Suchergebnis: Katalogdaten im Herbstsemester 2019

Nummer	Titel	Typ	ECTS	Umfang	Dozierende
Informatik Lehrdiplom Weitere Informationen: Link
Erziehungswissenschaften Das Lehrangebot für den Bereich Erziehungwissenschaften ist unter "Studiengang: Ausbildung in Erziehungswissenschaften für Lehrdiplom und DZ" aufgeführt.
851-0242-06L	Kognitiv aktivierender Unterricht in den MINT-Fächern 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.	W	2 KP	2S	R. Schumacher
Kurzbeschreibung	Die 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 / Besonderes	Für eine reibungslose Semesterplanung wird um frühe Anmeldung und persönliches Erscheinen zum ersten Lehrveranstaltungstermin ersucht.
851-0242-07L	Menschliche Intelligenz 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!	W	1 KP	1S	E. Stern
Kurzbeschreibung	Das 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
851-0242-08L	Forschungsmethoden der empirischen Bildungsforschung 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.	W	1 KP	1S	P. Edelsbrunner, T. Braas, C. M. Thurn
Kurzbeschreibung	Literatur 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
851-0242-11L	Gender Issues In Education and STEM Number of participants limited to 20. Enrolment only possible with matriculation in Teaching Diploma or Teaching Certificate (excluding Teaching Diploma Sport). Prerequisite: students should be taking the course 851-0240-00L Human Learning (EW1) in parallel, or to have successfully completed it.	W	2 KP	2S	M. Berkowitz Biran, T. Braas, C. M. Thurn
Kurzbeschreibung	In this seminar, we will introduce some of the major gender-related issues in the context of education and science learning, such as the under-representation of girls and women in science, technology, engineering and mathematics (STEM). Common perspectives, controversies and empirical evidence will be discussed.
Lernziel	- To familiarize students with gender issues in the educational and STEM context and with controversies regarding these issues - To develop a critical view on existing perspectives. - To integrate this knowledge with teacher's work.
Inhalt	Why do fewer women than men specialize in STEM (science, technology, engineering and mathematics)? Are girls better in language and boys better in math? These and other questions about gender differences relevant to education and STEM learning have been occupying researchers for decades. In this seminar, students will learn about major gender issues in the educational context and the different perspectives for understanding them. Students will read and critically discuss selected papers in the field, and their implications for the classroom context. In a final project, students will integrate and elaborate on the topics learned in the seminar and will present their work in class.
Voraussetzungen / Besonderes	Prerequisite: Successful participation in the course 851-0240-00L Human Learning (EW1).
» siehe Erziehungswissenschaften Lehrdiplom für Maturitätsschulen
851-0238-01L	Unterstützung und Diagnose von Wissenserwerbsprozessen (EW3) Belegung für Studierende des Lehrdiploms (ausgenommen für Lehrdiplom-Studierende des Fachs Sport, welche die sportspezifische Lerneinheit EW3 absolvieren) sowie für Studierende, welche vorhaben, sich in den Studiengang "Lehrdiplom für Maturitätsschulen" einzuschreiben. Voraussetzung für die Belegung ist der erfolgreiche Abschluss der Vorlesung 851-0240-00L "Menschliches Lernen (EW1)".	W	3 KP	3S	P. Edelsbrunner, C. M. Thurn
Kurzbeschreibung	Dieses Seminar vermittelt vertiefte lernpsychologische Kenntnisse zu den Möglichkeiten der Unterstützung sowie der Diagnose von Wissenserwerbsprozessen im Unterricht.
Lernziel	Die Hauptziele der Veranstaltung sind: (1) Sie haben ein vertieftes Verständnis über die kognitiven Mechanismen des Wissenserwerbs. (2) Sie verfügen über ein Grundverständnis psychologischer Testtheorie und sind in der Lage, Tests angemessen einzusetzen. (3) Sie kennen verschiedene Techniken des Formative Assessments und können diese inhalts- und situationsadäquat zur Aufdeckung von Misskonzepten anwenden.
Voraussetzungen / Besonderes	Für eine reibungslose Semesterplanung wird um persönliches Erscheinen zum ersten Lehrveranstaltungstermin ersucht.

Fachdidaktik in Informatik WICHTIG: die Lerneinheiten in dieser Kategorie können nur belegt werden, wenn allfällige Auflagen bis auf maximal 12 KP erfüllt sind.
