STEM context and with controversies regarding these issues
- To develop a critical view on existing perspectives.
- To integrate this knowledge with teacher's work.
InhaltWhy do fewer women than men specialize in STEM (science, technology, engineering and mathematics)? Are girls better in language and boys better in math? These and other questions about gender differences relevant to education and STEM learning have been occupying researchers for decades. In this seminar, students will learn about major gender issues in the educational context and the different perspectives for understanding them.

Students will read and critically discuss selected papers in the field, and their implications for the classroom context. In a final project, students will integrate and elaborate on the topics learned in the seminar and will present their work in class.
Voraussetzungen / BesonderesPrerequisite: Successful participation in the course 851-0240-00L Human Learning (EW1).
Fachdidaktik und Berufspraktische Ausbildung
WICHTIG: die Lerneinheiten in dieser Kategorie können nur belegt werden, wenn allfällige Auflagen bis auf maximal 12 KP erfüllt sind.
NummerTitelTypECTSUmfangDozierende
272-0101-00LFachdidaktik Informatik I Belegung eingeschränkt - Details anzeigen
Lehrdiplom-Studierende müssen diese Lerneinheit zusammen mit dem Einführungspraktikum Informatik - 272-0201-00L - belegen.
O4 KP3GG. Serafini, J. Hromkovic
KurzbeschreibungDie "Fachdidaktik Informatik I" befasst sich mit der überlegten Auswahl von allgemein bildenden Unterrichtsinhalten für den Informatikunterricht, ihrer Zugänglichkeit im entsprechenden Alter sowie mit geeigneten didaktischen Ansätzen für einen erfolgreichen Wissenstransfer.
LernzielDas übergeordnete Lernziel der Lerneinheit besteht darin, die enge Verknüpfung der mathematischen und der algorithmischen Denkweise mit der ingenieurwissenschaftlichen Denkweise aufzuzeigen, sowie deren Nutzen für die Konzeption und die Durchführung eines nachhaltigen Informatikunterrichts zu reflektieren.

Die Studierenden verstehen die grundlegenden Konzepte der Informatik im breiten und tiefen Kontext. Aus diesem Verständnis heraus sind sie in der Lage, Unterrichtsunterlagen zum erfolgreichen Wissenstransfer zu erarbeiten und ihre Begeisterung für das Fach an die Schülerinnen und Schüler weiterzugeben.

Die Studierenden kennen unterschiedliche Unterrichtsmethoden sowie ihre Vor- und Nachteile. Sie können mit den oft stark unterschiedlichen Vorkenntnissen der Lernenden umgehen. Neben dem Klassenunterricht legen die Studierenden Wert auf die Einzelbetreuung von Schülerinnen und Schülern.

Sie fördern die Selbständigkeit der Lernenden. Sie schaffen es, mit verschiedenartigen Zielgruppen zu arbeiten und ein gutes Lernklima aufzubauen.

Die Studierenden sind in der Lage, sich in einer verständlichen und gepflegten Fachsprache mündlich und schriftlich auszudrücken und beherrschen die grundlegenden Begriffe der Informatik. Neben den englischen Fachausdrücken sind ihnen auch die deutschen Benennungen geläufig. Sie sind fähig, ausführliche, ausgereifte, sprachlich einwandfreie und ansprechend gestaltete Unterrichtsunterlagen anzufertigen.
InhaltDie Fachdidaktik Informatik I befasst sich mit allgemein bildenden Inhalten des Informatikunterrichts. Diese fördern einerseits die Entwicklung der Denkweise der Jugendlichen auf einzigartige Art und Weise, und tragen andererseits zum Verständnis unserer Welt sowie zur Hochschulreife bei.

Die Hauptthemen der Fachdidaktik Informatik I sind die Didaktik der Automatentheorie, der formalen Sprachen und der Grundlagen der Programmierung. Im Mittelpunkt der Lerneinheit stehen Informatikinhalte, die allgemeine Bildungswerte vermitteln. Dabei geht es um das Verständnis für Grundbegriffe der Wissenschaft wie Algorithmus, Komplexität, Determinismus, Berechnung, Automat, Verifikation, Testen und Programmiersprache, sowie um deren Einbettung in einen fachlich korrekten und didaktisch nachhaltigen Informatikunterricht.

