Revision [1c5b9a7]
Letzte Änderung am 2019-11-19 13:10:02 durch Oksana Neopagitova
ADDITIONS
#### **<span style="color:#00386a">Tutorium: Python Programmierung (Bachelorstudiengang)</span>**


#### [Zu den Inhalten](http://wiki.hs-schmalkalden.de/CIPythonMaster)

**<span style="color:#00386a">1. Tutor:</span>** Chris Gerlach

**<span style="color:#00386a">2. Ziel des Tutoriums:</span>**

Ziel ist das Erlernen der Programmiersprache Python in den Grundbausteinen, sowie in Bezug auf die Computerbasierte Intelligenz.
Wir werden anfäglich die Grundbausteine der Programmiersprache legen. Anschließend werden wir Bezug auf die Übungen, von der Veranstaltung Computerbasierte Intelligenz, nehmen und diese Aufgaben, sowie weiteres, in Python nachprogrammieren.

**<span style="color:#00386a">3. Adressaten des Lehrangebotes:</span>**

Master Medieninformatik
Master Applied Computer Since
Master Informatik und IT-Management

**<span style="color:#00386a">4. Teilnahme:</span>**

Benachrichtigung über Stud-IP Veranstaltung

Voraussetzungen:
Grundkenntnisse in der allgemeinen Programmierung

Bei Fragen können Sie sich gerne an mich wenden:
c.gerlach@stud.fh-sm.de


**<span style="color:#00386a">5. Veranstaltungsinhalte:</span>**

>>* Allgemeine Einführung
>>>* Datentypen, Abfragen, Schleifen, Exception etc.
>>* OOP, Multithreading
>>>* Funktionen, Module, Klassen, Multithreading
>>* Databasconnection
>>* Klassifizierungsverfahren
>>>* k-Nearest Neighbors (kNN)
>>>* k-Means
>>>* Fuzzy k-Means
>>* Neuronales Netz


#### [>> Zu den Inhalten](http://wiki.hs-schmalkalden.de/CIPythonMaster)
DELETIONS
#### <span style="color:#00386a">Tutorium: Python Programmierung (Bachelorstudiengang)</span>**
#### [Zu den Inhalten](http://wiki.hs-schmalkalden.de/CIPythonMaster)
**<span style="color:#00386a">Tutor</span>**
Chris Gerlach
**<span style="color:#00386a">Ziel des Tutoriums:</span>**
Ziel ist das Erlernen der Programmiersprache Python in den Grundbausteinen, sowie in Bezug auf die Computerbasierte Intelligenz.
Wir werden anfäglich die Grundbausteine der Programmiersprache legen. Anschließend werden wir Bezug auf die Übungen, von der Veranstaltung Computerbasierte Intelligenz, nehmen und diese Aufgaben, sowie weiteres, in Python nachprogrammieren.
**<span style="color:#00386a">Adressaten des Lehrangebotes:</span>**
Master Medieninformatik
Master Applied Computer Since
Master Informatik und IT-Management
**<span style="color:#00386a">Teilnahme:</span>**
Benachrichtigung über Stud-IP Veranstaltung
Voraussetzungen:
Grundkenntnisse in der allgemeinen Programmierung
Bei Fragen können Sie sich gerne an mich wenden:
c.gerlach@stud.fh-sm.de
**<span style="color:#00386a">6. Veranstaltungsinhalte:</span>**
>>* Allgemeine Einführung
