Python ist eine der vielseitigsten und am weitesten verbreiteten Skriptsprachen. Seine klare und übersichtliche Syntax sowie sein geradliniges Design tragen wesentlich zu diesem Erfolg bei und machen ihn zu einer idealen Sprache für die Programmierausbildung. Die Anwendungsgebiete reichen von der Webentwicklung bis hin zum wissenschaftlichen Rechnen. Insbesondere in den Bereichen Datenwissenschaft und künstliche Intelligenz ist sie die gebräuchlichste Programmiersprache, die von allen wichtigen Datenverarbeitungs- und Analyseframeworks unterstützt wird. Dieser Kurs bietet eine gründliche Einführung in die Sprache und ihre Hauptfunktionen sowie Einblicke in die Begründung und Anwendung wichtiger angrenzender Konzepte wie Umgebungen, Tests und Versionskontrolle.

1. Einführung in Python
   1. Datenstrukturen
   2. Konditionaler Code
   3. Funktionen
   4. Schleifen
   5. Eingabe/Ausgabe
   6. Programme protokollieren
   7. Module und Pakete
2. Klassen und Vererbung
   1. Namespaces und Scopes
   2. Klassen und Vererbung
   3. Iteratoren und Generatoren
3. Fehler und Ausnahmen
   1. Syntaxfehler
   2. Behandlung und Auslösung von Ausnahmen
   3. Benutzerdefinierte Ausnahmen
4. Wichtige Pythin-Bibliotheken
   1. Standard-Python-Bibliothek
   2. Wissenschaftliche Berechnungen
   3. Beschleunigung von Python
   4. Visualisierung
   5. Zugriff auf Datenbanken
5. Arbeiten mit Python
   1. Virtuelle Umgebungen
   2. Verwaltung von Paketen
   3. Unit- und Integrationstests
   4. Dokumentation des Codes
6. Versionskontrolle
   1. Einführung in die Versionskontrolle
   2. Versionskontrolle mit GIT

Software-Prozesse und Lebenszyklusmodelle ermöglichen eine strukturierte Vorgehensweise für verschiedene Software-Engineering-Aufgaben. Ziel dieses Moduls ist es, ein Verständnis für diese Struktur zu vermitteln und zu zeigen, wie sie über den gesamten Plan-Build-Run-Lebenszyklus angewendet werden kann. Eine wichtige Grundlage für die Arbeit mit Software-Prozessen ist die Modellierung mit einer geeigneten Notation. Es werden verschiedene Arten von Lebenszyklen besprochen, darunter der plangetriebene und der agile Ansatz sowie Mischformen (Hybridmodelle). Ein besonderes Augenmerk wird auf die unterschiedlichen Umgebungen gelegt, für die sich diese Ansätze am besten eignen.

1. Grundlagen der Softwareprozesse
   1. Die Bedeutung von Softwareprozessen und Lebenszyklusmodellen
   2. Historischer Überblick
2. Softwareprozess: Definition und Modellierung
   1. Modellierungsnotationen und Metamodelle
   2. Notationen zur Modellierung der Wechselwirkung zwischen Prozessen
   3. Notationen der Detailebene
3. Grundlegende Lebenszyklusmodelle
   1. Wasserfall-Modelle
   2. Das V-Modell
   3. Komponentenbasierte Modelle
   4. Iterative, inkrementelle und evolutionäre Modelle
4. Agile und schlanke Entwicklungsprozesse
   1. Das Agile Manifest
   2. Scrum
   3. Allgemeine agile Praktiken
   4. Lean Development und Kanban
   5. Skalierung in der agilen Entwicklung
   6. Hybride Prozesse
5. Der Lebenszyklus von Softwareprodukten
   1. Prozessmodelle auf Detailebene
   2. IT-Service-Management und Betrieb
   3. DevOps
   4. Informationssicherheit und Datenschutz
6. Governance und Management von Softwareprozessen
   1. Prozesssteuerung
   2. Prozessdesign und -einführung
   3. Prozessanpassung
   4. Prozessbeurteilung, -verbesserung und -bewertung
   5. Werkzeugunterstützung

Eine Kernaktivität der Informatik und ähnlicher Bereiche, ist der Entwurf, die Verwendung und die Anwendung von Algorithmen zur Lösung von Problemen. Dieser Kurs führt in gängige Ansätze zum Entwurf von Algorithmen sowie in wichtige Klassen von Algorithmen ein, die zur Lösung häufiger Probleme verwendet werden können. Die erfolgreiche Durchführung dieser Aufgaben erfordert ein gründliches Verständnis der Qualitätsmerkmale von Algorithmen: (partielle und totale) Korrektheit, Genauigkeit, Vollständigkeit und Effizienz. Gleichzeitig gibt es Grenzen für das, was ein Algorithmus theoretisch und praktisch erreichen kann und sollte, und es ist wichtig, diese Grenzen zu erkennen und zu berücksichtigen. Neben Algorithmen, die auf Standardprogrammierparadigmen basieren, gibt es auch verschiedene andere Programmierparadigmen, die zu anderen Arten von Algorithmen führen; daher bietet dieser Kurs auch eine kurze Einführung in Algorithmen für paralleles Rechnen, probabilistische Algorithmen und Quantenalgorithmen.