Nummer	Titel	Typ	ECTS	Umfang	Dozierende
272-0101-00L	Fachdidaktik Informatik I Lehrdiplom-Studierende müssen diese Lerneinheit zusammen mit dem Einführungspraktikum Informatik - 272-0201-00L - belegen.	O	4 KP	3G	G. Serafini, J. Hromkovic
Kurzbeschreibung	Die "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.
Lernziel	Das 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.
Inhalt	Die 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.
Skript	Unterlagen und Folien werden zur Verfügung gestellt.
Literatur	J. 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 / Besonderes	Lehrdiplom-Studierende müssen diese Lerneinheit zusammen mit dem Einführungspraktikum Informatik - 272-0201-00L - belegen.
272-0103-00L	Mentorierte Arbeit Fachdidaktik Informatik A Mentorierte Arbeit Fachdidaktik Informatik für DZ und Lehrdiplom.	O	2 KP	4A	J. Hromkovic, G. Serafini
Kurzbeschreibung	In 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.
Lernziel	Das 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.
Inhalt	Thematische 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.
Literatur	Die 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 / Besonderes	Die Arbeit sollte vor Beginn des Praktikums abgeschlossen werden.
272-0104-00L	Mentorierte Arbeit Fachdidaktik Informatik B Mentorierte Arbeit Fachdidaktik Informatik für Lehrdiplom und für Studierende, die von DZ zu Lehrdiplom gewechselt haben.	O	2 KP	4A	J. Hromkovic, G. Serafini
Kurzbeschreibung	In 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.
Lernziel	Das 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.
Inhalt	Thematische 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.
Literatur	Die 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 / Besonderes	Die Arbeit sollte vor Beginn des Praktikums abgeschlossen werden.

Berufspraktische Ausbildung WICHTIG: die Lerneinheiten in dieser Kategorie können nur belegt werden, wenn allfällige Auflagen bis auf maximal 12 KP erfüllt sind.
Nummer	Titel	Typ	ECTS	Umfang	Dozierende
272-0201-00L	Einführungspraktikum Informatik Lehrdiplom Studierende müssen diese Lerneinheit zusammen mit der Fachdidaktik Informatik I - 272-0101-00L - belegen.	O	3 KP	6P	J. Hromkovic, G. Serafini
Kurzbeschreibung	Im Einführungspraktikum hospitieren die Studierenden 5 Lektionen bei der Praktikumslehrperson und unterrichten selbst 5 Lektionen. Die Studierenden erhalten von der Praktikumslehrperson Beobachtungs- und Reflexionsaufträge.
Lernziel	Die Studierenden sammeln schon zu Beginn ihrer Ausbildung erste Erfahrungen mit der Beobachtung, Konzeption und Durchführung von Unterricht. Diese frühe Auseinandersetzung mit der Komplexität von Unterrichtsgeschehen hilft abzuschätzen, ob eine Studierende/ein Studierender die Ausbildung weiterführen will und soll. Sie bildet eine Grundlage für die nachfolgende pädagogische und fachdidaktische Ausbildung.
Inhalt	Den Studierenden bietet das Einführungspraktikum einen Einblick in den Berufsalltag einer Lehrperson. Die Praktikumslehrperson legt Beobachtungs- und Reflexionsaufträge und die Themen der zu erteilenden Lektionen fest. Die schriftlich dokumentierten Ergebnisse der Arbeitsaufträge sind Bestandteil des Portfolios des/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 der/dem Studierenden aus. Zu den Lektionen, die der/die Studierende selber hält, führt die Praktikumslehrperson Vor- und Nachbesprechungen durch.
Literatur	Wird von der Praktikumslehrperson bestimmt.
272-0202-00L	Berufspraktische Übungen	O	2 KP	4U	J. Hromkovic, G. Serafini
Kurzbeschreibung	In der Lerneinheit Berufspraktische Übungen sammeln die Studierenden zusätzliche, praxisbezogene und unterrichtsrelevante Erfahrungen. Die Studierenden absolvieren einen individuell spezifizierten, semesterbegleitenden Projektauftrag, der die Unterstützung, die Dokumentation oder die Reflexion über Lernprozesse umfasst.
Lernziel	Sammeln von zusätzlichen, praxisbezogenen und unterrichtsrelevanten Erfahrungen. Die Studierenden absolvieren einen individuell spezifizierten, semesterbegleitenden Projektauftrag, der die Unterstützung, die Dokumentation oder die Reflexion über Lernprozesse umfasst.
