Ab 2. November 2020 findet das Herbstsemester 2020 online statt. Ausnahmen: Veranstaltungen, die nur mit Präsenz vor Ort durchführbar sind. Bitte beachten Sie die per E-Mail kommunizierten Informationen der Dozierenden.

Suchergebnis: Katalogdaten im Herbstsemester 2016

Rechnergestützte Wissenschaften DZ Information
Detaillierte Informationen zum Ausbildungsgang auf: www.didaktischeausbildung.ethz.ch
Erziehungswissenschaften
Das allgemeine Lehrangebot für den Bereich Erziehungwissenschaften ist unter "Studiengang: Ausbildung in Erziehungswissenschaften für Lehrdiplom und DZ" aufgeführt.
NummerTitelTypECTSUmfangDozierende
851-0240-00LMenschliches Lernen (EW1)
Die Veranstaltung sollte nur besucht werden, wenn man vorhat, sich in den Studiengang "Lehrdiplom für Maturitätsschulen" oder in den Ausbildungsgang "Didaktik-Zerfitikat" einzuschreiben. Der Inhalt ist auf schulisches Lernen im Kindes- und Jugendalter abgestimmt.
O2 KP2GE. Stern
KurzbeschreibungEs werden wissenschaftliche Theorien sowie empirische
Untersuchungen zum menschlichen Lernen behandelt und auf die
Schule bezogen.
LernzielWer erfolgreich lehren will, muss zunächst einmal das Lernen verstehen. Vor diesem Hintergrund werden Theorien und Befunde zur menschlichen Informationsverarbeitung und zum menschlichen Verhalten so aufbereitet, dass sie für die Planung und Durchführung von Unterricht genutzt werden können. Zudem soll ein Verständnis für das Vorgehen in der lern- und verhaltenswissenschaftlichen Forschung aufgebaut werden, so dass
Lehrpersonen befähigt werden, sich im Gebiet der Lehr- und Lernforschung selbständig weiterzubilden.
InhaltThematische Schwerpunkte:
Lernen als Verhaltensänderung und als Informationsverarbeitung; Das menschliche Gedächtnis unter besonderer Berücksichtigung der Verarbeitung symbolischer Information; Lernen als Wissenskonstruktion und Kompetenzerwerb unter besonderer Berücksichtigung des Wissenstransfers; Lernen durch Instruktion und Erklärungen; Die Rolle von Emotion und Motivation beim Lernen; Interindividuelle Unterschiede in der Lernfähigkeit und ihre Ursachen: Intelligenztheorien, Geschlechtsunterschiede beim Lernen

Lernformen:
Theorien und wissenschaftliche Konstrukte werden zusammen mit ausgewählten wissenschaftlichen Untersuchungen in Form einer Vorlesung präsentiert. Die Studierenden vertiefen nach jeder Stunde die Inhalte durch die Bearbeitung von Aufträgen in einem elektronischen Lerntagebuch. Über die Bedeutung des Gelernten für den Schulalltag soll reflektiert werden. Ausgewählte Tagebucheinträge werden zu Beginn jeder Vorlesung thematisiert.
SkriptFolien werden zur Verfügung gestellt.
Literatur1) Marcus Hasselhorn & Andreas Gold (2006). Pädagogische Psychologie: Erfolgreiches Lernen und Lehren. Stuttgart: Kohlhammer. 2) Jeanne Omrod (2006): Human Learning. Upper Saddle River: Pearson Prentice Hall.
Voraussetzungen / BesonderesDie Veranstaltung sollte nur besucht werden, wenn man vorhat, sich in die Studiengänge Lehrdiplom oder Didaktisches Zertifikat einzuschreiben. Der Inhalt ist auf schulisches Lernen im Kindes- und Jugendalter abgestimmt.
851-0240-03LEinführung in die Testkonstruktion: Theorie und Praxis (Universität Zürich)
Belegung nur mit Zusatzimmatrikulation Lehrdiplom für Maturitätsschulen oder Didaktik-Zertifikat möglich.

