Die LV gliedert sich folgendermaßen:

-Einführung

• Geschichte Autonomer Systeme
• Umgebungen
• Autonomiestufen

 -Wahrnehmen

• Sensorik und einfache Filter
• Sensorfusion und Aufbau eines Modells
• Geometrische Transformationen

 -Entscheiden

• Entscheidungsarchitekturen
• Algorithmen zur automatisierten Entscheidungsfindung

 -Handeln

• Behaviors/Manöver
• Behavior morphing
• Deep Reinforcement Learning

 -Anwendungsbeispiele

•  Autonomes Fahren
• Fußballroboter

Correll, Nikolaus; Hayes, Bradley; Heckman, Christoffer and Roncone, Alessandro (2022): Introduction to Autonomous Robots: Mechanisms, Sensors, Actuators, and Algorithms, MIT Press (forthcoming).

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen
-Autonomes Fahren, z.B.

• Filterung von Ultraschall-Sensordaten
• Entwicklung eines Notbrems-Assistenten
• Autonomes Einparken

-Fußballroboter, z.B.

• Erkennung der Lage des Roboters
• Lernen von Behaviors
• Teach-in eines Verhaltens eines Nao Roboters
• Verfassung von wissenschaftlichen Ausarbeitungen zu den Ergebnissen der Untersuchungen.

Eine individuelle Themenstellung aus dem Gebiet der KI und des Machine Learnings wird in vorgegebener Zeit selbständig bearbeitet und dokumentiert.

Literatur hängt von dem gewählten Thema der Bachelor-Thesis ab.

• Wissenschaftliches Arbeiten
• Themenspezifische Literaturrecherche
• Strukturierung der Abschlussarbeit
• Präsentation der eigenen Arbeit im Rahmen eines Kolloquiums
• Die Teilnahme an mindestens 8 Fachvorträgen über andere Bachelor-Arbeiten derselben Fakultät muss vor der Anmeldung der eigenen Arbeit nachgewiesen werden.

Präsentation und Diskussion der Inhalte des Betriebspraktikums

• Problemstellung
• Verwendete Technologien und Werkzeuge
• Vorgehensweisen
• Darstellung der aufgetretenen Probleme
• Beschreibung der gewählten Lösungsansätze
• Bewertung der Modelle

Die LV umfasst folgende Lerninhalte:

Klassische Methoden:

• Bildentstehung und Digitalisierung
• Filter im Ortsraum und Frequenzraum
• Merkmalsdetektoren, z.B. Kanten, Konturen, Kurven
• Morphologische Operationen und Geometrische Transformationen
• Segmentierung, z.B. Schwellenwert-basierte Methoden, Clustering-basierte Methoden, Graph-basierte Methoden

Deep Learning basierte Methoden:

• Semantische Segmentierung, z.B. FCN, U-Net, DeepLab
• Objekterkennung (einstufige und zweistufige Ansätze), z.B. R-CNN, Retina, YOLO
• Optischer Fluss, z.B. Lucas-Kanade, Horn-Schunck, FlowNet
• 3DDeep Learning: Occupancy Network, 3D NeRF
• Vision Transformer: Attention

• Szeliski, R., Computer Vision: Algorithms and Applications; Springer, 2011, online pdf version: http://szeliski.org/Book/
• Burger, Burge, Digital Image Processing - An algorithmic introduction, 3rd ed. Springer, 2015
• Gonzalez, Digital Image Processing, 4th ed., Pearson, 2017

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

• Bildmosaik: Histogramm, Filterung, Merkmalsdetektoren, BildtransformationenSegmentierung: Otsu's
  Methode, k-means in der farbbasierten Segmentierung
• Deep Learning Grundlage: Keras, Tensorflow als Standardtool
• Semantische Segmentierung, z.B. U-Net
• Objektklassifikation, z.B.VGG, ResNet
• Objekterkennung, z.B. R-CNN oder YOLO
• Optischer Fluss: Lucas-Kanade Methode

Burger, Wilhelm; Burge, Mark J. (2022): Digital Image Processing: An algorithmic introduction. 3rd ed., Springer.