Im Rahmen einer semesterbegleitenden Übung entwickeln und dokumentieren die Studierenden eine adaptive Unterrichtseinheit für den Informatikunterricht. Dabei lernen sie den Umgang mit den im Unterricht eingeführten Lehrmethoden und -techniken.
SkriptUnterlagen und Folien werden zur Verfügung gestellt.
LiteraturJ. Hromkovic: Sieben Wunder der Informatik: Eine Reise an die Grenze des Machbaren, mit Aufgaben und Lösungen. Vieweg+Teubner; Auflage: 2 (2008).

K. Freiermuth, J. Hromkovic, L. Keller und B. Steffen: Einfuehrung in die Kryptologie: Lehrbuch für Unterricht und Selbststudium. Springer Vieweg; Auflage: 2 (2014).

J. Hromkovic: Berechenbarkeit: Logik, Argumentation, Rechner und Assembler, Unendlichkeit, Grenzen der Automatisierbarkeit. Vieweg+Teubner; Auflage: 1 (2011).

H.-J. Böckenhauer, J. Hromkovic: Formale Sprachen: Endliche Automaten, Grammatiken, lexikalische und syntaktische Analyse. Springer Vieweg; Auflage: 1 (Januar 2013).

J. Hromkovic: Einführung in die Programmierung mit LOGO: Lehrbuch für Unterricht und Selbststudium. Springer Vieweg; Auflage: 3 (2014)
Voraussetzungen / BesonderesLehrdiplom-Studierende müssen diese Lerneinheit zusammen mit dem Einführungspraktikum Informatik - 272-0201-00L - belegen.
271-0102-00LUnterrichtspraktikum mit Prüfungslektionen Informatik Belegung eingeschränkt - Details anzeigen
Unterrichtspraktikum Informatik für DZ.