Der Kurs muss direkt an der UZH belegt werden.
UZH Modulkürzel: 200a968

Beachten Sie die Einschreibungstermine an der UZH: http://www.uzh.ch/studies/application/mobilitaet.html
W4 KP2SUni-Dozierende
KurzbeschreibungIn diesem Seminar werden die wissenschaftlichen Grundlagen der Leistungsmessung und der pädagogischen Diagnostik erarbeitet und anhand verschiedener aktueller Fragestellungen konkretisiert.
LernzielDie Teilnehmenden sollen am Schluss der Veranstaltungen in der Lage sein,
- die wissenschaftlichen Grundlagen der Testtheorie und Testkonstruktion zu beschreiben.
- Beispiele wissenschaftlich entwickelter Tests in ihrem Verwendungskontext zu beurteilen.
- allenfalls die eigene, in der Praxis angewandte Leistungsbeurteilung kritisch zu hinterfragen und weiter zu professionalisieren.
InhaltDie konkreten Inhalte des Seminars ergeben sich aufgrund der Präferenzen der Teilnehmenden und der daraus abgeleiteten Themenübersicht für Vorträge und Seminararbeiten. Im Rahmen der Startveranstaltung wird eine Liste mit möglichen Themen abgegeben und erläutert. Schwerpunkte der Themenvorschläge sind:
- Testentwicklung
- Gütekriterien von Tests
- Aufgabenkonstruktion
- Datenauswertung
- Rasch-Modell
- Internationale Vergleichstests
- Zulassungstests
SkriptIm Verlaufe des Semesters werden einzelne Unterlagen in den Veranstaltungen abgegeben. Dazu gehören auch die Handouts der verschiedenen, studentischen Vorträge.
LiteraturAls Grundlagenliteratur werden folgende Werke empfohlen:
- Rost, J. (2004). Lehrbuch Testtheorie - Testkonstruktion (2. Aufl.). Bern: Huber
- Weitere Literatur wird in der Lehrveranstaltung genannt.
Voraussetzungen / BesonderesDie Leistungsanforderungen richten sich im Umfang nach der Zahl zu erwerbender ECTS-Punkte, wobei 1 ECTS-Punkt einem Zeitaufwand von ca. 30 Arbeitsstunden entspricht. ETHZ-Studierende können im Rahmen dieser Veranstaltung 3 ECTS-Punkte erwerben.
Dazu sind folgende Leistungen zu erbringen:
- Präsenz und aktive mündliche Mitarbeit in der Lehrveranstaltung (MA)
- Pflichtlektüre entsprechend der Angaben in der Lehrveranstaltung
- Referat (RE)
- Schreiben einer schriftlichen Arbeit

Weitere Angaben zu den Leistungsanforderungen werden im Rahmen der Startveranstaltung abgegeben und erläutert.
851-0240-16LKolloquium Lehr-Lern-Forschung und FachdidaktikW1 KP1KE. Stern, P. Greutmann, weitere Dozierende
KurzbeschreibungIm Kolloquium werden wissenschaftliche Arbeiten zu Fragen der Vermittlung von Mathematik, Informatik, Naturwissenschaften und Technik (MINT) und weiteren an Mittelschulen unterrichteten Fächern präsentiert und diskutiert. Im Mittelpunkt stehen die Arbeiten der am Kompetenzzentrum EducETH der ETH sowie der an der Lehrerinnen- und Lehrerbildung Maturitätsschulen der UZH beteiligten Professuren.
LernzielDie Teilnehmer sollen exemplarisch unterschiedliche Methoden der Lehr- und Unterrichtsforschung und die damit einhergehenden Probleme kennen lernen.
851-0240-22LBewältigung psychosozialer Anforderungen im Lehrberuf (EW4 DZ) Belegung eingeschränkt - Details anzeigen
Maximale Teilnehmerzahl: 20
Der erfolgreiche Abschluss von EW1 und EW2 stellt eine wünschenswerte, jedoch nicht obligatorische Voraussetzung dar.
W2 KP3SA. Deiglmayr, P. Greutmann, U. Markwalder
KurzbeschreibungIn diesem Seminar werden Kenntnisse und Kompetenzen für die Bewältigung psychosozialer Anforderungen im Lehrberuf vermittelt.
LernzielDie Teilnehmenden verfügen über Hintergrundwissen und Handlungskompetenzen, um mit den psychosozialen Anforderungen im Lehrberuf produktiv umgehen zu können.

