Master’s Thesis - Cheatsheet.pdf

Design von Softwarearchitekturen

Definition:

Gestaltung und Organisation der grundlegenden Struktur von Software-Systemen

Details:

• Verbessert Wartbarkeit, Erweiterbarkeit und Skalierbarkeit von Software
• Nutzung von Entwurfsmustern und Architekturstilen
• Berücksichtigung funktionaler und nicht-funktionaler Anforderungen
• Mögliche Architekturstile: Schichten, Microservices, Ereignisgesteuert, Client-Server
• Wichtige Konzepte: Modularität, Abstraktion, Wiederverwendung, lose Kopplung
• Werkzeuge: UML-Diagramme, Architekturbeschreibungs-Sprachen (ADLs)

Implementierung von Algorithmen und Datenstrukturen

Definition:

Implementierung von Algorithmen und Datenstrukturen bezieht sich auf das Entwerfen, Kodieren und Testen von Algorithmen und den dazugehörigen Datenstrukturen zur effizienten Lösung von Problemen.

Details:

• Wahl der passenden Datenstrukturen ist entscheidend für die Effizienz eines Algorithmus.
• Komplexitätsanalyse: Zeit- und Speicherbedarf mit Big-O-Notation.
• Grundlegende Datenstrukturen: Arrays, Listen, Stapel (Stacks), Schlange (Queues), Bäume (Trees), Graphen (Graphs), Hash-Tabellen.
• Wichtige Algorithmen: Sortieren (z.B. QuickSort, MergeSort), Suchen (z.B. Binäre Suche), Graph-Algorithmen (z.B. Dijkstra, Tiefensuche).
• Rekursions- und Iterationsstrategien verstehen und anwenden.
• Parallele und verteilte Algorithmen für Performance-Verbesserungen.
• Einbindung von Bibliotheken und vorgefertigten Implementierungen (z.B. STL in C++ oder Collections in Java).

Maschinelles Lernen und Deep Learning

Definition:

Maschinelles Lernen: Daten-getriebene Techniken um Modelle zu erstellen die aus Erfahrungen lernen. Deep Learning: Spezialisierung des ML, verwendet tiefe neuronale Netze.

Details:

• ML Modelle: Supervised, Unsupervised, Reinforcement Learning
• Supervised: \textit{Trainingsdaten} mit Labels verwenden
• Unsupervised: Muster in Daten ohne eindeutige Labels erkennen
• Reinforcement: Lernen durch Belohnung/Bestrafung
• Deep Learning: Verwendung von \textbf{mehrschichtigen neuronalen Netzen}
• Wichtige Architekturen: CNNs (\textit{Convolutional Neural Networks}), RNNs (\textit{Recurrent Neural Networks})
• Optimierungsverfahren: Gradient Descent
• Aktivierungsfunktionen: z.B. \textit{ReLU}, \textit{Sigmoid}
• Verlustfunktionen: z.B. \textit{Cross-Entropy}, \textit{MSE (Mean Squared Error)}
• Regularisierung: Vermeidung von Overfitting, z.B. \textit{Dropout}, \textit{L2-Norm}
• Evaluation: z.B. \textit{Accuracy}, \textit{Precision}, \textit{Recall}

Transaktionsmanagement

Definition:

Verwaltung von Datenbanktransaktionen zur Gewährleistung von Konsistenz, Isolation, Dauerhaftigkeit und Atomarität (ACID-Prinzipien).

Details:

• ACID-Prinzipien: Atomarität (alle oder keine Operationen ausführen), Konsistenz (keine Verletzung von Integritätsbedingungen), Isolation (Transaktionen beeinflussen sich nicht gegenseitig), Dauerhaftigkeit (Änderungen bleiben gespeichert).
• Wichtige Konzepte: Sperren, Rollback, Commit.
• Serialisierbarkeit: Gewährleistet, dass parallele Transaktionen dasselbe Ergebnis liefern wie sequentielle.
• Concurrency Control: Vermeidung von Konflikten durch gleichzeitige Transaktionen.
• Wiederherstellung: Mechanismen zur Erholung von Fehlern (z.B. Protokollierung).
• Zwei-Phasen-Sperrprotokoll (2PL): Gewährleistung der Serialisierbarkeit durch strikt getrennte Sperr- und Freigabephasen.

Experimentelles Design und Durchführung

Definition:

Entwicklung und Planung von Experimenten zur Untersuchung einer Hypothese und Umsetzung dieser Untersuchungen in die Praxis.

Details:

• Definition der Forschungsfrage
• Festlegung der Variablen: Unabhängige (manipulierte) und abhängige (gemessene) Variablen
• Kontrolle der Störvariablen
• Auswahl der Stichprobe
• Festlegung des Experimentatyps: z.B. Laborversuch, Feldversuch
• Durchführung des Experiments: genaue Dokumentation der Abläufe
• Erhebung und Analyse der Daten
• Interpretation der Ergebnisse

Erstellen und Gestalten von Präsentationsmaterialien

Definition:

Erstellung und Design von Präsentationsmaterialien für die Masterarbeit in Informatik an der TU München.

Details:

• Wähle ein einheitliches Design (Farben, Schriftarten, Layout).
• Verwende klare und prägnante Texte.
• Nutze Grafiken und Diagramme zur Veranschaulichung komplexer Sachverhalte.
• Beachte die Zielgruppe und den Kontext der Präsentation.
• Vermeide überladene Folien, Fokussiere auf das Wesentliche.
• Neben Texten und Bildern, Multimedialer Einsatz (z.B. Videos) möglich.
• Tools: PowerPoint, LaTeX (\texttt{beamer}), Canva.

Schreiben wissenschaftlicher Arbeiten

Definition:

Wissenschaftliche Arbeiten methodisch und strukturiert verfassen, um Forschungsfragen klar darzustellen und zu beantworten.

Details:

• Einleitung: Ziel und Struktur der Arbeit darstellen.
• Theoretischer Hintergrund: Relevante Theorie und Literatur zusammenfassen.
• Methodik: Forschungsansatz und Vorgehensweise beschreiben.
• Ergebnisse: Forschungsbefunde objektiv präsentieren.
• Diskussion: Ergebnisse interpretieren und einordnen.
• Fazit: Kernpunkte zusammenfassen, Ausblick geben.
• Quellenangaben: Korrektes Zitieren aller verwendeten Quellen (z.B. nach APA, IEEE).

Optimierung von Datenbankanfragen

Definition:

Reduzierung der Ausführungszeit von Datenbankanfragen durch effiziente Nutzung von Ressourcen.

Details:

• Indexierung: Nutze Indizes, um Abfragen zu beschleunigen.
• Joins: Verwende effiziente Join-Strategien (Nested Loop, Hash Join, etc.).
• Query-Pläne: Analysiere und optimiere den Abfrageplan des Datenbank-Management-Systems (DBMS).
• Materialisierte Ansichten: Cache häufig angefragte Daten.
• Denormalisierung: Trade-off zwischen Speicherplatz und Anfragegeschwindigkeit.
• Partitionierung: Teile Tabellen für schnelleren Zugang in Partitionen auf.
• Transaktionsisolation: Wähle geeignete Isolationsebene zur Vermeidung von Deadlocks.