Titel
Title
| Künstliche Intelligenz |
Modulcode
Module Code
| KI |
Modulverantwortliche
Responsible Members of Staff
| |
Kompetenzziele des Moduls
Module Competence Goals
|
| Nach erfolgreichem Absolvieren des Moduls können die Studierenden ...
*Wissen und Verstehen (Wissensverbreiterung, Wissensvertiefung, Wissensverständnis)
- die grundlegenden Konzepte des maschinellen Lernens und der künstlichen Intelligenz erläutern
- die verschiedenen Arten des maschinellen Lernens (überwachtes, nicht überwachtes, bestärkendes Lernen) erklären und voneinander abgrenzen
- die Herausforderungen und die Komplexität bei der Entwicklung von Systemen mit künstlicher Intelligenz bewerten
*Einsatz, Anwendung und Erzeugung von Wissen (Nutzung und Transfer, wissenschaftliche Innovation)
- geeignete Algorithmen für Such-, Lern- und Klassifikationsprobleme auswählen und implementieren
- die Güte von Algorithmen mithilfe von Evaluierungsmethoden und Metriken bewerten
- Techniken zur Datenvorbereitung, Merkmalsextraktion und Dimensionsreduktion anwenden
*Kommunikation und Kooperation
- die Auswahl und Implementierung von Algorithmen für maschinelles Lernen nachvollziehbar erklären und die Ergebnisse gegenüber Fachleuten vertreten
- die Zusammenarbeit in einer Projektgruppe zur Lösung komplexer Klassifikationsprobleme erfolgreich koordinieren
*Wissenschaftliches Selbstverständnis oder Professionalität*
- die eigene Herangehensweise an die Entwicklung von Systemen mit künstlicher Intelligenz reflektieren.
- eigenständig Lösungen für komplexe Probleme im Bereich des maschinellen Lernens entwickeln und optimieren.
| After successfully completing the module, students can ...
*knowledge and understanding (broadening knowledge, deepening knowledge, understanding knowledge)
- explain the basic concepts of machine learning and artificial intelligence
- explain and differentiate between the different types of machine learning (supervised, unsupervised, reinforcement learning)
- evaluate the challenges and complexity of developing systems with artificial intelligence
*Use, apply and generate knowledge (utilization and transfer, scientific innovation)
- select and implement suitable algorithms for search, learning and classification problems
- assess the quality of algorithms using evaluation methods and metrics
- apply techniques for data preparation, feature extraction and dimension reduction
*Communication and cooperation
- explain the selection and implementation of algorithms for machine learning in a comprehensible manner and represent the results to experts
- successfully coordinate collaboration in a project group to solve complex classification problems
*Scientific self-image or professionalism*
- reflect on their own approach to the development of systems with artificial intelligence.
- independently develop and optimize solutions for complex problems in the field of machine learning.
|
|
Lehrinhalte
Content
|
| Inhalt des Moduls sind die Grundlagen und Anwendungen von maschinellem Lernen und künstlicher Intelligenz. Die Studierenden sollen die Funktionsweise, die Auswahl und die Anwendung von Algorithmen zur Lösung von Such-, Lern- und Klassifikationsproblemen verstehen. Ein besonderer Fokus liegt auf der praktischen Umsetzung im Rahmen von Projektarbeiten und auf der Evaluierung der Algorithmeneffizienz.
Um die angestrebten Lernziele zu erreichen, werden in der Lehre folgende spezifische Kompetenzschwerpunkte gesetzt:
* Definition von maschinellem Lernen und künstlicher Intelligenz
* Arten des maschinellen Lernens (überwachtes, nicht überwachtes, bestärkendes maschinelles Lernen)
* Evaluierung von Algorithmen (Metriken und Gütemaße)
* Datenaufteilung, Datenvorbereitung, Merkmalsextraktion, Dimensionsreduktion
* Regression
* Klassifikation (Entscheidungsbäume, Random Forrest, Naive Bayes, k-nächste Nachbarn, Support Vektor Maschinen, Neuronale Netze)
* Clusteranalysen
* Hyperparameteroptimierung | The module covers the fundamentals and applications of machine learning and artificial intelligence. Students should understand the functionality, selection and application of algorithms for solving search, learning and classification problems. A particular focus is on practical implementation in the context of project work and on evaluating algorithm efficiency.
In order to achieve the intended learning objectives, the following specific areas of expertise are taught:
* Definition of machine learning and artificial intelligence
* Types of machine learning (supervised, unsupervised, reinforcing machine learning)
* Evaluation of algorithms (metrics and quality measures)
* Data splitting, data preparation, feature extraction, dimension reduction
* Regression
* Classification (decision trees, random forest, naive Bayes, k-nearest neighbors, support vector machines, neural networks)
* Cluster analysis
* Hyperparameter optimization |
|
Lehrende
Lecturers
| |
Lehr- und Lernmethoden
Teaching Format
| Seminaristischer Unterricht (SU), Modulbezogene Übung (MÜ) |
Lernform
Study Format
| Präsenzstudium, angeleitetes Selbststudium |
Prüfungsform
Examination
| Klausur nach Prüfungsordnung |
Prüfungsdauer
Test Duration
| |
Voraussetzungen für die Teilnahme
Required Experience
|
Siehe aktuelle
Prüfungsordnung
|
Verwendbarkeit
Applicability
| Grundlage für etliche folgende Module |
Studentische Arbeitsbelastung
Hours
| 180 |
Präsenzstudium
Contact Hours per week
| 56 |
Selbststudium
Self Study Hours
| 124 |
ECTS-Leistungspunkte
ECTS-Credits
| 6 |
Häufigkeit des Angebotes
Frequency
| 14 Termine im SoSe |
Sprache
Language
| Deutsch |
Bemerkungen
Comments
| |
Literatur
Literature
|
Die aktuellen Literaturlisten werden zu Beginn des Semesters verteilt.
|
Angebot
Courses
|
| Semester | Studiengang | SWS | Form | Gültigkeitsbeginn | Gültigkeitsende | Wahlpflicht |
| 4 | MDIG | 4 | Projekt | 2022 | 2100 | Pflichtmodul |
|