Masterpraktikum Bioinformatik SoSe 2026

Master Praktikum Bioinformatik: Beyond umap: Large Scale Data Analysis of Expression and Network Regulation

"Atlanten" sind derzeit in der Bioinformatik wichtige Projekte grösserer Projektkonsortien. Unter einem Atlas versteht man dabei die Zusammenstellung neuer und schon publizierter (Hochdurchsatz-)Datensätze verschiedener Typen inklusiver möglichst vollständiger Annotation und Metainformation zu einem bestimmten Thema, z.B. der HLCA [HLCA]. Ein Atlas wird oft von vielen Projektpartnern die Daten produzieren (Biologen/Mediziner) und/oder analysieren (Bioinformatiker) zusammengestellt. Durch die Revolution der Sequenziertechniken sowohl auf genomischer, transcriptomischer und epigenomischer Ebene stehen eine grosse Zahl von (heterogenen) Datensätzen zur Verfügung. Ergänzt wird das noch durch posttranlationale Datensätze (meist Massenspektrometrie basiert). Zu einer Anwendungsfragestellung (z.B. einer Krankheit) oder zu einem Zelltyp oder Gewebe/Organ sthen meist zusätzlich zu den humanen Daten auch Daten von Modellorganismen (oft sogar noch mehr) zur Verfügung.

Gerade wurde die erste Version des Human Cell Atlas (HCA) in einer Serie von veröffentlichungen im Fachjournal Nature publiziert: "Cell nav: The Human Cell Atlas (HCA)", Nature, Vol 635, No. 8039. Damit zusammenhängend wurden auch eine Reihe bioinformatischer Analysemethoden entwickelt und publiziert (für einen Überblick und Referenzen siehe inbesondere das technology feature "Computational technologies of the Human Cell Atlas" vom 20.11.2024, Nature, Vol 635, No. 8039). Im Praktikum werden diese Methoden analysiert, angewendet und ggfs. angepasst. Für bestimmte Fragestellungen werden auch neue Methoden entwickelt und getestet.


Practical: Image & Video Synthesis SoSe 2026

Place: Akademiestr. 7, 1st floor, Room 105
Time: by arrangement/nach Vereinbarung
6 SWS
Language: English

Recommended Prerequisites for Students:
· Strong programming skills
· Prior practical experience in machine learning, typically acquired through one of the standard ML courses


Modern Deep Learning has fundamentally changed Artificial Intelligence. Novel applications as well as significant improvements to old problems continue to appear at a staggering rate. Especially the areas of image and video understanding, retrieval, and synthesis have seen tremendous improvements and even the human baseline has been outperformed in several difficult applications.

The algorithms and the fundamental research in deep Machine Learning and Computer Vision that are driving this revolution are improving at an ever-increasing rate. The goal of this practical lab is, therefore, to give students hands-on experience with the state-of-the-art in this field of research. We will work on current problems in Computer Vision and Machine Learning and build on current algorithms to practically implement novel solutions. Consequently, the practical is also a good opportunity to take a close look at this area of research and prepare for a potential future final thesis.

Topics include but are not limited to:
* Image & video synthesis
* Image & video understanding
* Visual superresolution and Image completion
* Artistic style transfer
* Interpretability of deep models
* Modern deep learning approaches, such as transformers and self-attention, invertible neural networks, diffusion models, etc.
* …


Practical: Visual Representation Learning SoSe 2026

Place: Akademiestr. 7, 1st floor, Room 105
6 SWS
Language: English
Time: TBA, nach Vereinbarung

Recommended Prerequisites for Students:
· Strong programming skills
· Prior practical experience in machine learning, typically acquired through one of the standard ML courses


Modern Deep Learning has fundamentally changed Artificial Intelligence. Novel applications as well as significant improvements to old problems continue to appear at a staggering rate. Especially the areas of image and video understanding, retrieval, and synthesis have seen tremendous improvements and even the human baseline has been outperformed in several difficult applications.

The algorithms and the fundamental research in deep Machine Learning and Computer Vision that are driving this revolution are improving at an ever-increasing rate. The goal of this practical lab is, therefore, to give students hands-on experience with the state-of-the-art in this field of research. We will work on current problems in Computer Vision and Machine Learning and build on current algorithms to practically implement novel solutions. Consequently, the practical is also a good opportunity to take a close look at this area of research and prepare for a potential future final thesis.

