Angewandte Künstliche Intelligenz (AKI)

Bundesweit einer der ersten Bachelor-Studiengänge auf dem Zukunftsgebiet der Künstlichen Intelligenz

Modulhandbuch

 Zurück 

Angewandte Künstliche Intelligenz (AKI)

PO-Version [  20202  ]

Einführung in die Künstliche Intelligenz

Empfohlene Vorkenntnisse

Keine

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen die behandelten Teilgebiete der Künstlichen Intelligenz und haben somit einen fundierten Überblick über das Fachgebiet und dessen Studium. Insbesondere sind
ihnen verschiedene Ausprägungen von Intelligenz geläufig. Sie haben erste Grundkenntnisse in wissenschaftlichem Arbeiten.

Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 120
Workload 180
ECTS 6.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Einführung in die Künstliche Intelligenz" (K60) "Praktikum Einführung in die Künstliche Intelligenz" muss "m.E." attestiert sein.

Modulverantwortlicher

Prof. Dr. Klaus Dorer

Max. Teilnehmer 41
Empf. Semester 1
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Bachelor-Studiengang AKI

Veranstaltungen

Einführung in die Künstliche Intelligenz

Art Vorlesung
Nr. EMI901
SWS 2.0
Lerninhalt

Die LV gliedert sich folgendermaßen:

  • Einführung: Geschichte der KI
  • Schwarmintelligenz: Gemeinsam sind wir stark
  • Evolutionäre Intelligenz: Genetische Algorithmen
  • Menschliche Intelligenz: Einblick in die Kognitionswissenschaft

Maschinelle Intelligenz:

  • Maschinelles Lernen
  • Deep Learning mit neuronalen Netzwerken
  • Autonome Systeme
  • Logik und Prolog
  • Natural Language Processing

 

 

Literatur

Russel, Norvig (2012) Künstliche Intelligenz –Ein moderner Ansatz. Pearson Studium; Auflage: 3.

Ertl (2016) Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung. Springer Vieweg; Auflage: 4.

Praktikum Einführung in die Künstliche Intelligenz

Art Praktikum
Nr. EMI902
SWS 2.0
Lerninhalt

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen

  • Schwarmintelligenz: Versuche mit einem Schwarmsystem zu  individueller und Schwarmintelligenz und zur Frage: wie viel ist Intelligenz wert?
  • Genetische Algorithmen: Experimente zum Einfluss verschiedener Selektions-, Rekombinations- und Mutationsstrategien
  • Kognitionswissenschaft: Einfaches, kognitionswissenschaftliches Experiment
  • Maschinelles Lernen: Anwendung vorhandener Lernalgorithmen auf Beispieldatensätze in Knime
  • Bilderkennung mit Hilfe von Deep Learning anhand eines vorgegebenen Jupyter Notebooks

Verfassung von wissenschaftlichen Ausarbeitungen zu den Ergebnissen der Untersuchungen.

 

 

Programmierung 1

Empfohlene Vorkenntnisse

Keine

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen grundlegende Begriffe und Konzepte der Informatik. Sie verstehen die Prinzipien wie Computer, Netzwerke, speziell das Internet sowie betriebliche Anwendungssysteme funktionieren. Die Studierenden kennen die wichtigsten Elemente der Programmiersprache Python und sind selbst in der Lage, Problemstellungen in Python zu modellieren und zu lösen. Der Umgang mit einer Entwicklungsumgebung ist ihnen vertraut.

Dauer 1
SWS 8.0
Aufwand
Lehrveranstaltung 120
Selbststudium / Gruppenarbeit: 180
Workload 300
ECTS 10.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Grundlagen der Informatik" und "Programmierung 1" (K120) bestanden "Praktikum Programmierung 1" muss "m.E." attestiert sein.

Modulverantwortlicher

Prof. Dr. Wehr

Max. Teilnehmer 41
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Bachelor-Studiengang AKI

Veranstaltungen

Grundlagen der Informatik

Art Vorlesung
Nr. EMI903
SWS 2.0
Lerninhalt

Die LV gliedert sich folgendermaßen:

  • Geschichte der Informatik
  • Aufbau und Funktionsweise eines PCs (Hardware, Prozessoren, Speicher).
  • Grundlagen wie Bits, Bytes, Daten, Zahlensysteme.
  • Software (System- und Anwendungssoftware, Individual- und Standardsoftware, Software-Lizenzen).
  • Kommunikation zwischen Systemen (Netzwerke, Protokolle, Client-Server, P2P, Cloud).
  • IT-Sicherheit, Datenschutz und vertrauenswürdige KI
  • Reguläre Ausdrücke
  • Internet und WWW (Aufbau, Protokolle, Dienste, Funktionsweise).
  • Aktuelle Entwicklungen und Trends der Informatik.

