Lehrveranstaltungen

Dieses Seminar vermittelt grundlegende Kompetenzen wissenschaftlichen Arbeitens und dient der gezielten Vorbereitung auf die Bachelorarbeit. Die Studierenden lernen, wissenschaftliche Fragestellungen zu entwickeln, relevante Literatur systematisch zu recherchieren, strukturierte wissenschaftliche Texte zu verfassen und die Regeln guter wissenschaftlicher Praxis anzuwenden. Darüber hinaus werden moderne Werkzeuge wie LaTeX/Overleaf und Generative KI sowie Präsentationstechniken vorgestellt.

Gut vorbereitet ist halb geschrieben: Wer frühzeitig lernt, wissenschaftliche Fragestellungen zu entwickeln, Literatur gezielt auszuwerten und Text strukturiert zu verfassen, startet mit einem entscheidenden Vorteil in die Bachelorarbeit.

Das Modul ist praxisorientiert aufgebaut:

Zu Beginn finden mehrere verpflichtende Seminartage statt um methodische Grundlagen zu vermitteln. Anschließend beginnt die Bearbeitungsphase, in der die Studierenden unter Betreuung eine wissenschaftliche Kurzarbeit zu einem zugewiesenen Thema verfassen und einen ersten Entwurf bis zur vorgegebenen Frist einreichen.

Auf Grundlage des erhaltenen Feedbacks durch die Betreuer:innen überarbeiten die Studierenden ihre Arbeiten und reichen eine finale Fassung ein.

Am Ende des Semesters finden verpflichtende Abschlusspräsentationen statt, bei denen alle Teilnehmer:innen ihre Arbeit vorstellen. Eine aktive Beteiligung an Diskussionen zu den Arbeiten der anderen Studierenden ist dabei zentraler Bestandteil des Seminars.

 Themengebiete Wintersemester 2026/27

Zeitplan Wintersemester 2026/27

Bewerbung/ Absprachen für Themen bis: 14.10.2026

Themenvergabe: mit jeweiligem Betreuer absprechen

6 Seminartage: (Termine unter Vorbehalt)

Abgabe erster Entwurf: 14.12.2026

Präsentationen/ Bericht Abgabe (Camera Ready Copy): 26.01.2027

Finale Präsentation: 27.01.2027

 Kursinformation

Die Veranstaltung ist an Studierende adressiert, die technische Grundlagen über die Funktionsweise von Informationssystemen erwerben wollen. Neben Grundlagen über die Funktionsweise von Computern und Programmierung, werden Algorithmen für Standardprobleme, Datenstrukturen und Rechnernetzwerke vorgestellt.

Inhalte der Veranstaltung sind:
- Funktionsweise von Computern
- Grundlagen der Programmierung
- Grundlegende Algorithmen für Suchen und Sortieren von Informationen
- Datenstrukturen, z.B. Arrays, Bäume, Listen, Hashing, Graphen
- Verteilte Systeme und Rechnernetze

 Kursinformation

Die Veranstaltung ist an Studierende der Lebensmittelwissenschaft und Biotechnologie adressiert. Neben einer theoretischen Einführung in die Thematik sind praktische Übungen anhand realer Datenbeispiele mit Excel, R oder Python Bestandteil der Veranstaltung.

Mögliche Inhalte der Veranstaltung sind:
- Ereignissen und Mengensystemen, Deskription und Exploration von Daten
- Wahrscheinlichkeitsrechnung (eindimensional und multivariat), Zufallsvariablen
- Parameterschätzung
- Statistische Tests und Hypothesen
- Regressionsanalyse, Korrelationsanalyse, Varianzanalyse
- Zeitreihenanalyse
- Exkurs: Verfahren des maschinellen Lernens zur Datenanalyse

 Kursinformation

This module will provide essential knowledge of the technological foundations of information systems. Based on this, students will be able to assess technology but also to develop software and acquire fundamentals for learning machine learning techniques.

The students will learn programming fundamentals in Python and the foundations of algorithms (e.g., for searching, sorting, or shortest distance) and data structures (e.g., lists, graphs, and trees). Furthermore, the module focuses on optimization procedures, data analytics, simulation, and adaptive/intelligent software systems. Students acquire a basic understanding of how to model problems in algorithms/software and how to solve them using modern programming languages and paradigms.