Inhalt	Die Lerneinheit Berufspraktische Übungen bietet den Studierenden die Gelegenheit, zusätzliche, praxisbezogene und unterrichtsrelevante Erfahrungen zu sammeln. Die Studierenden wirken unter der Leitung der Dozierenden bzw. einer erfahrenen Lehrperson im Rahmen von semesterbegleitenden Projektaufträgen: Sie betreuen Schulklassen, überwachen den Lernfortschritt einer betreuten Klasse, sie formulieren Hausaufgaben und Klausuren, sie korrigieren die schriftlichen Ausarbeitungen der Schülerinnen und Schüler und werten die Ergebnisse statistisch aus, sie erarbeiten ausführliche Musterlösungen. Der genaue Umfang des Auftrags wird in einer schriftlichen Aufgabenstellung festgelegt.
272-0203-00L	Unterrichtspraktikum Informatik	O	8 KP	17P	J. Hromkovic, G. Serafini
Kurzbeschreibung	Das Unterrichtspraktikum umfasst 50 Lektionen: 30 werden von den Studierenden unterrichtet, 20 hospitiert. Es erstreckt sich über 4-6 Wochen. Es bietet den Studierenden Gelegenheit, die Inhalte der fachwissenschaftlichen, erziehungswissenschaftlichen und fachdidaktischen Ausbildung in die Unterrichtspraxis umzusetzen. Begleitend zum Praktikum führen sie Arbeitsaufträge aus.
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.
Inhalt	Die 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 Praktikumslehrperson sorgt ausserdem dafür, dass der/die Studierende Einblick in den schulischen Alltag erhält und die vielfältigen Verpflichtungen einer Lehrperson kennen lernt.
Literatur	Wird von der Praktikumslehrperson bestimmt.
Voraussetzungen / Besonderes	Findet in der Regel am Schluss der Ausbildung, vor Ablegung der Prüfungslektionen statt.
272-0204-00L	Unterrichtspraktikum II Informatik Unterrichtspraktikum für Studierende, die von DZ zu Lehrdiplom gewechselt haben.	W	4 KP	9P	J. Hromkovic, G. Serafini
Kurzbeschreibung	Es handelt sich um ein Aufbaupraktikum zum Praktikum für den Erwerb des Lehrdiploms für Maturitätsschulen im entsprechenden Fach. Ziel ist eine Vertiefung der bereits gewonnenen unterrichtlichen Erfahrungen. Die Studierenden hospitieren 10 Lektionen und erteilen selber 15 Lektionen Unterricht.
Lernziel	Die Studierenden können die Bedeutung von Unterrichtsthemen in ihrem Fach unter verschiedenen Blickwinkeln einschätzen. Sie kennen und beherrschen das unterrichtliche Handwerk. Sie können ein gegebenes Unterrichtsthema für eine Gruppe von Lernenden fachlich und didaktisch korrekt strukturieren und in eine adäquate Lernumgebung umsetzen. Es gelingt ihnen, die Balance zwischen Anleitung und Offenheit zu finden, sodass die Lernenden sowohl über den nötigen Freiraum wie über ausreichend Orientierung verfügen, um aktiv und effektiv flexibel nutzbares (Fach-)Wissen zu erwerben.
Inhalt	Das Aufbaupraktikum richtet sich an Studierende, die bereits das Didaktik-Zertifikat in ihrem Fach erworben haben und nun eine Aufbauausbildung zum Lehrdiplom für Maturitätsschulen absolvieren. In diesem zusätzlichen Praktikum sollen die Studierenden vertiefte unterrichtliche Erfahrungen machen. Auf der Grundlage der zusätzlich erworbenen Kenntnisse und mit Hilfe der ihnen jetzt zu Verfügung stehenden Instrumente analysieren sie verschiedene Aspekte des hospitierten Unterrichts. In dem von ihnen selbst gestalteten Unterricht nutzen sie beim Entwurf, bei der Durchführung und der Beurteilung ihrer Arbeit insbesondere die zusätzlich gewonnen Erkenntnisse aus der allgemeinen und fachdidaktischen Lehr- und Lernforschung.
272-0205-01L	Prüfungslektion untere Stufe Informatik Muss zusammen mit "Prüfungslektion obere Stufe Informatik" (272-0205-02L) belegt werden.	O	1 KP	2P	J. Hromkovic, G. Serafini
Kurzbeschreibung	Im Rahmen einer an einem Gymnasium durchgeführten und benoteten Prüfungslektion stellt der Kandidat/ die Kandidatin seine/ihre in der Ausbildung erworbene fachliche und didaktische Kompetenz unter Beweis.
Lernziel	Die Kandidatin/der Kandidat zeigt anhand eines vorgegebenen Themas, dass sie/er in der Lage ist, - lernwirksamen Unterricht auf der Gymnasialstufe zu entwickeln, fachlich und didaktisch zu begründen und durchzuführen - den erteilten Unterricht auf Stärken und Schwächen hin zu analysieren und Verbesserungen zu skizzieren.