(1) Sie kennen wichtige Regeln der Gesprächsführung und des Konfliktmanagements (z.B. Mediation) und können diese im schulischen Rahmen (z.B. Gespräche mit Eltern) adäquat einsetzen.
(2) Sie können Massnahmen des Classroom Managements gezielt anwenden (z.B. Verhinderung von Disziplinschwierigkeiten) und kennen entsprechende Anlaufstellen (z.B. rechtliche Rahmenbedingungen).
851-0242-06LKognitiv aktivierender Unterricht in den MINT-Fächern Belegung eingeschränkt - Details anzeigen
Belegung für Studierende des Didaktik-Zertifikats (DZ) und des Lehrdiploms (LD) ohne das Fach Sport.

Diese Veranstaltung kann nur parallel zu oder nach dem erfolgreichen Abschluss von der Veranstaltung 851-0240-00L "Menschliches Lernen (EW 1)" belegt werden.
W2 KP2SR. Schumacher
KurzbeschreibungDie am MINT-Lernzentrum der ETH erarbeiteten Unterrichtseinheiten zu Themen der Chemie, Physik und Mathematik stehen im Mittelpunkt. In der ersten Veranstaltung wird die Mission des MINT-Zentrums vermittelt. In Zweiergruppen müssen die Studierenden sich intensiv in eine Einheit einarbeiten und sie im Sinne eines vorab besprochenen Ziel erweitern und optimieren.
Lernziel- Kognitiv aktivierende Lernformen kennen lernen
- Mit didaktischer Forschungsliteratur vertraut werden
Voraussetzungen / BesonderesFür eine reibungslose Semesterplanung wird um frühe Anmeldung und persönliches Erscheinen zum ersten Lehrveranstaltungstermin ersucht.
851-0242-08LForschungsmethoden der empirischen Bildungsforschung Belegung eingeschränkt - Details anzeigen
Maximale Teilnehmerzahl: 30
Diese Veranstaltung kann nur parallel zu oder nach dem erfolgreichen Abschluss von der Veranstaltung 851-0240-00L "Menschliches Lernen (EW 1)" belegt werden.
W1 KP1SP. Edelsbrunner, B. Rütsche, E. Stern, E. Ziegler
KurzbeschreibungLiteratur aus der empirischen Bildungsforschung wird gelesen und diskutiert. Forschungsmethodische Aspekte stehen im Vordergrund.
Am ersten Termin werden alle Teilnehmer in Kleingruppen eingeteilt und mit den Gruppen Einzeltermine vereinbart.
Die Kleingruppen verfassen kritische Kurzessays zur gelesenen Literatur. Die Essays werden am dritten Termin im Plenum vorgestellt und diskutiert.
Lernziel- Empirische bildungswissenschaftliche Forschungsmethoden verstehen
- Information aus wissenschaftlichen Journals und Medien verstehen und kritisch beleuchten
- Pädagogisch relevante Befunde der Bildungsforschung verstehen
851-0242-07LMenschliche Intelligenz Belegung eingeschränkt - Details anzeigen
Belegung für Studierende des Didaktik-Zertifikats (DZ) und des Lehrdiploms (LD) ohne das Fach Sport.
Maximale Teilnehmerzahl: 30
Diese Veranstaltung kann nur parallel zu oder nach dem erfolgreichen Abschluss von der Veranstaltung 851-0240-00L "Menschliches Lernen (EW 1)" belegt werden!
W1 KP1SE. Stern, P. Edelsbrunner, B. Rütsche
KurzbeschreibungDas Buch "Intelligenz: Grosse Unterschiede und ihre Folgen" von Stern/Neubauer steht im Mittelpunkt. Zum ersten Termin müssen alle Teilnehmer kommen. Danach muss das Buch vollständig gelesen werden. In zwei 90-minütigen Sitzungen werden in Kleingruppen (5-10 Personen) von den Studierenden ausgearbeitete Konzeptpapiere diskutiert.
Lernziel- Empirische humanwissenschaftliche Forschungsmethoden verstehen
- Intelligenztests kennenlernen
- Pädagogisch relevante Befunde der Intelligenzforschung verstehen
Fachdidaktik und Berufspraktische Ausbildung
NummerTitelTypECTSUmfangDozierende
401-9908-00LUnterrichtspraktikum mit Prüfungslektionen Rechnergestützte Wissenschaften Belegung eingeschränkt - Details anzeigen
Unterrichtspraktikum Rechnergestützte Wissenchaften für DZ.