Topics include but are not limited to:
* Visual Representation Learning
* Representation capabilities of current approaches
* Image & video understanding
* Model behavior of generative and non-generative approaches
* Interpretability of deep models
* Self-supervised approaches
* Modern deep learning approaches, such as transformers and diffusion models, JEPA, DINO etc.
* ...


Applied Reinforcement Learning SoSe 2026

Reinforcement Learning ist ein Teilgebiet der Künstlichen Intelligenz, das das Erlernen von Handlungsstrategien für autonome Agenten zur Maximierung einer Belohnungsfunktion behandelt. In diesem Kurs werden zunächst theoretische Grundlagen eingeführt und anschließend verschiedene Lösungsansätze vorgestellt. Im praktischen Teil der Veranstaltung erstellen die Teilnehmer eigene autonome Agenten, die für eine vorgegeben Aufgabe eine möglichst effektive Handlungsstrategie erlernen sollen.

Social Interactive Systems SoSe 2026

Practical: Toolbox for Trustworthy Machine Learning SoSe 2026

In diesem Praktikum entwerfen, spezifizieren und implementieren die Studierenden unter Anleitung ein größeres Softwareprojekt. Dabei werden die in den Vorlesungen “Einführung in die Programmierung” und “Programmierung und Modellierung” erlernten grundlegenden Konzepte und Techniken praktisch eingesetzt und erweitert. Des weiteren werden Kenntnisse über Softwareentwicklungs-Tools wie Versionsverwaltungsprogramme (Git) oder Integrated Development Environments (IDE) vermittelt. In der ersten Phase des Praktikums (Vorprojekt) werden nochmals grundlegende Fähigkeiten in der Programmentwicklung in Einzelarbeit geübt. Nach Bestehen der ersten Phase, werden die Studierenden in Teams von 5-6 Personen aufgeteilt. In der Hauptphase des Praktikums wird dann eine größere Python-Applikation im Team entwickelt. Hierbei können die Studierenden dann auch wertvolle Erfahrungen über Team- und Projektarbeit sammeln.


Thema der Projektarbeit:

Die Projektarbeit behandelt das Thema der erklärbaren Künstlichen Intelligenz (eng. eXplainable Artificial Intelligence, kurz XAI). Konkret geht es darum eine Softwareapplikation in Python zu
implementieren, welche spieltheoretische Algorithmen verwendet um Modelle des maschinellen Lernens für Nutzer erklärbar zu machen.


Bitte Beachten:

12 ECTS entsprechen einem Arbeitsaufwand von ca. 24 Stunden pro Woche. Es ist in keiner Weise ausreichend, nur den Plenumstermin und die Tutortreffen wahrzunehmen, sondern sie müssen sehr viel eigenständig am Computer arbeiten und programmieren. Sie müssen genug Zeit für dieses Praktikum einplanen um problemlos einen Termin mit ihren Gruppenmitgliedern zu finden.

Praktikum Software-Engineering für Fortgeschrittene SoSe 2026

Anmeldung

Die Anmeldung zu diesem Seminar erfolgt über die Zentralanmeldung für Masterpraktika im LSF, außer für Lehramtsstudierende (bitte Anmeldehinweisen unten folgen).

Beachten Sie die unten aufgelisteten Voraussetzungen und die Hinweise zum Zeitaufwand! Ohne Einsatz von 12-15 Stunden Zeit in jeder Semesterwoche ist die Teilnahme am Praktikum nicht möglich.

Inhalt

Ziel des Software-Entwicklungspraktikums ist das Erlernen von Methoden zur Entwicklung größerer Software-Systeme und deren praktische Anwendung. Es werden verschiedene Techniken und Werkzeuge vorgestellt und geübt, die bei der Entwicklung von mittleren und größeren Software-Projekten nützlich sind. Im Fokus stehen dabei

  • Agiles Projektmanagement mit Scrum
  • Design-Patterns und -Prinzipen
  • Codequalität (readability, testability, changeability)
  • Testen (Unit-Testing und Test-Driven Development)
  • Tooling (Eclipse) und Refactoring
  • Bug-Tracking und Task-Tracking mit Milestones und Kanban-Boards (GitLab)
  • Versionsverwaltung, Buildprozess und Continuous Integration

Diese Techniken werden von den Teilnehmern bei der Durchführung eines kompletten Softwareprojekts geübt und angewendet. Dabei wird ein webbasiertes Multiplayer-Kartenspiel namens “The Bug is a Lie” implementiert.

