LEHRE KOMPETENZZENTRUM KÜNSTLICHE INTELLIGENZ


 

Das im Kompetenzzentrum KI entstehende Graduate Center bietet ein spezialisiertes, fachlich auf KI ausgerichtetes Vorlesungsangebot auf Bachelor- und Master-Niveau. Es finden hierzu Lehrveranstaltungen, Seminare bzw. Vorträge zum wissenschaftlichen Austausch zwischen Hochschulangehörigen und Unternehmen sowie Ringvorlesungen mit externen, eingeladenen Dozenten aus der Industrie und anderen Hochschulen statt. Darüber hinaus wird für Studierende im Rahmen des Kompetenzzentrums ein Dienstleistungsangebot zu Big Data und deren Analyse aufgebaut. 



Dem Zentrum obliegt die Ausbildung der Studierenden, die Kooperation mit Industrieunternehmen in einschlägigen Projekten sowie die Öffentlichkeitsarbeit. Ferner soll das neue Kompetenzzentrum den intellektuellen Austausch zum Thema KI stärken und dabei helfen, eine Materialsammlung zu entwickeln.



Kursangebote im Breich der Künstlichen Intelligenz an der technischen Hochschule Aschaffenburg

Für Studierende bietet das Kompetenzzentrum Künstliche Intelligenz eine Vielzahl an Kursen, welche meist studiengangsübergreifend wahrgenommen werden können. Die Kurse finden im Winter- und Sommersemester statt, weitere Informationen hierzu entnehmen Sie bitte den Modulhandbüchern der Studiengänge.

Künstliche Intelligenz


Inhalte: 
Einführung in die Künstliche Intelligenz:
   - Ausprägungen
   - Implementierungsansätze
   - Historie
   - Turing-Test
   - KI-Technologien in der Anwendung
   - Implementierungen der symbolischen/regelbasierten KI
   - Natürliche Neuronen
   - Künstliche neuronale Netze
   - Implementierungen der konnektionistischen KI

Link zum Moodlekurs für Studiernde: WPF Künstliche Intelligenz

Einführung in die Bildverarbeitung


Inhalte: 
   
- Mathematische Grundbegriffe
   - Grundbegriffe der Bildakquisition und -repräsentation
   - Globale Bildverbesserungsmethoden (Histogramme, Histogramm-Ausgleich)
   - Entrauschen und Filtern
   - Bildsegmentierung und Objektvermessung
   - Korrelationen und Suchverfahren
   - Merkmalsextraktion, Kantendetektion
   - Schichtbilder / Tomografie
   - Bildkompression
   - Einarbeitung in die MATLAB Image Processing Toolbox
   - Mit dieser Software Bearbeitung einfacher Aufgabenstellungen

Link zum Moodlekurs für Studiernde: WPF Bildverarbeitung

Data Science (Statistik & Angewandte Informatik)


Inhalte: 
   - Programmierung und Programmiersprachen
   - Datenstrukturen und deren Manipulation: Vektoren, Matrizen
   - In- und Output: Assignment, Print, Plot
   - Funktionen: function() 
   - Bedingungen: if else 
   - Schleifen: for, while
   - Rekursion: Fakultät, Sortieralgorithmen 
   - Genetische Algorithmen
   - Weitere Algorithmen aus verschiedenen Bereichen
     der Informatik und Mathematik 
   - Deskriptive Statistik
   - Grafische Darstellung von Daten
   - Lagemaße: Arithmetisches Mittel, Geometrisches Mittel,
     Median und Quantile, Modus
   - Streuungsmaße: Standardabweichung, Varianz
     Zusammenhangsmaße: Kovarianz, Korrelation vs. Kausalität
   - Statistische Modellierung: Lineare Regression
     Verteilungen: Gleichverteilung, Normalverteilung
   - Zeitreihen: Gleitender Durchschnitt Stochastik
   - Grundlegende Axiomatik
   - Berechnung einfacher Wahrscheinlichkeiten
   - Zentraler Grenzwertsatz
   - Gesetz der großen Zahlen
   - Induktive Statistik 
   - Grundsätzliche Logik des statistischen Testens
   - Statistische Tests: Binomialtest, t-Test

Link zum Moodlekurs für Studiernde: Data Science Statistik & Angewandte Informatik

Game Mechanics


Inhalte: 
   - Motivation
   - Psychologie, Soziologie
   - Hidden Game Mechanics
   - Prototyping
   - Rapid Prototyping Ansätze (Paper, Twine)
   - Modelling, Whiteboxing
   - Spiele-Entwicklung in Unity
   - Codeless
   - C#
   - Prozedurale Content-Erstellung
   - Generatoren
   - Beispiel: Labyrinthe
   - Einfache NPC-KI
   - Zustandsautomaten
   - Behavior Trees
   - Genetische Algorithmen
   - Balancing
   - Wegfindung
   - Game Design mit Neuronalen Netzen

