Semesterprojekt 1
Schnelle Algorithmen für schwere Probleme
P. Kunz
In Kleingruppen werden Heuristiken, Approximationsalgorithmen oder exakte Algorithmen für ein NP-schweres Problem implementiert. Die Lösungsqualität und Laufzeit dieser Algorithmen sollen so miteinander auf geeigneten Testdatensätzen verglichen werden. Das Ziel dabei ist es, einerseits einen möglichst effizienten Solver, der eine gute Lösungsqualität erreicht, zu erstellen; andererseits Aussagen darüber treffen zu können, wie sich verschiedene algorithmische Ansätze auf Laufzeit und Lösungsqualität auswirken.
Die entsprechenden Algorithmen werden im Kurs vorgestellt, aber algorithmisches Vorwissen ist von Vorteil. Die Programmiersprache kann von jeder Kleingruppe frei gewählt werden.
________________________________________________________
Semesterprojekt 2
AI Controlled Software Testing
T. Vogel
In this project, we will explore the abilities of artificial intelligence (AI) such as large language models and reinforcement learning to control automated software testing. We will use existing test generation tools such as Pynguin (the PYthoN General UnIt test geNerator, https://www.pynguin.eu/) and develop an AI machinery that controls the test generation, for instance, by dynamically adapting the configuration of the generator or that provides feedback and adapts the evolved tests.
----------------
In diesem Projekt werden wir die Fähigkeiten von Künstlicher Intelligenz (KI) wie Large Language Models und Reinforcement Learning zur Steuerung der automatisierten Testfallgenerierung untersuchen. Wir werden existierende Testfallgeneratoren wie z.B. Pynguin (the PYthoN General UnIt test geNerator, https://www.pynguin.eu/) nutzen und eine KI entwickeln, die die Generierung steuert, z.B. durch dynamische Anpassung der Konfiguration des Generators, oder die Feedback bereitstellt und die generierten Tests entsprechend anpasst.
________________________________________________________
Semesterprojekt 3
Competitive Programming
N. Bojikian
Gute Programmier- und Problemlösefähigkeiten gerade in Teams und unter Zeitconstraints spielen eine essentielle Rolle in vielen Jobs, oft auch schon beim Jobinterview. In diesem Semesterprojekt wollen wir diese Fähigkeiten durch verschiedentliche Aktivitäten weiter ausbauen. Eine parallele Teilnahme an Programmierwettbewerben (GCPC, NWERC, ICPC etc.) wird unterstützt, ist aber nicht Pflicht.
Inhalte und Ziele:
* Übung effizienter Problemlösung und Programmierung in kleinen Teams
* Trainingssessions im Stil des ICPC-Wettbewerbs
* Erzeugung einer Sammlung effizienter Algorithmen und Datenstrukturen
* Aufbau einer Testplattform auf der Studierende eigene Implementierungen testen können
Voraussetzungen:
* erfolgreicher Abschluss von Grundlagen der Programmierung
* Erfahrung mit C++ oder Einarbeitung zu Beginn des Moduls.
________________________________________________________
Semesterprojekt 4
Mobile Roboter
V. Hafner / H. Mellmann
In diesem Semesterprojekt arbeiten wir an der Weiterentwicklung der Software für die humanoiden Roboter NAO für den Einsatz im RoboCup. Die Arbeit erfolgt im Team und es stehen verschiedene Teilprojekte zur Auswahl. Beim RoboCup spielen humanoide Roboter NAO in Teams selbständig Fußball. Zu den Aufgaben der Teilnehmer*innen zählen visuelle Wahrnehmung, Bewegungsansteuerung, Verhaltensplanung, Teamkommunikation und Koordination, aber auch Software-Infrastruktur und Werkzeuge. Die Arbeit erfolgt in Simulation und an realen Robotern.
Teilnahme an RoboCup-Veranstaltungen wie Workshops und Meisterschaften, sowie längerfristige Beteiligung an unserem RoboCup Team "Berlin United" (https://berlin-united.org/) sind möglich und werden begrüßt.
________________________________________________________
Semesterprojekt 5
Pimp your ChatBot: KI-basierte Extraktion von Kerninformationen aus technischen Spezifikationen
H. Schlingloff
In Zukunft werden KI-basierte Dialogsysteme an Bedeutung zunehmen. Diese basieren im Wesentlichen auf Large Language Models (LLMs). Um LLMs mittels Fine-Tuning auf domänenspezifische Problemstellungen anzupassen, werden sogenannte Wissensgraphen (Knowledge Graphen, KGs) benötigt. Die KGs enthalten die benötigten Kerninformationen in strukturierter Form, z.B. in Form von Tripeln, die Relationen zwischen Entitäten abbilden.