Gonzalez, Rafael C.; Woods, Richard E. (2017): Digital Image Processing. 4th ed., Pearson.

Szeliski, Richard (2011): Computer Vision: Algorithms and Applications. Springer.

Courville, Aaron;  Goodfellow, Ian; Bengio, Joshua (2016): Deep Learning. MIT Press.

Die LV umfasst folgende Lerninhalte:

• ETL-Prozesse
• Datenqualität
• Messaging-Architekturen und Systeme
• Stream Processing
• NoSQL-Datenbanken
• Hadoop DFS und MapReduce
• Verteile Analyse großer Datenmengen mit verteilten Systemen wie Apache Spark, Flink
• Cloud-Dienste zur Verarbeitung und Speicherung von großen Datenmengen

• Kleppmann, Martin (2018): Designing data-intensive applications. The big ideas behind reliable, scalable, and maintainable systems. Fifth release. Beijing, Boston, Farnham, Sebastopol, Tokyo: O'Reilly.
• White, Tom (2015): Hadoop. The definitive guide. 4. edition: O'Reilly & Associates.
• Chambers, Bill; Zaharia, Matei (2018): Spark. The definitive guide: big data processing made simple. First edition. Sebastapol, CA: O'Reilly Media.
• Apel, Detlef (2015): Datenqualität erfolgreich steuern. Praxislösungen für Business Intelligence Projekte. 3., überarbeitete und erweiterte Auflage. Heidelberg [Germany]: dpunkt.verlag (Edition TDWI).

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

• ETL-Prozesse
• NoSQL-Datenbanken
• HDFS und MapReduce
• Spark

Géron, Aurélien (2019): Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. Concepts, tools, and techniques to build intelligent systems. Second edition. Sebastopol, CA: O'Reilly Media, Inc.

• Relationale Datenbanktechnologien und -produkte
• Modellierung von Daten (ER-Modell und Relationales Datenbank-Modell)
• Normalformen
• Structured Query Language (SQL)
• Data Control Language
• Data Definition Language
• Data Manipulation Language
• Data Query Language
• Transaktionen
• Schnittstellen zu Datenbanksystemen (JDBC)
• Einführung in Concurrency Control (Isolation Levels)
• Aktive Datenbanksysteme
• Einführung in O/R Mapping

Saake, Gunter; Heuer, Andreas; Sattler, Kai-Uwe (2018): Datenbanken - Konzepte und Sprachen. 6. Aufl. Frechen: mitp.
Elmasri, Ramez A.; Navathe, Shamkant B.; Shafir, Angelika (2011): Grundlagen von Datenbanksystemen. Bachelorausg., 3., aktualisierte Aufl., [Nachdr.]. München: Pearson Studium (IT - Informatik).
Kemper, Alfons Heinrich; Eickler, André (2015): Datenbanksysteme. Eine Einführung. 10., erweiterte und aktualisierte Auflage. Berlin, Boston: De Gruyter Studium.

• Erstellung von ER-Modellen von Hand und toolbasiert
• Erstellung von Relationalen Datenbankschemata (von Hand und Toolbasiert)
• Operatorbäume und Normalformen
• Anlegen von Datenbanken
• Anlegen von Tabellen und Constraints
• Einfügen, Verändern und Löschen von Daten
• Abfragen und Unterabfragen
• Transaction Control
• Concurrency Control
• Zugriff auf Datenbanken mit JDBC
• Aktive Datenbanksysteme (PL/SQL)
• Einführung in O/R Mapping

Faeskorn-Woyke, H., Datenbanksysteme – Theorie und Praxis mit SQL2003, Oracle und MySQL, München, Pearson-Studium, 2007
Heuer, A., Saake G., Sattler K. U., Datenbanken: Konzepte und Sprachen, 3. Auflage, Heidelberg, Mitp-Verlag, 2008
Elmasri R. A., Navathe, S. B., Grundlagen von Datenbanksystemen, 3. Auflage, München [u.a.], Pearson Studium, 2009
Ullenboom, C., Java ist auch eine Insel : das umfassende Handbuch, 9. Auflage, Bonn, Galileo Press, 2011

