Embed Size (px)
Citation preview
Wissenschaftliches Arbeiten in der Informatik 1
Kapitel 1.1
EinführungDr. Anika Pflug
Sommersemester 2017
Einfühung
223.03.2017
• TUD bis 2006, dann Wechsel zur HDA
• BSc und MSc in 2009 und 2011
• 2011 – 2015 Doktorandin bei CASED
• Seit 2015 WiMine bei Fraunhofer SIT
Wer ich bin…
Wissenschaftliches Arbeiten in der Informatik 1
Einfühung
323.03.2017
Was ich mache…
Wissenschaftliches Arbeiten in der Informatik 1
Forensic identification in crime scenes
(mainly from CCTV footage)
Source: BKA
Einfühung
423.03.2017
Was ich mache…
Wissenschaftliches Arbeiten in der Informatik 1
Media and IT Forensics
Anonymisierung (K-anonymity, differential privacy)
Seminare und Lehre (kommerziell und an der Hochschule)
Autorschaftserkennung in Texten
Semantische Textanalyse (z.B. zur Erkennung von Radikalisierung)
Formalitäten
523.03.2017
Ihre Aufgabe:
Schreiben Sie einen Text über ein Thema aus dem ersten oder zweiten Semester (70%)
Halten Sie einen Vortrag über ihre Ausarbeitung (30%)
Ihre Aufgabe und Lernziele
Wissenschaftliches Arbeiten in der Informatik 1
Termine werden online vergebenKeine Ausnahmen, keine Verlängerung!
Formalitäten
623.03.2017
Schriftliche Ausarbeitung
Mind. 8 Seiten netto + Literatur
2er Teams
LNCS oder Article Style (LaTeX und BibTex)
Anforderungen
Wissenschaftliches Arbeiten in der Informatik 1
Nutzung von LaTex ist Pflicht
Vortrag
2er Teams
25 Minuten + 5 Minuten Fragen
Freie Programmwahl
Formalitäten
723.03.2017
Zeitplan
Wissenschaftliches Arbeiten in der Informatik 1
Präsenzveranstaltung
Termin 1 (heute): Allgemeines, Recherche
Termin 2: Einführung in LaTex, Gliederung
Termin 3: Zitieren, Gliederung
Termin 4: Anfertigung der Ausarbeitung
Termin 5: Abschlusskolloquium (1)
Termin 6: Abschlusskolloquium (2)
Hausaufgabe
Thema wählen, Abstract schreiben
Gliederung ihrer Arbeit
Erste Textentwürfe
Abgabe ihrer Arbeit, inkl. Folien
Formalitäten
823.03.2017
Mein Angebot
Tipps zur allgemeinen Vorgehensweise, Gliederung und Aufbau der Arbeit
Anleitung für korrektes Zitieren mit Beispielen
Einführung in die Arbeit mit LaTex
Strukturiertes Zwischenfeedback zur Ausarbeitung
Simulierte Prüfungssituation inkl. Gutachten
Was Sie davon haben
Wissenschaftliches Arbeiten in der Informatik 1
Formalitäten
923.03.2017
Programmieren / Algorithmen und Datenstrukturen 1
IT-Sicherheit
Wirtschaftsinformatik
Grundlagen der diskreten Mathematik
Technische Grundlagen der Informatik
Programmieren / Algorithmen und Datenstrukturen 2
Objektorientierte Analyse und Design
Rechnerarchitektur
Lineare Algebra und Wahrscheinlichkeitsrechnung
Netzwerke
IT-Recht und Datenschutz
Themenfindung
Wissenschaftliches Arbeiten in der Informatik 1
1. Semester
2. Semester
Formalitäten
1023.03.2017
Datenschutz und Privacy nach neuer EU-Resolution 2016
Symmetrische und asymmetrische Kryptographie
Authentifizierungsprotokolle
Fingerabdruckerkennung
Prinzipien der Objektorientierung
Graphenalgorithmen
Sortieralgorithmen
Software-Defined Networking
Agile Softwareentwicklung
Das V-Modell in der Softwareentwicklung
Themenvorschläge
Wissenschaftliches Arbeiten in der Informatik 1
Oder ein anderes Thema Ihrer Wahl
Ziele
1123.03.2017
Was Sie mitnehmen können
Wissenschaftliches Arbeiten in der Informatik 1
Wesentliche Aspekte des Themas herausarbeiten können
Eigenständige Literaturrecherche durchführen und eine quellenkritische Auswertung der Literatur vornehmen können
Die inhaltliche und formale Ausgestaltung eines wissenschaftlichen Textes(Seminararbeit) vornehmen können
In Form eines Vortrags die wesentlichen Aspekte eines Themas allgemein verständlich übermitteln können
Literatur
1223.03.2017
Eine Auswahl an empfehlenswerter Bücher
Wissenschaftliches Arbeiten in der Informatik 1
Justin Zobel, Writing for Computer Science, Springer;2e, 2004
Matthias Karmasin, Rainer Ribing, Die Gestaltungwissenschaftlicher Arbeiten: Ein Leitfaden fürSeminararbeiten, Bachelor-, Master- und Magisterarbeiten sowie Dissertationen, UTB, 2012
Helmut Balzert et al., Wissenschaftliches Arbeiten - Wissenschaft, Quellen, Artefakte, Organisation, Präsentation, W3l, 2008
Wissenschaftliches Arbeiten in der Informatik 1
Kapitel 1.2
Was ist eigentlich ein wissenschaftliches Thema?Dr. Anika Pflug
Sommersemester 2017
Definition
1423.03.2017
Was wird eigentlich in der Arbeit erwartet?