Anrechnung

Ablauf und Termine

Das Praktikum besteht aus drei Teilen: Direkt nach der Platzvergabe bekommen Sie von uns Material zum Selbststudium bereitgestellt. Bitte arbeiten Sie sich selbstständig bis zum Beginn des Semesters darin ein. In den ersten 1-2 Wochen der Vorlesungszeit findet ein Übungsteil statt, in dem Sie die im Praktikum verwendeten Methoden und Technologien ausprobieren. Danach beginnt das eigentliche Praktikum, das in Teams von 5-6 Personen aufgeteilt stattfindet.

Im Praktikumsteil gibt es vier Sprints und wöchentlich zwei Treffen des Teams mit dem Betreuer (primär im Zeitraum von Montags 12-16 Uhr und Donnerstags 14-16 Uhr, nach Absprache auch zu anderen Zeiten), in denen Sprint Planning, Daily Standup, Sprint Review etc. stattfinden. Jedes dieser Treffen dauert maximal 2 Stunden. Das Praktikum endet mit einer Abschlusspräsentation.

Das Praktikum findet anfangs in Präsenz statt. In der Gruppenphase können die Teams entscheiden ob Meetings in Präsenz oder online stattfinden.

Die Anwesenheit bei allen Terminen ist obligatorisch, da andernfalls ein Zusammenarbeiten im Team nicht möglich ist. Fehlzeiten sind mit (Arbeitnehmer-)Krankenschein zu belegen.

Der Gesamtzeitaufwand beträgt 180 Stunden. Da sämtlicher Zeitaufwand vor dem Ende der Vorlesungszeit anfällt (keine Klausur und dazugehörige Lernzeit) müssen Sie also 12-15 Stunden Zeit pro Woche aufwenden.

Voraussetzungen

Die Voraussetzung für die Teilnahme an diesem Praktikum ist die Beherrschung der Programmiersprache Java (und dementsprechend einer Entwicklungsumgebung für diese Sprache). Konkret bedeutet dies nicht nur das Verständnis der Syntax und Semantik von Java, sondern auch der Klassen des Java-SDK (insbes. Collections-Framework und Netzwerk-Funktionalität) und der Fähigkeit zur Einarbeitung in weitere Libraries. Vorkenntnisse der folgenden Veranstaltungen werden vorausgesetzt:

  • Vorlesung “Softwaretechnik”
  • Softwareentwicklungspraktikum (SEP)

Studierende, die die Prüfung zu Softwaretechnik nicht absolviert haben, können am SWEP trotzdem teilnehmen, wenn sie (a) die Inhalte von SWT kennen (laut eigener Bestätigung) und (b) ein Java-basiertes SEP absolviert haben (also z.B. nicht das Systempraktikum).

Hilfreich sind außerdem:

  • Fähigkeit, im Team zu arbeiten (mit git und GitLab)
  • Erweiterte IDE-Kenntnisse
  • Web-basierte Entwicklung (html, css); Vaadin; SQL; JDBC; JUnit; Mockito

Sprache

Das Praktikum wird auf Deutsch und Englisch angeboten (je nach Team). Die jeweilige Sprache muss in den Team-Treffen mit dem Betreuer (Daily Standups, Sprint Planning, etc.) und in der Entwicklung (Produkt-GUI, Code-Kommentare, Issues, etc.) benutzt werden. Die Sprache geht jedoch nicht in die Bewertung ein.

Da die Sprache der Entwicklungsteams in vielen Firmen heutzutage Englisch ist, können Sie sich so darauf vorbereiten und z.B. das Diskutieren auf Englisch üben.

Master Praktikum: Cryptography (SoSe 2026) SoSe 2026

The Master Praktikum in Cryptography explores the relationship between randomness and computation and is based on three interconnected domains: modern cryptography, probabilistic proofs, and pseudorandomness. Participants will gain a comprehensive understanding of the foundational principles and methodologies of cryptography and have the opportunity to develop cryptographic projects using the concepts discussed in the lecture.

Practical Course Usable Security SoSe 2026

The rapid development of digital technologies, combined with increasing cybersecurity threats, has heightened the need for effective and user-centered security solutions in public and shared spaces. Yet, satisfactory solutions for privacy and security remain rare, as many existing approaches are perceived as cumbersome, unintuitive, or too demanding for everyday use. As a result, users are often reluctant to invest time and effort in protecting their digital privacy.

