Profil des Studiengangs

Ordnung | Modulhandbuch | Studiengangsstruktur | Studienverlaufspläne

Der Masterstudiengang ist der zweite Teil des konsekutiven Bachelor/Masterstudiums Informatik. Aufbauend auf den im Bachelor Informatik erworbenen Kenntnissen und Fähigkeiten, vermittelt das Masterstudium weiterführende und forschungsnahe Kenntnisse und Fähigkeiten. Es bildet zu Wissenschaftlichkeit, Selbstständigkeit, Entscheidungs- und Urteilsfähigkeit sowie Forschungsnähe aus.

Neben einem Schwerpunkt „Allgemeine Informatik“, der eine grundlegende wissenschaftliche Ausbildung in der Breite bietet, gibt es auch die Möglichkeit, das im vorangegangenen Bachelor gewählte Anwendungsfach zu vertiefen oder alternativ ein zweites Anwendungsfach zu wählen. Wird kein Anwendungsfach gewählt, besteht die Option sich in einem Gebiet der Informatik je nach individuellem Interesse zu spezialisieren. Das Studium wird durch eine Masterarbeit abgeschlossen.

Im Schwerpunkt der Spezialisierung bietet der Frankfurter Masterstudiengang in Informatik die folgenden Spezialisierungen:

Algorithmen und Komplexität
In dieser Spezialisierung wird der Entwurf „guter“ Algorithmen und Datenstrukturen untersucht. Die Qualität eines Algorithmus wird unter anderem bestimmt durch die Laufzeit, die Speicherkomplexität, die Skalierbarkeit, die Güte der berechneten Lösungen und die Einsetzbarkeit in verschiedensten Berechnungsumgebungen. Algorithmische Fragestellungen in den Bereichen des Algorithm Engineering, des algorithmischen Lernens, der algorithmischen Spieltheorie, der Approximation und Optimierung, der Logik für die Informatik, der Parallelisierbarkeit und der Komplexitätstheorie werden behandelt, um das Potenzial algorithmischer Lösungen auszuloten und um inhärente Grenzen festzustellen.

 

Green IT / Hochleistungsrechnen
Green IT ist eine der wesentlichen Schritte um Hardware-/Softwaresysteme und eingebettete System zukunftsfähig, leistungsfähig und umweltfreundlich zu gestalten. Die zugehörigen Systeme begegnen uns auf allen Ebenen des täglichen Lebens, sei es im Auto, im Handy oder bei medizinischen Geräten und Hilfsmitteln. In dieser Spezialisierung wird der Entwurf, die Automatisierung des Entwurfs mit Hilfe informatischer Methoden sowie die Anwendung von Hardwaresystemen, wie z.B. in der Robotik, u.a. im Hinblick auf stromsparende, leistungsfähige Systeme vertieft. Schwerpunkte sind dabei kontinuierliche/analoge und digitale Systeme, Rechnerarchitekturen, verteilte Systeme und Hochleistungsrechnen und -rechner. Die letzteren werden besonders durch die in Frankfurt vorhandenen, international führenden Hochleistungsrechner ermöglicht, auf denen Studierende arbeiten können.

 

Theoretische Neurowissenschaft
Die Theoretische Neurowissenschaft erforscht die Funktionsweise des Gehirns mit Fokus auf Informationsverarbeitung, Lernen, Dynamik und Selbstorganisation. Darüberhinaus bildet die Theoretische Neurowissenschaft traditionell eine wichtige Keimzelle für neue Formen von künstlicher Intelligenz. Beide Aspekte sind Thema dieser interdisziplinären Spezialisierung. Die zentralen Veranstaltungen behandeln Konzepte und Methoden der theoretischen Neurowissenschaft (Computational Neuroscience) und des maschinellen Lernens. Komplementiert werden diese Veranstaltungen von einer Einführung in die neurobiolgischen Grundlagen (Fachbereich Biologie) sowie Informationstheorie und Dynamik mit Anwendungen in neuronalen Systemen (Physik/Biologie).

