Suchergebnis: Katalogdaten im Herbstsemester 2018

Nummer	Titel	Typ	ECTS	Umfang	Dozierende
Informatik DZ Detaillierte Informationen zum Ausbildungsgang auf: www.didaktischeausbildung.ethz.ch
Fachwissenschaftliche Vertiefung mit pädagogischem Fokus
272-0400-00L	Mentorierte Arbeit Fachwissenschaftliche Vertiefung mit pädagogischem Fokus Informatik A	W+	2 KP	4A	J. Hromkovic, G. Serafini
Kurzbeschreibung	In 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.
Lernziel	Das 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.
Inhalt	Thematische 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.
Literatur	Die Literatur ist themenspezifisch. Sie muss je nach Situation selber beschafft werden oder wird zur Verfügung gestellt.
Voraussetzungen / Besonderes	Die Arbeit sollte vor Beginn des Praktikums abgeschlossen werden.
263-2800-00L	Design of Parallel and High-Performance Computing	W	7 KP	3V + 2U + 1A	T. Hoefler, M. Püschel
Kurzbeschreibung	Advanced topics in parallel / concurrent programming.
Lernziel	Understand 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.
252-0535-00L	Advanced Machine Learning	W	8 KP	3V + 2U + 2A	J. M. Buhmann
Kurzbeschreibung	Machine 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.
Lernziel	Students 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.
Inhalt	The 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
Skript	No lecture notes, but slides will be made available on the course webpage.
Literatur	C. 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 / Besonderes	The 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.
252-0417-00L	Randomized Algorithms and Probabilistic Methods	W	8 KP	3V + 2U + 2A	A. Steger
Kurzbeschreibung	Las 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
Lernziel	After 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.
Inhalt	Randomized 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.
Skript	Yes.
Literatur	- Randomized Algorithms, Rajeev Motwani and Prabhakar Raghavan, Cambridge University Press (1995) - Probability and Computing, Michael Mitzenmacher and Eli Upfal, Cambridge University Press (2005)

Seite 1 von 1