Ausschliesslich für Studierende, die sich ab HS 2011 ins DZ eingeschrieben haben.

Das Unterrichtspraktikum kann erst nach Abschluss aller anderen Lehrveranstaltungen des DZ absolviert werden.
Bei Repetition der Prüfungslektionen kann das Praktikum nicht nochmals besucht werden.
W6 KP13PJ. Hromkovic, G. Serafini
KurzbeschreibungDie Studierenden setzen die erworbenen Einsichten, Fähigkeiten und Fertigkeiten im Schulalltag ein: Sie hospitieren 10 Lektionen und erteilen selber 20 Lektionen Unterricht. Zwei davon werden als Prüfungslektionen bewertet.
Lernziel- Die Studierenden nutzen ihre fachwissenschaftliche, erziehungswissenschaftliche und fachdidaktische Expertise zum Entwurf von Unterricht.
- Sie können die Bedeutung von Unterrichtsthemen in ihrem Fach unter verschiedenen - auch interdisziplinären - Blickwinkeln einschätzen und den Schülerinnen und Schülern vermitteln.
- Sie erlernen das unterrichtliche Handwerk.
- Sie üben sich darin, die Balance zwischen Anleitung und Offenheit zu finden, so dass die Lernenden kognitive Eigenleistungen erbringen können und müssen.
- Sie lernen die Leistungen der Schülerinnen und Schüler zu beurteilen.
- Gemeinsam mit der Praktikumslehrperson evaluieren die Studierenden laufend ihre eigene Leistung.
InhaltDie Studierenden sammeln Erfahrungen in der Unterrichtsführung, der Auseinandersetzung mit Lernenden, der Klassenbetreuung und der Leistungsbeurteilung. Zu Beginn des Praktikums plant die Praktikumslehrperson gemeinsam mit dem/der Studierenden das Praktikum und die Arbeitsaufträge. Die schriftlich dokumentierten Ergebnisse der Arbeitsaufträge sind Bestandteil des Portfolios der Studierenden. Anlässlich der Hospitationen erläutert die Praktikumslehrperson ihre fachlichen, fachdidaktischen und pädagogischen Überlegungen, auf deren Basis sie den Unterricht geplant hat und tauscht sich mit dem/der Studierenden aus. Die von dem/der Studierenden gehaltenen Lektionen werden vor- und nachbesprochen.
Die Themen für die beiden Prüfungslektionen am Schluss des Praktikums erfahren die Studierenden in der Regel eine Woche vor dem Prüfungstermin. Sie erstellen eine Vorbereitung gemäss Anleitung und reichen sie bis am Vortrag um 12 Uhr den beiden Prüfungsexperten (Fachdidaktiker/-in, Departementsvertreter/-in) ein. Die gehaltenen Lektionen werden kriteriumsbasiert beurteilt. Die Beurteilung umfasst auch die schriftliche Vorbereitung und eine mündliche Reflexion des Kandidaten/der Kandidatin über die gehaltenen Lektionen im Rahmen eines kurzen Kolloquiums.
SkriptDokument: schriftliche Vorbereitung für Prüfungslektionen.
LiteraturWird von der Praktikumslehrperson bestimmt.
272-0101-00LFachdidaktik Informatik I Belegung eingeschränkt - Details anzeigen
Lehrdiplom-Studierende müssen diese Lerneinheit zusammen mit dem Einführungspraktikum Informatik - 272-0201-00L - belegen.
O4 KP3GG. Serafini, J. Hromkovic
KurzbeschreibungDie "Fachdidaktik Informatik I" befasst sich mit der überlegten Auswahl von allgemein bildenden Unterrichtsinhalten für den Informatikunterricht, ihrer Zugänglichkeit im entsprechenden Alter sowie mit geeigneten didaktischen Ansätzen für einen erfolgreichen Wissenstransfer.
LernzielDas übergeordnete Lernziel der Lerneinheit besteht darin, die enge Verknüpfung der mathematischen und der algorithmischen Denkweise mit der ingenieurwissenschaftlichen Denkweise aufzuzeigen, sowie deren Nutzen für die Konzeption und die Durchführung eines nachhaltigen Informatikunterrichts zu reflektieren.