 

Künstliche Intelligenz
Die Spezialisierung „Künstliche Intelligenz/Maschinelles Lernen“ bietet Lehrveranstaltungen an, die den Bereich von klassischen Modellen und Methoden der Künstlichen Intelligenz bis hin zu neuesten Entwicklungen im Bereich des Maschinellen Lernens abdecken. Ziel der Spezialisierung ist es, die Studierenden in die Lage zu versetzen, kompetent an der intensiven Nutzung von Methoden der Künstlichen Intelligenz in Industrie, Medizin, Natur- und Lebenswissenschaften, Finanzwesen und vielen anderen Anwendungsgebieten mitwirken zu können, und diese Methoden unter wissenschaftlichen Gesichtspunkten forschend weiterzuentwickeln.
Im Fokus der Spezialisierung stehen Methoden, die die Erstellung intelligenter Software und intelligenter Agenten ermöglichen. Die Grundlagen und vertiefende Kenntnisse werden in Lehrveranstaltung zum maschinellen Lernen, zur symbolischen/logischen Informationsverarbeitung, zu Inferenzverfahren, Optimierungs- und Suchverfahren und zu Planungsmethoden vermittelt. Die Verarbeitung von Daten unterschiedlichster Natur (Text, Bild/Video, Sprache, andere Sensordaten) im Sinne von Vorgängen, die im weitesten Sinne „Intelligenz“ erfordern (Erkennung und Beschreibung von Objekten und von semantischen Zusammenhängen) wird mit in zentralen Veranstaltungen abgedeckt. Die abstrakte Nachbildung der menschlichen Informationsverarbeitung mittels künstlicher neuronaler Netze und Lernverfahren wie Deep Learning und Reinforcement Learning werden in aufeinander abgestimmten Lehrveranstaltungen behandelt.

 

Data Science
Data is increasingly cheap, ubiquitous, and valuable. Powerful technologies are emerging to organize and analyze this avalanche of data. The rise of parallel processing and cloud-based storage permit real-time, interactive analysis of large-scale data sets. The Specialization Data Science prepares students to be data-professionals. Working with data at scale requires distinctive new skills and tools.
Daten sind zunehmend leicht verfügbar, allgegenwärtig und wertvoll. Mächtige Technologien entstehen, die es erlauben, diese Datenlawine zu organisieren und zu analysieren. Das Aufkommen von Parallelverarbeitung und Cloud-basierten Speichern erlaubt die interaktive Analyse von großen Datenmengen in Echtzeit. Die Spezialisierung „Data Science“ bereitet Studierende darauf vor, Datenexperten zu werden. Die Arbeit mit Daten in großem Umfang erfordert eigene, neue Fähigkeiten und Werkzeuge.

 

Educational Technologies
Technologien beeinflussen unser tägliches Leben auch im Bereich des Lernens und Lehrens. Folglich sind Educational Technologies in vielen Lern- und Vermittlungsbereichen anzutreffen, ausgehend vom explorativem Lernen in der Schule über das Lernen an der Hochschule, bis hin zum Erwerb komplexer Fähigkeiten etwa im Bereich der Medizin oder der Steuerung von komplexen Maschinen. Der Vertiefungsbereich Educational Technologies zielt auf diese Aufgabenfelder. Er versteht sich als ein interdisziplinärer Forschungsbereich, der mehrere Fachdisziplinen wie Informatik und Informationswissenschaft, aber auch Psychologie und Didaktik sowie Ingenieurwissenschaften zusammenführt. Während die technischen Disziplinen vielfach darauf zielen, Artefakte, Technologien und Verfahren zu entwerfen, zu entwickeln und zu testen, zielen die Sozialund Verhaltenswissenschaften in diesem Zusammenhang auf die Modellierung bzw. Analyse von Auswirkungen, welche aus der Interaktion von Menschen mit entsprechenden Artefakten und Systemen resultieren. Educational Technologies verbinden beide Ansätze mit dem Ziel, das Lernen und Lehren unter anderem attraktiver, effektiver oder effizienter zu gestalten. Zur Steigerung der Attraktivität werden beispielsweise VR- und AR-Technologien erforscht, entwickelt und erprobt, während Effektivitätssteigerungen u.a. mittels Technologien zur Unterstützung von personalisiertem Lernen anvisiert werden (Beispiel Learning Analytics); Effizienzsteigerungen wiederum werden u.a. durch die Optimierungen von Lehrprozessen (process modeling) angestrebt oder durch Methoden des kollaborativen Lernens (crowdsourcing) und anderer Lernmethoden bezogen auf die Interaktion von Mensch und Maschine (games with a purpose, human in the loop und active learning). In der Spezialisierung Educational Technologies werden die theoretischen und informationswissenschaftlichen Grundlagen solcher Technologien, Verfahren und Methoden gelehrt, ihre technologische Basis systematisch vermittelt und anhand von Fallstudien und Praktika erprobt. Darüber hinaus werden aktuelle Forschungsthemen zu Entwicklungen im Bereich der Educational Technologies erörtert und in konkreten Projekten aus Themenbereichen wie MOOCs, Trusted Learning Analytics, Sensor-basiertes Lernen, Game-based Learning, Mobile Learning, Simulatorgestütztes Lernen umgesetzt.

 

Zusätzliche Informationen