Bachelor: Digital Engineering

412 - Künstliche Intelligenz und Machine Learning

Empfohlenes Studiensemester

4

Turnus

Sommersemester

Sprachen

Deutsch

ECTS

5

Prüfungsform

ModA, weitere Angaben siehe SPO und Studienplan

Lehrform und SWS

SU (2SWS), Pra (2SWS)

Gesamter Workload

150 Stunden

Präsenzzeit

30 Stunden Seminaristischer Unterricht, 30 Stunden Praktikum

Selbststudium

90 Stunden

Modulverantwortung

Prof. Dr. David Spieler (FK07)

Weitere Lehrende

Prof. Dr. Stephanie Thiemichen (FK07), Prof. Dr. Fabian Spanhel (FK07)

Empfohlene Voraussetzung für die Teilnahme

Eine moderne/aktuelle Programmiersprache (bestenfalls Python) gelehrt etwa in Computational Thinking

Lernziele

Die Studierenden lernen verschiedene Methoden der Künstlichen Intelligenz kennen und anzuwenden, um sie in ihrer späteren beruflichen Tätigkeit bei der Suche in Daten, Planung von Aktionen, Wissensrepräsentation / Inferenz als auch beim maschinellen Lernen sinnvoll einsetzen zu können.

Fach- und Methodenkompetenz

Die Studierenden sind in der Lage

  • grundlegenden KI-Konzepte zu erläutern.
  • einfache KI-Methoden selbst zu implementieren.
  • komplexere KI-Methoden anzuwenden.

Überfachliche Kompetenz

Teamarbeit: Die Studierenden bearbeiten Problemstellungen in Kleingruppen

Inhalt

  • Tiefensuche
  • Breitensuche
  • A*
  • Backtracking
  • Adversariale Suche
  • Logik und Inferenz
  • Wissensrepräsentation und Inferenz (Beispiel RDF/OWL/SPARQL)
  • Planen
  • Unsicherheit
  • Überwachtes Lernen
  • Unüberwachtes Lernen
  • Reinforcement Learning

Lehrmethoden und Lernformen

Medien und Methoden: Beamer, Tafel, Jupyter Notebooks

Verwendbarkeit des Moduls

Bachelor Digital Engineering

Literatur

  • Stuart J. Russell and Peter Norvig. Künstliche Intelligenz. Ein moderner Ansatz, 3., überarbeitete Edition, Pearson Studium, 2012.
  • Lämmel U. and Cleve J., Künstliche Intelligenz: Wissensverarbeitung - Neuronale Netze, Carl Hanser Verlag GmbH & Company KG, 2020.
  • James et.al. (2021): An Introduction to Statistical Learning with Applications in R, 2nd. Edition, Springer.
  • Weitere Literatur wird im Rahmen der aktuellen Veranstaltung bekannt gegeben.