Die Studierenden verstehen die grundlegenden Konzepte der Informatik im breiten und tiefen Kontext. Aus diesem Verständnis heraus sind sie in der Lage, Unterrichtsunterlagen zum erfolgreichen Wissenstransfer zu erarbeiten und ihre Begeisterung für das Fach an die Schülerinnen und Schüler weiterzugeben.

Die Studierenden kennen unterschiedliche Unterrichtsmethoden sowie ihre Vor- und Nachteile. Sie können mit den oft stark unterschiedlichen Vorkenntnissen der Lernenden umgehen. Neben dem Klassenunterricht legen die Studierenden Wert auf die Einzelbetreuung von Schülerinnen und Schülern.

Sie fördern die Selbständigkeit der Lernenden. Sie schaffen es, mit verschiedenartigen Zielgruppen zu arbeiten und ein gutes Lernklima aufzubauen.

Die Studierenden sind in der Lage, sich in einer verständlichen und gepflegten Fachsprache mündlich und schriftlich auszudrücken und beherrschen die grundlegenden Begriffe der Informatik. Neben den englischen Fachausdrücken sind ihnen auch die deutschen Benennungen geläufig. Sie sind fähig, ausführliche, ausgereifte, sprachlich einwandfreie und ansprechend gestaltete Unterrichtsunterlagen anzufertigen.
InhaltDie Fachdidaktik Informatik I befasst sich mit allgemein bildenden Inhalten des Informatikunterrichts. Diese fördern einerseits die Entwicklung der Denkweise der Jugendlichen auf einzigartige Art und Weise, und tragen andererseits zum Verständnis unserer Welt sowie zur Hochschulreife bei.

Die Hauptthemen der Fachdidaktik Informatik I sind die Didaktik der Automatentheorie, der formalen Sprachen und der Grundlagen der Programmierung. Im Mittelpunkt der Lerneinheit stehen Informatikinhalte, die allgemeine Bildungswerte vermitteln. Dabei geht es um das Verständnis für Grundbegriffe der Wissenschaft wie Algorithmus, Komplexität, Determinismus, Berechnung, Automat, Verifikation, Testen und Programmiersprache, sowie um deren Einbettung in einen fachlich korrekten und didaktisch nachhaltigen Informatikunterricht.

Im Rahmen einer semesterbegleitenden Übung entwickeln und dokumentieren die Studierenden eine adaptive Unterrichtseinheit für den Informatikunterricht. Dabei lernen sie den Umgang mit den im Unterricht eingeführten Lehrmethoden und -techniken.
SkriptUnterlagen und Folien werden zur Verfügung gestellt.
LiteraturJ. Hromkovic: Sieben Wunder der Informatik: Eine Reise an die Grenze des Machbaren, mit Aufgaben und Lösungen. Vieweg+Teubner; Auflage: 2 (2008).

K. Freiermuth, J. Hromkovic, L. Keller und B. Steffen: Einfuehrung in die Kryptologie: Lehrbuch für Unterricht und Selbststudium. Springer Vieweg; Auflage: 2 (2014).

J. Hromkovic: Berechenbarkeit: Logik, Argumentation, Rechner und Assembler, Unendlichkeit, Grenzen der Automatisierbarkeit. Vieweg+Teubner; Auflage: 1 (2011).

H.-J. Böckenhauer, J. Hromkovic: Formale Sprachen: Endliche Automaten, Grammatiken, lexikalische und syntaktische Analyse. Springer Vieweg; Auflage: 1 (Januar 2013).