 

 

Literatur

Abts, Dietmar; Mülder, Wilhelm (2017): Grundkurs Wirtschaftsinformatik: Eine kompakte und praxisorientierte Einführung. Springer Vieweg.

Hellmann, Roland (2016): Rechnerarchitektur: Einführung in den Aufbau moderner Computer. De Gruyter Oldenbourg.

Programmierung 1

Art Vorlesung
Nr. EMI904
SWS 4.0
Lerninhalt

Die Vorlesung vermittelt ein strukturiertes Vorgehen zur Lösung von Programmierproblemen. Verschiedene Problemstellungen werden in Python modelliert und schrittweise gelöst. Unit-Tests dienen der Qualitätssicherung.

In der Vorlesung werden folgende Python-Konzepte behandelt:

  • Funktionen, inkl. geschachtelter und anonymer Funktionen, ebenso Funktionen höherer Ordnung und rekursive Funktionen.
  • Aufzählungen (Literal), Records und Union
  • Listen und Tupel, geschachtelte Listen
  • Schleifen (for, while)
  • Veränderbarer Zustand, Aliasing
  • Einfache Klassen und Objekte (ohne Vererbung)
  • Module
  • Dateien
  • Unit-Tests
  • Dictionaries und Mengen
  • Exceptions
Literatur

Theis, Thomas (2019): Einstieg in Python: Programmieren lernen für Anfänger. Rheinwerk Computing.

Klein, Bernd (2017): Einführung in Python 3. Hanser.

Downey, Allen (2015): Think Python: How to Think Like a Computer Scientist. O’Reilly. Online: http://greenteapress.com/thinkpython/html/index.html

 

 

Praktikum Programmierung 1

Art Praktikum
Nr. EMI905
SWS 2.0
Lerninhalt

Vertiefung der Lerninhalte aus der Vorlesung durch praktische Übungen. Es werden alle in der Vorlesung vorgestellten Python-Konzept behandelt.

In der Vorlesung werden folgende Python-Konzepte behandelt:

  • Funktionen, inkl. geschachtelter und anonymer Funktionen, ebenso Funktionen höherer Ordnung und rekursive Funktionen.
  • Aufzählungen (Literal), Records und Union
  • Listen und Tupel, geschachtelte Listen
  • Schleifen (for, while)
  • Veränderbarer Zustand, Aliasing
  • Einfache Klassen und Objekte (ohne Vererbung)
  • Module
  • Dateien
  • Unit-Tests
  • Dictionaries und Mengen
  • Exceptions
Literatur

Theis, Thomas (2019): Einstieg in Python: Programmieren lernen für Anfänger. Rheinwerk Computing.

Klein, Bernd (2017): Einführung in Python 3. Hanser.

Downey, Allen (2015): Think Python:How to Think Like a Computer Scientist. O’Reilly. Online: http://greenteapress.com/thinkpython/html/index.html

 

 

Visual Analytics

Empfohlene Vorkenntnisse

Keine

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen grundlegende Methoden und Theorien zu Visual Analytics, einschließlich Grundlagen der Wahrnehmung, Datentypen, Skalen, Diagramme und Techniken zur visuellen Exploration und  Interaktion. Sie lernen wie man komplexe Datenmengen effektiv exploriert und interaktiv analysiert werden können. Sie kennen die Möglichkeiten von speziellen Tools zur Visualisierung und können diese Werkzeuge zielführend zur explorativen Analyse und Interaktion anwenden. Sie haben praktische Erfahrungen bei der Konzeption und Realisierung von Visualisierungsanwendungen.

 

Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 120
Workload 180
ECTS 6.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Visual Anayltics" (K60) "Praktikum Visual Anayltics" muss "m.E." attestiert sein.