Die LV gliedert sich folgendermaßen:

• Geschichte und Herleitung einfacher künstlicher neuronaler Netze (NN)
• Design und Implementierung von “Multi Layer Perceptron” Netzen
• Training von NNs als Lösung nicht-konvexer Optimierungsprobleme
• Theorie und Implementierung des Backpropagation Algorithmus
• Einführung in aktuelle NN Software Frameworks
• Konzepte des “Deep Learning” und deren Implementierung durch tiefe neuronale Netze (DNN)
• Grundlagen und Implementierung von Auto-Encoder Netzen (AE)
• Grundlagen und Implementierung von Convolutional Neural Networks (CNN)
• Grundlagen und Implementierung von rekurrenten Netzen (RNN)
• Grundlagen und Implementierung von generativen Netzen
• Hyperparameter Optimierung und Neural Architecture Search

• Deep Learning, Goodfellow et.al. (2018), MITP
• weitere aktuelle Publikationen

Die Studierenden setzen die in der Vorlesung vermittelten Konzepte und Architekturen im Praktikum um.

Die LV gliedert sich folgendermaßen:

• Grundlagen der Komplexitätsanalyse
• Grundlegende Rechenoperationen in Machine Learning (ML) Algorithmen
• Aktuelle Hardwarearchitekturen für KI und ML
• Eingebettete Systeme für KI/ML Anwendungen
• Einführung in die Grundlagen parallelen Rechnens
• Einführung in parallele Programmierung in OpenMP und Cuda
• Implementierung von ML Operatoren auf CPUs und GPUs
• Grundlagen des verteilten Rechnens
• Das MapReduce Schema
• Parallelisierung von ML Algorithmen mit MapReduce
• Implementierung von ML Algorithmen mit Hadoop und Spark
• Einführung in verteilte Programmierung mit MPI und DASK
• Machine Learning with DASK
• Skalierbares Deep Learning
• Machine Learning in der Cloud

Die aktuelle Literaturliste wird in der Lehrveranstaltung bekannt gegeben.

Die Studierenden vertiefen die in der Vorlesung vermittelten Inhalte durch praktische Übungen im Rahmen des Praktikums.

Die aktuelle Literaturliste wird in der Lehrveranstaltung bekannt gegeben.

Die LV umfasst folgende Lerninhalte:

• Distanzfunktionen
• Clustering
• Association Mining
• Zeitreihenanalyse   
• Fluch der hohen Dimension
• Räumliche Indexstrukturen
• Ausreißer- und Anomaliedetektion
• Fallstudien

•  Han, Jiawei; Kamber, Micheline (2012): Data mining : concepts and techniques. Morgan Kaufmann.    
• Ester, Martin; Sander, Jörg (2000): Knowledge Discovery in Databases: Techniken und Anwendungen. Springer-Verlag.   
• 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,
• Vogel, Jürgen (2015): Prognose von Zeitreihen. Eine Einführung für Wirtschaftswissenschaftler. Springer Gabler.

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

• Clustering
• Association Mining
• Zeitreihenanalyse
• Python-Visualisierungslibraries
• Anwenden von Python-Bibliotheken und weiteren Frameworks und Tools zu Machine Learning

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.

Die LV gliedert sich folgendermaßen:

• Wahrnehmung als Grundlage der Kommunikation
• Nonverbale und verbale Kommunikation, Ebenen der Interaktion
• Selbstbild und Fremdbild: die Wirkung des eigenen Verhaltens kennenlernen
• Einführung in die Transaktionsanalyse
• Übungen zur Transaktionsanalyse: Analyse des individuellen Gesprächsverhalten, erkennen und verstehen der Verhaltensweisen anderer
• Gespräche zielorientiert und konstruktiv führen
• Strategien für die Gesprächsführung
• Erarbeiten und praktische Erprobung von Konfliktlösungsstrategien und Fragetechniken
• Feedback auf das eigene Redeverhalten
• Umgang mit Störungen und schwierigen Situationen
• Sprechtechnik und körpersprachlicher Ausdruck
• Teamdynamiken

• Gührs, Manfred; Nowak, Claus (2006): Das konstruktive Gespräch. Ein Leitfaden für Beratung, Unterricht und Mitarbeiterführung mit Konzepten der Transaktionsanalyse. 6. Aufl. Meezen: Limmer.
• Gellert, Manfred; Nowak, Claus (2010): Teamarbeit, Teamentwicklung, Teamberatung. Ein Praxisbuch für die Arbeit in und mit Teams. 4. Aufl. Meezen: Limmer.