Erstellung einer Wissenschaftlichen Arbeit
Source: Special EUROBAROMETER 224 “Europeans, Science & Technology”, http://ec.europa.eu/public_opinion/archives/ebs/ebs_224_report_en.pdf (page 37)
Definition
1523.03.2017
Wissenschaft schafft Fakten?
Erstellung einer Wissenschaftlichen Arbeit
Source: Special EUROBAROMETER 224 “Europeans, Science & Technology”, http://ec.europa.eu/public_opinion/archives/ebs/ebs_224_report_en.pdf (page 40)
Makes him so sad!
Definition
1623.03.2017
Was wird eigentlich in der Arbeit erwartet?
Wissenschaftliches Arbeiten in der Informatik 1
Beobachten
Neue LösungenEntwickeln
Definition
1723.03.2017
Was wird eigentlich in der Arbeit erwartet?
Wissenschaftliches Arbeiten in der Informatik 1
Ein Experte für das Themengebiet werden
Teilprobleme identifizieren
Definition
1823.03.2017
Was wird eigentlich in der Arbeit erwartet?
Wissenschaftliches Arbeiten in der Informatik 1
Neues Wissen aus Beobachtungen ableiten und dokumentieren
Schriftliche Ausarbeitung
1923.03.2017
Wo Anfangen?
Wissenschaftliches Arbeiten in der Informatik 1
Motivation: Was ist das Problem und warum?
Was soll das Ziel der Arbeit sein?
Wie sieht das Umfeld aus? Randbedingungen? Was gibt es schon?
Wie ist die Vorgehensweise? (methodischer Ansatz)
Wie soll das Ziel erreicht werden? (u.U. eine Implementierung als Lösung für das Problem)
Wie werden die Ergebnisse der Arbeit bewertet?
Allgemeines Vorgehen
2023.03.2017
Einige Tipps zu Anfang
Wissenschaftliches Arbeiten in der Informatik 1
Bleiben Sie kritischNur weil etwas in einem Buch/Paper steht, bedeutet es nicht dass es auch stimmt
Sortieren und reflektieren Sie Ihre GedankenFühren Sie ein Laborbuch oder benutzen Sie ein anderes Tool für Notizen.
Machen Sie Pausen und belohnen Sie sichPlanen Sie bewusst Pausen ein. Überlegen Sie was ihnen gut tut und belohnen Sie sich damit (z.B. Sport, Freunde, Familie). Süßigkeiten und Alkohol sind keine guten Belohnungen
Reden Sie über Ihre IdeenSuchen Sie sich einen Sparrings-Partner mit dem Sie ihre Ideen diskutieren können.
Setzen Sie sich erreichbare ZielePlanen Sie realistisch und setzen Sie such Tages-/Wochenziele
Allgemeines Vorgehen
2123.03.2017
Einige Tipps zu Anfang
Wissenschaftliches Arbeiten in der Informatik 1
Allgemeines Vorgehen
2223.03.2017
Ein Problem passend beschreiben
Wissenschaftliches Arbeiten in der Informatik 1
Schlecht:Meine Firma benötigt ein Stück Software, um einenDatenimport aus einem Altsystem zu machen
Besser:Aufgrund der fehlenden Integration von Altsystemen in die aktuelleSystemlandschaft bestehen Medienbrüche.
Motivation
Problemstellung
Und warum?Was ist denn das Problem?
Allgemeines Vorgehen
2323.03.2017
Ein Problem passend beschreiben
Wissenschaftliches Arbeiten in der Informatik 1
Schlecht:Ich schreibe ein Programm zum Datenimport aus einem Altsystem.