Inhalt	Die Studierenden erfahren das Lektionsthema in der Regel eine Woche vor dem Prüfungstermin. Von der zuständigen Lehrperson erhalten sie Informationen über den Wissensstand der zu unterrichtenden Klasse und können sie vor dem Prüfungstermin besuchen. Sie erstellen eine Vorbereitung gemäss Anleitung und reichen sie bis am Vortag um 12 Uhr den beiden Prüfungsexperten ein. Die gehaltene Lektion wird kriteriumsbasiert beurteilt. Die Beurteilung umfasst auch die schriftliche Vorbereitung und eine mündliche Reflexion des Kandidaten/ der Kandidatin über die gehaltene Lektion im Rahmen eines kurzen Kolloquiums.
Skript	Dokument: Schriftliche Vorbereitung für Prüfungslektionen.
Voraussetzungen / Besonderes	Nach Abschluss der übrigen Ausbildung.
272-0205-02L	Prüfungslektion obere Stufe Informatik Muss zusammen mit "Prüfungslektion untere Stufe Informatik" (272-0205-01L) belegt werden.	O	1 KP	2P	J. Hromkovic, G. Serafini
Kurzbeschreibung	Im Rahmen einer an einem Gymnasium durchgeführten und benoteten Prüfungslektion stellt der Kandidat/ die Kandidatin seine/ihre in der Ausbildung erworbene fachliche und didaktische Kompetenz unter Beweis.
Lernziel	Die Kandidatin/der Kandidat zeigt anhand eines vorgegebenen Themas, dass sie/er in der Lage ist, - lernwirksamen Unterricht auf der Gymnasialstufe zu entwickeln, fachlich und didaktisch zu begründen und durchzuführen - den erteilten Unterricht auf Stärken und Schwächen hin zu analysieren und Verbesserungen zu skizzieren.
Inhalt	Die Studierenden erfahren das Lektionsthema in der Regel eine Woche vor dem Prüfungstermin. Von der zuständigen Lehrperson erhalten sie Informationen über den Wissensstand der zu unterrichtenden Klasse und können sie vor dem Prüfungstermin besuchen. Sie erstellen eine Vorbereitung gemäss Anleitung und reichen sie bis am Vortag um 12 Uhr den beiden Prüfungsexperten ein. Die gehaltene Lektion wird kriteriumsbasiert beurteilt. Die Beurteilung umfasst auch die schriftliche Vorbereitung und eine mündliche Reflexion des Kandidaten/ der Kandidatin über die gehaltene Lektion im Rahmen eines kurzen Kolloquiums.
Skript	Dokument: Schriftliche Vorbereitung für Prüfungslektionen.
Voraussetzungen / Besonderes	Nach Abschluss der übrigen Ausbildung.

Fachwiss. Vertiefung mit pädagogischem Fokus und weitere Fachdidaktik
Nummer	Titel	Typ	ECTS	Umfang	Dozierende
272-0400-00L	Mentorierte Arbeit Fachwissenschaftliche Vertiefung mit pädagogischem Fokus Informatik A	O	2 KP	4A	J. Hromkovic, G. Serafini
Kurzbeschreibung	In der mentorierten Arbeit in FV verknüpfen die Studierenden gymnasiale und universitäre Aspekte des Fachs mit dem Ziel, ihre Lehrkompetenz im Hinblick auf curriculare Entscheidungen und auf die zukünftige Entwicklung des Unterrichts zu stärken. Angeleitet erstellen sie Texte, welche die anvisierte Leserschaft, in der Regel gymnasiale Fachlehrpersonen, unmittelbar verstehen.
Lernziel	Das Ziel ist, dass die Studierenden - sich in ein neues Thema einarbeiten, indem sie Materialien beschaffen und die Quellen studieren und so ihre Fachkompetenz gezielt erweitern können. - selbständig einen Text über den Gegenstandentwickeln und dabei einen speziellen Fokus auf die mathematische Verständlichkeit in Bezug auf den Kenntnisstand der anvisierten Leser/Leserinnen legen können. - Möglichkeiten berufsbezogener fachlicher Weiterbildung ausprobieren.
Inhalt	Thematische Schwerpunkte: Die mentorierte Arbeit in FV besteht in der Regel in einer Literaturarbeit über ein Thema, das einen Bezug zum gymnasialem Unterricht oder seiner Weiterentwicklung hat. Die Studierenden setzen darin Erkenntnisse aus den Vorlesungen in FV praktisch um. 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.
