Course Catalog

Study Program WiSe 2020/2021

Technomathematik, B.Sc./M.Sc. (Studienbeginn vor 2022)

Bachelor: Pflichtveranstaltungen

Course numberTitle of eventLecturer
03-M-ANA-1.1Analysis 1

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Mon. 09:30 - 10:30 virtuelle Sprechstunde (Rademacher)
weekly (starts in week: 1) Mon. 12:00 - 13:00 virtuelle Sprechstunde (Pribnow)
weekly (starts in week: 1) Mon. 13:00 - 14:00 virtuelle Sprechstunde (Greve)
weekly (starts in week: 1) Mon. 14:30 - 15:30 virtuelle Sprechstunde (Evers)
weekly (starts in week: 1) Mon. 14:30 - 15:30 virtuelle Sprechstunde
weekly (starts in week: 1) Mon. 16:00 - 18:00 MZH 1090 Übung
weekly (starts in week: 1) Tue. 08:00 - 10:00 MZH 1460 Übung (Lehramt)
weekly (starts in week: 1) Tue. 10:00 - 11:00 virtuelle Sprechstunde (Suckau)
weekly (starts in week: 1) Tue. 16:00 - 18:00 Übung online
weekly (starts in week: 1) Wed. 08:00 - 10:00 Übung online
weekly (starts in week: 1) Wed. 10:00 - 12:00 MZH 1090 Übung (Lehramt)
weekly (starts in week: 1) Wed. 13:00 - 14:00 virtuelle Sprechstunde (Gödeke)
weekly (starts in week: 1) Wed. 14:00 - 16:00 MZH 1090 Übung
weekly (starts in week: 1) Thu. 10:00 - 11:00 virtuelle Sprechstunde (Freudenberg)
weekly (starts in week: 1) Thu. 11:00 - 13:00 Online Fragestunde
Prof. Dr. Jens Rademacher
03-M-ANA-1.2Vertiefung zur Analysis 1 für Vollfach
Additional Topics in Calculus 1

Projektplenum (Teaching)
ECTS: 1,5

Dates:
weekly (starts in week: 1) Tue. 12:00 - 14:00 MZH 1380/1400 Plenum
Prof. Dr. Jens Rademacher
03-M-ANA-3Analysis 3

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Tue. 14:00 - 16:00 MZH 1090 Online
weekly (starts in week: 1) Wed. 10:00 - 12:00 Vorlesung online
weekly (starts in week: 1) Thu. 14:00 - 16:00 Übung online
weekly (starts in week: 1) Fri. 10:00 - 12:00 Vorlesung online
PD Dr. Hendrik Vogt
03-M-COM-1Computerpraktikum
Computer Laboratory

Kurs (Teaching)
ECTS: 3

Additional dates:
Mon. 01.03.21 - Fri. 05.03.21 (Mon., Tue., Wed., Thu., Fri.) 10:00 - 18:00
Mon. 08.03.21 14:00 - 18:00
Tue. 09.03.21 - Fri. 12.03.21 (Tue., Wed., Thu., Fri.) 10:00 - 18:00

Weitere Infos auf der Vorlesungshomepage

Johannes Leuschner
03-M-LAG-1.1Lineare Algebra 1
Linear Algebra 1

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Mon. 08:00 - 10:00 Vorlesung online
weekly (starts in week: 1) Mon. 11:00 - 12:00 helpdesk online (Friedrich)
weekly (starts in week: 1) Mon. 12:00 - 14:00 MZH 1090 Übung (von Mickwitz)
weekly (starts in week: 1) Mon. 12:00 - 14:00 Übung online (Friedrich)
weekly (starts in week: 1) Mon. 14:00 - 16:00 MZH 1090 Übung (Csiky)
weekly (starts in week: 1) Tue. 14:00 - 16:00 Übung online (de Vries)
weekly (starts in week: 1) Tue. 16:00 - 18:00 MZH 1090 Übung (Grimpen)
weekly (starts in week: 1) Wed. 12:00 - 13:00 MZH 1460 helpdesk (Wiegmann)
fortnightly (starts in week: 1) Wed. 16:00 - 18:00 MZH 1470 Übung (Vahl, gerade KW online)
weekly (starts in week: 1) Thu. 13:00 - 14:00 helpdesk online (Friedrich)
weekly (starts in week: 1) Thu. 14:00 - 16:00 Vorlesung online
weekly (starts in week: 1) Fri. 12:00 - 13:00 helpdesk online (Wiegmann)
Eugenia Saorin Gomez
03-M-LAG-1.2Vertiefung zur Linearen Algebra 1 für Vollfach
Additional Topics in Linear Algebra 1