Besser:Ich konzipiere und realisiere ein Programm zum Dateiimport aus einem Altsystem in die aktuelle Systemlandschaft. Dadurch werden bestehende Medienbrüche eliminiert.
Problemstellung
Motivation
Alter Wein in neuen Schläuchen… Warum braucht man das Programm?
Allgemeines Vorgehen
2423.03.2017
Ein Problem passend beschreiben
Wissenschaftliches Arbeiten in der Informatik 1
Schlecht:Mein Chef will, dass ich MS Sharepoint einsetze.
Besser:Die IT-Strategie der Firma setzt auf MS Produkte
Klare Aussage zur den Rahmenbedingungen des Projekts.
Und ich will Kaffee – das Leben ist eben kein Ponyhof.
Wie erstelle ich ein Abstract?Dr. Anika Pflug
Sommersemester 2017
Wissenschaftliches Arbeiten in der Informatik 1
Kapitel 1.3
Vorschlag einer Gliederung
2623.03.2017
So finden Sie den roten Faden
Wissenschaftliches Arbeiten in der Informatik 1
Abstract
Einleitung
Stand der Technik
Grundlagen
Ist-Analyse
Konzept
Implementierung
Evaluierung
Zusammenfassung und Ausblick
1
2
3
4
5
6
7
8
9
Die Gliederung
2723.03.2017
Wer liest was?
Wissenschaftliches Arbeiten in der Informatik 1
Details
Allgemeines
Das Abstract
2823.03.2017
Werbung für ihre Arbeit
Erstellung einer Wissenschaftlichen Arbeit
Ear classification refers to the process by which an input ear image is assigned to one ofseveral pre-defined classes based on a set of features extracted from the image. In thecontext of large-scale ear identification, where the input probe image has to becompared against a large set of gallery images in order to locate a matching identity,classification can be used to restrict the matching process to only those images in thegallery that belong to the same class as the probe. In this work, we utilize anunsupervised clustering scheme to partition ear images into multiple classes (i.e.,clusters), with each class being denoted by a prototype or a centroid. A given ear image isassigned class labels (i.e., cluster indices) that correspond to the clusters whose centroidsare closest to it. We compare the classification performance of three different texturedescriptors, viz. Histograms of Oriented Gradients, uniform Local Binary Patterns andLocal Phase Quantization. Extensive experiments using three different ear datasetssuggest that the Local Phase Quantization texture descriptor scheme along with PCA fordimensionality reduction results in a 96.89% hit rate (i.e., 3.11% pre-selection error rate)with a penetration rate of 32.08%. Further, we demonstrate that the hit rate improves to99.01% with a penetration rate of 47.10% when a multi-cluster search strategy isemployed.
Kontext
Das Abstract
2923.03.2017
Werbung für ihre Arbeit
Erstellung einer Wissenschaftlichen Arbeit
Ear classification refers to the process by which an input ear image is assigned to one ofseveral pre-defined classes based on a set of features extracted from the image. In thecontext of large-scale ear identification, where the input probe image has to becompared against a large set of gallery images in order to locate a matching identity,classification can be used to restrict the matching process to only those images in thegallery that belong to the same class as the probe. In this work, we utilize anunsupervised clustering scheme to partition ear images into multiple classes (i.e.,clusters), with each class being denoted by a prototype or a centroid. A given ear image isassigned class labels (i.e., cluster indices) that correspond to the clusters whose centroidsare closest to it. We compare the classification performance of three different texturedescriptors, viz. Histograms of Oriented Gradients, uniform Local Binary Patterns andLocal Phase Quantization. Extensive experiments using three different ear datasetssuggest that the Local Phase Quantization texture descriptor scheme along with PCA fordimensionality reduction results in a 96.89% hit rate (i.e., 3.11% pre-selection error rate)with a penetration rate of 32.08%. Further, we demonstrate that the hit rate improves to99.01% with a penetration rate of 47.10% when a multi-cluster search strategy isemployed.
Forschungsfragen und/oder Ziele
Das Abstract
3023.03.2017
Werbung für ihre Arbeit
Erstellung einer Wissenschaftlichen Arbeit
Ear classification refers to the process by which an input ear image is assigned to one ofseveral pre-defined classes based on a set of features extracted from the image. In thecontext of large-scale ear identification, where the input probe image has to becompared against a large set of gallery images in order to locate a matching identity,classification can be used to restrict the matching process to only those images in thegallery that belong to the same class as the probe. In this work, we utilize anunsupervised clustering scheme to partition ear images into multiple classes (i.e.,clusters), with each class being denoted by a prototype or a centroid. A given ear image isassigned class labels (i.e., cluster indices) that correspond to the clusters whose centroidsare closest to it. We compare the classification performance of three different texturedescriptors, viz. Histograms of Oriented Gradients, uniform Local Binary Patterns andLocal Phase Quantization. Extensive experiments using three different ear datasetssuggest that the Local Phase Quantization texture descriptor scheme along with PCA fordimensionality reduction results in a 96.89% hit rate (i.e., 3.11% pre-selection error rate)with a penetration rate of 32.08%. Further, we demonstrate that the hit rate improves to99.01% with a penetration rate of 47.10% when a multi-cluster search strategy isemployed.
