Informationstechnik II und Automatisierungstechnik

  • Typ: Vorlesung (V)
  • Lehrstuhl: KIT-Fakultäten - KIT-Fakultät für Elektrotechnik und Informationstechnik
  • Semester: SS 2024
  • Zeit: wöchentlich freitags 09:45 - 11:15 Uhr
    ab dem 19.04.2024
    bis zum 26.07.2024
    in 30.22 Wolfgang-Gaede-Hörsaal
    30.22 Physik-Flachbau (1. OG)
  • Dozent: Prof. Dr.-Ing. Eric Sax
  • SWS: 2
  • LVNr.: 2311654
  • Hinweis: Präsenz
VortragsspracheDeutsch
Organisatorisches

Bitte informieren Sie Sich über die aktuellen Veranstaltungstermine im Ilias.

Informationstechnik II und Automatisierunstechnik

Ziele

Die Vorlesung behandelt aktuelle Problemstellungen der Informationstechnik und die Werkzeuge für deren Lösung, beginnend von einfachen Algorithmen bis hin zu selbstlernenden Systemen und die Prozesse zur Handhabung von Big Data Problemstellungen. Am Ende der Vorlesung sollen die Studierenden in der Lage sein die Merkmale, Eigenschaften und Klassen von Algorithmen einzuordnen, sowie deren Laufzeitkomplexität zu bestimmen. Bekannte Sortier-, Such- und Optimierungsalgorithmen sollen gegenübergestellt und demonstriert werden können. Des Weiteren sollen die Studierenden Methoden des maschinellen Lernens einordnen, beschreiben und bewerten können und darüber hinaus die Merkmale, Eigenschaften und Komponenten von selbstlernenden Systemen benennen und abgrenzen können. In diesem Zusammenhang können die Studierenden Ansätze zur Verwaltung großer Datenbestände einschätzen und die Charakteristika, sowie die Vorgehensweise dieser Analyse beschreiben.
Im weiteren Verlauf geht die Vorlesung auf Methoden der Anomalieerkennung und Begriffe der IT-Sicherheit ein. Diese sollen wiedergegeben und eingeordnet werden können.

 

Inhalte

Die Schwerpunkte der Veranstaltung lauten:

  • Grundlagen und Eigenschaften verschiedener Klassen von Algorithmen
  • Selbstlernende Systeme und maschinelles Lernen (Clustering, Neuronale Netze, etc.)
  • Grundlagen und Verfahren zur Analyse großer Datenbestände
  • Prozesse zur Handhabung von großen Datenbeständen
  • Verfahren zur Anomalieerkennung als Anwendungsfeld von selbstlernenden Systemen auf große Datenmengen

 

Literatur

  • Cormen T.H.; Leiserson C. E.; Riverest R.L.: Algorithmen - Eine Einführung, Oldenburg, 2. Auflage (2007), ISBN: 978-3486582628 Englische Version: Introduction to Algorithms, B&T, 2th Edition (2001), ISBN: 978-0262032933
  • Pomberger, G.; Dobler, H.: Algorithmen und Datenstrukturen, Eine systematische Einführung in die Programmierung, PEARSON Studium Verlag, 2008, ISBN: 978-3-8273-7268-0
  • Sedgewick, R.: Algorithmen, ADDISON-WESLEY - PEARSON Studium Verlag, 2. Auflage (2003), ISBN: 3-8273-7032-9
  • Provost, F.; Fawcett, T.: Data Science für Unternehmen: Data Mining und datenanalytisches Denken praktisch anwenden, mitp; Auflage: 1. Auflage 2017, ISBN: 3958455468
  • Géron, A.: Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow: Konzepte, Tools und Techniken für intelligente Systeme, O'Reilly, ISBN: 3960090617
  • Claudia Eckert: IT-Sicherheit. Konzepte – Verfahren – Protokolle. 7., überarbeitete und erweiterte Auflage. Oldenbourg, 2012, ISBN 978-3-486-70687-1