The course places a strong emphasis on hands-on design work. Students work in small groups to develop innovative concepts for privacy and security in public contexts. They design, prototype, and evaluate novel user interfaces that support secure behavior and help bridge the gap between cybersecurity awareness and the adoption of sustainable, secure habits.



Praktikum Evaluierung moderner HPC-Architekturen und -Beschleuniger SoSe 2026

Praktikum Automated Theorem Provers SoSe 2026

Master Practical: Automated Theorem Provers (SoSe 2026)

See the course website for more details.

Overview

Automated theorem proving is a subfield of mathematical logic that concerns itself with proving mathematical theorems fully automatically using computer programs, called automated theorem provers. They can be used as stand-alone programs to solve logic problems or in tandem with interactive theorem provers (also called proof assistants) to discharge proof obligations that arise in interactive proofs.

In this course, we will focus on practical aspects of automated theorem provers and their implementation.

Organization

The course is divided into two parts. In the first part of the course, participants will receive a brief introduction to automated theorem proving, focused on practical aspects.

This will be followed by a project phase, with students working in teams of 2-4 people.

Each team is tasked with delivering a short presentation on relevant background material (such as research articles), proposing, implementing and documenting a project, as well as giving a final project presentation.

Participation is limited to 20 master students.

Prerequisites

Familiarity with basic aspects of mathematical logic, such as those taught in the bachelor's lecture "Logik und diskrete Strukturen", is required.

The practical complements the lecture Automated Theorem Proving that was offered in the winter term 2025/26. If you are interested in the practical, we highly recommend reviewing the course materials from the lecture.

Applied AI for Health Praktikum SoSe 2026

Inhalt des Praktikums: 
Dieses Praktikum, das voraussichtlich einen Umfang von 6 ECTS hat, vermittelt die Fähigkeit, Anwendungsfälle aus den Bereich "Applied AI for Health" (AI4H) zu untersuchen. Die Teilnehmenden entwickeln dafür intelligente Systeme, die Entscheidungsprozesse im Gesundheitskontext unterstützen. Dabei werden Methoden zur autonomen Planung, lernenden Entscheidungsfindung und wissensbasierten Analyse kombiniert, um adaptive Lösungen für medizinische Anwendungen zu gestalten. Ziel ist es, ein Verständnis für datengetriebene und dynamisch anpassbare KI-Systeme im Gesundheitskontext zu vermitteln. 

Ablauf und Prüfung: 
Das Praktikum gliedert sich in zwei Phasen: In einer initialen Theoriephase werden in den ersten Wochen Grundlagenkenntnisse vermittelt, während in der darauffolgenden Praxisphase in Kleingruppen an jeweils einer Aufgabenstallung gearbeitet wird. Die Gruppeneinteilung und Themenvergabe findet voraussichtlich Ende der 3. Semesterwoche statt. Im Rahmen der Projektphase wird pro Gruppe eine ca. zehnseitige wissenschaftliche Arbeit erstellt, die insbesondere die eigene Methodik und erzielte Ergebnisse beinhaltet. Das Praktikum schließt mit einer benoteten Präsentation der Ergebnisse ab. 

Termine: 
Wöchentlich Mittwochs, voraussichtlich 14-16 Uhr c.t. (Ort TBA), und Donnerstags, voraussichtlich 16-20 Uhr c.t. (Ort TBA), sowie Zusatztermine mit den Betreuern bei Bedarf, remote / in den Räumen des Lehrstuhls. Bei einer großen Anzahl der Termine besteht Anwesenheitspflicht. Details folgen auf der Veranstaltungswebseite des Lehrstuhls. (Beginn: 14.04.2026, Ende: 16.07.2026, bis auf ggf. später stattfindende mündliche Prüfung.)

Binary Analysis with AI SoSe 2026

The Binary Analysis with AI Praktikum invites students to explore the fascinating intersection of binary analysis and artificial intelligence with a research-oriented perspective. This praktikum aims not only to provide a solid foundation in binary analysis and machine learning, but also to expose students to some of the current research challenges in learning-based binary analysis and encourage independent experimentation.

By the end of this praktikum, students are expected to have a clear understanding of the state-of-the-art problems in learning-based binary analysis and to have conducted their own initial explorations in tackling these problems.