Modulverantwortlicher

Prof. Dr. Daniela Oelke

Max. Teilnehmer 41
Empf. Semester 1
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Bachelor-Studiengang AKI

Veranstaltungen

Visual Analytics

Art Vorlesung
Nr. EMI906
SWS 2.0
Lerninhalt

Die LV umfasst folgende Lerninhalte:

  • Grundlagen der menschlichen Wahrnehmung
  • Mensch-Computer-Interaktion
  • Datentypen, Skalen, Datenvorverarbeitung
  • Grundlagen der deskriptiven Statistik
  • Design-Prinzipien effektiver Visualisierung (visuelle Variablen und ihre Genauigkeit, Separierbarkeit, Diskriminierbarkeit, vorbewusste Wahrnehmung, Gestaltgesetze)
  • Visualisierungen für univariate Daten (Histogramme, Density Plots, Box Plots)
  • Visualisierungen für multivariate Daten (Scatterplot, Parallele Koordinaten, Balkendiagramm, Heatmap, Kreisdiagramm, Flächendiagramm, inkl. gestapelte und normalisierte Varianten, Glyphen)
  • Spezielle Visualisierungen für zeitabhängige Daten, geographische Daten, Netzwerke und Graphen
  • Design von graphischen Nutzerschnittstellen
  • Evaluierung von Visualisierungen und graphischen Nutzerschnittstellen (Nutzerstudien, Umfragen, Interviews, Feldstudien)
  • Interaktionsmöglichkeiten mit Visualisierung
  • Datenbasiertes Storytelling

 

 

 

 

 

Literatur

Munzner, Tamara (2014): Visualization Analysis & Design. A K Peters.

Ward, Matthew; Grinstein, George; Keim, Daniel A. (2010): Interactive Data Visualization. Foundations, Techniques, and Applications. A K Peters.

Ware, Colin (2012): Information Visualization: Perception for Design. Morgan Kaufmann.

Few, Stephen (2012): Show Me the Numbers: Designing Tables and Graphs to Enlighten. Analytics Pr.

Nussbaumer Knaflic, Cole (2017): Storytelling mit Daten: Die Grundlagen der effektiven Kommunikation und Visualisierung mit Daten. Vahlen.

Yau, Nathan (2014): Einstieg in die Visualisierung: wie man aus Daten Informationen macht. Wiley-VCH-Verlag4.

Praktikum Visual Analytics

Art Praktikum
Nr. EMI907
SWS 2.0
Lerninhalt

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen

  • Datenvorverarbeitung
  • Visualisierung von Daten
  • Anwenden von Visualisierungstools
  • Durchführen eines Projekts zur visuellen Exploration mit Hilfe von Visualisierungen

 

 

Literatur

Milligan, Joshua N. (2022): Learning Tableau 2022 : create effective data visualizations, build interactive visual analytics, and transform your organization. Packt Publishing.

Few, Stephen (2012): Show Me the Numbers: Designing Tables and Graphs to Enlighten. Analytics Pr.

Nussbaumer Knaflic, Cole (2017): Storytelling mit Daten: Die Grundlagen der effektiven Kommunikation und Visualisierung mit Daten. Vahlen.

Mathematik 1

Empfohlene Vorkenntnisse

Keine

Lehrform Vorlesung/Übung
Lernziele / Kompetenzen

Die Studierenden sollen nach erfolgreichem Abschluss des Moduls:

  • Logische Aussagen formulieren, auswerten und vereinfachen können. Logische Verknüpfungen auf Mengen anwenden können.
  • Mächtigkeit von Mengen mit Mitteln der Kombinatorik bestimmen können,
  • Gesetzmäßigkeiten für das Rechnen in den reellen und komplexen Zahlen zielgerichtet anwenden können. Größenordnung von Zahlenfolgen beurteilen können,
  • Modulo-Rechnung in Anwendungsfällen der Informatik anwenden können, Grundlagen der Lineare Algebra zur Beschreibung, Analyse und Lösung linearer Problemstellungen anwenden können.
Dauer 1
SWS 8.0
Aufwand
Lehrveranstaltung 120
Selbststudium / Gruppenarbeit: 90
Workload 210
ECTS 7.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Mathematik 1" (K90 mit PA-Anteil). PA kann bis zu 20% der Klausur ersetzen.