• Vorgehensweise bei der Erstellung einer Präsentation
• Recherche
• Einsatz von Medien
• Aufbau einer Präsentation in Abhängigkeit der Zielgruppe
• Einhaltung von Grundregeln
• Einsatz von Animationen
• Softwarewerkzeuge
• Vorbereitung einer Präsentation
• Rhetorik, Auftreten und Gestik
• Beantwortung von Fragen
• Reaktion auf Störungen
• Kurzreferate durch die Studierenden
• Diskussion

• Duarte, N. (2011). Slide:ology: Oder die Kunst, brillante Präsentationen zu entwickeln (1. Aufl., 3. korr. Nachdr). Beijing [u.a.]: O'Reilly.
• Hartmann, M. (2009). Die überzeugende Präsentation: Methoden, Medien und persönlicher Auftritt. (Sachsenmeier, I., Ed.). Weinheim, Basel: Beltz.
• Reynolds, G. (2013). Zen oder die Kunst der Präsentation: Mit einfachen Ideen gestalten und präsentieren (2. Aufl., überarb. & aktualisiert). Heidelberg: dpunkt-Verl.

Die LV umfasst folgende Lerninhalte:

• Sprache und Bedeutung, Morphologie, Syntax vs. Semantik
• Textvorverarbeitung, Tokenisierung, N-Grams
• Part-of-Speech-Tagging
• Parsing (Full Parsing, Chunking, Dependency Parsing)
• Information Extraction
• Topic Modeling
• Wort-Ähnlichkeiten
• Vektorrepräsentationen für Text (Feature-basiert, TF, TF-IDF)
• Word Embeddings (Word2Vec etc.)
• Textklassifikation
• Sprachmodelle
• Dialogagenten
• Meinungsanalyse

Pfister, Beat; Kaufmann, Tobias (2017): Sprachverarbeitung.  Grundlagen und Methoden der Sprachsynthese und Spracherkennung: Vieweg +  Teubner Verlag.

Jurafsky, Daniel; Martin, James H. (2009): Speech and language  processing. An introduction to natural language processing,  computational linguistics, and speech recognition. 2nd ed. Upper Saddle  River (N.J.): Pearson Prentice Hall/Pearson education international  (Prentice Hall series in artificial intelligence).

Manning, Christopher D.; Raghavan, Prabhakar; Schütze, Hinrich  (2018, cop. 2008): Introduction to information retrieval. 4th printing.  Cambridge: Cambridge University Press.

Die NLP-Konzepte und -Verfahren werden praktisch in Form von  Laborpraktika angewendet und so die Kenntnis über die Funktionsweise und die Möglichkeiten vertieft. U.a. werden folgenden Themen praktisch  behandelt:

• Textvorverarbeitung
• POS-Tagging
• Dependency Parsing
• Dokumentenklassifikation
• Information Extraction
• Sprachmodelle

In der Vorlesung werden folgende Sprachelemente von Java behandelt:

• Records
• Enums
• Klassen, auch abstrakte Klassen
• Interfaces
• Methoden
• Arrays
• Vererbung und Polymorphie
• Sichtbarkeiten
• Packages und Module
• Exceptions
• Generics
• Unit-Tests
• Grundlagen der Netzwerkprogramierung mit Java
• Lambda-Ausdrücke
• Collection-Framework

Ullenboom, Christian (2020): Java ist auch eine Insel. Rheinwerk Verlag. Online-Version: https://openbook.rheinwerk-verlag.de/javainsel/ 

Ackermann, Philip (2019): Schrödinger programmiert Java. Rheinwerk Verlag.