Projektplenum (Teaching)
ECTS: 1,5

Dates:
weekly (starts in week: 1) Wed. 08:00 - 10:00 MZH 1380/1400 Plenum
Eugenia Saorin Gomez
03-M-MM-1Mathematische Modellierung
Mathematical Modelling

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Mon. 12:00 - 14:00 Übung online
weekly (starts in week: 1) Mon. 14:00 - 16:00 virtuelle Sprechstunde
weekly (starts in week: 1) Thu. 14:00 - 16:00 virtuelle Sprechstunde

Weitere Infos auf der ZeTeM-AG-Homepage

Michael Eden
03-M-NUM-1Numerik 1
Numerical Analysis 1

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Tue. 10:00 - 12:00 Vorlesung online
weekly (starts in week: 1) Wed. 14:00 - 16:00 Vorlesung online
weekly (starts in week: 1) Thu. 10:00 - 12:00 Übung online

Additional dates:
Tue. 02.03.21 12:00 - 15:00
Prof. Dr. Andreas Rademacher

Bachelor: Wahlpflichtveranstaltungen

Course numberTitle of eventLecturer
03-M-Gy4-1Funktionentheorie
Complex Analysis

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Mon. 14:00 - 16:00 Vorlesung online
weekly (starts in week: 1) Wed. 12:00 - 14:00 Übung online
weekly (starts in week: 1) Wed. 14:00 - 16:00 Vorlesung online
weekly (starts in week: 1) Fri. 08:00 - 10:00 Übung online
Dr. Ingolf Schäfer
03-M-VOR-1Vorstellung der Mathematik-Lehrveranstaltungen im WiSe 2020/21
Presentation of Upper-Level Math Courses

Blockeinheit (Teaching)

Aktuelle Informationsbroschüren finden Sie unter www.szmathe.uni-bremen.de

Prof. Dr. Thorsten-Ingo Dickhaus
03-M-WP-15Statistik 1
Statistics 1

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Tue. 08:00 - 10:00 Vorlesung online
weekly (starts in week: 1) Thu. 08:00 - 10:00 Vorlesung online
weekly (starts in week: 1) Fri. 09:00 - 11:00 Übung online
Prof. Dr. Werner Brannath
03-M-WP-18Algorithmische Diskrete Mathematik

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Mon. 10:00 - 12:00 Vorlesung online
weekly (starts in week: 4) Thu. 10:00 - 12:00 Vorträge der Teilnehmer (Seminaranteil)
weekly (starts in week: 1) Thu. 16:00 - 18:00 Übung online

Die algorithmische diskrete Mathematik ist ein recht junges Gebiet mit Wurzeln in der Algebra, Graphentheorie, Kombinatorik, Informatik (Algorithmik) und Optimierung. Sie behandelt diskrete Strukturen wie Mengen, Graphen, Permutationen, Partitionen und diskrete Optimierungsprobleme.

Diese Veranstaltung gibt eine Einführung in die algorithmische diskrete Mathematik. Es werden strukturelle und algorithmische Grundlagen der Graphentheorie und kombinatorischen Optimierung vermittelt. Im Vordergrund steht die Entwicklung und mathematische Analyse von Algorithmen zum exakten Lösen von kombinatorischen Optimierungsproblemen. Es werden u.a. folgende Themen behandelt:

* Einführung in Graphentheorie, kombinatorische und lineare Optimierung
* Graphentheorie: Grundbegriffe, Wege in Graphen, Euler- und Hamiltonkreise, Bäume
* Algorithmische Grundlagen (Kodierungslänge, Laufzeit, Polynomialzeitalgorithmen)
* Spannbäume, Matchings, Netzwerkflüsse und -schnitte (kombinatorische Algorithmen)
* Einblick in lineare Optimierung: Modellierung, Polyedertheorie, Optimalitätskriterien, Dualität
* Elemente der Komplexitätstheorie

Die Veranstaltung richtet sich vorrangig an fortgeschrittene Bachelorstudierende, ist aber auch für Masterstudierende geeignet.