Modulverantwortlicher

Prof. Dr. Eva Decker

Max. Teilnehmer 41
Empf. Semester 1
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Bachelor-Studiengang AKI, AI

Veranstaltungen

Mathematik 1

Art Vorlesung/Übung
Nr. EMI108
SWS 8.0
Lerninhalt

Grundlagen der Diskreten Mathematik und Lineare Algebra:

  • Logik und Mengen
  • Rechnen in den reellen und komplexen Zahlen inklusive Zahldarstellung im ComputerStellenwertsysteme, Polynome, Folgen
  • Modulo-Rechnung, Gruppen und Körper
  • Lineare Algebra (Vektor- und Matrizenrechnung, Analytische Geometrie)

 

Literatur

Teschl, G. und Teschl, S., Mathematik für Informatiker : Band 1: Diskrete Mathematik und Lineare Algebra, 4. Auflage, Berlin, Heidelberg, Springer Spektrum, 2013.

Hartmann, P., Mathematik für Informatiker : Ein praxisbezogenes Lehrbuch, 6. Auflage, Wiesbaden, Springer Vieweg, 2015.

Brill, M., Mathematik für Informatiker: Einführung an praktischen Beispielen aus der Welt der Computer, 2. Auflage, München, Wien, Hanser Verlag, 2005.

 

 

Machine Learning 1

Empfohlene Vorkenntnisse

Programmieren 1 (Python), Einführung in die Künstliche Intelligenz, Visual Analytics, Mathematik 1

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen Begriffe des Machine Learnings, grundlegende  Methoden, Herausforderungen und Vorgehensweisen im Machine Learning.
Die  Studierenden sind nach Absolvierung des Moduls in der  Lage, eigenständig eine Datenanalyse von der Vorverarbeitung der Daten bis hin  zur Bewertung der Ergebnisse mit
Machine-Learning-Verfahren durchzuführen. Die Studierenden können ihre Lösungen erklären und das  Ergebnis bewerten. Sie kennen die unterschiedlichen Ebenen der Verzerrung und können beurteilen, ob Modelle bzw. Daten fair sind. 

Die Studierenden können mögliche Probleme bei allen Schritten der  Datenanalyse beurteilen und geeignete Lösungen auswählen. Die Grundlagen  und die praktische Anwendung der Tools sind bekannt. Die  Studierenden  sind in der Lage, passende Verfahren für gegebene  Machine-Learning-Problemstellungen auszuwählen, anzuwenden und ggf.  anzupassen. Die wesentlichen Vor- und Nachteile der Verfahren und  Vorgehensweisen werden problemspezifisch bewertet.

Dauer 1
SWS 6.0
Aufwand
Lehrveranstaltung 90
Selbststudium / Gruppenarbeit: 120
Workload 210
ECTS 7.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Machine Learning 1" (K90) "Praktikum Machine Learning 1" muss "m.E." attestiert sein.

Modulverantwortlicher

Prof. Dr. Daniela Oelke

Max. Teilnehmer 41
Empf. Semester 2
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Bachelor-Studiengang AKI

Veranstaltungen

Machine Learning 1

Art Vorlesung
Nr. EMI908
SWS 4.0
Lerninhalt

Die LV umfasst folgende Lerninhalte:

  • Definition von Machine Learning
  • Arten des Machine Learning (Supervised und Unsupervised Machine Learning, Reinforcement Learning)
  • Vorgehensprozesse in Machine Learning Projekten
  • Machine Learning for Business
  • Evaluation von Machine Learning Algorithmen, Metriken und Gütemaße, Wirtschaftlichkeitsberechnungen
  • Over- und Underfitting, Bias/Variance
  • Strategien zur Datenaufteilung für Training (Cross Validation, Hold-Out, Bootstrapping)
  • Datenvorverarbeitung
  • Feature Selection
  • Lineare Regression und Logistische Regression
  • Klassifikation (Entscheidungsbäume, Random Forests, Naive Bayes, k-Nächste Nachbarn, Support Vector Machines)
  • Ensemble Learning (Bagging und Boosting)
  • Dimensionsreduktionsverfahren
  • Machine Learning Bibliotheken in Python Fallstudien
Literatur
  • Kelleher, John D.; Mac Namee, Brian; D‘Arcy, Aoife. (2020): Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies. MIT Press,
  • Han, Jiawei; Kamber, Micheline (2012): Data mining : concepts and techniques. Morgan Kaufmann.
  • Haneke, Uwe; Trahasch, Stephan; Zimmer, Michael; Felden, Carsten (Hg.) (2018): Data Science. Heidelberg: dpunkt.verlag GmbH.
  • Ester, Martin; Sander, Jörg (2000): Knowledge Discovery in Databases: Techniken und Anwendungen. Springer-Verlag.

