update

Writerside/in.tree

@@ -80,6 +80,9 @@
             <toc-element topic="01_semantischeDatenmodellierungUndRelationenmodell.md"/>
         </toc-element>
         <toc-element toc-title="HCI">
+            <toc-element toc-title="Praktika">
+                <toc-element topic="Meilenstein1.md"/>
+            </toc-element>
             <toc-element topic="00_hci1.md"/>
         </toc-element>
         <toc-element toc-title="Informatik und Gesellschaft">
@@ -92,6 +95,7 @@
 
         <toc-element toc-title="Rechnernetze">
             <toc-element topic="00_RNIntroduction.md"/>
+            <toc-element topic="01_Internetworking.md"/>
         </toc-element>
         <toc-element toc-title="Software Engineering">
             <toc-element topic="00_Introduction.md"/>
@@ -101,7 +105,9 @@
         <toc-element toc-title="Theoretische Informatik">
             <toc-element toc-title="Übungen">
                 <toc-element topic="TIUebung1.md"/>
-
+            </toc-element>
+            <toc-element toc-title="Hausaufgaben">
+                <toc-element topic="ti_hausaufgabe1.md"/>
             </toc-element>
             <toc-element topic="01Einleitung.md"/>
             <toc-element topic="02_GrundlagenFormaleSprachen.md"/>

Writerside/topics/04/HCI/Praktikum/Meilenstein1.md

@@ -0,0 +1,12 @@
+# Meilenstein 1
+## Problemraum
+- Problem: 
+  - Ärzte haben wenig Zeit pro Patient
+    - (Durchschnitt ~7min)
+- Ziel:
+  - möglichst effizient viele Informationen darstellen
+    - um Überblick zu verschaffen
+    - um bei Entscheidungsfindung zu helfen
+- Abgrenzung zu anderen Themen:
+  - keine Diagnose der Patienten
+- 

Writerside/topics/04/Informatik und Gesellschaft/00_iug_1.md

@@ -1,5 +1,5 @@
 # Giray: Prompt Engineering with ChatGPT: A Guide for Academic Writers
-## **Allgemeines zur Prompt-Engineering**
+## **Allgemeines zum Prompt-Engineering**
 - Disziplin zur Entwicklung und Optimierung von Prompts für große Sprachmodelle (LLMs).
 - Besonders nützlich für akademisches Schreiben und Forschung.
 - Ziel: Effektive Nutzung von LLMs wie ChatGPT für Aufgaben wie Textgenerierung, Übersetzung etc.
@@ -28,13 +28,13 @@ Ein Prompt besteht aus vier Elementen:
 
 
 ## **Häufige Fehler beim Schreiben von Prompts**
-1. **Unklarheit (Ambiguity)** - Vage Prompts führen zu oberflächlichen Antworten.
+1. **Mehrdeutigkeit/Unklarheit (Ambiguity)** - Vage Prompts führen zu oberflächlichen Antworten.
 2. **Bias Reinforcement** - Vorurteilshafte Prompts verstärken Stereotype.
 3. **Overfitting** - Zu spezifisch, schränkt Outputvielfalt ein.
 4. **Mangelnder Kontext** - Führt zu ungenauen oder unvollständigen Antworten.
 5. **Ethische Probleme** - Aufforderung zu illegalem oder unethischem Verhalten.
 6. **Unbeabsichtigte Nebeneffekte** - Widersprüchliche Anweisungen führen zu sinnlosem Output.
-7. **Unrealistische Erwartungen** - LLMs können z. B. keine exakten Vorhersagen treffen.
+7. **Unrealistische Erwartungen** - LLMs können z.B. keine exakten Vorhersagen treffen.
 
 
 ## **Warum sollten Akademiker Prompt Engineering lernen?**
@@ -44,4 +44,33 @@ Ein Prompt besteht aus vier Elementen:
 - Prompt Engineering = eine Art „Programmierung“ für Texte.
 
 
+## Dialogpyramide
+### Was ist die zentrale Aussage in Bezug auf LLM/GenAi
+- sind leistungsstarke Werkzeuge für Content-Kreation, kreatives&wissenschaftliches Schreiben, Storytelling
+- über Prompt-Engineering können bessere Ergebnisse erzielt werden
 
+### Welche Chance bietet der Einsatz im Studium & Lehre
+- erhöhte Effizienz und Qualität im wissenschaftlichen Schreiben
+  - gezielte Texte generieren
+- bei Übersetzung können kulturelle Unterschiede besser ausgeglichen werden
+- gut für die Entwicklung neuer Forschungsideen, Lernaufgaben
+
+### Welche Begriffe/Argumente sind besonders diskussionswürdig?
+- in weit kann/sollte man genAI in Forschung und Lehre einsetzen
+- Ethical Considerations ist nicht wirklich Pitfall
+- Bestandteile eines „guten" Prompts
+
+### Welche offenen Fragen bleiben
+- Wie sollte genAI in Forschung und Lehre genau eingesetzt werden?
+- Wie sieht es aus mit Urheberrecht?
+- Kann genAI in Prüfungsleistungen eingesetzt werden?
+- Wie überprüft man Quellenkritik in von genAI kreierten Texten?
+- Muss man seine Prompt-Engineering-Techniken auf div. LLMs anpassen?
+- Richtigkeit des gesamten Textes
+
+### Wir haben eine dynamische Entwicklung - was ist in den Texten schon wieder überholt?
+- Man muss nicht mehr zwingend für jeden Prompt System-Kontext geben → customizable GPTs
+- Ethical Considerations müssen nicht zwingend beachtet werden, GPTs sind mittlerweile sowieso sehr restriktiv
+- Reasoning kann Prompting-Prozess erleichtern
+  - KI verbessert "schlechter" geschriebenen Prompt selbstständig
+- ChatGPT basiert nicht mehr nur auf Lern-Daten bis Ende 2021