Language: English

Pre-requisites:

  • Basic knowledge of machine learning

  • Familiarity with binary analysis concepts (e.g., disassembly, control flow analysis) is helpful but not mandatory

  • Proficiency in Python (experience with libraries such as NumPy, PyTorch, or TensorFlow is a plus)

Praktikum: Process Mining SoSe 2026

In this lab, students will work in small teams to implement algorithms and techniques from the field of Process Mining. The goal is to gain hands-on experience with modern process analysis methods and to deepen understanding by translating theoretical concepts into working software.


Possible topics (to be finalized at the beginning of the course):

  • LLM-assisted Process Mining Techniques
  • Event Abstraction and Transformation
  • Clustering in Process Mining
  • Partially-Ordered Event Data
  • Predictive Process Mining

Technical Requirements:

  • Solid programming skills in Python are mandatory (the lab will primarily use the PM4Py library)
  • For visualization tasks, knowledge of web technologies (HTML, CSS, JavaScript, TypeScript) is helpful


Language:
The lab will be held in English or German, depending on the composition of the participants.


Publication Opportunity:
Depending on student interest, motivation, and result quality, project results may be further developed and submitted as a tool/workshop/full paper to an international conference upon completion of the lab.



Praktikum Quantum Computing Programmierung SoSe 2026

Kurzbeschreibung

Dieses Praktikum hat einen Umfang von 6 ECTS (Ü1P4 + Selbststudium) und vermittelt die Fähigkeit, Anwendungsfälle aus den Bereichen der Optimierung und dem maschinellen Lernen für Quantencomputer zu modellieren und darüber hinaus einen Einstieg in die praktische Arbeit mit existierenden Quantencomputern. Dafür stehen im QAR-Lab verschiedene Quantencomputer zur Verfügung (in der Vergangenheit haben wir bspw. mit dem IBM Q System Two, dem IonQ Aria und dem D-Wave Advantage gearbeitet). In Kooperation mit namhaften Partnern aus der Industrie werden Aufgabenstellungen mit starker Relevanz für praktische Anwendungen vergeben. Studierende haben in Gruppen von ca. 6 Studierenden die Möglichkeit, je eine Aufgabenstellung auf verschiedenen Rechnern auszuführen und die Ergebnisse zu vergleichen. Das Praktikum schließt mit einer Präsentation der Ergebnisse vor unseren Industriepartnern ab.


Inhalt des Praktikums

Quantencomputing ermöglicht effizientere Ansätze zur Lösung zentraler Probleme der Informatik durch die Nutzung quantenmechanischer Effekte. Mit der zunehmenden Größe und Qualität aktueller Quantencomputer ist es bereits heute möglich diesen Quantenvorteil in der Praxis nachzuweisen. Die Herausforderung besteht im Allgemeinen darin mit den im Quantencomputing zusätzlich zur Verfügung stehenden algorithmischen Bausteinen Lösungsverfahren zu entwickeln, die einen anwendungsrelevanten Quantenvorteil ermöglichen.

Dieses Praktikum stellt eine Einführung in den anwendungsorientierten Einsatz von Quantencomputing dar. Hierbei werden Ansätze aus dem Bereich der Quantenoptimierung und dem Quantum Machine Learning zur Lösung praxisrelevanter Probleme konzipiert, implementiert und analysiert. Dabei kommt „echte“ Quantenhardware zu Einsatz, bspw. die der Hersteller IBM, IonQ, Fujitsu und D-Wave Systems.

Eine Auswahl der behandelten Themen lautet:

  • Grundlagen des Quantencomputings
  • Mathematische Modellierung
  • Optimierung
  • Quantum Annealing
  • Quantenoptimierungsalgorithmen
  • Einführung in verschiedene QC-Plattform SDKs

Ablauf & Prüfung

Das Praktikum gliedert sich in zwei Phasen: In der dreiwöchigen Theoriephase werden Grundlagenkenntnisse vermittelt, während in der Praxisphase (startend ab der vierten Woche) in Gruppen an jeweils einer Aufgabenstallung gearbeitet wird. Die Gruppeneinteilung und Themenvergabe findet voraussichtlich Ende der 3. Semesterwoche statt. 