Literatur	Die Literatur ist themenspezifisch. Sie muss je nach Situation selber beschafft werden oder wird zur Verfügung gestellt.
Voraussetzungen / Besonderes	Die Arbeit sollte vor Beginn des Praktikums abgeschlossen werden.
272-0401-00L	Mentorierte Arbeit Fachwissenschaftliche Vertiefung mit pädagogischem Fokus Informatik B	O	2 KP	4A	J. Hromkovic, G. Serafini
Kurzbeschreibung	In der mentorierten Arbeit in FV verknüpfen die Studierenden gymnasiale und universitäre Aspekte des Fachs mit dem Ziel, ihre Lehrkompetenz im Hinblick auf curriculare Entscheidungen und auf die zukünftige Entwicklung des Unterrichts zu stärken. Angeleitet erstellen sie Texte, welche die anvisierte Leserschaft, in der Regel gymnasiale Fachlehrpersonen, unmittelbar verstehen.
Lernziel	Das Ziel ist, dass die Studierenden - sich in ein neues Thema einarbeiten, indem sie Materialien beschaffen und die Quellen studieren und so ihre Fachkompetenz gezielt erweitern können. - selbständig einen Text über den Gegenstandentwickeln und dabei einen speziellen Fokus auf die mathematische Verständlichkeit in Bezug auf den Kenntnisstand der anvisierten Leser/Leserinnen legen können. - Möglichkeiten berufsbezogener fachlicher Weiterbildung ausprobieren.
Inhalt	Thematische Schwerpunkte: Die mentorierte Arbeit in FV besteht in der Regel in einer Literaturarbeit über ein Thema, das einen Bezug zum gymnasialem Unterricht oder seiner Weiterentwicklung hat. Die Studierenden setzen darin Erkenntnisse aus den Vorlesungen in FV praktisch um. 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.
Literatur	Die Literatur ist themenspezifisch. Sie muss je nach Situation selber beschafft werden oder wird zur Verfügung gestellt.
Voraussetzungen / Besonderes	Die Arbeit sollte vor Beginn des Praktikums abgeschlossen werden.
252-0237-00L	Concepts of Object-Oriented Programming	W	8 KP	3V + 2U + 2A	P. Müller
Kurzbeschreibung	Course that focuses on an in-depth understanding of object-oriented programming and compares designs of object-oriented programming languages. Topics include different flavors of type systems, inheritance models, encapsulation in the presence of aliasing, object and class initialization, program correctness, reflection
Lernziel	After this course, students will: Have a deep understanding of advanced concepts of object-oriented programming and their support through various language features. Be able to understand language concepts on a semantic level and be able to compare and evaluate language designs. Be able to learn new languages more rapidly. Be aware of many subtle problems of object-oriented programming and know how to avoid them.
Inhalt	The main goal of this course is to convey a deep understanding of the key concepts of sequential object-oriented programming and their support in different programming languages. This is achieved by studying how important challenges are addressed through language features and programming idioms. In particular, the course discusses alternative language designs by contrasting solutions in languages such as C++, C#, Eiffel, Java, Python, and Scala. The course also introduces novel ideas from research languages that may influence the design of future mainstream languages. The topics discussed in the course include among others: The pros and cons of different flavors of type systems (for instance, static vs. dynamic typing, nominal vs. structural, syntactic vs. behavioral typing) The key problems of single and multiple inheritance and how different languages address them Generic type systems, in particular, Java generics, C# generics, and C++ templates The situations in which object-oriented programming does not provide encapsulation, and how to avoid them The pitfalls of object initialization, exemplified by a research type system that prevents null pointer dereferencing How to maintain the consistency of data structures
Literatur	Will be announced in the lecture.
Voraussetzungen / Besonderes	Prerequisites: Mastering at least one object-oriented programming language (this course will NOT provide an introduction to object-oriented programming); programming experience
252-0417-00L	Randomized Algorithms and Probabilistic Methods	W	8 KP	3V + 2U + 2A	A. Steger
Kurzbeschreibung	Las 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
Lernziel	After 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.
Inhalt	Randomized 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.
Skript	Yes.
Literatur	- Randomized Algorithms, Rajeev Motwani and Prabhakar Raghavan, Cambridge University Press (1995) - Probability and Computing, Michael Mitzenmacher and Eli Upfal, Cambridge University Press (2005)
252-0535-00L	Advanced Machine Learning	W	8 KP	3V + 2U + 2A	J. M. Buhmann
Kurzbeschreibung	Machine 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.