6 SWS setzen sich zusammen aus
* 2 SWS Vorlesung (zunächst livestream, später asynchron per video)
* 2 SWS interaktive Übung (livestream)
* 2 SWS seminaristischer Anteil, Eigenstudium eines aktuellen Forschungsartikels und Vortrag

Prof. Dr. Nicole Megow
Dr. Franziska Eberle
03-M-WP-26Mathematische Grundlagen der Datenanalyse und Bildverarbeitung
Mathematical Basics of Data Analysis and Image Processing

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Tue. 14:00 - 16:00 Vorlesung online
weekly (starts in week: 1) Wed. 08:00 - 10:00 Übung online
weekly (starts in week: 1) Wed. 10:00 - 12:00 Vorlesung online
N. N.
03-M-WP-44Einführung in die Optimierung und optimale Steuerung

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Mon. 12:00 - 14:00 Vorlesung online
weekly (starts in week: 1) Tue. 12:00 - 14:00 Vorlesung online
weekly (starts in week: 1) Tue. 14:00 - 16:00 Übung online
Prof. Dr. Christof Büskens
03-M-WP-46Algebraische Topologie
Algebraic Topology

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Mon. 08:00 - 10:00 MZH 1100 Vorlesung
weekly (starts in week: 1) Thu. 08:00 - 10:00 MZH 1100 Vorlesung
weekly (starts in week: 1) Thu. 10:00 - 12:00 MZH 1100 Übung

2x 2SWS Vorlesung und 2SWS Übung.
Studiengänge: M-BM-Alg

Prof. Dr. Dmitry Feichtner-Kozlov

Master: Pflichtveranstaltungen

Course numberTitle of eventLecturer
03-M-MS-2Modellierungsseminar (Teil 2)
Modeling Seminar

Seminar (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Tue. 10:00 - 12:00 Seminar online


N. N.
03-M-PDE-1Numerik partieller Differentialgleichungen
Numerical Methods for Partial Differential Equations

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Tue. 10:00 - 12:00 MZH 1470 Vorlesung
weekly (starts in week: 1) Thu. 12:00 - 14:00 Vorlesung online
weekly (starts in week: 1) Thu. 14:00 - 16:00 Übung online


Alfred Schmidt

Master: Wahlpflichtveranstaltungen

Course numberTitle of eventLecturer
03-M-VOR-1Vorstellung der Mathematik-Lehrveranstaltungen im WiSe 2020/21
Presentation of Upper-Level Math Courses

Blockeinheit (Teaching)

Aktuelle Informationsbroschüren finden Sie unter www.szmathe.uni-bremen.de

Prof. Dr. Thorsten-Ingo Dickhaus
03-M-WP-18Algorithmische Diskrete Mathematik

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Mon. 10:00 - 12:00 Vorlesung online
weekly (starts in week: 4) Thu. 10:00 - 12:00 Vorträge der Teilnehmer (Seminaranteil)
weekly (starts in week: 1) Thu. 16:00 - 18:00 Übung online

Die algorithmische diskrete Mathematik ist ein recht junges Gebiet mit Wurzeln in der Algebra, Graphentheorie, Kombinatorik, Informatik (Algorithmik) und Optimierung. Sie behandelt diskrete Strukturen wie Mengen, Graphen, Permutationen, Partitionen und diskrete Optimierungsprobleme.

