htw saar Piktogramm QR-encoded URL
Zurück zur Hauptseite Version des Moduls auswählen:
Lernziele hervorheben XML-Code

flag


Advanced Topics in Data Science & Engineering

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
Advanced Topics in Data Science & Engineering
Studiengang:
Studiengang mit Beginn der Gültigkeit der betreffenden ASPO-Anlage/Studienordnung des Studiengangs, in dem dieses Modul zum Studienprogramm gehört (=Start der ersten Erstsemester-Kohorte, die nach dieser Ordnung studiert).
Praktische Informatik, Master, ASPO 01.10.2017
Code: PIM-ATDS
SWS/Lehrform:
Die Anzahl der Semesterwochenstunden (SWS) wird als Zusammensetzung von Vorlesungsstunden (V), Übungsstunden (U), Praktikumsstunden (P) oder Projektarbeitsstunden (PA) angegeben. Beispielsweise besteht eine Veranstaltung der Form 2V+2U aus 2 Vorlesungsstunden und 2 Übungsstunden pro Woche.
4S (4 Semesterwochenstunden)
ECTS-Punkte:
Die Anzahl der Punkte nach ECTS (Leistungspunkte, Kreditpunkte), die dem Studierenden bei erfolgreicher Ableistung des Moduls gutgeschrieben werden. Die ECTS-Punkte entscheiden über die Gewichtung des Fachs bei der Berechnung der Durchschnittsnote im Abschlusszeugnis. Jedem ECTS-Punkt entsprechen 30 studentische Arbeitsstunden (Anwesenheit, Vor- und Nachbereitung, Prüfungsvorbereitung, ggfs. Zeit zur Bearbeitung eines Projekts), verteilt über die gesamte Zeit des Semesters (26 Wochen).
6
Studiensemester: 2
Pflichtfach: nein
Arbeitssprache:
Deutsch
Prüfungsart:
Präsentation, Ausarbeitung

[letzte Änderung 16.03.2026]
Verwendbarkeit / Zuordnung zum Curriculum:
Alle Studienprogramme, die das Modul enthalten mit Jahresangabe der entsprechenden Studienordnung / ASPO-Anlage.

KIM-ATDS Kommunikationsinformatik, Master, ASPO 01.10.2017 , 2. Semester, Wahlpflichtfach
PIM-ATDS Praktische Informatik, Master, ASPO 01.10.2017 , 2. Semester, Wahlpflichtfach
PIM-ATDS Praktische Informatik, Master, SO 01.10.2026 , 2. Semester, Wahlpflichtfach

geeignet für Austauschstudenten mit learning agreement
Arbeitsaufwand:
Der Arbeitsaufwand des Studierenden, der für das erfolgreiche Absolvieren eines Moduls notwendig ist, ergibt sich aus den ECTS-Punkten. Jeder ECTS-Punkt steht in der Regel für 30 Arbeitsstunden. Die Arbeitsstunden umfassen Präsenzzeit (in den Vorlesungswochen), Vor- und Nachbereitung der Vorlesung, ggfs. Abfassung einer Projektarbeit und die Vorbereitung auf die Prüfung.

Die ECTS beziehen sich auf die gesamte formale Semesterdauer (01.04.-30.09. im Sommersemester, 01.10.-31.03. im Wintersemester).
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 6 Creditpoints 180 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 135 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
Keine.
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Klaus Berberich
Dozent/innen: Prof. Dr. Klaus Berberich

[letzte Änderung 03.03.2026]
Lernziele:
Upon successful completion of this module, students will be able to:
- read and critically analyze recent research papers in Data Science and Data Engineering
- conduct systematic literature searches to identify relevant background and related work
- understand and summarize state-of-the-art research methods and systems
- present complex scientific topics in a clear and structured oral presentation
- produce a concise scientific report summarizing research findings
- engage in critical discussions about current research topics
- evaluate recent developments in data science, machine learning, and information retrieval

[letzte Änderung 16.03.2026]
Inhalt:
his seminar explores recent research topics in Data Science and Data Engineering. Topics are typically based on publications from leading conferences such as SIGIR, KDD, WWW, NeurIPS, ICML, and VLDB.
 
Possible topics include (but are not limited to):
- Algorithms for dynamic and evolving graphs
- Vector representations and embeddings (e.g., word, document, or graph embeddings)
- Neural Information Retrieval and modern search architectures
- Retrieval-Augmented Generation (RAG) and Large Language Models
- Learned data structures and learned indexes
- Data integration and knowledge graph construction
- Named entity recognition and entity linking
- Keyword search in databases
- Query processing in modern multi-stage search engines
- Graph embeddings and representation learning
- Search in versioned document collections or web archives
- Scalable data processing pipelines
 
Topics may vary from year to year to reflect current research developments.

[letzte Änderung 16.03.2026]
Weitere Lehrmethoden und Medien:
The module is organized as a research seminar.
 
Each participant will:
- receive 2–3 recent research papers as an entry point to the topic
- conduct additional literature research
- prepare and deliver a scientific presentation (approx. 60 minutes)
- write a seminar report (approx. 10 pages)
 
Students will receive individual supervision and feedback during the preparation of their presentation and report.
 
Seminar sessions will also include discussions of the presented research topics.

[letzte Änderung 16.03.2026]
Literatur:
- Justin Zobel — Writing for Computer Science, Springer
 
- Manning, Raghavan, Schütze — Introduction to Information Retrieval
 
- Kevin P. Murphy — Probabilistic Machine Learning
 
- Selected research papers from conferences such as SIGIR, KDD, WWW, NeurIPS, ICML, and VLDB

[letzte Änderung 16.03.2026]
 
[Tue Mar 17 02:36:58 CET 2026, CKEY=patidsxa, BKEY=pim2, CID=PIM-ATDS, LANGUAGE=de, DATE=17.03.2026]