Lernziel	Students will be familiarized with advanced 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. Machine learning projects will provide an opportunity to test the machine learning algorithms on real world data.
Inhalt	The 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: Fundamentals: What is data? Bayesian Learning Computational learning theory Supervised learning: Ensembles: Bagging and Boosting Max Margin methods Neural networks Unsupservised learning: Dimensionality reduction techniques Clustering Mixture Models Non-parametric density estimation Learning Dynamical Systems
Skript	No lecture notes, but slides will be made available on the course webpage.
Literatur	C. 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 / Besonderes	The course requires solid basic knowledge in analysis, statistics and numerical methods for CSE as well as practical programming experience for solving assignments. Students should have followed at least "Introduction to Machine Learning" or an equivalent course offered by another institution. PhD students are required to obtain a passing grade in the course (4.0 or higher based on project and exam) to gain credit points.
252-0341-01L	Information Retrieval	W	4 KP	2V + 1U	G. Fourny
Kurzbeschreibung	This course gives an introduction to information retrieval with a focus on text documents and unstructured data. Main topics comprise document modelling, various retrieval techniques, indexing techniques, query frameworks, optimization, evaluation and feedback.
Lernziel	We keep accumulating data at an unprecedented pace, much faster than we can process it. While Big Data techniques contribute solutions accounting for structured or semi-structured shapes such as tables, trees, graphs and cubes, the study of unstructured data is a field of its own: Information Retrieval. After this course, you will have in-depth understanding of broadly established techniques in order to model, index and query unstructured data (aka, text), including the vector space model, boolean queries, terms, posting lists, dealing with errors and imprecision. You will know how to make queries faster and how to make queries work on very large datasets. You will be capable of evaluating the quality of an information retrieval engine. Finally, you will also have knowledge about alternate models (structured data, probabilistic retrieval, language models) as well as basic search algorithms on the web such as Google's PageRank.
Inhalt	1. Introduction 2. Boolean retrieval: the basics of how to index and query unstructured data. 3. Term vocabulary: pre-processing the data prior to indexing: building the term vocabulary, posting lists. 4. Tolerant retrieval: dealing with spelling errors: tolerant retrieval. 5. Index construction: scaling up to large datasets. 6. Index compression: how to improve performance by compressing the index in various ways. 7. Ranked retrieval: how to ranking results with scores and the vector space model 8. Scoring in a bigger picture: taking ranked retrieval to the next level with various improvements, including inexact retrieval 9. Probabilistic information retrieval: how to leverage Bayesian techniques to build an alternate, probabilistic model for information retrieval 10. Language models: another alternate model based on languages, automata and document generation 11. Evaluation: precision, recall and various other measurements of quality 12. Web search: PageRank 13. Wrap-up. The lecture structure will follow the pedagogical approach of the book (see material). The field of information retrieval also encompasses machine learning aspects. However, we will make a conscious effort to limit overlaps, and be complementary with, the Introduction to Machine Learning lecture.
Literatur	C. D. Manning, P. Raghavan, H. Schütze, Introduction to Information Retrieval, Cambridge University Press.
Voraussetzungen / Besonderes	Prior knowledge in elementary set theory, logics, linear algebra, data structures, abstract data types, algorithms, and probability theory (at the Bachelor's level) is required, as well as programming skills (we will use Python).
252-1407-00L	Algorithmic Game Theory	W	7 KP	3V + 2U + 1A	P. Penna
Kurzbeschreibung	Game 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.
Lernziel	Learning 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.
Inhalt	The 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.
Skript	Lecture notes will be usually posted on the website shortly after each lecture.
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 / Besonderes	Audience: 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.
263-2800-00L	Design of Parallel and High-Performance Computing	W	8 KP	3V + 2U + 2A	M. Püschel, T. Ben Nun
Kurzbeschreibung	Advanced topics in parallel / concurrent programming.
Lernziel	Understand 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.

Wahlpflicht Weitere Lehrangebote aus dem Bereich Erziehungswissenschaften sind unter "Studiengang: Ausbildung in Erziehungswissenschaften für Lehrdiplom und DZ" aufgeführt.