Diese Veranstaltung gibt eine Einführung in die algorithmische diskrete Mathematik. Es werden strukturelle und algorithmische Grundlagen der Graphentheorie und kombinatorischen Optimierung vermittelt. Im Vordergrund steht die Entwicklung und mathematische Analyse von Algorithmen zum exakten Lösen von kombinatorischen Optimierungsproblemen. Es werden u.a. folgende Themen behandelt:

* Einführung in Graphentheorie, kombinatorische und lineare Optimierung
* Graphentheorie: Grundbegriffe, Wege in Graphen, Euler- und Hamiltonkreise, Bäume
* Algorithmische Grundlagen (Kodierungslänge, Laufzeit, Polynomialzeitalgorithmen)
* Spannbäume, Matchings, Netzwerkflüsse und -schnitte (kombinatorische Algorithmen)
* Einblick in lineare Optimierung: Modellierung, Polyedertheorie, Optimalitätskriterien, Dualität
* Elemente der Komplexitätstheorie

Die Veranstaltung richtet sich vorrangig an fortgeschrittene Bachelorstudierende, ist aber auch für Masterstudierende geeignet.

6 SWS setzen sich zusammen aus
* 2 SWS Vorlesung (zunächst livestream, später asynchron per video)
* 2 SWS interaktive Übung (livestream)
* 2 SWS seminaristischer Anteil, Eigenstudium eines aktuellen Forschungsartikels und Vortrag

Prof. Dr. Nicole Megow
Dr. Franziska Eberle
03-M-WP-26Mathematische Grundlagen der Datenanalyse und Bildverarbeitung
Mathematical Basics of Data Analysis and Image Processing

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Tue. 14:00 - 16:00 Vorlesung online
weekly (starts in week: 1) Wed. 08:00 - 10:00 Übung online
weekly (starts in week: 1) Wed. 10:00 - 12:00 Vorlesung online
N. N.
03-M-WP-44Einführung in die Optimierung und optimale Steuerung

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Mon. 12:00 - 14:00 Vorlesung online
weekly (starts in week: 1) Tue. 12:00 - 14:00 Vorlesung online
weekly (starts in week: 1) Tue. 14:00 - 16:00 Übung online
Prof. Dr. Christof Büskens
03-M-WP-46Algebraische Topologie
Algebraic Topology

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Mon. 08:00 - 10:00 MZH 1100 Vorlesung
weekly (starts in week: 1) Thu. 08:00 - 10:00 MZH 1100 Vorlesung
weekly (starts in week: 1) Thu. 10:00 - 12:00 MZH 1100 Übung

2x 2SWS Vorlesung und 2SWS Übung.
Studiengänge: M-BM-Alg

Prof. Dr. Dmitry Feichtner-Kozlov
03-M-WP-47Nonlinear inverse problems: Analysis, applications, and algorithms

Lecture (Teaching)
ECTS: 9

Dates:
weekly (starts in week: 1) Mon. 10:00 - 12:00 MZH 5210 -gesperrt- Vorlesung online
weekly (starts in week: 2) Mon. 12:00 - 14:00 Übung online (Zoom)
weekly (starts in week: 1) Tue. 12:00 - 14:00 MZH 5210 -gesperrt- Vorlesung online

4V+2Ü

Peter Maaß
Tobias Kluth
03-M-WP-48Nichtlineare Funktionalanalysis

Lecture (Teaching)
ECTS: 4,5

Dates:
weekly (starts in week: 1) Tue. 10:00 - 12:00 Vorlesung online
PD Dr. Hendrik Vogt
04-M30-CP-SFT-3Trajectory Optimization (in English)

Lecture (Teaching)
ECTS: 4,5

Dates:
weekly (starts in week: 1) Mon. 14:00 - 15:30 Fragestunde + Tutorium (online)

online asynchron, Fragestunde/Questions Mo 14-16/mo 2pm-4pm

Matthias Knauer
Prof. Dr. Christof Büskens

Master: Seminare

Course numberTitle of eventLecturer
03-M-PS-14(Pro-) Seminar Analysis: Einführung in dynamische Systeme

Introductory seminar course (Teaching)
ECTS: 5/6

Dates:
weekly (starts in week: 1) Wed. 14:00 - 16:00 Seminar online
Prof. Dr. Jens Rademacher
03-M-SEM-1Seminar zur Numerik partieller Differentialgleichungen
Seminar on Numerical Methods for Partial Differential Equations