1. Einführung in die Algorithmik
   1. Grundlegende Konzepte und historischer Überblick
   2. Algorithmen, Programmiersprachen und Datenstrukturen
   3. Qualität von Algorithmen: Korrektheit, Genauigkeit, Vollständigkeit, Effizienz
   4. Die Rolle von Algorithmen in der Gesellschaft
2. Algorithmenentwurf
   1. Datenstrukturen
   2. Rekursion und Iteration
   3. Divide-and-Conquer
   4. Algorithmenstrategien: Ausgleichendes, gieriges und dynamisches Programmieren
3. Wichtige Algorithmen
   1. Sortieren und Suchen
   2. Mustererkennung
   3. Der RSA-Algorithmus
   4. Der k-Means-Algorithmus für Daten-Clustering
4. Korrektheit, Genauigkeit und Vollständigkeit von Algorithmen
   1. Partielle Korrektheit
   2. Totale Korrektheit
   3. Sicherstellung der Korrektheit im Programmieralltag
   4. Genauigkeit, Approximation und Fehleranalyse
5. Berechenbarkeit
   1. Modelle der Datenverarbeitung
   2. Das Halteproblem
   3. Unentscheidbare Probleme
6. Effizienz von Algorithmen: Komplexitätstheorie
   1. Modelle der Komplexität
   2. NP-Vollständigkeit
   3. P=NP?
7. Erweiterte Algorithmik
   1. Parallele Rechnern
   2. Probabilistische Algorithmen

In dieser Lehrveranstaltung wird das in den vorangegangenen Modulen erworbene Wissen auf kleine bis mittelgroße Projekte angewendet. Die Projektteams durchlaufen wichtige Phasen der Software-Entwicklung und erstellen die entsprechenden Artefakte (z.B. Anforderungsspezifikation, Design, Implementierung, Tests, Dokumentation). Die Qualitätssicherung dieser Artefakte wird durch den Tutor und Studierende durchgeführt. Auf diese Weise lernen die Studierenden sowohl die Erstellung als auch die Qualitätssicherung von Artefakten in einem Softwareentwicklungsprozess.

• Im Software-Engineering werden Projekte in Bezug auf die Rollen der Teammitglieder (z. B. Projektmanager, Qualitätssicherung) und die einzelnen Aktivitäten (z. B. Planung, Analyse, Implementierung) organisiert, um Softwaren zu erstellen, die den Kundenbedürfnissen entsprichen. In Bezug auf die gewählte Vorgehensweise (agil oder plangetrieben) durchlaufen die Studierenden alle typischen Phasen, die für große Projekte relevant sind. Sie sammeln Erfahrungen hinsichtlich organisatorischer Aspekte, wie gängigen Rollen und Aktivitäten, sowie bezüglich praktischer Aufgaben wie die Erstellung der Anforderungsspezifikation, Design, Implementierung, Tests und Dokumentation.

Der Schwerpunkt dieses ersten Kurses im Wahlmodul Datentechnik liegt darin, den Studierenden wichtige Prinzipien, Konzepte, Methoden und Ansätze in diesem Fachgebiet näher zu bringen.

Um dieses Ziel zu erreichen, geht der Kurs von einer Darstellung der grundlegenden Prinzipien des Daten-Engineerings zu einer gründlichen Behandlung der Kernklassen der Datenverarbeitung über. Moderne Architekturparadigmen wie Microservices werden erläutert und wichtige Faktoren der Datenverwaltung und des Datenschutzes angesprochen. Aspekte des Cloud Computing werden durch einen Überblick über die gängigsten Angebote auf dem Markt vorgestellt. Schließlich wird eine hochmoderne agile Perspektive auf den Betrieb von Datenpipelines durch eine Darstellung des aufkommenden Begriffs DataOps gegeben.

1. Grundlagen der Datensysteme
   1. Reliability (Systemzuverlässigkeit)
   2. Scalability (Skalierbarkeit)
   3. Maintainability (Instandhaltbarkeit)
2. Skalierbare Datenverarbeitung
   1. Batch-Prozessierung
   2. Stream-Prozessierungssysteme
3. Microservices
   1. Einführung in Monolithische Architekturen
   2. Einführung in Microservices
   3. Implementierung von Microservices
4. Governance und Sicherheit
   1. Datenschutz
   2. Systemsicherheit
   3. Data Governance
5. Verbreitete Cloud-Plattformen und -Dienste
   1. Amazon Web Services (AWS)
   2. Google-Cloud-Plattform (GCP)
   3. Microsoft Azure
6. DataOps
   1. Grundlegende Prinzipien
   2. Containerisierung
   3. Aufbau von Daten- und ML-Pipelines

Dieser Kurs baut auf theoretischen und methodischen Erkenntnissen aus dem Bereich Data Engineering auf. Er bietet den Studierenden die Möglichkeit, ihr erworbenes Wissen im Rahmen eines Data Engineering Projekts in die Praxis umzusetzen. Um einen geeigneten und praktikablen Ansatz zu finden, müssen die Studenten die Vor- und Nachteile möglicher architektonischer Entscheidungen diskutieren und bewerten. Sobald eine fundierte Entscheidung getroffen wurde, wird der gewählte Ansatz als laufender Teil der Dateninfrastruktur umgesetzt.

• Der Kurs befasst sich mit der Durchführung eines Datentechnikprojekts, das aus einer Reihe von Projektvorschlägen ausgewählt wurde. Die Studierenden können auch ihre eigenen Projektideen einbringen.