Skip to content
  • Data Analytics and Machine Learning Group
  • TUM School of Computation, Information and Technology
  • Technical University of Munich
Technical University of Munich
  • Home
  • Team
    • Stephan Günnemann
    • Sirine Ayadi
    • Tim Beyer
    • Jonas Dornbusch
    • Eike Eberhard
    • Dominik Fuchsgruber
    • Nicholas Gao
    • Simon Geisler
    • Lukas Gosch
    • Filippo Guerranti
    • Leon Hetzel
    • Niklas Kemper
    • Amine Ketata
    • Marcel Kollovieh
    • Anna-Kathrin Kopetzki
    • Arthur Kosmala
    • Aleksei Kuvshinov
    • Richard Leibrandt
    • Marten Lienen
    • David Lüdke
    • Aman Saxena
    • Sebastian Schmidt
    • Yan Scholten
    • Jan Schuchardt
    • Leo Schwinn
    • Johanna Sommer
    • Tom Wollschläger
    • Alumni
      • Amir Akbarnejad
      • Roberto Alonso
      • Bertrand Charpentier
      • Marin Bilos
      • Aleksandar Bojchevski
      • Johannes Klicpera
      • Maria Kaiser
      • Richard Kurle
      • Hao Lin
      • John Rachwan
      • Oleksandr Shchur
      • Armin Moin
      • Daniel Zügner
  • Teaching
    • Sommersemester 2025
      • Advanced Machine Learning: Deep Generative Models
      • Applied Machine Learning
      • Seminar: Selected Topics in Machine Learning Research
      • Seminar: Current Topics in Machine Learning
    • Wintersemester 2024/25
      • Machine Learning
      • Seminar: Selected Topics in Machine Learning Research
      • Seminar: Current Topics in Machine Learning
    • Sommersemester 2024
      • Machine Learning for Graphs and Sequential Data
      • Advanced Machine Learning: Deep Generative Models
      • Applied Machine Learning
      • Seminar: Selected Topics in Machine Learning Research
    • Wintersemester 2023/24
      • Machine Learning
      • Applied Machine Learning
      • Seminar: Selected Topics in Machine Learning Research
      • Seminar: Machine Learning for Sequential Decision Making
    • Sommersemester 2023
      • Machine Learning for Graphs and Sequential Data
      • Advanced Machine Learning: Deep Generative Models
      • Large-Scale Machine Learning
      • Seminar
    • Wintersemester 2022/23
      • Machine Learning
      • Large-Scale Machine Learning
      • Seminar
    • Summer Term 2022
      • Machine Learning for Graphs and Sequential Data
      • Large-Scale Machine Learning
      • Seminar (Selected Topics)
      • Seminar (Time Series)
    • Winter Term 2021/22
      • Machine Learning
      • Large-Scale Machine Learning
      • Seminar
    • Summer Term 2021
      • Machine Learning for Graphs and Sequential Data
      • Large-Scale Machine Learning
      • Seminar
    • Winter Term 2020/21
      • Machine Learning
      • Large-Scale Machine Learning
      • Seminar
    • Summer Term 2020
      • Machine Learning for Graphs and Sequential Data
      • Large-Scale Machine Learning
      • Seminar
    • Winter Term 2019/2020
      • Machine Learning
      • Large-Scale Machine Learning
    • Summer Term 2019
      • Mining Massive Datasets
      • Large-Scale Machine Learning
      • Oberseminar
    • Winter Term 2018/2019
      • Machine Learning
      • Large-Scale Machine Learning
      • Oberseminar
    • Summer Term 2018
      • Mining Massive Datasets
      • Large-Scale Machine Learning
      • Oberseminar
    • Winter Term 2017/2018
      • Machine Learning
      • Oberseminar
    • Summer Term 2017
      • Robust Data Mining Techniques
      • Efficient Inference and Large-Scale Machine Learning
      • Oberseminar
    • Winter Term 2016/2017
      • Mining Massive Datasets
    • Sommersemester 2016
      • Large-Scale Graph Analytics and Machine Learning
    • Wintersemester 2015/16
      • Mining Massive Datasets
    • Sommersemester 2015
      • Data Science in the Era of Big Data
    • Machine Learning Lab
  • Research
    • Robust Machine Learning
    • Machine Learning for Graphs/Networks
    • Machine Learning for Temporal and Dynamical Data
    • Bayesian (Deep) Learning / Uncertainty
    • Efficient ML
    • Code
  • Publications
  • Open Positions
    • FAQ
  • Open Theses
  1. Home
  2. Barrierefreiheit

Erklärung zur Barrierefreiheit

Die Zentrale IT der Technischen Universität München hat sich zum Ziel gesetzt, ihre Webauftritte – auch in den mobilen Ansichten – im Einklang mit der Bayerischen E-Government-Verordnung (BayEGovV) barrierefrei zugänglich zu machen.