Nummer	Titel	Typ	ECTS	Umfang	Dozierende
» siehe Wahlpflicht Lehrdiplom für Maturitätsschulen
851-0238-01L	Unterstützung und Diagnose von Wissenserwerbsprozessen (EW3) Belegung für Studierende des Lehrdiploms (ausgenommen für Lehrdiplom-Studierende des Fachs Sport, welche die sportspezifische Lerneinheit EW3 absolvieren) sowie für Studierende, welche vorhaben, sich in den Studiengang "Lehrdiplom für Maturitätsschulen" einzuschreiben. Voraussetzung für die Belegung ist der erfolgreiche Abschluss der Vorlesung 851-0240-00L "Menschliches Lernen (EW1)".	W	3 KP	3S	P. Edelsbrunner, C. M. Thurn
Kurzbeschreibung	Dieses Seminar vermittelt vertiefte lernpsychologische Kenntnisse zu den Möglichkeiten der Unterstützung sowie der Diagnose von Wissenserwerbsprozessen im Unterricht.
Lernziel	Die Hauptziele der Veranstaltung sind: (1) Sie haben ein vertieftes Verständnis über die kognitiven Mechanismen des Wissenserwerbs. (2) Sie verfügen über ein Grundverständnis psychologischer Testtheorie und sind in der Lage, Tests angemessen einzusetzen. (3) Sie kennen verschiedene Techniken des Formative Assessments und können diese inhalts- und situationsadäquat zur Aufdeckung von Misskonzepten anwenden.
Voraussetzungen / Besonderes	Für eine reibungslose Semesterplanung wird um persönliches Erscheinen zum ersten Lehrveranstaltungstermin ersucht.

Auflagenfächer (für Studierende mit ETH-Master in Phys/MATH/RW)
Teil 1
Nummer	Titel	Typ	ECTS	Umfang	Dozierende
252-0057-00L	Theoretische Informatik	O	7 KP	4V + 2U	J. Hromkovic, H.‑J. Böckenhauer
Kurzbeschreibung	Konzepte zur Beantwortung grundlegender Fragen wie: a) Was ist völlig automatisiert machbar (algorithmisch lösbar) b) Wie kann man die Schwierigkeit von Aufgaben (Problemen) messen? c) Was ist Zufall und wie kann er nützlich sein? d) Was ist Nichtdeterminisus und welche Rolle spielt er in der Informatik? e) Wie kann man unendliche Objekte durch Automaten und Grammatiken endlich darstellen?
Lernziel	Vermittlung der grundlegenden Konzepte der Informatik in ihrer geschichtlichen Entwicklung
Inhalt	Die Veranstaltung ist eine Einführung in die Theoretische Informatik, die die grundlegenden Konzepte und Methoden der Informatik in ihrem geschichtlichen Zusammenhang vorstellt. Wir präsentieren Informatik als eine interdisziplinäre Wissenschaft, die auf einer Seite die Grenzen zwischen Möglichem und Unmöglichem und die quantitativen Gesetze der Informationsverarbeitung erforscht und auf der anderen Seite Systeme entwirft, analysiert, verifiziert und implementiert. Die Hauptthemen der Vorlesung sind: - Alphabete, Wörter, Sprachen, Messung der Informationsgehalte von Wörtern, Darstellung von algorithmischen Aufgaben - endliche Automaten, reguläre und kontextfreie Grammatiken - Turingmaschinen und Berechenbarkeit - Komplexitätstheorie und NP-Vollständigkeit - Algorithmenentwurf für schwere Probleme
Skript	Die Vorlesung ist detailliert durch das Lehrbuch "Theoretische Informatik" bedeckt.
Literatur	Basisliteratur: 1. J. Hromkovic: Theoretische Informatik. 5. Auflage, Springer Vieweg 2014. 2. J. Hromkovic: Theoretical Computer Science. Springer 2004. Weiterführende Literatur: 3. M. Sipser: Introduction to the Theory of Computation, PWS Publ. Comp.1997 4. J.E. Hopcroft, R. Motwani, J.D. Ullman: Einführung in die Automatentheorie, Formale Sprachen und Komplexitätstheorie. Pearson 2002. 5. I. Wegener: Theoretische Informatik. Teubner Weitere Übungen und Beispiele: 6. A. Asteroth, Ch. Baier: Theoretische Informatik
Voraussetzungen / Besonderes	Während des Semesters werden zwei freiwillige Probeklausuren gestellt.
252-0061-00L	Systems Programming and Computer Architecture	O	7 KP	4V + 2U	T. Roscoe
Kurzbeschreibung	Introduction to systems programming. C and assembly language, floating point arithmetic, basic translation of C into assembler, compiler optimizations, manual optimizations. How hardware features like superscalar architecture, exceptions and interrupts, caches, virtual memory, multicore processors, devices, and memory systems function and affect correctness, performance, and optimization.