 

 

 

Praktikum Machine Learning 1

Art Praktikum
Nr. EMI909
SWS 2.0
Lerninhalt

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen

  • Datenvorverarbeitung
  • Regression
  • Klassifikation
  • Evaluation von unterschiedlichen Verfahren
  • Anwenden von Python-Bibliotheken zu Machine Learning
  • Numpy, Pandas
Literatur

Géron, Aurélien (2022): Hands-on machine learning with Scikit-Learn,  Keras, and TensorFlow. Third edition. O'Reilly Media, Inc.

Raschka, Sebastian; Mirjalili, Vahid (2019): Python Machine Learning. Third Edition. Packt Publishing.

Programmierung 2

Empfohlene Vorkenntnisse

Programmierung 1

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Studierende sind mit fortgeschrittenen Programmierkonzepten vertraut und können diese selbstständig in Python anwenden. Sie kennen außerdem klassische Algorithmen und Datenstrukturen, können deren Komplexität beurteilen, selbstständig anwenden und praktisch in Python umsetzen.

Dauer 1
SWS 6.0
Aufwand
Lehrveranstaltung 90
Selbststudium / Gruppenarbeit: 120
Workload 210
ECTS 7.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Algorithmen und Datenstrukturen" und "Programmierung 2" (K90) bestanden "Praktikum Programmierung 2" muss.
"m.E." attestiert sein

Modulverantwortlicher

Prof. Dr. Wehr

Max. Teilnehmer 41
Empf. Semester 2
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Bachelor-Studiengang AKI

Veranstaltungen

Algorithmen und Datenstrukturen

Art Vorlesung
Nr. EMI112
SWS 2.0
Lerninhalt

Die Studierenden kennen klassische Algorithmen und Datenstrukturen, können deren Komplexität in der O-Notation beurteilen und selbstständig anwenden. Es werden folgende Algorithmen und Datenstrukturen behandelt:

  • Verschiedene Arten von Listen
  • Verschiedene Sortierverfahren
  • Verschiedene Suchverfahren
  • Binärbäume, Suchbäume, balancierte Suchbäume
  • Funktionale Datenstrukturen (Queues, Arrays)
  • Hashing
  • Graphen, inkl. topologische Sortierung und shortest-path Algorithmus
Literatur

Ottmann, Thomas; Widmayer, Peter (2017): Algorithmen und Datenstrukturen, 6. Auflage, Spektrum, Berlin.
Cormen, Tomas H.; Leiserson, Charles E.; Rivest, Ronald L.; Stein, Clifford (2009): Introduction to Algorithms, 3. Auflage, MIT Press.

Programmierung 2

Art Vorlesung
Nr. EMI910
SWS 2.0
Lerninhalt

Studierende sind mit fortgeschrittenen Programmierkonzepten vertraut und können diese selbstständig in Python anwenden. Es werden folgende Themen behandelt:

  • Objekt-orientierte Programmierung mit Python: Vererbung, abstrakte Klassen, Datenkapselung, statische Attribute und Methoden, liksovsches Substitutionsprinzip
  • Ausgewählte Design-Patterns, z.B. Composite, Proxy und Visitor
  • Iteratoren und Generatoren
  • GUI-Programmierung
  • Nebenläufiges Programmieren
  • Dynamisches Programmieren
Literatur

Theis, Thomas (2019): Einstieg in Python: Programmieren lernen für Anfänger. Rheinwerk Computing.

Klein, Bernd (2017): Einführung in Python 3. Hanser. Downey, Allen (2015): Think Python: How to Think Like a Computer Scientist. O’Reilly. Online: http://greenteapress.com/thinkpython/html/index.html

 

 

 

 

Praktikum Programmierung 2

Art Praktikum
Nr. EMI911
SWS 2.0
Lerninhalt

Im Praktikum werden alle Inhalte der Vorlesungen „Programmierung 2” und „Algorithmen & Datenstrukturen” praktisch mit Python umgesetzt.