Seminar (Teaching)
ECTS: 6

Dates:
weekly (starts in week: 1) Mon. 16:00 - 18:00 MZH 1460 Seminar


Alfred Schmidt
03-M-SEM-13Wissenschaftliches Rechnen

Seminar (Teaching)
ECTS: 6

Dates:
weekly (starts in week: 1) Mon. 14:00 - 16:00 Seminar online
Prof. Dr. Andreas Rademacher
03-M-SEM-17High-Performance-Visualisierung
High-Performance Visualization
Ausgewählte Publikationen aus dem Bereich der Visualisierung großer wissenschaftlicher Datensätze

Seminar (Teaching)
ECTS: 6

Dates:
weekly (starts in week: 1) Thu. 14:00 - 16:00 Seminar online

Das Seminar beschäftigt sich mit den mathematischen Grundlagen der wissenschaftlichen Visualisierung und behandelt Methoden für das parallele Post-Processing großer wissenschaftlicher Datensätze. Solche Daten fallen in unterschiedlichsten wissenschaftlichen Anwendungen an. Sie entstehen zum einen durch Simulationen auf Hochleistungsrechnern (z.\ B. zur Unterstützung der Klimaforschung oder für die Vorhersage von Umströmung von Flugzeugflügeln). Sie können aber auch durch Messungen, wie bspw. durch Erdbeobachtungsmissionen, erzeugt werden. Um überhaupt erst aussagekräftige Informationen für die Visualisierung zu erhalten, müssen diese enorm großen Rohdaten zunächst prozessiert werden. Für eine anschließende explorative Analyse werden echtzeitfähige, interaktive Methoden benötigt, die wiederum auf hochparallele und effiziente Verfahren beruhen. Das Seminar greift daher aktuelle Trends in der wissenschaftlichen Visualisierung auf. Zur Auswahl stehen herausragende Publikationen führender Wissenschaftler, die Themen von Multi-Resolution-Extraktion von Toplologiemerkmalen bis hin zu parallelen Beschleunigungsverfahren für das Volumenrendering in virtuellen Arbeitsumgebungen behandeln.

Prof. Dr. Andreas Gerndt

Oberseminare

Course numberTitle of eventLecturer
03-M-OS-6Oberseminar: Deep Learning, Inverse Probleme und Datenanalyse
Research Seminar: Deep Learning, Inverse Problems and Data Analysis

Seminar (Teaching)

Termin nach Vereinbarung.
Studiengang: T-M

Peter Maaß
03-M-OS-7Oberseminar Mathematical Parameter Identification (in English)
Research Seminar - Mathematical Parameter Identification

Seminar (Teaching)

Dates:
weekly (starts in week: 1) Wed. 12:00 - 14:00


Tobias Kluth
03-M-OS-9Oberseminar Optimierung & Optimale Steuerung
Seminar Optimisation and Optimal Control

Seminar (Teaching)

Dates:
weekly (starts in week: 1) Thu. 08:00 - 10:00


Prof. Dr. Christof Büskens

Kolloquien

Course numberTitle of eventLecturer
03-M-KOL-1Mathematisches Kolloquium

Colloquium (Teaching)

Dates:
weekly (starts in week: 1) Tue. 16:00 - 18:00
Prof. Dr. Christine Knipping
Prof. Dr. Jens Rademacher

General Studies

Course numberTitle of eventLecturer
03-M-GS-2Modelle und Mathematik
Models and Math

Seminar (Teaching)
ECTS: 2

Dates:
weekly (starts in week: 1) Wed. 12:00 - 14:00 MZH 1090 Vorlesung
Ronald Stöver
03-M-GS-3Grundlegende Methoden der angewandten Statistik
Basic Methods of Applied Statistics

Lecture (Teaching)
ECTS: 6

Dates:
weekly (starts in week: 1) Fri. 08:00 - 10:00
weekly (starts in week: 1) Fri. 12:00 - 14:00 Übung
weekly (starts in week: 1) Fri. 14:00 - 16:00 Übung
Dr. Martin Scharpenberg
03-M-GS-13Forschungsdatenmanagement und Data Science
Research Data Management and Data Science