Diese Erklärung zur Barrierefreiheit gilt für die Webseiten, die mit dem Content Management System TYPO3 umgesetzt und unter web.typo3.tum.de/t3/webauftritte/ gelistet sind.

Stand der Vereinbarkeit mit den Anforderungen

Diese Webseiten stimmen teilweise mit den Vorgaben aus §1 BayBITV überein. Die Unvereinbarkeiten und Ausnahmen sind nachstehend aufgeführt.

Nicht barrierefreie Inhalte

  • Auf den Startseiten fehlen teilweise Informationen in Leichter Sprache und Gebärdensprache.
  • Auf den Seiten fehlen teilweise alternative Textinhalte für Bilder und Tabellen.
  • Es können Fehler in der Überschriftenhierarchie vorliegen oder Links unverständlich sein.
  • Nicht alle Dokumente liegen in einer barrierefreien Fassung vor.
  • Zu eingebundenen Videos stehen derzeit in den meisten Fällen keine Untertitel zur Verfügung.
  • Anderssprachige Wörter und Abschnitte sind nicht ausgezeichnet.
  • Karten, die der Anfahrtsbeschreibung dienen, müssen um eine Anfahrtsbeschreibung in Textform ergänzt werden.
  • Bei automatisch generiertem Inhalt wird auf gleichlautende Links verwiesen, die aber unterschiedliche Informationen beinhalten.

Begründung für nicht zugängliche Inhalte:

Als Universität verfügen wir über sehr umfangreiche und vielfältige Webauftritte, daher sind Fehler nicht gänzlich vermeidbar. Der Großteil dieser Webauftritte wurde vor dem 23. September 2018 veröffentlicht und entspricht daher nicht dem aktuellen Stand der Barrierefreiheit. Verschiedene Inhalte wie etwa Dateiformate aus Büroanwendungen (PDF-Dateien), die vor dem 23.09.2018 erstellt wurden, konnten derzeit noch nicht umgestellt werden. In einigen Fällen (insbesondere bei alten Fassungen der Benutzerinformation, der Jahresberichte oder Mitteilungsblätter, welche nur in Papierform vorliegen) ist eine Digitalisierung und anschließende Korrektur in ein barrierefreies Format derzeit nicht möglich. Die Umstellung auf barrierefreie Webauftritte ist bereits in Arbeit. Die Liveschaltung soll innerhalb der nächsten Monate erfolgen. Die Bereitstellung der Videos mit Audiotranskriptionen ist aufgrund des Umfangs des Videoarchivs noch nicht vollendet worden.

Erstellungsdatum

Die Erklärung wurde zuletzt am 15. Februar 2021 aktualisiert.
Die Bewertung basiert auf einer durchgeführten Selbstbewertung mit Unterstützung durch Dritte.

Feedback und Kontaktangaben

Etwaige Mängel in Bezug auf die Einhaltung der Barrierefreiheitsanforderungen können Sie uns mitteilen. Wenden Sie sich dazu bitte an:

Data Analytics and Machine Learning  Group
Boltzmannstr. 3
85748 Garching
stefanie.dietrich(at)tum.de
+49 89 289 17256

Durchsetzungsverfahren

Im Rahmen eines Durchsetzungsverfahrens können Sie bei der zuständigen Durchsetzungsstelle online einen Antrag auf Prüfung der Einhaltung der Anforderungen an die Barrierefreiheit stellen.

Kontaktdaten der Durchsetzungsstelle

Landesamt für Digitalisierung, Breitband und Vermessung
IT-Dienstleistungszentrum des Freistaats Bayern
Durchsetzungs- und Überwachungsstelle für barrierefreie Informationstechnik
St.-Martin-Straße 47
81541 München

E-Mail: bitv@bayern.de
Homepage: www.ldbv.bayern.de/digitalisierung/bitv.html

To top

Informatik 26 - Data Analytics and Machine Learning


Prof. Dr. Stephan Günnemann

Technische Universität München
TUM School of Computation, Information and Technology
Department of Computer Science
Boltzmannstr. 3
85748 Garching 

Sekretariat:
Raum 00.11.057
Tel.: +49 89 289-17256
Fax: +49 89 289-17257

  • Privacy
  • Imprint
  • Accessibility