Lernziel	The course objectives are for students to: 1. Develop a deep understanding of, and intuition about, the execution of all the layers (compiler, runtime, OS, etc.) between programs in high-level languages and the underlying hardware: the impact of compiler decisions, the role of the operating system, the effects of hardware on code performance and scalability, etc. 2. Be able to write correct, efficient programs on modern hardware, not only in C but high-level languages as well. 3. Understand Systems Programming as a complement to other disciplines within Computer Science and other forms of software development. This course does not cover how to design or build a processor or computer.
Inhalt	This course provides an overview of "computers" as a platform for the execution of (compiled) computer programs. This course provides a programmer's view of how computer systems execute programs, store information, and communicate. The course introduces the major computer architecture structures that have direct influence on the execution of programs (processors with registers, caches, other levels of the memory hierarchy, supervisor/kernel mode, and I/O structures) and covers implementation and representation issues only to the extend that they are necessary to understand the structure and operation of a computer system. The course attempts to expose students to the practical issues that affect performance, portability, security, robustness, and extensibility. This course provides a foundation for subsequent courses on operating systems, networks, compilers and many other courses that require an understanding of the system-level issues. Topics covered include: machine-level code and its generation by optimizing compilers, address translation, input and output, trap/event handlers, performance evaluation and optimization (with a focus on the practical aspects of data collection and analysis).
Skript	- C programmnig - Integers - Pointers and dynamic memory allocation - Basic computer architecture - Compiling C control flow and data structures - Code vulnerabilities - Implementing memory allocation - Linking - Floating point - Optimizing compilers - Architecture and optimization - Caches - Exceptions - Virtual memory - Multicore - Devices
Literatur	The course is based in part on "Computer Systems: A Programmer's Perspective" (3rd Edition) by R. Bryant and D. O'Hallaron, with additional material.
Voraussetzungen / Besonderes	252-0029-00L Parallel Programming 252-0028-00L Design of Digital Circuits
252-0026-00L	Algorithmen und Datenstrukturen	O	7 KP	3V + 2U + 1A	M. Püschel, D. Steurer
Kurzbeschreibung	Es werden grundlegende Entwurfsmuster für Algorithmen sowie klassische algorithmische Probleme und Datenstrukturen behandelt. Das Zusammenspiel von Algorithmen und Datenstrukturen wird anhand von Geometrie- und Graphenproblemen illustriert. In die Graphentheorie wird kurz eingeführt.
Lernziel	Verständnis des Entwurfs und der Analyse grundlegender Algorithmen und Datenstrukturen.
Inhalt	Es werden grundlegende Algorithmen und Datenstrukturen vorgestellt und analysiert. Dazu gehören auf der einen Seite Entwurfsmuster für Algorithmen, wie Induktion, divide-and-conquer, backtracking und dynamische Optimierung, ebenso wie klassische algorithmische Probleme, wie Suchen und Sortieren. Auf der anderen Seite werden Datenstrukturen für verschiedene Zwecke behandelt, darunter verkettete Listen, Hashtabellen, balancierte Suchbäume, verschiedene heaps und union-find-Strukturen. Weiterhin wird Adaptivität bei Datenstrukturen (wie etwa Splay-Bäume) und bei Algorithmen (wie etwa online-Algorithmen) beleuchtet. Das Zusammenspiel von Algorithmen und Datenstrukturen wird anhand von Geometrie- und Graphenproblemen illustriert. Hierfür werden grundlegende Konzepte der Graphentheorie eingeführt.
Literatur	Th. Ottmann, P. Widmayer: Algorithmen und Datenstrukturen, Spektrum-Verlag, 5. Auflage, Heidelberg, Berlin, Oxford, 2011

Teil 2
Nummer	Titel	Typ	ECTS	Umfang	Dozierende
252-0209-00L	Algorithms, Probability, and Computing	W	8 KP	4V + 2U + 1A	A. Steger, B. Gärtner, M. Ghaffari, D. Steurer
Kurzbeschreibung	Advanced design and analysis methods for algorithms and data structures: Random(ized) Search Trees, Point Location, Minimum Cut, Linear Programming, Randomized Algebraic Algorithms (matchings), Probabilistically Checkable Proofs (introduction).
Lernziel	Studying and understanding of fundamental advanced concepts in algorithms, data structures and complexity theory.
Skript	Will be handed out.
Literatur	Introduction to Algorithms by T. H. Cormen, C. E. Leiserson, R. L. Rivest; Randomized Algorithms by R. Motwani und P. Raghavan; Computational Geometry - Algorithms and Applications by M. de Berg, M. van Kreveld, M. Overmars, O. Schwarzkopf.

Blättern