J. Hromkovic: Einführung in die Programmierung mit LOGO: Lehrbuch für Unterricht und Selbststudium. Springer Vieweg; Auflage: 3 (2014)
Voraussetzungen / BesonderesLehrdiplom-Studierende müssen diese Lerneinheit zusammen mit dem Einführungspraktikum Informatik - 272-0201-00L - belegen.
401-9901-00LMentorierte Arbeit Fachdidaktik Rechnergestützte Wissenschaften Information Belegung eingeschränkt - Details anzeigen W2 KP4AJ. Hromkovic, G. Serafini
KurzbeschreibungIn der mentorierten Arbeit in Fachdidaktik setzen die Studierenden Inhalte der Fachdidaktikvorlesungen praktisch um und vertiefen sie. Unter Anleitung erstellen sie lernwirksame Unterrichtsmaterialien und/oder analysieren und reflektieren bestimmte Themen unter fachdidaktischen und pädagogischen Gesichtspunkten..
LernzielDas Ziel ist, dass die Studierenden
- sich in ein Unterrichtsthema einarbeiten können, indem sie verschiedene Quellen sichten, Materialien beschaffen und über die Relevanz des Themas und des von ihnen gewählten Zugangs in fachlicher, fachdidaktischer, pädagogischer und eventuell gesellschaftlicher Hinsicht reflektieren.
- zeigen, dass sie selbstständig eine lernwirksame Unterrichtssequenz erstellen und zur Einsatzreife bringen können.
InhaltThematische Schwerpunkte
Die Gegenstände der mentorierten Arbeit in Fachdidaktik stammen in der Regel aus dem gymnasialen Unterricht.

Lernformen
Alle Studierenden erhalten ein individuelles Thema und erstellen dazu eine eigenständige Arbeit. Sie werden dabei von ihrer Betreuungsperson begleitet. Gegebenenfalls stellen sie ihre Arbeit oder Aspekte daraus in einem Kurzvortrag vor. Die mentorierte Arbeit ist Teil des Portfolios der Studierenden.
LiteraturDie Literatur ist themenspezifisch. Die Studierenden beschaffen sie sich in der Regel selber (siehe Lernziele). In besonderen Fällen wird sie vom Betreuer zur Verfügung gestellt.
Voraussetzungen / BesonderesDie Arbeit sollte vor Beginn des Praktikums abgeschlossen werden.
Weitere Fachdidaktik
NummerTitelTypECTSUmfangDozierende
263-2800-00LDesign of Parallel and High-Performance Computing Information W7 KP3V + 2U + 1AT. Hoefler, M. Püschel
KurzbeschreibungAdvanced topics in parallel / concurrent programming.
LernzielUnderstand concurrency paradigms and models from a higher perspective and acquire skills for designing, structuring and developing possibly large concurrent software systems. Become able to distinguish parallelism in problem space and in machine space. Become familiar with important technical concepts and with concurrency folklore.
252-0341-01LInformation Retrieval Information W4 KP2V + 1UT. Hofmann
KurzbeschreibungIntroduction to information retrieval with a focus on text documents and images. Main topics comprise extraction of characteristic features from documents, index structures, retrieval models, search algorithms, benchmarking, and feedback mechanisms. Searching the web, images and XML collections demonstrate recent applications of information retrieval and their implementation.
LernzielIn depth understanding of managing, indexing, and retrieving documents with text, image and XML content. Knowledge about basic search algorithms on the web, benchmarking of search algorithms, and relevance feedback methods.
252-0535-00LMachine Learning Information W8 KP3V + 2U + 2AJ. M. Buhmann
KurzbeschreibungMachine learning algorithms provide analytical methods to search data sets for characteristic patterns. Typical tasks include the classification of data, function fitting and clustering, with applications in image and speech analysis, bioinformatics and exploratory data analysis. This course is accompanied by practical machine learning projects.
LernzielStudents will be familiarized with the most important concepts and algorithms for supervised and unsupervised learning; reinforce the statistics knowledge which is indispensible to solve modeling problems under uncertainty. Key concepts are the generalization ability of algorithms and systematic approaches to modeling and regularization. A machine learning project will provide an opportunity to test the machine learning algorithms on real world data.
InhaltThe theory of fundamental machine learning concepts is presented in the lecture, and illustrated with relevant applications. Students can deepen their understanding by solving both pen-and-paper and programming exercises, where they implement and apply famous algorithms to real-world data.

Topics covered in the lecture include:

- Bayesian theory of optimal decisions
- Maximum likelihood and Bayesian parameter inference
- Classification with discriminant functions: Perceptrons, Fisher's LDA and support vector machines (SVM)
- Ensemble methods: Bagging and Boosting
- Regression: least squares, ridge and LASSO penalization, non-linear regression and the bias-variance trade-off
- Non parametric density estimation: Parzen windows, nearest nieghbour
- Dimension reduction: principal component analysis (PCA) and beyond
SkriptNo lecture notes, but slides will be made available on the course webpage.
LiteraturC. Bishop. Pattern Recognition and Machine Learning. Springer 2007.