Java Tutorials von Oracle: https://docs.oracle.com/javase/tutorial/ Java API: https://docs.oracle.com/en/java/javase/17/docs/api/index.html

James Gosling & Co (2021): The Java Language Specification. https://docs.oracle.com/javase/specs/jls/se17/html/index.html

Bloch, Joshua (2018): Effective Java, 3. Auflage, Addison-Wesley.

Im Praktikum werden alle Inhalte der Vorlesung „Programmierung mit Java” praktisch mit Java umgesetzt.

• Records
• Enums
• Klassen, auch abstrakte Klassen
• Interfaces
• Methoden
• Arrays
• Vererbung und Polymorphie
• Sichtbarkeiten
• Packages und Module
• Exceptions
• Generics
• Unit-Tests
• Grundlagen der Netzwerkprogramierung mit Java
• Lambda-Ausdrücke
• Collection-Framework

Ullenboom, Christian (2020): Java ist auch eine Insel. Rheinwerk Verlag. Online-Version: https://openbook.rheinwerk-verlag.de/javainsel/ 

Ackermann, Philip (2019): Schrödinger programmiert Java. Rheinwerk Verlag.

Java Tutorials von Oracle: https://docs.oracle.com/javase/tutorial/

Java API: https://docs.oracle.com/en/java/javase/17/docs/api/index.html

James Gosling & Co (2021): The Java Language Specification. https://docs.oracle.com/javase/specs/jls/se17/html/index.html 

Bloch, Joshua (2018): Effective Java, 3. Auflage, Addison-Wesley.

Zu einer vorgegebenen Problemstellung der Künstlichen Intelligenz erarbeiten die Studierenden in Teams Lösungen. Projektarbeit im Team mit Aufgaben des Projektmanagements.
Die Projektergebnisse werden präsentiert und diskutiert.

• Beims, Martin (2018): Handbuch IT-Projektmanagement. Vorgehensmodelle, Managementinstrumente, Good Practices. 3., überarbeitete Auflage. Hg. v. Ernst Tiemeyer. München: Hanser.
• Timinger, Holger (2017): Modernes Projektmanagement: Mit traditionellem, agilem und hybridem Vorgehen zum Erfolg. Weinheim: WILEY-VCH.

Literatur wird projektspezifisch zu Beginn des Projekts bekannt gegeben.

• Merkmale wissenschaftlicher Publikationen
• Literaturrecherche (Bibliothek, Internet, etc.)
• Zitationsstile
• Erstellung einer wissenschaftlichen Ausarbeitung zu einem Thema des Machine Learnings und der Künstlichen Intelligenz
• Vorbereitung und Halten einer Präsentation

Aktuelle Literatur wird im Seminar bekannt gegeben.

In dem Seminar werden aktuelle Themen und wissenschaftliche Publikationen der Künstlichen Intelligenz und des Machine Learning behandelt.

Aktuelle Literatur wird im Seminar bekannt gegeben.

• Vorgehensmodelle (Sequentiell, Iterativ, Agil)
• Analyse (Planung, Modellierung mit UML, Analysemuster)
• Design (Architektur, Objektorientiertes Design mit UML, Design Patterns, Anti-Patterns)
• Implementierung und Test
• Wartung und Betrieb

Kecher C., UML 2.0 Das umfassende Handbuch, 5. Auflage, Bonn, Galileo Press, 2015
Freeman E. & E., Head First Design Patterns, Beijing; Köln [u.a.], O'Reilly, 2004
Gamma, E., Design Patterns: Elements of Reusable Object-Oriented Software, 28. Auflage, Boston, Munich [u.a.], Addison-Wesley, 2004
Brown, W., AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis, New York [u.a.], Wiley Verlag, 1998

Fachspezifisch je nach Wahlpflichtfach. Die Liste der Wahlpflichtfächer wird jeweils rechtzeitig vor Semesterbeginn veröffentlicht und gilt für das laufende Semester.

Fachspezifisch je nach Wahlpflichtfach

Fachspezifisch je nach Wahlpflichtfach. Die Liste der Wahlpflichtfächer wird jeweils rechtzeitig vor Semesterbeginn veröffentlicht und gilt für das laufende Semester.

Fachspezifisch je nach Wahlpflichtfach