Beschreibung einzelner Lerneinheiten (ECTS-Lehrveranstaltungsbeschreibungen) pro Semester

• Ingenieursmathematik
• Lineare Algebra
• Wahrscheinlichkeitsrechnung/Statistik
• Grundlagen der Programmierung

Einführung in Künstliche Intelligenz
• Begriffsdefinitionen: Künstliche Intelligenz, Machine Learning, Deep Learning, Data Science
• Historie und aktuelle Entwicklungen
• Anwendungsbeispiele (allgemein und in der Technik)

Einführung in die Grundlagen der klassischen Datenanalyse
• Datenstrukturen: Samples, Features, Target
• Statistische Grundlagen: (Co-)Varianz, Korrelation, statistischer Zusammenhang vs. Kausalität
• Cross Validation: Lern- und Testdatensätze, Fit und Prognose
• Supervised Learning: Regression vs. Klassifikation, k-Nearest Neighbors, Lineare und Logistische Regression, Linear Support Vector Machines, Decision Trees
• Unsupervised Learning: Clustering, Scaling

Grundlagen des überwachten Lernens auf Basis neuronaler Netze (NN)
• NN-Architekturen, Neuronenmodelle und Aktivierungsfunktionen
• Lernverfahren für vorwärtsgekoppelte Netzwerke einschließlich Error-Backpropagation
• Generalisierung und Bias-Varianz-Dilemma

Deep-Learning Architektur einschließlich Convolutional NN (CNN)
• Klassifizierung von Bildern mittels CNN

Sequenzmodell (Recurrent NN) zur Lastvorhersage
• Grundidee von LSTM
• Grundidee von Transformer

Grundlagen von Reinforcement Learning
• Erklärung von grundlegenden Begriffen wie State, Action, Environment, Agent oder Policy
• Q-Learning
• Deep Learning

Nach erfolgreichem Abschluss dieser Lehrveranstaltung sind Studierende in der Lage,

• grundlegende Ideen der Lernverfahren zu erläutern;
• den Unterschied zwischen Korrelation und Kausalität zu erklären;
• klassische Tools wie k-Nearest Neighbors, Clustering und Decision Trees zu verstehen, anzuwenden und die Ergebnisse zu interpretieren;
• Netzwerk-Architekturen und Neuronenmodelle/Aktivierungsfunktionen zu erklären;
• Fehler/Verlustfunktionen sowie die Idee der Error-Backpropagation zu erläutern;
• Anwendungsbereiche verschiedener Methoden zu erklären;
• Anwendung von Standard-Frameworks wie PyTorch/sklearn zur Umsetzung von Machine Learning oder Data Science

• Vorlesungen
• Programmierübungen, Programmierprojekte
• Coaching

• Schriftliche Gesamtprüfung (80%)
• Übungsabgaben (20%)

Für eine positive Gesamtnote müssen insgesamt über alle Prüfungsteile mindestens 50% der Punkte erzielt werden.

--

• Goodfellow, I., Bengio, Y., Courville, A. (2016): Deep Learning. MIT Press. http://www.deeplearningbook.org/
• Guido, Sarah; Müller, Andreas C. (2016): Introduction to Machine Learning with Python: A Guide for Data Scientists. Sebastopol, CA: O’Reilly UK Ltd.

·         Präsenzveranstaltung. Die Studierenden werden vor Beginn der Lehrveranstaltung über die Anwesenheitsvorgaben der Lehrbeauftragten informiert.