>>>* Datentypen, Abfragen, Schleifen, Exception etc.
>>* OOP, Multithreading
>>>* Funktionen, Module, Klassen, Multithreading
>>* Databasconnection
>>* Klassifizierungsverfahren
>>>* k-Nearest Neighbors (kNN)
>>>* k-Means
>>>* Fuzzy k-Means
>>* Neuronales Netz
#### [>> Zu den Inhalten](http://wiki.hs-schmalkalden.de/CIPythonMaster)
***
CategoryTutorienFKITWS1819;CategoryTutorienFKITSS19
Revision [a80d339]
Bearbeitet am 2019-04-10 15:28:17 von ClaudiaMichel
ADDITIONS
#### [>> Zu den Inhalten](http://wiki.hs-schmalkalden.de/CIPythonMaster)
***
CategoryTutorienFKITWS1819;CategoryTutorienFKITSS19
DELETIONS
#### [>> Zu den Inhalten](http://wiki.hs-schmalkalden.de/CIPythonMaster)
Revision [8f5722f]
Bearbeitet am 2019-01-04 15:18:50 von ChrisGerlach
ADDITIONS
#### <span style="color:#00386a">Tutorium: Python Programmierung (Bachelorstudiengang)</span>**
#### [Zu den Inhalten](http://wiki.hs-schmalkalden.de/CIPythonMaster)
**<span style="color:#00386a">Tutor</span>**
Chris Gerlach
**<span style="color:#00386a">Ziel des Tutoriums:</span>**
Ziel ist das Erlernen der Programmiersprache Python in den Grundbausteinen, sowie in Bezug auf die Computerbasierte Intelligenz.
Wir werden anfäglich die Grundbausteine der Programmiersprache legen. Anschließend werden wir Bezug auf die Übungen, von der Veranstaltung Computerbasierte Intelligenz, nehmen und diese Aufgaben, sowie weiteres, in Python nachprogrammieren.
**<span style="color:#00386a">Adressaten des Lehrangebotes:</span>**
Master Medieninformatik
Master Applied Computer Since
Master Informatik und IT-Management
**<span style="color:#00386a">Teilnahme:</span>**
Benachrichtigung über Stud-IP Veranstaltung
Voraussetzungen:
Grundkenntnisse in der allgemeinen Programmierung
Bei Fragen können Sie sich gerne an mich wenden:
c.gerlach@stud.fh-sm.de
**<span style="color:#00386a">6. Veranstaltungsinhalte:</span>**
>>* Allgemeine Einführung
>>>* Datentypen, Abfragen, Schleifen, Exception etc.
>>* OOP, Multithreading
>>>* Funktionen, Module, Klassen, Multithreading
>>* Databasconnection
>>* Klassifizierungsverfahren
>>>* k-Nearest Neighbors (kNN)
>>>* k-Means
>>>* Fuzzy k-Means
>>* Neuronales Netz
#### [>> Zu den Inhalten](http://wiki.hs-schmalkalden.de/CIPythonMaster)
DELETIONS
#### <span style="color:#00386a">Tutorium: Python Programmierung (Masterstudiengang)</span>**
In diesem Tutorium für den Masterstudiengang wird eine Einführung in Python stattfinden. Im spatäteren Verlauf werden wir ein bisschen auf die Vorverarbeitung und verschiedenen Klassifizierungsmethoden, sowie Neuronale Netze eingehen und die Kenntnisse von der Vorlesung Mustererkennung, gehalten von Herrn Porf. Golz, gefestigt.
Somit ist es für dieses Tutorium wichtig gewisse Vorkenntnisse von Mustererkennung mitzubringen.