Writerside/topics/04/Rechnernetze/00_RNIntroduction.md

@@ -148,7 +148,7 @@
 
 ![image_576.png](image_576.png)
 
-![image_598.png](image_598.png)
+![image_684.png](image_684.png)
 
 #### Hybrid-Modell: Schnittstellen
 ![image_577.png](image_577.png)

Writerside/topics/04/Rechnernetze/01_Internetworking.md

@@ -0,0 +1,111 @@
+# Internetworking
+> ![image_685.png](image_685.png)
+
+## MAC und IP-Adressen im Heimatnetzwerk
+![image_686.png](image_686.png)
+
+**Bleiben MAC und IP-Adresse immer gleich?**
+- MAC-Adresse
+  - gelten nur im LAN
+- IP-Adresse
+  - muss unverändert festbleiben
+
+## MAC-Adressierung
+### Beispiel Ethernet-Header
+![image_687.png](image_687.png)
+
+### Beispiel WLAN-Header
+![image_688.png](image_688.png)
+- nicht mehr nur Quell- und Zieladresse
+- gezwungener Nachrichtenweg über den Router
+
+
+## Übersicht Network-Layer
+> ![image_689.png](image_689.png)
+
+### IP und ICMP
+- **Eigenschaften**
+  - IP
+    - stellt Header im Network Layer zur Verfügung
+      - einfache Spezifikation auf beiden Seiten
+      - einziges Problem: Fragmentierung von IP-Paketen
+  - ICMP
+    - Fehlermeldungen und Test des Netzwerks
+      - Zwischen Host/Router und Router
+      - Fehler werden verursacht durch
+        - fehlerhafte IP-Pakete
+        - "Nichterreichbarkeit" von Netzen, Hosts, Routern, Diensten
+    - Kein Client von L3, sondern von IP
+
+#### Internet Protocol V4
+- realisiert verbindungslose Kommunikation auf L3
+- bietet Hardware-unabhängiges Paketformat
+- ![image_690.png](image_690.png)
+
+##### IPv4 Adressierung
+![image_691.png](image_691.png)
+- Netz
+  - _bspw. anderes Netz für MK/FBI_
+  - je feiner man die trennt, desto besser ist Performance, Sicherheit
+- Host
+  - Endgerät
+  - braucht eine individuelle IP-Adresse
+
+
+###### Subnetting
+- gleich großer Host/Netz Anteil
+- Falls man vom einen mehr braucht → umrechnen
+
+#### ICMP
+![image_699.png](image_699.png)
+
+
+
+## Einfaches Internetwork als Beispiel
+![image_692.png](image_692.png)
+- von H1 aus zu H8
+  - R1 packt es aus, schaut wohin, packt es ein und weiter
+  - R2 packt es aus, schaut wohin, packt es ein und weiter
+  - R3 packt es aus, schaut wohin, packt es ein und weiter
+
+![image_693.png](image_693.png)
+- PPP hat weniger max. Payload als ETH
+  - IP muss fragmentieren in kleinere Pakete
+
+- Zwei wichtige Punkte
+  - Jedes Fragment ist ein in sich abgeschlossenes IP-Diagramm
+    - Übertragung unabhängig von anderen Fragmenten über eine Reihe physikalischer Netzwerke
+  - Jedes IP-Diagramm wird für jedes zu durchquerendes physikalische Netzwerk in ein entsprechendes Frame gekapselt
+
+
+### Laptop and DevBoard communication within LAN
+#### Step 0: Überblick
+![image_694.png](image_694.png)
+
+#### Step 1: Open the Webbrowser and Enter IP Address for the Development Board
+#### Step 2: PC Generates and Transmits a Frame
+![image_695.png](image_695.png)
+
+#### Step 3: Frame is Forwarded through the Switch
+![image_696.png](image_696.png)
+- falls nicht bekannt an welchem Port die richtige MAC-Adresse hängt
+  - an alle (bis auf Sender-Port, da ist MAC-Adresse ja bekannt) rausschicken
+
+#### Step 4: Frame arrives at the Development Board and is forwarded to the Webserver
+![image_697.png](image_697.png)
+- auf jedem Layer überprüfen ob an richtiger Stelle
+  - Layer 2: MAC richtig?
+  - Layer 3: IP richtig?
+  - Layer 4: PortNumber running auf dem device?
+
+#### Step 5: Webserver on DevBoard generates Frame and sends the page to the pc
+![image_698.png](image_698.png)
+
+#### Step 6: Step 3 with new frame
+- Frame kommt am Switch an
+- Switch schaut, ob er die MAC kennt 
+- Switch sendet weiter an PC (Port 3)
+- PC öffnet frame und schaut, ob er für ihn ist
+- PC öffnet Packet und schaut, obs passt
+- PC öffnet Message 
+