Seminar (Teaching)
ECTS: 3

Dates:
weekly (starts in week: 1) Wed. 16:00 - 18:00 Online Seminar online

Additional dates:
Thu. 03.12.20 16:00 - 18:00 Online
Fri. 29.01.21 11:15 - 12:45 Online

In den letzten Jahren schreitet die Digitalisierung in allen Lebensbereichen immer weiter voran. Innovative Technologien werden etabliert, neue Möglichkeiten eröffnen sich und gleichzeitig fallen immense Datenmengen an. Der digitale Wandel findet nicht nur in allen Fachdisziplinen der Wissenschaft, sondern auch in der Wirtschaft statt. Dabei hat sich das interdisziplinäre Wissenschaftsfeld Data Science entwickelt. Unter Anwendungen von verifizierten Methoden und Algorithmen werden Datensätze, ob strukturiert, komplex oder riesig groß zweckorientiert analysiert. Gängige Schlagwörter sind hierbei Data Mining, Machine Learning, Deep Learning und Artificial Intelligence. Data Science wird häufig als Schlüsseldisziplin angesehen, da sie zur Erkenntnisgewinnung in allen Fachrichtungen Anwendung findet. An Datenanalysemethoden und Softwaretools besteht demnach fächerübergreifend großes Interesse. Voraussetzung für Data Science sind Daten, die langfristig zugänglich sowie nutzbar sind. Zudem müssen die erzielten Analyseergebnisse reproduzierbar sein, was eine detaillierte Dokumentation der Daten selber und aller Vorgänge vorsieht. Dies erfordert ein gut durchdachtes Forschungsdatenmanagement gemäß den sogenannten „FAIR-Principles“ (Findable, Accessible, Interoperable und Reusable; Wilkinson et al., 2016). Hierbei gilt es neben intelligenten technischen Lösungen, besonders bei personenbezogenen Daten juristische und ethische Aspekte zu beachten, die in der wissenschaftlichen Gemeinschaft zurzeit stark diskutiert werden.

Laut der Gesellschaft für Informatik wird Data Science von folgenden übergeordneten Kompetenzfeldern begleitet: (1) Mathematik, (2) Informatik, (3) Kryptographie und Sicherheit, (4) Datenethik und Data Privacy, (5) Data Governance (Datenmanagement), (6) Datenintegration, (7) Datenvisualisierung, (8) Data Mining, (9) Maschinelles Lernen, (10) Business Intelligence, (11) Domänenspezifische Anwendungen und Kommunikation mit Fachexperten, (12) Implementierung von Data Science in der Organisation (Gesellschaft für Informatik e.V., 2019).

Ziel des Seminars ist es, einen interdisziplinären Überblick über aktuelle Themen aus diesen Kompetenzfeldern zu vermitteln. Dabei werden wenig technische und methodische Fähigkeiten vermittelt, sondern vielmehr die wesentlichen Anwendungsfelder und grundlegenden Ideen möglichst interdisziplinär erarbeitet. Dies geschieht nach einer generellen Einführung in Form von ausgearbeiteten Vorträgen und anschließenden Diskussionsrunden, zu denen wir Fachexperten und Expertinnen einladen werden. Des Weiteren werden basierend auf den Vorträgen Factsheets zu den einzelnen Themen ausgearbeitet, die bei späterer Anwendung der Inhalte behilflich sein sollen.

Gesellschaft für Informatik e.V. (2019): Arbeitspapier: Data Science: Lern- und Ausbildungsinhalte, https://gi.de/fileadmin/GI/Allgemein/PDF/GI_Arbeitspapier_Data-Science_2019-12_01.pdf. (Abgerufen am: 03.02.2020)

Wilkinson M et al. (2016) The FAIR Guiding Principles for scientific data management and stewardship. Sci Data 3, 160018. doi: 10.1038/sdata.2016.18

http://www.math.uni-bremen.de/~pigeot/pigeot_l.html

Prof. Dr. Iris Pigeot-Kübler
Frank Oliver Glöckner
Prof. Dr. Rolf Drechsler