**<span style="color:#00386a">Vorbereitung</span>**
In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die VErsion und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
Die Folien und Beispieldaten zu den Grundlagen sowie Multiprocessing können Sie hier herunterladen: **<span style="text-decoration:underline;">{{files download="Vorlesung_1_und_2.rar" text="Vorlesung 1 & 2 mit Aufgaben}}</span>**
**<span style="color:#00386a">Diskrete Fourier Tarnsformation</span>**
In diesem Abschnitt des Tutoriums wird die Vorverarbeitung durch die Diskrete Fourier Transformation grundlegend erläutert. Durch dieses tutorium soll das Verständnis der DFT und die Wichtigkeit der Vorverarbeitung dargestellt werde, sowie Verständniss für die mathematischen Abbildungen und der Formel der DFT. Wodurch folgende Gliederung gewählt wurde:
1) Aufgabe der DFT
2) Mathematische Darstellung
>>1) Signal
>>2) Frequenzspektrum
>>3) Phasenspektrum
>>4) Betragsspektrum
3) DFT als Programm
>>1) Beispiel für DFT
Die DFT hat den Zweck ein Siganl/Funktion, welches Zeitabhängig ist, in eine periodische Funktion welche Frequenzabhängig ist umzuwandeln. Durch diese Transformationen sind mehr Daten vorhanden, weil diese Funktion eine Komplexwertige Funktion ist. Dies ist in sofern wichtig, da fürs Maschinelle Lernen sehr viele Datensätze enorm wichtig sind. Die verschiedenen Abbildungsformen zeigen wir an einem Beispiel. Das Betragsspektrum stellt den Realteil der Komplexwertigen Funktion da. Das Phasenwinkel hingegen den Imaginär Teil der Funktion.
Hier sind Beispielabbildungen des Phasen- und Betragsspektrums, sowie die Mathemtische Formel.
![image](/uploads/TutoriumPythonProgrammierungMaster/MathematischeFormel.PNG?width=700)
![image](/uploads/TutoriumPythonProgrammierungMaster/Unbenannt2.PNG?width=775) ![image](/uploads/TutoriumPythonProgrammierungMaster/Phasenspektrum.PNG?width=790)
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **<span style="text-decoration:underline;">[DFT](/files/TutoriumPythonProgrammierungMaster/DFT.zip)</span>**
**<span style="color:#00386a">k-Nearest-Neighbors (KNN)</span>**
k-Nearest Neighbors ist ein Klassifikationsverfahren, welches aufgrund der k nächsten Nachbarn eine Klassifizierung vornimmt. Diese Bestimmung wird anhand eines Distanzmaßes vorgenommen, das meist gewählt ist das euklidische Distanzberechnung.
![image](/uploads/TutoriumPythonProgrammierungMaster/euklidischeDistanzmass.PNG?width=700)
![image](/uploads/TutoriumPythonProgrammierungMaster/Abbknn.PNG?width=300)
Vorgestellt wird eine Eigenimplimentierung und ein Packages, welches diese Klassifizierungsmethode vorimplimentiert enthält.
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **<span style="text-decoration:underline;">[KNN](/files/TutoriumPythonProgrammierungMaster/knn.zip)</span>**
**<span style="color:#00386a">Gustafson-Kessel</span>**
Der Gustafson-Kessel-Algorithmus ist eine Erweiterung des Fuzzy k-Means. Durch diese Erweiterung ist es möglich den Richtungssinn von Daten zu erfassen.
Aber was heißt das ?
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: **<span style="text-decoration:underline;">[Tutorium Python - Bachelor](http://wiki.hs-schmalkalden.de/CIPythonB)</span>**
Um dies zu realisieren wird beim Gustafson-Kessel-Algorithmus ein besonderes Distanzmaß, die Skalierte Mahalanobis Distanz.
![image](/uploads/TutoriumPythonProgrammierungMaster/Gustafson.PNG?width=700)
Nach der Theorie wird wieder eine Eigenimplementierung dieses Algorihtmuses vorgestellt, um das Verständnis zu festigen.
Die Folien und Beispieldaten zu dem Gustafson-Kessel-Algorithmus können Sie hier herunterladen: **<span style="text-decoration:underline;">[Fuzzy k-Means und Erweiterung](/files/TutoriumPythonProgrammierungMaster/Python_4_2.zip)</span>**
**<span style="color:#00386a">Neuronale Netze</span>**
In diesem Kapitel behandelen wir als erstes das einfachste Neuronale Netz. Das Neuronale Netz hat seinen Namen von den menschlichen Neuronalen Netzten, da wir ein solches Netz simulieren. Dieses nennt sich Pperzeptron. In diesen Neuronalen Netz gibt es keine Hidden-Neurone. Mit diesen Netzwerk können einfache Funktion wie and/or gelernt werden. Im Neuronalen Netz hat jedes Neuron eine eigene wichtung, durch eine Summenbildung des Eingangswertes und das Gewicht dieses Neurons werden Entscheidungen getroffen. Bei komplexeren Neuronalen Netzen kommt es auch drauf an welche Neuronen angesprochen werden.
Das Perzeptron haben wir an dem Beispiel der or-Funktion Vorgestellt. Desweitern haben wir eine Projektaufgabe bei der das Perzeptron auf eine and-Funktion umzuprogrammieren.
Hier ist der Aufbau des Perzeptrons dargestellt:
![image](/uploads/TutoriumPythonProgrammierungMaster/Perzeptron.PNG)
Die Folien und Beispieldaten zu dem Perzeptron können Sie hier herunterladen: **<span style="text-decoration:underline;">[Neuronale Netze](/files/TutoriumPythonProgrammierungMaster/NeuronaleNetze.zip)</span>**
