Modulbeschreibung
AI Foundations
Kürzel:
Durchführungszeitraum:
ECTS-Credits:
Lernziele:
Methoden und Anwendungen der Künstlichen Intelligenz sind zu einem wichtigen Bestandteil der Informatik geworden. In diesem Modul werden grundlegende Konzepte aus Mathematik und Informatik bearbeitet.
Die Studierenden können:
- Daten mit Python verarbeiten und analysieren
- verschiedene Arten von Daten und Codierungen (z.B. one-hot) erläutern
- zu gegebenen Daten ein geeignetes Regressionsmodell formulieren und trainieren
- den Trainingsvorgang als Optimierungsproblem formulieren und dieses mit einem iterativen Algorithmus lösen
- die Qualität eines Trainingsvorganges qualitativ und quantitativ beschreiben und die Generalisierungseigenschaften eines Modelles abschätzen
- ausgewählte Algorithmen des supervised- und unsupervised Learning darstellen und diese zur Lösung konkreter Probleme einsetzen
- einen gegebenen AI-Service in eigenen Applikationen einsetzen
Verantwortliche Person:
Standort (angeboten):
Empfohlene Module:
Zusätzlich vorausgesetzte Kenntnisse:
- Englisch (Fachartikel oder Dokumentationen sind teilweise in Englisch)
- Python-Kenntnisse von Vorteil, werden aber nicht vorausgesetzt
Skriptablage:
Modultyp:
ECTS-Credits pro Kategorie
Modulbewertung
Bewertungsart:
Leistungsbewertung
Während der Prüfungssession:
Während des Semesters:
Ein Softwareprojekt mit Kurzbericht
Bewertungsart:
Gewichtung:
Kurzbericht 30%
Schriftliche Prüfung 70%
Bemerkungen:
Kurse in diesem Modul
AI Foundations
Kürzel:
Semester:
Plan und Lerninhalt:
Die Studierenden lernen die Grundlagen des Machine Learnings kennen und anwenden. Die zum Verständnis der eingesetzten Modelle benötigten theoretischen und mathematischen Grundlagen werden erarbeitet.
Während des Semesters entwickeln die Studierenden eine AI-gestützte Anwendung. Ziel ist es, existierende AI Komponenten (z.B. Dialogflow) in eine Applikation zu integrieren. Das Projekt ist in einem technischen Bericht zu dokumentieren und wird bewertet.
Folgende Themen werden in der Vorlesung und den Übungen erarbeitet:
- Mathematik und Datenverarbeitung mit Python (scipy)
- Preprocessing: cleansing, Standarisierung, Encoding, Feature-Engineering
- Lineare-, Polynomiale-, und Logistische Regression
- Optimierung mit Gradient Descent (Stochastic, Batch)
- loss, overfitting, underfitting, regularization, bias/variance, cross-validation
- Ausgewählte Algorithmen des supervised- und unsupervised Learning
- "AI as a Service": Verwendung einer AI-API (z.B. Dialogflow)
Unterrichtssprache:
Kursart:
Durchführung gemäss Stundenplan