Vorgehensweise
Das Abstract
3123.03.2017
Werbung für ihre Arbeit
Erstellung einer Wissenschaftlichen Arbeit
Ear classification refers to the process by which an input ear image is assigned to one ofseveral pre-defined classes based on a set of features extracted from the image. In thecontext of large-scale ear identification, where the input probe image has to becompared against a large set of gallery images in order to locate a matching identity,classification can be used to restrict the matching process to only those images in thegallery that belong to the same class as the probe. In this work, we utilize anunsupervised clustering scheme to partition ear images into multiple classes (i.e.,clusters), with each class being denoted by a prototype or a centroid. A given ear image isassigned class labels (i.e., cluster indices) that correspond to the clusters whose centroidsare closest to it. We compare the classification performance of three different texturedescriptors, viz. Histograms of Oriented Gradients, uniform Local Binary Patterns andLocal Phase Quantization. Extensive experiments using three different ear datasetssuggest that the Local Phase Quantization texture descriptor scheme along with PCA fordimensionality reduction results in a 96.89% hit rate (i.e., 3.11% pre-selection error rate)with a penetration rate of 32.08%. Further, we demonstrate that the hit rate improves to99.01% with a penetration rate of 47.10% when a multi-cluster search strategy isemployed.
Ergebnisse
RechercheDr. Anika Pflug
Wintersemester 2016/2017
Wissenschaftliches Arbeiten in der Informatik 1
Kapitel 1.3
Was ist eigentlich relevant?
3323.03.2017
Filtern
Wissenschaftliches Arbeiten in der Informatik 1
Von 1980 bis 2012 gab es allein ein den Naturwissenschaften 755 Mio zitierte Referenzen in 38 Mio Publikationen.
Das macht es für Sie immer schwieriger, sich umfassend und aktuell über ihr Thema zu informieren.
„Was gibt es alles für Informationen dazu?“„Was ist relevant?“
Qualität von Publikationen bewerten
3423.03.2017
Konferenzproceedings und Zeitschriftenartikel
Wissenschaftliches Arbeiten in der Informatik 1
• Peer Review zur Qualitätssicherung ist üblich und bei namhaften Zeitschriften oft sehr ausführlich
• Flagship-Konferenzen und Zeitschriften die es schon lange gibt garantieren meist hohen wiss. Anspruch
• Publikationsdruck treibt die Anzahl der eingereichten Papers nach oben und beeinträchtigt die Qualität der Reviews
• Verlage übertragen finanzielle Risiken und die Verantwortung für intellektuelle Integrität auf Veranstalter
• Experimente/Ergebnisse können vom Sponsor beeinflusst sein
Qualitätskriterien für Quellen
3523.03.2017
Was ist relevant und was nicht?
Wissenschaftliches Arbeiten in der Informatik 1
Die Publikation beschäftigt sich mit dem gesuchten ThemaDie Publikation ist vollständig verfügbarDie Publikation wurde in einem Review/Lektorat begutachtetDie Publikation ist in Deutsch oder Englisch
Qualitätskriterien für Quellen
3623.03.2017
Was ist relevant und was nicht?
Wissenschaftliches Arbeiten in der Informatik 1
Die Publikation bietet eine verständliche Einleitung und MotivationDas Konzept hinter der Vorgehensweise ist anhand von Referenzen und darauf aufbauenden Überlegungen fundiert und nachvollziehbar Der Aufbau der Untersuchung wird durch das Konzept motiviert und ist in der Publikation detailliert beschriebenDie Ergebnisse werden vollständig offengelegt und es ist klar ersichtlich, was die Beobachtung und was die Interpretation istDie Vorgehensweise ist im Einklang mit ethischen Grundsätzen
Qualitätskriterien für Quellen
3723.03.2017
Gibt es Warnsignale?
Wissenschaftliches Arbeiten in der Informatik 1
Gibt es in Bezug auf diesen Ansatz widersprüchliche Ergebnisse?
Schränken die Autoren die Übertragbarkeit der Ergebnisse auf die ursprüngliche Fragestellung sehr stark ein?
Fehlt eine Einordnung der Ergebnisse in die bereits existierenden Erkenntnisse?