R. Duda, P. Hart, and D. Stork. Pattern Classification. John Wiley &
Sons, second edition, 2001.

T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical
Learning: Data Mining, Inference and Prediction. Springer, 2001.

L. Wasserman. All of Statistics: A Concise Course in Statistical
Inference. Springer, 2004.
Voraussetzungen / BesonderesThe course requires solid basic knowledge in analysis, statistics and numerical methods for CSE as well as practical programming experience for solving assignments.
Students should at least have followed one previous course offered by the Machine Learning Institute (e.g., CIL or LIS) or an equivalent course offered by another institution.
252-1407-00LAlgorithmic Game Theory Information W7 KP3V + 2U + 1AP. Widmayer, P. Penna
KurzbeschreibungGame theory provides a formal model to study the behavior and interaction of self-interested users and programs in large-scale distributed computer systems without central control. The course discusses algorithmic aspects of game theory.
LernzielLearning the basic concepts of game theory and mechanism design, acquiring the computational paradigm of self-interested agents, and using these concepts in the computational and algorithmic setting.
InhaltThe Internet is a typical example of a large-scale distributed computer system without central control, with users that are typically only interested in their own good. For instance, they are interested in getting high bandwidth for themselves, but don't care about others, and the same is true for computational load or download rates. Game theory provides a particularly well-suited model for the behavior and interaction of such selfish users and programs. Classic game theory dates back to the 1930s and typically does not consider algorithmic aspects at all. Only a few years back, algorithms and game theory have been considered together, in an attempt to reconcile selfish behavior of independent agents with the common good.

This course discusses algorithmic aspects of game-theoretic models, with a focus on recent algorithmic and mathematical developments. Rather than giving an overview of such developments, the course aims to study selected important topics in depth.

Outline:
- Introduction to classic game-theoretic concepts.
- Existence of stable solutions (equilibria), algorithms for computing equilibria, computational complexity.
- Speed of convergence of natural game playing dynamics such as best-response dynamics or regret minimization.
- Techniques for bounding the quality-loss due to selfish behavior versus optimal outcomes under central control (a.k.a. the 'Price of Anarchy').
- Design and analysis of mechanisms that induce truthful behavior or near-optimal outcomes at equilibrium.
- Selected current research topics, such as Google's Sponsored Search Auction, the U.S. FCC Spectrum Auction, Kidney Exchange.
SkriptNo lecture notes.
Literatur"Algorithmic Game Theory", edited by N. Nisan, T. Roughgarden, E. Tardos, and V. Vazirani, Cambridge University Press, 2008;

"Game Theory and Strategy", Philip D. Straffin, The Mathematical Association of America, 5th printing, 2004

Several copies of both books are available in the Computer Science library.
Voraussetzungen / BesonderesAudience: Although this is a Computer Science course, we encourage the participation from all students who are interested in this topic.

Requirements: You should enjoy precise mathematical reasoning. You need to have passed a course on algorithms and complexity. No knowledge of game theory is required.
252-0417-00LRandomized Algorithms and Probabilistic MethodsW7 KP3V + 2U + 1AA. Steger, E. Welzl
KurzbeschreibungLas Vegas & Monte Carlo algorithms; inequalities of Markov, Chebyshev, Chernoff; negative correlation; Markov chains: convergence, rapidly mixing; generating functions; Examples include: min cut, median, balls and bins, routing in hypercubes, 3SAT, card shuffling, random walks
LernzielAfter this course students will know fundamental techniques from probabilistic combinatorics for designing randomized algorithms and will be able to apply them to solve typical problems in these areas.
InhaltRandomized Algorithms are algorithms that "flip coins" to take certain decisions. This concept extends the classical model of deterministic algorithms and has become very popular and useful within the last twenty years. In many cases, randomized algorithms are faster, simpler or just more elegant than deterministic ones. In the course, we will discuss basic principles and techniques and derive from them a number of randomized methods for problems in different areas.
SkriptYes.
Literatur- Randomized Algorithms, Rajeev Motwani and Prabhakar Raghavan, Cambridge University Press (1995)
- Probability and Computing, Michael Mitzenmacher and Eli Upfal, Cambridge University Press (2005)
  •  Seite  1  von  1