**<span style="color:#00386a">Noch mögliche Vorlesungspunkte in kommenden Semestern</span>**
>>* Random Forest
>>* Vertiefende Beispiele Neuronale Netzte (z.B. Bild Unterscheidung Katze/Hund)
>>* Vertiefende Beispiele SVM
Revision [013f7c0]
Bearbeitet am 2018-08-28 14:50:03 von ChrisGerlach
ADDITIONS
Die Folien und Beispieldaten zu den Grundlagen sowie Multiprocessing können Sie hier herunterladen: **<span style="text-decoration:underline;">{{files download="Vorlesung_1_und_2.rar" text="Vorlesung 1 & 2 mit Aufgaben}}</span>**
Hier sind Beispielabbildungen des Phasen- und Betragsspektrums, sowie die Mathemtische Formel.
![image](/uploads/TutoriumPythonProgrammierungMaster/MathematischeFormel.PNG?width=700)
![image](/uploads/TutoriumPythonProgrammierungMaster/Unbenannt2.PNG?width=775) ![image](/uploads/TutoriumPythonProgrammierungMaster/Phasenspektrum.PNG?width=790)
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **<span style="text-decoration:underline;">[DFT](/files/TutoriumPythonProgrammierungMaster/DFT.zip)</span>**
k-Nearest Neighbors ist ein Klassifikationsverfahren, welches aufgrund der k nächsten Nachbarn eine Klassifizierung vornimmt. Diese Bestimmung wird anhand eines Distanzmaßes vorgenommen, das meist gewählt ist das euklidische Distanzberechnung.
![image](/uploads/TutoriumPythonProgrammierungMaster/euklidischeDistanzmass.PNG?width=700)
![image](/uploads/TutoriumPythonProgrammierungMaster/Abbknn.PNG?width=300)
Vorgestellt wird eine Eigenimplimentierung und ein Packages, welches diese Klassifizierungsmethode vorimplimentiert enthält.
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **<span style="text-decoration:underline;">[KNN](/files/TutoriumPythonProgrammierungMaster/knn.zip)</span>**
Der Gustafson-Kessel-Algorithmus ist eine Erweiterung des Fuzzy k-Means. Durch diese Erweiterung ist es möglich den Richtungssinn von Daten zu erfassen.
Aber was heißt das ?
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: **<span style="text-decoration:underline;">[Tutorium Python - Bachelor](http://wiki.hs-schmalkalden.de/CIPythonB)</span>**
Um dies zu realisieren wird beim Gustafson-Kessel-Algorithmus ein besonderes Distanzmaß, die Skalierte Mahalanobis Distanz.
![image](/uploads/TutoriumPythonProgrammierungMaster/Gustafson.PNG?width=700)
Nach der Theorie wird wieder eine Eigenimplementierung dieses Algorihtmuses vorgestellt, um das Verständnis zu festigen.
Die Folien und Beispieldaten zu dem Gustafson-Kessel-Algorithmus können Sie hier herunterladen: **<span style="text-decoration:underline;">[Fuzzy k-Means und Erweiterung](/files/TutoriumPythonProgrammierungMaster/Python_4_2.zip)</span>**
In diesem Kapitel behandelen wir als erstes das einfachste Neuronale Netz. Das Neuronale Netz hat seinen Namen von den menschlichen Neuronalen Netzten, da wir ein solches Netz simulieren. Dieses nennt sich Pperzeptron. In diesen Neuronalen Netz gibt es keine Hidden-Neurone. Mit diesen Netzwerk können einfache Funktion wie and/or gelernt werden. Im Neuronalen Netz hat jedes Neuron eine eigene wichtung, durch eine Summenbildung des Eingangswertes und das Gewicht dieses Neurons werden Entscheidungen getroffen. Bei komplexeren Neuronalen Netzen kommt es auch drauf an welche Neuronen angesprochen werden.
Das Perzeptron haben wir an dem Beispiel der or-Funktion Vorgestellt. Desweitern haben wir eine Projektaufgabe bei der das Perzeptron auf eine and-Funktion umzuprogrammieren.
Hier ist der Aufbau des Perzeptrons dargestellt:
![image](/uploads/TutoriumPythonProgrammierungMaster/Perzeptron.PNG)
Die Folien und Beispieldaten zu dem Perzeptron können Sie hier herunterladen: **<span style="text-decoration:underline;">[Neuronale Netze](/files/TutoriumPythonProgrammierungMaster/NeuronaleNetze.zip)</span>**
>>* Random Forest
>>* Vertiefende Beispiele Neuronale Netzte (z.B. Bild Unterscheidung Katze/Hund)
>>* Vertiefende Beispiele SVM
DELETIONS
Die Folien und Beispieldaten zu den Grundlagen sowie Multiprocessing können Sie hier herunterladen: **<span style="text-decoration:underline;">[Vorlesung 1 & 2 mit Aufgaben](/files/TutoriumPythonProgrammierungMaster/Vorlesung_1_2_mit_Aufgaben.zip)</span>**
Revision [6d21d13]
Bearbeitet am 2018-08-27 20:48:56 von ChrisGerlach
ADDITIONS
#### <span style="color:#00386a">Tutorium: Python Programmierung (Masterstudiengang)</span>**
In diesem Tutorium für den Masterstudiengang wird eine Einführung in Python stattfinden. Im spatäteren Verlauf werden wir ein bisschen auf die Vorverarbeitung und verschiedenen Klassifizierungsmethoden, sowie Neuronale Netze eingehen und die Kenntnisse von der Vorlesung Mustererkennung, gehalten von Herrn Porf. Golz, gefestigt.
Somit ist es für dieses Tutorium wichtig gewisse Vorkenntnisse von Mustererkennung mitzubringen.

