Mobile Application Development Wise 2026/27

SAT Solving WiSe 26/27

The satisfiability problem for classical propositional logic (SAT) is the canonical NP-complete problem, therefore algorithms for solving it are of essential importance for theoretical computer science, their development and study forms an entire area of research.

In the past 30 years, there has been a lot of progress in this area, in theory as well as in practice. On the theoretical side, there are algorithms for which worst-case upper bounds on the run-time can be proven, that are better than the obvious O(2n) for brute-force search. The current best such (probabilistic) algorithms have a run-time of O(1.307n) for 3-SAT and O(1.469n) for 4-SAT.

On the other hand, there are very good heuristics and implementations for the classic backtracking algorithms (DPLL), which can solve even very large inputs with hundred thousands of variables and millions of clauses in reasonably short time. These so-called SAT solvers have by now such a good performance that they are routinely used in applications for the solution of combinatorial optimization problems, in particular in hardware and software verification, in planning and combinatorial search. 

The course will mainly treat these practical algorithms. The participants will first develop an application solving a puzzle by use of a state-of-the-art SAT solver. Then they will develop their own solver using the currently dominant CDCL paradigm. 


Organisation

The course will be held in English. The lecture and tutorial will take place in person at the time and place given below, attendance is mandatory. The tutorials will take place as needed.  

  • Lecture: Tuesdays 14:15-15:45 hrs, room 101 (Amalienstr. 73a), weekly.
  • Tutorials: Fridays 14:15-15:45 hrs, room 101 (Amalienstr. 73a), as announced.
  • Instructor: PD Dr. Jan Johannsen

Visual Representation Learning- Master Practical WiSe 2026/27

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.
* ...


 

Process Mining WiSe 2026/27

Praktikum Process Mining WiSe 2026/27

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 Rechnernetze WiSe 2026/27

Praktikum Quantum Computing Programmierung WiSe 2026/27

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 (konkret 10–20 Min. pro Person) ab. Die Endnote des Praktikums ergibt sich individuell für alle Studierenden aus ihren Beiträgen 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 seit 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 165) und Donnerstags von 14:00 bis 16:00 Uhr (in der Oettingenstr. 67, Raum 165) 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: 13.10.2026, Ende: 04.02.2027, 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&publishid=1137084&moduleCall=webInfo&publishConfFile=webInfo&publishSubDir=veranstaltung. Dieser Link ist ggf. noch nicht öffentlich freigeschalten.

Praktikum Quantum Computing WiSe 2026/27

Image & Video Synthesis - Master Practical WiSe 2026/27

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

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.

Institut für Informatik

Formalization in Lean WiSe 2026/27

Clustering meets Vision and Language WiSe 2026/27

Applied AI for Health WiSe 2026/27