Die Studierenden kennen klassische Algorithmen und Datenstrukturen, können deren Komplexität in der O-Notation beurteilen und selbstständig anwenden. Es werden folgende Algorithmen und Datenstrukturen behandelt:

  • Verschieden Arten von Listen
  • Verschiedene Sortierverfahren
  • Verschiedene Suchverfahren
  • Binärbäume, Suchbäume, balancierte Suchbäume
  • Funktionale Datenstrukturen (Queues, Arrays)
  • Hashing Graphen, inkl. topologische Sortierung und shortest-path Algorithmus

Studierende sind mit fortgeschrittenen Programmierkonzepten vertraut und können diese selbstständig in Python anwenden. Es werden folgendeThemen behandelt:

  • Objekt-orientierte Programmierung mit Python: Vererbung, abstrakte Klassen, Datenkapselung, statische Attribute und Methoden, liksovsches Substitutionsprinzip
  • Ausgewählte Design-Patterns, z.B. Composite, Proxy und Visitor
  • Iteratoren und Generatoren
  • GUI-Programmierung
  • Nebenläufiges Programmieren
  • Dynamisches Programmieren
Literatur

Theis, Thomas (2019): Einstieg in Python: Programmieren lernen für Anfänger. Rheinwerk Computing.

Klein, Bernd (2017): Einführung in Python 3. Hanser. Downey, Allen (2015): Think Python: How to Think Like a Computer Scientist. O’Reilly. Online:http://greenteapress.com/thinkpython/html/index.html

Ottmann, Thomas; Widmayer, Peter (2017): Algorithmen und Datenstrukturen, 6. Auflage, Spektrum, Berlin.

Cormen, Tomas H.; Leiserson, Charles E.; Rivest, Ronald L.; Stein, Clifford (2009): Introduction to Algorithms, 3. Auflage, MIT Press.

Statistik

Empfohlene Vorkenntnisse

Mathematik 1 (Modul AKI-04), insb. Logik, Mengenlehre und Kombinatorik, Visual Analytics (Modul AKI-03)

Lehrform Vorlesung/Übung
Lernziele / Kompetenzen

Nach erfolgreichem Besuch des Moduls kennen die Studierenden Zielsetzung, Funktionsweise und Zusammenhang grundlegender Begriffe und Methoden der klassischen Statistik für die Beschreibung und Analyse von Daten, zum Schließen aus Zufallsstichproben sowie für das Verständnis weiterführender Verfahren aus dem Gebiet der Künstlichen Intelligenz. Die Studierenden können diese zielorientiert anwenden und dabei statistische Software zu Lösungs- und Simulationszwecken einsetzen. Sie beherrschen die grundlegenden Konzepte und Rechenregeln für den Umgang mit Wahrscheinlichkeiten.

 

Dauer 1
SWS 6.0
Aufwand
Lehrveranstaltung 90
Selbststudium / Gruppenarbeit: 90
Workload 180
ECTS 6.0
Voraussetzungen für die Vergabe von LP

Klausur K90 + Praktische Arbeit PA (PA kann bis zu 20 % gewichtet werden)

Modulverantwortlicher

Prof. Dr. Eva Decker

Max. Teilnehmer 45
Empf. Semester 2
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Pflicht-Modul des Studiengangs AKI

Voraussetzungen: Visual Analytics (Modul AKI-03) und Mathematik 1 (Modul AKI-04)

Veranstaltungen

Statistik

Art Vorlesung/Übung
Nr. EMI912
SWS 6.0
Lerninhalt

Die LV gliedert sich folgendermaßen:

  • Univariate und multivariate Deskription und Exploration von Daten (Datentypisierung, Skalenniveaus, Grafische Darstellungen von Häufigkeitsverteilungen, Quantile, Boxplot, Ausreißer, Lage-, Streu-, Konzentrationsmaße, Zusammenhanganalysen und Assoziationsmaße, Kovarianz, Lineare Einfachregression)
  • Wahrscheinlichkeitsrechnung inkl. Anwendung von Kombinatorik und Ereignisalgebra, stochastische Unabhängigkeit, bedingte Wahrscheinlichkeit, Satz von Bayes, binäre Klassifikatoren)
  • Zufallsvariablen, wichtige diskrete und stetige Wahrscheinlichkeitsmodelle und typische Anwendungsfälle, Dichte undVerteilungsfunktion, Erwartungswert und Varianz von Zufallsvariablen, Simulation von Zufallsstichproben, Probability Plot
  • Grenzwertsätze
  • Punkt- und Intervallschätzungen (Maximum-Likelihood-Schätzer, Konfidenzradius, Resampling / Bootstrapping)
  • Testen von Hypothesen (Ein- und Zwei-Stichprobentests für metrische bzw. kategoriale Daten inkl. A/B-Testing, ANOVA, Chi-Quadrat-Tests, Spezielle Tests mit Bezug zu Machine Learning
  • Zeitreihen (Komponentenmodell, Einführung in Filterverfahren, Transformationen, Autokorrelation)
  • Praktische Umsetzung mit Python