**<span style="color:#00386a">Vorbereitung</span>**
In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die VErsion und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
Die Folien und Beispieldaten zu den Grundlagen sowie Multiprocessing können Sie hier herunterladen: **<span style="text-decoration:underline;">[Vorlesung 1 & 2 mit Aufgaben](/files/TutoriumPythonProgrammierungMaster/Vorlesung_1_2_mit_Aufgaben.zip)</span>**
**<span style="color:#00386a">Diskrete Fourier Tarnsformation</span>**
In diesem Abschnitt des Tutoriums wird die Vorverarbeitung durch die Diskrete Fourier Transformation grundlegend erläutert. Durch dieses tutorium soll das Verständnis der DFT und die Wichtigkeit der Vorverarbeitung dargestellt werde, sowie Verständniss für die mathematischen Abbildungen und der Formel der DFT. Wodurch folgende Gliederung gewählt wurde:
1) Aufgabe der DFT
2) Mathematische Darstellung
>>1) Signal
>>2) Frequenzspektrum
>>3) Phasenspektrum
>>4) Betragsspektrum
3) DFT als Programm
>>1) Beispiel für DFT
Die DFT hat den Zweck ein Siganl/Funktion, welches Zeitabhängig ist, in eine periodische Funktion welche Frequenzabhängig ist umzuwandeln. Durch diese Transformationen sind mehr Daten vorhanden, weil diese Funktion eine Komplexwertige Funktion ist. Dies ist in sofern wichtig, da fürs Maschinelle Lernen sehr viele Datensätze enorm wichtig sind. Die verschiedenen Abbildungsformen zeigen wir an einem Beispiel. Das Betragsspektrum stellt den Realteil der Komplexwertigen Funktion da. Das Phasenwinkel hingegen den Imaginär Teil der Funktion.
**<span style="color:#00386a">k-Nearest-Neighbors (KNN)</span>**
**<span style="color:#00386a">Gustafson-Kessel</span>**
**<span style="color:#00386a">Neuronale Netze</span>**
**<span style="color:#00386a">Noch mögliche Vorlesungspunkte in kommenden Semestern</span>**
DELETIONS
#### <span style="color:#00386a">Tutorium: Python Programmierung (Masterstudiengang)</span> ****<span style="color:#00386a">1. Tutoren:</span> **Chris Gerlach**<span style="color:#00386a">2. Ziel des Tutoriums:</span> ****<span style="color:#00386a">3. Adressaten des Lehrangebotes:</span>**
**<span style="color:#00386a">4. Teilnahme:</span>**
**<span style="color:#00386a">5. Veranstaltungsdatum/-zeit/-ort:</span>**
**<span style="color:#00386a">6. Veranstaltungsinhalte:</span>**
**<span style="color:#00386a">7. Literaturhinweise:</span>**
**<span style="color:#00386a">8. Aufgaben:</span>**
Revision [65b080d]
Bearbeitet am 2018-08-20 16:52:24 von ClaudiaMichel
DELETIONS
***
CategoryInfoTutorien
Revision [07103d0]
Die älteste bekannte Version dieser Seite wurde von ClaudiaMichel am 2018-04-03 11:07:44 erstellt
ADDITIONS
#### <span style="color:#00386a">Tutorium: Python Programmierung (Masterstudiengang)</span> ****<span style="color:#00386a">1. Tutoren:</span> **Chris Gerlach**<span style="color:#00386a">2. Ziel des Tutoriums:</span> ****<span style="color:#00386a">3. Adressaten des Lehrangebotes:</span>**
**<span style="color:#00386a">4. Teilnahme:</span>**
**<span style="color:#00386a">5. Veranstaltungsdatum/-zeit/-ort:</span>**
**<span style="color:#00386a">6. Veranstaltungsinhalte:</span>**
**<span style="color:#00386a">7. Literaturhinweise:</span>**
**<span style="color:#00386a">8. Aufgaben:</span>**
***
CategoryInfoTutorien