Lehrangebote

Das Wahlpflichtfach beitet eine Einführung in die Künstliche Intelligenz mit folgenden Themen an:

• 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 Studierende: WPF Künstliche Intelligenz

Folgende Inhalte werden im Wahlpflichtfach behandelt:

• 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 Studierende: WPF Bildverarbeitung

Der Kurs Data Science (Statistik & Angewandte Informatik) behandelt folgende 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 Studierende: Data Science Statistik und Angewandte Informatik

Der Kurs vermittelt grundlegende Kenntnisse in der algorithmischen Umsetzung von Spielelementen:

• 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 Studierende: Game Mechanics

Folgende Themen werden in dem Modul behandelt:

• 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 Einsatzgebiete 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 Studierende: Künstliche Intelligenz - Einführung und Anwendungsgebiete

Folgende Inhalte werden im Seminar behandelt:

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

Link zum Moodlekurs für Studierende: Forschungsseminar Künstliche Intelligenz

Folgende Themen werden im Kurs behandelt:

• 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 Studierende: Effiziente Produktionsmethoden mit Industrie 4.0, Big Data und KI

Folgende Inhalte werden im Kurs vermittelt:

• 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 Studierende: Maschinenlernen mit Anwendungen aus der Signalverarbeitung

Folgende Inhalte werden im Kurs gelehrt: 

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

Link zum Moodlekurs für Studierende: Integrale Fahrzeug-Sicherheitssysteme

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 Studierende: Data Science: Grundlagen und Praktische Anwendungen

Folgende Inhalte werden im Kurs vermittelt:

• Grundlagen über Zeitreihenanalyse
• Grundlagen über Finanzmärkte 
• Fraktale
• Signaltheorie
• Stochastische Prozesse
• Grundlagen Data Science

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