Zur Modulseite PDF generieren

#41215 / #3

SoSe 2025 - WiSe 2025/26

Deutsch, Englisch

Masterprojekt: Large Scale Data Integration

9

Abedjan, Ziawasch

Benotet

Portfolioprüfung

Englisch

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34353400 FG Data Integration and Data Preparation (BIFOLD)

Keine Angabe

Kontakt


TEL 11

Abedjan, Ziawasch

abedjan@tu-berlin.de

Lernergebnisse

In diesem Kurs entwickeln die Studierenden Lösungen für die Integration von Daten im großen Maßstab. Ziel ist es, in Gruppen von bis zu 4 Studierenden einen bestehenden Forschungsprototyp zu reproduzieren und mit eigenen Ideen zu erweitern. Jede Gruppe wird von einem Mentor aus der D2IP-Gruppe begleitet, der den Fortschritt dokumentiert und festhält. Die Studierenden lernen, skalierbare Algorithmen zu implementieren, sie systematisch zu evaluieren, technische Dokumente zu lesen und zu interpretieren sowie experimentelle Ergebnisse kritisch zu beurteilen. Gleichzeitig lernen die Studierenden, mit Problemen der Datenheterogenität im großen Maßstab umzugehen.

Lehrinhalte

* Auswahl eines Projekts und Zusammenstellung eines Teams * Diskussionsrunden zu Design, Umsetzung, Tests und Experimenten * Prototypenumsetzung, Tests und Experimente * 15-minütige mündliche Präsentation des erstellten Prototyps

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Large Scale Data Integration (LSDIPro)PJWiSe/SoSeen6

Arbeitsaufwand und Leistungspunkte

Large Scale Data Integration (LSDIPro) (PJ):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.06.0h90.0h
Vor-/Nachbereitung15.012.0h180.0h
270.0h(~9 LP)
Der Aufwand des Moduls summiert sich zu 270.0 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Angeleitete und selbstorganisierte Projektarbeit. Die Studierenden wählen ein Projekt aus einer vorgegebenen Liste aus, lesen das Paper und klären mit einem Mentor Verständnisprobleme und stecken das Implementierungsziel ab. Die Algorithmen und Systeme werden neu implementiert und systematisch evaluiert und verbessert. Ergänzt werden diese Projekte durch regelmäßige Diskussionsrunden und eine abschließende Präsentation der erzielten Ergebnisse.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Grundlegende Kurse in Maschinelles Lernen und Datenmanagement

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

NamePunkteKategorieDauer/Umfang
(Ergebnisprüfung) Experimentation30praktischk. A.
(Ergebnisprüfung) Implementation und Dokumentation50praktischk. A.
(Ergebnisprüfung) Präsentation20mündlich15 min

Notenschlüssel

Notenschlüssel »Notenschlüssel 3: Fak IV (3)«

Gesamtpunktzahl1.01.31.72.02.32.73.03.33.74.0
100.0pt85.0pt80.0pt75.0pt70.0pt65.0pt60.0pt55.0pt50.0pt45.0pt40.0pt

Prüfungsbeschreibung (Abschluss des Moduls)

Das Projekt kann einzeln oder in Teams von bis zu 4 Studierenden durchgeführt werden. Das Modul wird mit einer Portfolioprüfung abgeschlossen, die aus zwei Teilen besteht: (1) Die Implementierung eines Prototyps für das ausgewählte Paper, einschließlich Dokumentation. Die Studierenden reichen ihren Quellcode und zusätzliche Artefakte (wie Dokumentation) zur Benotung ein. Um den Prototyp zu erstellen, arbeiten die Studierenden selbstorganisiert. Typische Schritte umfassen das Kennenlernen eines bestehenden Papers, in das die Arbeit integriert werden soll (falls für das spezifische Thema zutreffend), das Entwickeln eines ersten Designs für ihr ausgewähltes Projektthema, das Implementieren dieses Designs in einer spezifischen Programmiersprache, das Dokumentieren des Prototyps und das Erstellen von Testfällen für automatisierte Tests. (2) Die Studierenden sollen die entwickelte Lösung systematisch benchmarken und kleinere Verbesserungen testen. Die Studierenden können ihre Ideen mit ihrem Projektmentor diskutieren und Feedback von ihm erhalten. (2) Eine Folienpräsentation des Projekts des Teams vor dem Kurs, einschließlich einer Diskussion. In dieser Präsentation geben die Studierenden Einblicke in z. B. die Motivation ihres Papers, ihren allgemeinen Ansatz, Einzelheiten ihrer Implementierung sowie ihre experimentellen Ergebnisse.

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Winter- und Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 24.

Anmeldeformalitäten

Auf ISIS zu finden

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Keine Angabe