Kursinformation

After completing this module, students can understand the basic components of modern automation schemes and the underlying digitalization principles. They can write simple programs for interaction with real-time components, analyzing the data to make decisions and to control the running process. In particular, they understand and can implement the basics of how data is obtained from physical sensors, communicated through different components, and further transformed into control actions to achieve a desired objective.

Kursinformation

In the first part of the lecture, the students will learn the basics of programming and how to work with the Python ML ecosystem. After an overview and self-training of basic programming concepts, the focus is set on the acquisition of programming skills for the application and evaluation of machine learning (ML) techniques. Students will learn about most basic ML models and how to implement them in Python using state-of-the-art ML frameworks such as scikit-learn. Subsequently, Deep Learning, known from recent applications such as image recognition (e.g. for autonomous vehicles), will be the subject of discussion along with practical training sessions using PyTorch. Additionally, metrics and concepts for evaluating ML models, i.e., how to interpret the results, are taught. Also the aspect of data visualization as a central topic of data analytics will be trained in this course.            

Kursinformation

The module introduces fundamental concepts of “Natural Sciences” and aims to deliver basic knowledge in Chemistry, Microbiology, Biotechnology, (Food) Engineering, and Material Science. A case study, for instance on ‘Time Temperature Indicators”, fosters knowledge transfer and enables the students to apply the different concepts to one concrete example of application. Lecture-accompanying experiments and guided tours through the laboratories and pilot plants of the Institute of Food Science and Biotechnology are part of the course schedule. Moreover, 2 industry – hosted lectures further highlight the importance of natural Sciences as one of the key disciplines in Bioeconomy.

Kursinformation

Students learn advanced programming with Python with a focus on practical application in realistic use cases. The following contents are covered:

• Programming with Python
• AI Coding-Tools (e.g. ChatGPT, Github Copilot, ...) 
• Computer Networks
• Web development with Python
• API Programming
• Data Analytics

The course will be conducted in a project-based format. In addition to delivering theoretical lecture content, these concepts will be practically applied in projects, with students receiving guidance from tutors.

Kursinformation

In this module a set of tools and skills are provided to identify, describe, evaluate, and improve the sustainability of the value chain of a (new) biobased product. The students analyze a whole biogenic value chain currently on the agenda of the bioeconomy transformation process to develop a deeper understanding of biobased industrial and commercial activities. With support from supervisors and in communication with partners from industry, students first identify a value chain related to food, feed, fibre or fuel production. They then describe, analyse and identify gaps in the value chain from biomass production to conversion and market introduction of the product.

The following methods and tools can be used for the system analysis:
- “energy and mass flows”, and “thermodynamic considerations”
- supply chain management based on “value stream mapping” and “continuous improvement techniques”.
- “life-cycle assessment”,
- “environmental and social impact assessment”.

These methods and tools are introduced to demonstrate how to carry out an internet-based case study using a step-by-step approach. Particular emphasis is placed on the selection of green materials, the design of factory operations and the management of market introduction of (new) bio-based products. Environmental and social impacts of the value chain will be assessed and approaches for waste reduction and energy saving will be elaborated in order to optimize production. Finally, based on their analysis, students develop a concept to improve an existing biogenic value chain or scientific and engineering pre-studies can be carried out to fill identified gaps or create new products. The results as well as the pros and cons of the applied methods are presented and discussed in class.

Kursinformation

Seminar für Doktorand:innen nach individueller Absprache.

Mögliche Themen:

• Projekt- und Zeitmanagement, Kooperation mit Forschungspartnern/Unternehmen
• Konzeption von Projekten im Rahmen der Digitalisierung der Lebensmittelverarbeitung
• Erstellen von Präsentationen angepasst an die Zuhörer
• Diskussion zur Hypothesenbildung, Planung von Experimenten zu deren Beantwortung
• Datenauswertung, Aufbereitung in Tabellen, Bilder, Schemata, Ableitung von Modellvorstellungen und deren Integration in Publikation
• Planung von Vorarbeiten für neue Forschungsprojekte bis hin zur Antragstellung ausgerichtet auf den jeweiligen Förderer