Link zum Moodlekurs für Studiernde: Game Mechanics

Künstliche Intelligenz - Einführung und Anwendungsgebiete


Inhalte: 
   - Einführung und Vermittlung von Grundlagen der
     sog. starken und schwachen künstlichen Intelligenz
   - Analyse und Verständnis der „natürlichen Intelligenz“ u. a. durch eine
     vereinfachte Modellierung des Menschen, seinem Verhalten und Denken
   - Grundlagen zur symbolischen (regelbasierten) KI, Wissensrepräsentation
     und Wissensverarbeitung sowie Expertensysteme
   - Grundlagen zum konnektionistischen Ansatz der KI, inkl. Prinzip und
     Funktionsweise von künstlichen neuronalen Netzen
   - Untersuchung verschiedener Anwendungsgebiete aus dem Consumer-,
     als auch dem Businessbereich
   - Detaillierte Betrachtung von Anwendungen im Bereich der Datenverarbeitung
     und -auswertung; u. a. Sprachsynthese, Sprachanalyse, Data Mining,
     Web Mining
     sowie Analytisches Customer Relationship Management (CRM)
   - Analyse des IBM Computersystems „Watson“, welches in der Lage ist, Wissen
     und Informationen „sinnvoll“ zu verarbeiten. Betrachtung der aktuellen Einsatz-
     gebiete in der Medizin und weiteren Möglichkeiten nach dem
     medienwirksamen Sieg des Computers gegenüber menschlichen
     Spitzenkandidaten in der Spielshow „Jeopardy!“
   - Untersuchung von Anwendungen aus den Bereichen Bildverstehen, Muster-,
     Gesichts- und Spracherkennung
   - Abschließende Darstellung der Trends und Entwicklungen in der KI sowie
     Diskussion der philosophischen Betrachtung der starken KI.
     Möglichkeiten, Unmöglichkeiten, Gefahren und Risiken der starken KI.

Link zum Moodlekurs für Studiernde: Künstliche Intelligenz - Einführung und Anwendungsgebiete

Forschungsseminar Künstliche Intelligenz


Inhalte: 
   - Künstliche Intelligenz
   - Maschinelles Lernen
   - Methoden und Anwendungen
   - Erarbeitung von Grundlagen Themen im Bereich KI und
     Vorstellung dieses an weitere Teilnehmer

Link zum Moodlekurs für Studiernde: Forschungsseminar Künstliche Intelligenz

Effiziente Produktionsmethoden mit Industrie 4.0, Big Data und KI


Inhalte: 
   - Definition, Umfang und Reichweite der Begriffe rund um Industrie 4.0,
     Big Data und künstlicher Intelligenz
   - Systematische Identifizierung relevanter Parameter und Sensoren
     in einer Produktion
   - Datenversorgung von Sensoren und Anlagen in die Cloud
   - Data Engineering zur effizienten Weiterverarbeitung
   - Business Intelligence, Statistik und Data Science zur automatisierten
     Erzeugung von Wissen
   - Usability und Einführung von Industrie 4.0 in den Produktionsprozess
   - Moderner Serienbetrieb und Anforderungsmanagement zur
     systematischen Weiterentwicklung von Apps

Link zum Moodlekurs für Studiernde: Effiziente Produktionsmethoden mit Industrie 4.0, Big Data und KI

Maschinenlernen mit Anwendungen aus der Signalverarbeitung


Inhalte: 
   - Grundlagen Maschinelles Lernen, Regression, Klassifikation, Neuronale Netze,
     Auswertung (Forward Propagation), Training (Backward Propagation),
     Deep Learning
   - Sprachverarbeitung: Feature Extraktion, Neuronale Netze mit Rückkopplung
     (Recurrent Neural Networks), Trainieren von RNNs, Tiefe rekurrente Neuronale Netze (Deep-RNNs),
     Spracherkennung und Sprachsignalverbesserung mit neuronalen Netzen
   - Bildverarbeitung: Faltende neuronale Netze (Convolutional Neural Networks),
     Datenrepäsentierung, Anwendungen aus dem Bereich autonomes Fahren
     (Erkennung von Verkehrsteilnehmern, Trajektorienprädiktion) Grundlagen
     und Anwendungen werden anhand von Beispielen in TensorFlow vermittelt.
   - Vorwissen in TensorFlow ist nicht erforderlich.

Link zum Moodlekurs für Studiernde: Maschinenlernen mit Anwendungen aus der Signalverarbeitung

Integrale Fahrzeug-Sicherheitssysteme


Inhalte: 
   
- aktive, passive, integrale Fahrzeugsicherheitssysteme
   - neue Fahrzeugsicherheitskonzepte für automatisierte Fahrzeuge
   - Grundlagen Sensortechnologie (Radar, Kamera)
   - Kooperative Sensoren und Systeme (C2X)

Link zum Moodlekurs für Studiernde: Integrale Fahrzeug-Sicherheitssysteme

Data Science: Grundlagen und Praktische Anwendungen


Inhalte: 
In der Vorlesung „Data Science, Grundlagen und Praktische Anwendungen“ werden wichtige Verfahren der Datenanalyse und des Maschinenlernens beschrieben, ihre algorithmischen Grundlagen erklärt und anhand von Programmierbeispielen konkret veranschaulicht. Neben einer Einführung in die für Datenanalyse zum Standard gewordene Sprache R umfasst die Veranstaltung eine Einführung u.a. in die Verfahren der Regression, des Clusterings, der Klassifikation sowie Neuronaler Netze.
   - Methoden: Regression, Clustering, Klassifikation, Neuronale Netze,
     Decision Trees
   - Praktische Beispiele: Prognose, ob Kundin eines Supermarktes schwanger ist,
     Prognose über Kreditausfall, Diagnose von Krebs bei Gewebeproben.

Link zum Moodlekurs für Studiernde: Data Science: Grundlagen und Praktische Anwendungen

Data Science für algorithmische Finanzmarkt- & Zeitreihenanalyse


Inhalte: 
   - Grundlagen über Zeitreihenanalyse
   - Grundlagen über Finanzmärkte 
   - Fraktale
   - Signaltheorie
   - Stochastische Prozesse
   - Grundlagen Data Science

Link zum Moodlekurs für Studiernde: Data Science für algorithmische Finanzmarkt- & Zeitreihenanalyse