 

Literatur
  • L. Fahrmeir, C. Heumann, R. Künstler, I. Pigeot, and G. Tutz, Statistik: Der Weg zur Datenanalyse, 8th ed. Berlin, Heidelberg: Springer Spektrum, 2016.
  • C. Heumann, M. Schomaker, and Shalabh, Introduction to Statistics and Data Analysis: With Exercises, Solutions and Applications in R. Cham: Springer, 2016.
  • P. Bruce, A. G. Bruce, and P. Gedeck, Practical statistics for data scientists: 50+ essential concepts using R and Python. Sebastopol: O'Reilly, 2020.
  • J. VanderPlas, Data Science mit Python: Das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn, 1st ed. Frechen: mitp, 2017.
  • A. Nielsen, Practical time series analysis: Prediction with statistics and machine learning. Sebastopol CA: O'Reilly, 2019.

Mathematik 2

Empfohlene Vorkenntnisse

Mathematik 1

Lehrform Vorlesung/Übung
Lernziele / Kompetenzen

Die Studierenden sollen nach erfolgreichem Abschluss des Moduls:

  • Funktionale und relationale Zusammenhänge aus Informatik, Technik und Wirtschaft über mathematische Funktionen beschreiben und wichtige Eigenschaften analysieren und mit mathematischer Fachsprache beschreiben können.
  • Wichtige Algorithmen zur Analyse und Auswertung funktionaler Zusammenhänge anwenden können. Näherungsverfahren mit Hilfe von Potenzreihen und Fourierreihen durchführen, ihre Zielsetzung beschreiben und ihre Leistungsfähigkeit begründen können.
Dauer 1
SWS 8.0
Aufwand
Lehrveranstaltung 120
Selbststudium / Gruppenarbeit: 90
Workload 210
ECTS 7.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Mathematik 2" (K90 mit PA-Anteil). PA kann bis zu 20% der Klausur ersetzen.

Modulverantwortlicher

Prof. Dr. Eva Decker

Max. Teilnehmer 41
Empf. Semester 2
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Bachelor-Studiengang AKI, AI

Veranstaltungen

Mathematik 2

Art Vorlesung/Übung
Nr. EMI116
SWS 8.0
Lerninhalt
  • Relationen, Funktionen, Folgen, Grenzwerte
  • Differential- und Integralrechnung in einer und mehreren Variablen
  • Reihen, Potenzreihen, Fourierreihen 
  • Kombinatorik
  • Passende Anwendungsbeispiele. 

 

Literatur

Teschl, G. und Teschl, S., Mathematik für Informatiker : Band 1: Diskrete Mathematik und Lineare Algebra, 4. Auflage, Berlin, Heidelberg, Springer Spektrum, 2013.

Hartmann, P., Mathematik für Informatiker. Ein praxisbezogenes Lehrbuch, 6. Auflage, Wiesbaden, Springer Vieweg, 2015.

Papula, L., Mathematik für Ingenieure und Naturwissenschaftler Band 1. Ein Lehr- und Arbeitsbuch für das Grundstudium, 14. Auflage, Wiesbaden, Springer Vieweg, 2014.

Papula, L., Mathematik für Ingenieure und Naturwissenschaftler Band 2. Ein Lehr- und Arbeitsbuch für das Grundstudium, 14. Auflage, Wiesbaden, Springer Vieweg, 2015.

Betriebliche Organisation

Empfohlene Vorkenntnisse

Es sind keine Vorkenntnisse notwendig.

Lehrform Vorlesung/Seminar
Lernziele / Kompetenzen

Die Studierenden erlangen mit diesem Modul eine breite betriebswirtschaftliche Wissensbasis, um betriebliche Probleme in ihrem spezifisch ökonomischen Wesen zu begreifen. Sie sind mit dem betriebswirtschaftlichen Vokabular vertraut und sind in der Lage, die vielfältigen Beziehungen und Zusammenhänge zwischen den betrieblichen Teilbereichen zu erkennen.