Bei Repetition der Prüfungslektionen kann das Praktikum nicht nochmals besucht werden.
O4 KP9PJ. Hromkovic, G. Serafini
KurzbeschreibungDie Studierenden setzen die erworbenen Einsichten, Fähigkeiten und Fertigkeiten im Schulalltag ein: Sie hospitieren 10 Lektionen und erteilen selber 20 Lektionen Unterricht. Zwei davon werden als Prüfungslektionen bewertet.
Lernziel- Die Studierenden nutzen ihre fachwissenschaftliche, erziehungswissenschaftliche und fachdidaktische Expertise zum Entwurf von Unterricht.
- Sie können die Bedeutung von Unterrichtsthemen in ihrem Fach unter verschiedenen - auch interdisziplinären - Blickwinkeln einschätzen und den Schülerinnen und Schülern vermitteln.
- Sie erlernen das unterrichtliche Handwerk.
- Sie üben sich darin, die Balance zwischen Anleitung und Offenheit zu finden, so dass die Lernenden kognitive Eigenleistungen erbringen können und müssen.
- Sie lernen die Leistungen der Schülerinnen und Schüler zu beurteilen.
- Gemeinsam mit der Praktikumslehrperson evaluieren die Studierenden laufend ihre eigene Leistung.
InhaltDie Studierenden sammeln Erfahrungen in der Unterrichtsführung, der Auseinandersetzung mit Lernenden, der Klassenbetreuung und der Leistungsbeurteilung. Zu Beginn des Praktikums plant die Praktikumslehrperson gemeinsam mit dem/der Studierenden das Praktikum und die Arbeitsaufträge. Die schriftlich dokumentierten Ergebnisse der Arbeitsaufträge sind Bestandteil des Portfolios der Studierenden. Anlässlich der Hospitationen erläutert die Praktikumslehrperson ihre fachlichen, fachdidaktischen und pädagogischen Überlegungen, auf deren Basis sie den Unterricht geplant hat und tauscht sich mit dem/der Studierenden aus. Die von dem/der Studierenden gehaltenen Lektionen werden vor- und nachbesprochen.
Die Themen für die beiden Prüfungslektionen am Schluss des Praktikums erfahren die Studierenden in der Regel eine Woche vor dem Prüfungstermin. Sie erstellen eine Vorbereitung gemäss Anleitung und reichen sie bis am Vortrag um 12 Uhr den beiden Prüfungsexperten (Fachdidaktiker/-in, Departementsvertreter/-in) ein. Die gehaltenen Lektionen werden kriteriumsbasiert beurteilt. Die Beurteilung umfasst auch die schriftliche Vorbereitung und eine mündliche Reflexion des Kandidaten/der Kandidatin über die gehaltenen Lektionen im Rahmen eines kurzen Kolloquiums.
SkriptDokument: schriftliche Vorbereitung für Prüfungslektionen.
LiteraturWird von der Praktikumslehrperson bestimmt.
272-0103-00LMentorierte Arbeit Fachdidaktik Informatik A Information Belegung eingeschränkt - Details anzeigen
Mentorierte Arbeit Fachdidaktik Informatik für DZ und Lehrdiplom.
O2 KP4AJ. Hromkovic, G. Serafini
KurzbeschreibungIn der mentorierten Arbeit in Fachdidaktik setzen die Studierenden Inhalte der Fachdidaktikvorlesungen praktisch um und vertiefen sie. Unter Anleitung erstellen sie lernwirksame Unterrichtsmaterialien und/oder analysieren und reflektieren bestimmte Themen unter fachdidaktischen und pädagogischen Gesichtspunkten.
LernzielDas Ziel ist, dass die Studierenden
- sich in ein Unterrichtsthema einarbeiten können, indem sie verschiedene Quellen sichten, Materialien beschaffen und über die Relevanz des Themas und des von ihnen gewählten Zugangs in fachlicher, fachdidaktischer, pädagogischer und eventuell gesellschaftlicher Hinsicht reflektieren.
- zeigen, dass sie selbstständig eine lernwirksame Unterrichtssequenz erstellen und zur Einsatzreife bringen können.
InhaltThematische Schwerpunkte
Die Gegenstände der mentorierten Arbeit in Fachdidaktik stammen in der Regel aus dem gymnasialen Unterricht.

Lernformen
Alle Studierenden erhalten ein individuelles Thema und erstellen dazu eine eigenständige Arbeit. Sie werden dabei von ihrer Betreuungsperson begleitet. Gegebenenfalls stellen sie ihre Arbeit oder Aspekte daraus in einem Kurzvortrag vor. Die mentorierte Arbeit ist Teil des Portfolios der Studierenden.
LiteraturDie Literatur ist themenspezifisch. Die Studierenden beschaffen sie sich in der Regel selber (siehe Lernziele). In besonderen Fällen wird sie vom Betreuer zur Verfügung gestellt.
Voraussetzungen / BesonderesDie Arbeit sollte vor Beginn des Praktikums abgeschlossen
werden.
Fachwissenschaftliche Vertiefung mit pädagogischem Fokus
NummerTitelTypECTSUmfangDozierende
272-0400-00LMentorierte Arbeit Fachwissenschaftliche Vertiefung mit pädagogischem Fokus Informatik A Information Belegung eingeschränkt - Details anzeigen W+2 KP4AJ. Hromkovic, G. Serafini
KurzbeschreibungIn der mentorierten Arbeit in FV verknüpfen die Studierenden gymnasiale und universitäre Aspekte des Fachs mit dem Ziel, ihre Lehrkompetenz im Hinblick auf curriculare Entscheidungen und auf die zukünftige Entwicklung des Unterrichts zu stärken.
Angeleitet erstellen sie Texte, welche die anvisierte Leserschaft, in der Regel gymnasiale Fachlehrpersonen, unmittelbar verstehen.
LernzielDas Ziel ist, dass die Studierenden
- sich in ein neues Thema einarbeiten, indem sie Materialien beschaffen und die Quellen studieren und so ihre Fachkompetenz gezielt erweitern können.
- selbständig einen Text über den Gegenstandentwickeln und dabei einen speziellen Fokus auf die mathematische Verständlichkeit in Bezug auf den Kenntnisstand der anvisierten Leser/Leserinnen legen können.
- Möglichkeiten berufsbezogener fachlicher Weiterbildung ausprobieren.
InhaltThematische Schwerpunkte:
Die mentorierte Arbeit in FV besteht in der Regel in einer Literaturarbeit über ein Thema, das einen Bezug zum gymnasialem Unterricht oder seiner Weiterentwicklung hat. Die Studierenden setzen darin Erkenntnisse aus den Vorlesungen in FV praktisch um.