Im Rahmen der Projektphase wird pro Gruppe eine gemeinsame wissenschaftliche Hausarbeit im Umfang von ca. 10 Seiten zzgl. Referenzen und Anhang erstellt (konkret: 20.000 - max. 30.000 Zeichen pro Person, wobei klar sein muss welcher Text von wem geschrieben wurde), die insbesondere die eigene Methodik und erzielte Ergebnisse beinhaltet. Das Praktikum schließt mit einer Präsentation der Ergebnisse ab. Die Endnote des Praktikums ergibt sich individuell für alle Studierenden aus der Qualität ihrer Beiträge zur wissenschaftlichen Hausarbeit und der abschließenden Präsentation.

Zielgruppe

Das Praktikum richtet sich ausschließlich an Studierende des Masterstudiengangs Informatik und Studierende des Masterstudiengangs Medieninformatik. Insbesondere richtet es sich startend mit dem Sommersemester 2026 nicht mehr an Studierende im Bachelor.


Termine

Das Praktikum hat einen Umfang von fünf Semesterwochenstunden (aufgeteilt in eine Semesterwochenstunde Übung und vier Semesterwochenstunden Praktikum). Es findet wöchentlich Dienstags von 10:00 bis 12:00 Uhr (in der Oettingenstr. 67, Raum C 003) und Donnerstags von 14:00 bis 16:00 Uhr (in der Oettingenstr. 67, Raum C 003) inkl. kurzer Pause statt, mögliche Zusatztermine finden auf Anfrage remote oder in den Räumen des Lehrstuhls statt. Bei einer großen Anzahl der Termine besteht Anwesenheitspflicht. (Beginn: 14.04.2026, Ende: 16.07.2026, ggf. findet die mündliche Prüfung später statt.)

Webseite zur Veranstaltung im LSF Portal : https://lsf.verwaltung.uni-muenchen.de/qisserver/rds?state=verpublish&status=init&vmfile=no&moduleCall=webInfo&publishConfFile=webInfo&publishSubDir=veranstaltung&veranstaltung.veranstid=1118902&purge=y&topitem=lectures&subitem=editlecture&asi=8uqLeuwdWOWAVXkWIq3s

Security Bug Hunting SoSe 2026

Overview

In this practical course, you will go on the hunt for security vulnerabilities in real-world applications that people actually use. You will learn how to systematically identify potential attack vectors and become familiar with common security vulnerabilities . Throughout the course, you will apply the theoretical knowledge and learn about the techniques and tools used to detect vulnerabilities in software.

The course is designed to be flexible, allowing you to choose your approach - whether that's performing mass scans with static analysis, writing new fuzzing harnesses for existing software, or identifying exploits using manual analysis. You also get to select the targets and, as a result, the level of difficulty yourself.

Last year's course discovered buffer overflows in a smart pixel clock, multiple XSS vulnerabilities in web apps, an auth bypass in an MCP server, and many more.

Organization

You will spend the lecture period searching for vulnerabilities in real-world applications in teams of two. The course will meet in person on Monday at 1 PM c.t. during the lecture period to sync up and learn from each other. Besides hunting for vulnerabilities, each team will prepare and give a presentation about a tool that can be used to find vulnerabilities.

The course awards 6 ECTS.  

Prerequisites

There are no formal prerequisites, but a strong interest in software security and the ability to work independently in an unguided environment are essential. You should be comfortable using the command line and capable of writing small scripts to juggle some bytes around. Some basic knowledge about software security obtained through 

  • lecture/practical course "IT-Sicherheit"
  • lecture "Program Analysis for Security"
  • doing HackTheBox/TryHackMe/CTFs in your free time

may help you get started faster, but are not necessary.

If you have any questions, feel free to email me at tim.lange@lmu.de or message me on Zulip.

Praktikum: Stream Clustering SoSe 2026

With ever-growing data volumes and persistent data sources, handling stream data remains important. As data arrives continuously and is unlikely to be consistently labeled, unsupervised learning is an important focus in this domain. One major aspect of unsupervised learning is clustering. As such, we cover the topic of Stream Clustering in this practical. Here, we go over major ideas and paradigms, such as the split into online and online-offline clustering approaches, as well as the anytime paradigm.

The practical covers the current state of Stream Clustering, going over historical approaches to more recent research. The course will cover various important paradigms, with regular reimplementations of major approaches, primarily in small groups. After implementations, there will be short presentations to showcase the work done, culminating in a report of the results produced over the course of the semester at the beginning of the semester break