In diesem Semesterprojekt geht es um die Generierung und Aktualisierung solcher Wissensgraphen. Für die Bereitstellung von Fachwissen für KI-basierte Dialogsysteme im Bereich Informationstechnik soll ein digitaler Workflow entwickelt werden, mit dem KGs mittels KI aus maschinenlesbaren, technischen Spezifikationen generiert werden können. Eingaben sind tabellenartige Komponentenbeschreibungen z.B. im HTML-Format auf WEB-Seiten von Herstellern. Die Spezifikationen beschreiben hierarchisch strukturierte Komponenten und zugehörige Parameterdaten, die für Betrieb und Wartung von Rechnernetzen benötigt werden.
Im Semesterprojekt lernen die Teilnehmenden die Anwendung von KI-Methoden in der Praxis, insbesondere den Umgang mit LLMs und die Erstellung und Umsetzung von digitalen Workflows.
Das Projekt findet in Zusammenarbeit mit der GFaI (Gesellschaft zur Förderung angewandter Informatik, Frau Silvia Schwochow) in Berlin-Adlershof statt.
________________________________________________________
Semesterprojekt 6 - findet nicht statt!
Software- und Algorithmentechnik für das Graph Mining
F. Brandt-Tumescheit
In diesem Projekt arbeiten Studierende in Kleingruppen innerhalb von NetworKit, einem Open-Source-Toolkit für Large Scale Network Analysis. NetworKit wird in Forschung und Industrie für das Graph Mining, u.a. Aufgaben wie kürzeste Wege, Community-Erkennung, Zentralitätsmaße und Visualisierung, eingesetzt. Dieses Projekt bietet den Studierenden die Möglichkeit, praktische Erfahrungen in der Softwareentwicklung, der Open-Source-Zusammenarbeit und dem Entwurf fortgeschrittener Algorithmen zu sammeln.
Ziele:
Das Hauptziel dieses Projekts ist das Erlernen der Methodik eines strukturierten SW-Entwicklungsprozesses im Team. Inhaltlich soll dazu NetworKit erweitert und verbessert werden durch die Implementierung von Funktionen, die Optimierung von bestehendem Code und Algorithmen und die Verbesserung der Benutzerfreundlichkeit. Die Studierenden werden in kleinen Gruppen an bestimmten Aufgaben arbeiten, wie z.B.:
- Implementierung neuer Graphenalgorithmen (z.B. Community-Erkennung, kürzeste Pfade, ...)
- Profiling und Optimierung von bestehendem Code
- Refactoring und Verbesserung der aktuellen Test- und Build-Infrastruktur
- Entwerfen und Hinzufügen neuer Visualisierungs- und Profiling-Tools
- Hinzufügen von GPU-Support und Implementierung von GPU-basierten Graphenalgorithmen
- Refactoring von bestehendem C++-Code zur Nutzung von C++17/20-Funktionen.
Erforderliche Fähigkeiten:
- Erfolgreicher Abschluss von „Grundlagen der Programmierung“
- Erfahrung mit oder Einarbeitung in Python (primäre Schnittstellensprache von NetworKit)
- Erfahrung mit oder Einarbeitung in C++ (Kernkomponenten sind in C++ implementiert).
Nützliche Fertigkeiten:
- Verständnis von Graphenalgorithmen
- Vertrautheit mit git und Open-Source-Entwicklungsabläufen.
________________________________________________________
Semesterprojekt 7
Precision Analysis of 3D-Printing for Cardiovascular Implants
L. Siefke
This project investigates precision analysis of 3D-printing for medical cardiovascular implants. There are exsisting micro-CT scans of 3D-printed cardiovascular implants, so that we are able to focus on the data analysis. Using image analysis, point cloud- or mesh processing, we can measure deviaton from the print to the model, surface roughness and other metrics.
---
Dieses Projekt untersucht die Präzisionsanalyse von 3D-Druck für medizinische kardiovaskuläre Implantate. Mikro-CT-Scans der 3D-gedruckten Implantate stehen zur Verfügung, so dass wir uns auf die Datenanalyse konzentrieren können. Mit Hilfe von Bildanalyse, Punktwolken- oder Meshverarbeitung können wir die Abweichung vom Druck zum Modell, die Oberflächenrauheit und andere Metriken messen.
|