Writerside/topics/04/Theoretische Informatik/Hausaufgaben/ti_hausaufgabe1.md

@@ -0,0 +1,93 @@
+# Hausaufgabe 1
+## Übung 1
+![image_681.png](image_681.png)
+### 1a
+i)
+- $s_1 = (xy)(xy)(xy)zzyxxxx ∈ Σ^*$
+- $s_2 = zzzzyyyx ∈ Σ^*$
+
+ii)
+- $s_i = \{zy, zzxyy, zzzxxyyy\} ∈ Σ^*$
+
+iii)
+- $s_{ij} = \{xxyzz, xxxyzzz, xxyzzzzz, xxxyzzzzzz\} ∈ Σ^*$
+
+### 1b
+i)
+- Für eine Zeichenkette der Länge n gibt es genau n + 1 Präfixe, nämlich:
+  - ε (die leere Zeichenkette)
+  - s[0]
+  - s[0..1]
+  - s[0..2]
+  - ...
+  - s[0..n-1] (die vollständige Zeichenkette)
+- Da |s| = 10, ergibt das:
+  - **Antwort: 11 Präfixe**
+
+ii)
+- Für eine Zeichenkette der Länge n gibt es genau n − 1 solche Teilzeichenketten (man beginnt bei Index 0 bis n−2).
+- Hier gilt |s| = 10, also:
+  - **Antwort: 9 Teilzeichenketten der Länge 2**
+
+iii)
+- Ein Suffix ist jede Zeichenkette, die man erhält, wenn man von einem bestimmten Index i (inkl. i) bis zum Ende der Zeichenkette geht. Auch hier gilt: Die leere Zeichenkette (Suffix, das am Ende beginnt) zählt mit.
+- Also gibt es genau n + 1 Suffixe.
+  - Antwort: n + 1 Suffixe
+
+## Übung 2
+![image_682.png](image_682.png)
+### 2a
+i)
+- $L_1=\{uhu⋅x⋅vw | x ∈ Σ^*\}$
+
+ii)
+- $L_2=\{xx⋅u⋅yzyz⋅v∣u,v∈Σ^*\}$
+
+iii)
+- $L_3=\{w∈{0,1,2}^*∣\#_1(w)=2⋅(\#_0(w)+\#_2(w))\}$
+
+
+### 2b
+- Anforderungen Python: 
+  - Muss mit einem Buchstaben (a–z, A–Z) oder Unterstrich (_) beginnen
+  - Danach: beliebig viele Buchstaben, Ziffern (0–9) oder Unterstriche 
+  - Keine Schlüsselwörter erlaubt, aber das ignorieren wir in dieser formalen Beschreibung
+- Alphabet Σ:
+  - $Σ=\{a,…,z,A,…,Z,0,…,9,_\}$
+- Formale Sprache $L{PyVars}$:
+  - $L{PyVars}=\{w∈Σ^*∣w=a_1a_2…a_n,a_1∈\{a-z,A-Z,\_\},a_i∈\{a-z,A-Z,0-9,\_\} für: {i=2…n}\}$ ⊆ $Σ^*$
+
+
+## Übung 3
+![image_683.png](image_683.png)
+### 3a
+- $Σ=\{<,>,/,d,i,v\}$
+- gültige Tags: `<div>`, `</div>`
+- Formale Sprache:
+  - $L_{DivTagsNoAttr} = \{<div>, </div>\} ⊆ Σ^*$
+
+### 3b
+- gültiger Beispieltag: `<div name1=wert1 name2=wert2>`
+  - _Attribute sind durch Leerzeichen getrennt, die Werte nicht in Anführungszeichen_
+- Neues Alphabet: $Σ=\{<,>,/, \space,d,i,v,a,b,...,z\}$
+- Syntax für ein Attribut:
+  - `name=wert`, wobei $name, wert ∈ \{a,...,z\}^+$
+  - $attr ::= a^+=a^+$
+- Start-Tag mit beliebig vielen Attributen:
+  - `div attr1 attr2 ... attrn>`
+  - $<div(\textvisiblespace a^+=a^+)^*>$
+- End-Tag wie vorher
+  - $</div>$
+- > $L_{DivTags}=\{\{<div>\}, \{<div(\textvisiblespace a^+=a^+)^*>\}, \{</div>\}\} ⊆ Σ^*$
+
+$$
+L_{\text{DivTags}} =
+\left\{
+\begin{aligned}
+&\langle \text{div} \rangle, \\
+&\langle \text{div}(\textvisiblespace a^+ = a^+)^* \rangle, \\
+&\langle / \text{div} \rangle
+\end{aligned}
+\right\}
+\subseteq \Sigma^*
+$$