Lernformen:
Alle Studierenden erhalten ein individuelles Thema und erstellen dazu eine eigenständige Arbeit. Sie werden dabei von ihrer Betreuungsperson begleitet. Gegebenenfalls stellen sie ihre Arbeit oder Aspekte daraus in einem Kurzvortrag vor. Die mentorierte
Arbeit ist Teil des Portfolios der Studierenden.
LiteraturDie Literatur ist themenspezifisch. Sie muss je nach Situation selber beschafft werden oder wird zur Verfügung gestellt.
Voraussetzungen / BesonderesDie Arbeit sollte vor Beginn des Praktikums abgeschlossen werden.
252-0237-00LConcepts of Object-Oriented Programming Information W8 KP3V + 2U + 2AP. Müller
KurzbeschreibungCourse that focuses on an in-depth understanding of object-oriented programming and compares designs of object-oriented programming languages. Topics include different flavors of type systems, inheritance models, encapsulation in the presence of aliasing, object and class initialization, program correctness, reflection
LernzielAfter this course, students will:
Have a deep understanding of advanced concepts of object-oriented programming and their support through various language features. Be able to understand language concepts on a semantic level and be able to compare and evaluate language designs.
Be able to learn new languages more rapidly.
Be aware of many subtle problems of object-oriented programming and know how to avoid them.
InhaltThe main goal of this course is to convey a deep understanding of the key concepts of sequential object-oriented programming and their support in different programming languages. This is achieved by studying how important challenges are addressed through language features and programming idioms. In particular, the course discusses alternative language designs by contrasting solutions in languages such as C++, C#, Eiffel, Java, Python, and Scala. The course also introduces novel ideas from research languages that may influence the design of future mainstream languages.

The topics discussed in the course include among others:
The pros and cons of different flavors of type systems (for instance, static vs. dynamic typing, nominal vs. structural, syntactic vs. behavioral typing)
The key problems of single and multiple inheritance and how different languages address them
Generic type systems, in particular, Java generics, C# generics, and C++ templates
The situations in which object-oriented programming does not provide encapsulation, and how to avoid them
The pitfalls of object initialization, exemplified by a research type system that prevents null pointer dereferencing
How to maintain the consistency of data structures
LiteraturWill be announced in the lecture.
Voraussetzungen / BesonderesPrerequisites:
Mastering at least one object-oriented programming language (this course will NOT provide an introduction to object-oriented programming); programming experience
252-0341-01LInformation Retrieval Information W4 KP2V + 1UG. Fourny
KurzbeschreibungThis course gives an introduction to information retrieval with a focus on text documents and unstructured data.

Main topics comprise document modelling, various retrieval techniques, indexing techniques, query frameworks, optimization, evaluation and feedback.
LernzielWe keep accumulating data at an unprecedented pace, much faster than we can process it. While Big Data techniques contribute solutions accounting for structured or semi-structured shapes such as tables, trees, graphs and cubes, the study of unstructured data is a field of its own: Information Retrieval.

After this course, you will have in-depth understanding of broadly established techniques in order to model, index and query unstructured data (aka, text), including the vector space model, boolean queries, terms, posting lists, dealing with errors and imprecision.