 

Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 60
Workload 120
ECTS 4.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für „Betriebliche Organisation” (K60) (1/2) und Referat „Projektmanagement”(1/2) müssen jeweils einzeln bestanden sein.

Modulverantwortlicher

Prof. Dr. Daniela Oelke

Max. Teilnehmer 41
Empf. Semester 2
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Bachelor-Studiengang AKI

Veranstaltungen

Betriebswirtschaftslehre

Art Vorlesung
Nr. EMI136
SWS 2.0
Lerninhalt

Grundlagen
- Ziele
- Ökonomisches Prinzip
- Unternehmenstypen
- Produktionsfaktoren
- Konstitutive Entscheidungen (z.B. Rechtsform, Standort)
- Aktuelle Rahmenbedingungen
Management
- Unternehmensführung (Planung, Kontrolle, Organisation)
- Personalführung
- Ausgewählte Managementinstrumente
Finanzierung und Investition
- Außenfinanzierung
- Innenfinanzierung
- Finanzierungsähnliche Vorgänge
- Investitionsarten
- Verfahren zur Beurteilung von Investitionsalternativen
Personalwirtschaft
- Personalbeschaffung
- Personaleinsatz (u.a. Arbeitszeit, Entlohnung)
- Personalentwicklung
- Personalfreistellung
Materialwirtschaft
- Aufgaben der Materiawirtschaft
- Beschaffungsprinzipien (z. B. Just-in-time-Beschaffung)
- XYZ-Analyse
- ABC-Analyse
- "Optimale" Bestellmenge
Produktionswirtschaft
- Produktionsfunktionen
- Produktionsprozesse
- Organisationsformen der Fertigung
- Qualitätssicherung
Absatzwirtschaft/Marketing
- Marktforschung
- Produktpolitik
- Kontrahierungspolitik
- Distributionspolitik
- Kommunikationspolitik

Literatur

Schultz, V., Basiswissen Betriebswirtschaft : Management, Finanzen, Produktion, Marketing, 5. Auflage, München, Dt. Taschenbuch-Verlag,  2014
Steven, M., BWL für Ingenieure, München, Oldenbourg Verlag, 2012

Projektmanagement

Art Seminar
Nr. EMI913
SWS 2.0
Lerninhalt

Im Rahmen des Seminars Projektmanagement wird eine praxisorientierte Einführung in die Methoden und Vorgehensweisen des modernen Projektmanagements gegeben. Das Seminar umfasst im Einzelnen folgende Inhaltspunkte:

  • Projektmanagement: Definitionen, Phasen, Richtlinien, Nutzen
  • Projektmanagement und Projekt Definitionen nach ISO
  • Projektorganisationsformen: Reine Projektorganisation, Projektkoordination, Matrix-Organisation
  • Projektlebenszyklus
  • Projektdefinition; Projektklassifizierung; Project Charter; SMART Richtlinie
  • Projektplanung: Kick-off, WBS, Erstellen eines Projektstrukturplans (PSP)
  • Verfahren der Aufwandsschätzung: Termin- und Ablaufplanung (Gantt-Chart, Meilensteinplan; Netzplantechnik, CPM), Ressourcen- und Kostenplanung, Resourcenueberladung, Risikomanagement; Praxisanleitung zur Projektplanung
  • Projektabwicklung, Konfliktmanagement, Risikomanagement
  • Projektcontrolling
  • Qualitäts- und Config.-Management: Techniken zur Erfassung zukunftsbezogener IST-Daten; Datenauswertung (Soll-Ist-Vergleich); Earned-Value Analyse(EVA); Definieren von Steuerungsmaßnahmen
  • Projektabschluss: Produktabnahme; Projektabschlussbericht mit Abschlussanalyse; Projektabschluss-Meeting (Kick-Out)
  • Kosten des Projektmanagements
  • Einführung in MS Project - praktische Übungen im Team (Projektablauf, WBS, Ressourcen, Kosten, Filter, Graphen, Definition eigener Felder, Überwachungsmethoden)
  • Arbeitstechniken zur Unterstützung von Projektmanagement: Problemlösungstechniken; Kommunikationstechniken; Verhalten und Steuern von Besprechungen
Literatur
  • Mangold, P., IT-Projektmanagement kompakt, 2. Auflage, Spektrum Verlag, 2008
  • Hemmrich, A., Harrant, H., Projektmanagement - In 7 Schritten zum Erfolg, 2. Auflage, Hanser, 2007
 Zurück