| Titel der Lehrveranstaltung / des Moduls | Wahlfach: Künstliche Intelligenz |
| Kennzahl der Lehrveranstaltung / des Moduls | 083121160102 |
| Unterrichtssprache | Englisch |
| Art der Lehrveranstaltung (Pflichtfach, Wahlfach) | Wahlfach |
| Semester in dem die Lehrveranstaltung angeboten wird | Sommersemester 2025 |
| Semesterwochenstunden | 3 |
| Studienjahr | 2025 |
| Niveau der Lehrveranstaltung / des Moduls laut Lehrplan | 1. Zyklus (Bachelor) |
| Anzahl der zugewiesenen ECTS-Credits | 5 |
| Name des/der Vortragenden | |
| Voraussetzungen und Begleitbedingungen |
Keine |
| Lehrinhalte |
- Einführung in die Geschichte der Künstlichen Intelligenz (KI)
- Taxonomie der Teilprobleme des Forschungsfeldes KI (z.B. Machine Learning, Natural Language Processing)
- Anwendungsfelder von KI-Methoden
- Allgemeine Konzepte des Data-Minings (z.B. Skalenniveaus, Trainings-/Testdaten)
- Clusteranalyse und Regression/Klassifikation inkl. geeigneter Algorithmen (z.B. K-Means, Decision Trees, Naive Bayes …)
- Konzepte und Methoden des Natural-Language-Processings (z.B. Text-Segementierung, bestimmen von Wort-Funktionen ...)
- Weitere Begriffe: No-free-lunch theorem, Cold Start Problem Generalisierung, Overfitting vs. Underfitting, Transfer Learnings
|
| Lernergebnisse |
Künstliche Intelligenz wurde bereits Mitte des 19. Jahrhunderts als Forschungsgebiet der Informatik etabliert und gilt als einer der Treiber der Digitalen Revolution. Schwache künstliche Intelligenz, auf welcher der Fokus in dieser Lehrveranstaltung liegt, hat das Ziel, Menschen bei konkreten Anwendungsproblemen zu unterstützen. Anwendungen sind z.B. Data-Mining, Texterkennung, Spracherkennung oder Computeralgebrasysteme, welche bereits Einzug in unser tägliches Leben gefunden haben. Zum Einsatz kommen dabei unter anderem unterschiedliche Methoden des Maschinellen Lernens z.B. Klassifikations- oder Clusteringverfahren.
Fach- und Methodenkompetenz (F/M)
- Die Studierenden können grundlegende Begriffe im Kontext der Künstlichen Intelligenz (KI) erklären und mögliche Anwendungen von KI-Methoden identifizieren und beschreiben.
- Die Studierenden können grundlegende Begriffe und Verfahren im Kontext Machine Learning (ML) und dessen Kernelemente (supervised, unsupervised, reinforcement) erklären und voneinander abgrenzen.
- Die Studierenden können diverse ML-Verfahren (z.B. Decision Trees, Support Vector Machines) erklären.
- Die Studierenden können (basierend auf den Anforderungen einer Aufgabenstellungen und den Eigenschaften der Verfahren) geeignete Methoden auswählen und umsetzen.
- Die Studierenden können Verfahren, welche zum Data-Mining eingesetzt werden (z.B. Regression, ML-Verfahren ...) erklären und zielgerecht zum Einsatz bringen.
- Die Studierenden können die Notwendigkeit von Verfahrensevaluierung (ala No-free-lunch theorem) erläutern und können geeignete Verfahren (z.B. Cross-Validation, Receiver-operating-characteristic Kurven) anwenden und die Ergebnisse interpretieren.
- Die Studierenden können mit Hilfe einer Programmiersprache/Software (z.B. Python, R, WEKA) einfache ML-Aufgaben lösen und die Ergebnisse interpretieren.
Darüber hinaus werden Sozial- und kommunikative Kompetenzen (S/K) wie Motivationsfähigkeit und Zuverlässigkeit sowie Selbstkompetenzen (S) wie Lernkompetenz und -motivation, Entscheidungsfähigkeit, Verantwortungsbereitschaft und Ausdauer/Durchhaltevermögen geschult. |
| Geplante Lernaktivitäten und Lehrmethoden |
Integrierte Lehrveranstaltung: 3 SWS ILV
Vortrag und praktische Übungen am Rechner |
| Prüfungsmethode und Beurteilungskriterien |
Abgabe und Präsentation von Projekten (100 %) |
| Kommentar |
Keine |
| Empfohlene Fachliteratur und andere Lernressourcen |
- Barr, Avron; Feigenbau, Edward A (1979): Handbook of Artificial Intelligence. Online im Internet:
URL: https://stacks.stanford.edu/file/druid:qn160ck3308/qn160ck3308.pdf (Zugriff am 10.09.2018)
- Flach, Peter (2007): Simply Logical: Intelligent Reasoning by Example. Online im Internet:
URL: http://people.cs.bris.ac.uk/~flach/SL/SL.pdf (Zugriff am 10.09.2018)
- Gorunescu, Florin (2011): Data Mining: Concepts, Models and Techniques. Springer Science & Business Media.
- Hal, Daumé (2012): A Course in Machine Learning. Online im Internet: URL: http://ciml.info (Zugriff am 10.09.2018)
- Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome (2017): The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition. 2nd ed. 2009, Corr. 9th printing 2017 edition. New York, NY: Springer.
- James, Gareth u.a. (2017): An Introduction to Statistical Learning: with Applications in R. 1st ed. 2013, Corr. 7th printing 2017. New York: Springer.
- Nilsson, Nils J. (2009): The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge: Cambridge University Press. Online im Internet: DOI: 10.1017/CBO9780511819346 (Zugriff am: 11.06.2018).
- Poole, David L; Mackworth, Alan K (2017): Artificial Intelligence: Foundations of Computational Agents, 2nd Edition. Online im Internet: URL: http://artint.info/2e/html/ArtInt2e.html (Zugriff am: 11.06.2018).
- Python Software Foundation (o. J.): python. Online im Internet: URL: https://www.python.org/ (Zugriff am: 21.05.2018).
- R Foundation (o. J.): R. Online im Internet: URL: https://www.r-project.org/ (Zugriff am: 21.05.2018).
- Russell, Stuart; Norvig, Peter (2018): Artificial Intelligence: A Modern Approach. Online im Internet: URL:
http://aima.cs.berkeley.edu/ (Zugriff am: 27.08.2018).
- Technology Partners (2017): SWC. What is Artificial Intelligence, Really? Behind the Buzzword. Online im Internet:
URL: https://www.swc.com/blog/business-intelligence/behind-the-buzzword-artificial-intelligence (Zugriff am: 13.06.2018).
|
| Art der Vermittlung |
Präsenzveranstaltung mit Anwesenheitspflicht in den Übungseinheiten. |