You will know how to make queries faster and how to make queries work on very large datasets. You will be capable of evaluating the quality of an information retrieval engine.

Finally, you will also have knowledge about alternate models (structured data, probabilistic retrieval, language models) as well as basic search algorithms on the web such as Google's PageRank.
Inhalt1. Introduction

2. Boolean retrieval: the basics of how to index and query unstructured data.

3. Term vocabulary: pre-processing the data prior to indexing: building the term vocabulary, posting lists.

4. Tolerant retrieval: dealing with spelling errors: tolerant retrieval.

5. Index construction: scaling up to large datasets.

6. Index compression: how to improve performance by compressing the index in various ways.

7. Ranked retrieval: how to ranking results with scores and the vector space model

8. Scoring in a bigger picture: taking ranked retrieval to the next level with various improvements, including inexact retrieval

9. Probabilistic information retrieval: how to leverage Bayesian techniques to build an alternate, probabilistic model for information retrieval

10. Language models: another alternate model based on languages, automata and document generation

11. Evaluation: precision, recall and various other measurements of quality

12. Web search: PageRank

13. Wrap-up.

The lecture structure will follow the pedagogical approach of the book (see material).

The field of information retrieval also encompasses machine learning aspects. However, we will make a conscious effort to limit overlaps, and be complementary with, the Introduction to Machine Learning lecture.
LiteraturC. D. Manning, P. Raghavan, H. Schütze, Introduction to Information Retrieval, Cambridge University Press.
Voraussetzungen / BesonderesPrior knowledge in elementary set theory, logics, linear algebra, data structures, abstract data types, algorithms, and probability theory (at the Bachelor's level) is required, as well as programming skills (we will use Python).
252-0417-00LRandomized Algorithms and Probabilistic MethodsW8 KP3V + 2U + 2AA. Steger
KurzbeschreibungLas Vegas & Monte Carlo algorithms; inequalities of Markov, Chebyshev, Chernoff; negative correlation; Markov chains: convergence, rapidly mixing; generating functions; Examples include: min cut, median, balls and bins, routing in hypercubes, 3SAT, card shuffling, random walks
LernzielAfter this course students will know fundamental techniques from probabilistic combinatorics for designing randomized algorithms and will be able to apply them to solve typical problems in these areas.
InhaltRandomized Algorithms are algorithms that "flip coins" to take certain decisions. This concept extends the classical model of deterministic algorithms and has become very popular and useful within the last twenty years. In many cases, randomized algorithms are faster, simpler or just more elegant than deterministic ones. In the course, we will discuss basic principles and techniques and derive from them a number of randomized methods for problems in different areas.
SkriptYes.
Literatur- Randomized Algorithms, Rajeev Motwani and Prabhakar Raghavan, Cambridge University Press (1995)
- Probability and Computing, Michael Mitzenmacher and Eli Upfal, Cambridge University Press (2005)
252-0535-00LAdvanced Machine Learning Information W8 KP3V + 2U + 2AJ. M. Buhmann
KurzbeschreibungMachine learning algorithms provide analytical methods to search data sets for characteristic patterns. Typical tasks include the classification of data, function fitting and clustering, with applications in image and speech analysis, bioinformatics and exploratory data analysis. This course is accompanied by practical machine learning projects.
LernzielStudents will be familiarized with advanced concepts and algorithms for supervised and unsupervised learning; reinforce the statistics knowledge which is indispensible to solve modeling problems under uncertainty. Key concepts are the generalization ability of algorithms and systematic approaches to modeling and regularization. Machine learning projects will provide an opportunity to test the machine learning algorithms on real world data.
InhaltThe theory of fundamental machine learning concepts is presented in the lecture, and illustrated with relevant applications. Students can deepen their understanding by solving both pen-and-paper and programming exercises, where they implement and apply famous algorithms to real-world data.

Topics covered in the lecture include:

Fundamentals:
What is data?
Bayesian Learning
Computational learning theory

Supervised learning:
Ensembles: Bagging and Boosting
Max Margin methods
Neural networks

Unsupservised learning:
Dimensionality reduction techniques
Clustering
Mixture Models
Non-parametric density estimation
Learning Dynamical Systems
SkriptNo lecture notes, but slides will be made available on the course webpage.
LiteraturC. Bishop. Pattern Recognition and Machine Learning. Springer 2007.

R. Duda, P. Hart, and D. Stork. Pattern Classification. John Wiley &
Sons, second edition, 2001.

T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical
Learning: Data Mining, Inference and Prediction. Springer, 2001.

L. Wasserman. All of Statistics: A Concise Course in Statistical
Inference. Springer, 2004.
Voraussetzungen / BesonderesThe course requires solid basic knowledge in analysis, statistics and numerical methods for CSE as well as practical programming experience for solving assignments.
Students should have followed at least "Introduction to Machine Learning" or an equivalent course offered by another institution.

PhD students are required to obtain a passing grade in the course (4.0 or higher based on project and exam) to gain credit points.
252-1407-00LAlgorithmic Game Theory Information W7 KP3V + 2U + 1AP. Penna
KurzbeschreibungGame theory provides a formal model to study the behavior and interaction of self-interested users and programs in large-scale distributed computer systems without central control. The course discusses algorithmic aspects of game theory.
LernzielLearning the basic concepts of game theory and mechanism design, acquiring the computational paradigm of self-interested agents, and using these concepts in the computational and algorithmic setting.
InhaltThe Internet is a typical example of a large-scale distributed computer system without central control, with users that are typically only interested in their own good. For instance, they are interested in getting high bandwidth for themselves, but don't care about others, and the same is true for computational load or download rates. Game theory provides a particularly well-suited model for the behavior and interaction of such selfish users and programs. Classic game theory dates back to the 1930s and typically does not consider algorithmic aspects at all. Only a few years back, algorithms and game theory have been considered together, in an attempt to reconcile selfish behavior of independent agents with the common good.

This course discusses algorithmic aspects of game-theoretic models, with a focus on recent algorithmic and mathematical developments. Rather than giving an overview of such developments, the course aims to study selected important topics in depth.

Outline:
- Introduction to classic game-theoretic concepts.
- Existence of stable solutions (equilibria), algorithms for computing equilibria, computational complexity.
- Speed of convergence of natural game playing dynamics such as best-response dynamics or regret minimization.
- Techniques for bounding the quality-loss due to selfish behavior versus optimal outcomes under central control (a.k.a. the 'Price of Anarchy').
- Design and analysis of mechanisms that induce truthful behavior or near-optimal outcomes at equilibrium.
- Selected current research topics, such as Google's Sponsored Search Auction, the U.S. FCC Spectrum Auction, Kidney Exchange.
SkriptLecture notes will be usually posted on the website shortly after each lecture.
Literatur"Algorithmic Game Theory", edited by N. Nisan, T. Roughgarden, E. Tardos, and V. Vazirani, Cambridge University Press, 2008;

"Game Theory and Strategy", Philip D. Straffin, The Mathematical Association of America, 5th printing, 2004

Several copies of both books are available in the Computer Science library.
Voraussetzungen / BesonderesAudience: Although this is a Computer Science course, we encourage the participation from all students who are interested in this topic.

Requirements: You should enjoy precise mathematical reasoning. You need to have passed a course on algorithms and complexity. No knowledge of game theory is required.
263-2800-00LDesign of Parallel and High-Performance Computing Information Belegung eingeschränkt - Details anzeigen W8 KP3V + 2U + 2AM. Püschel, T. Ben Nun
KurzbeschreibungAdvanced topics in parallel / concurrent programming.
LernzielUnderstand concurrency paradigms and models from a higher perspective and acquire skills for designing, structuring and developing possibly large concurrent software systems. Become able to distinguish parallelism in problem space and in machine space. Become familiar with important technical concepts and with concurrency folklore.
  •  Seite  1  von  1