Modulbeschreibung
Data Science und Artificial Intelligence
Kürzel:
Durchführungszeitraum:
ECTS-Credits:
Arbeitsaufwand (h):
Lernziele:
Künstliche Intelligenz ist eine transformative Technologie des digitalen Zeitalters. Nicht nur die Wirtschaftsinformatik im engeren Sinne ist davon betroffen, sondern unsere Zivilisation insgesamt. Die statistische und technische Natur des maschinellen Lernens machen das Gebiet einem Laien nur über APIs zugänglich: Wir lernen, KI zu nutzen. Ziel dieses Kurses ist es, die Studierenden im Umgang mit KI kompetenter zu machen, indem die grundlegende Funktionsweise von KI verstanden wird. Wie "lernt" eine KI? Wie "entscheidet" sie?
Wer die prinzipielle Funktionsweise von KI, in der Gegenwart und in der nahen Zukunft nicht nur kennt, sondern deren prinzipielle Funktionsweise versteht, ist befähigt, fundiert am allgemeinen Diskurs über die Art des Einsatzes von KI in unserer modernen Gesellschaft teilzunehmen. Daher werden neben klassischen Machine Learning Algorithmen auch neuronale Netze vom Neuron bis zu den Implikationen in bestimmten Anwendungskontexten behandelt. Wirtschaftsinformatiker sollen zudem ein Machine Learning basiertes System, welches von einem Informatiker entwickelt wurde, kritisch und quantitativ auf den vorliegenden Anwendungsfall hin evaluieren können. Durch eine fundiertere Kenntnis aktueller KI-Technologien sollen Studierende die Grundlagen besitzen, um in ihrem Berufsalltag auch neue Anwendungen von KI identifizieren und (mit Hilfe von Informatikern) umsetzen, aber auch kritisch hinterfragen zu können.
Verantwortliche Person:
Standort (angeboten):
Zusätzlich vorausgesetzte Kenntnisse:
- Datenmodellierung
- Datenbanken und Informationssysteme
- Informationsmanagement
- Mathematik und Statistik
Skriptablage:
Modultyp:
Bemerkungen:
Workload[h]
Kontaktstudium: 56
Begleitetes Selbststudium: 14
Unbegleitetes Selbststudium: 80
ECTS-Credits pro Kategorie
Modulbewertung
Bewertungsart:
Leistungsbewertung
Während der Prüfungssession:
Während des Semesters:
- Schriftliche Einzelarbeit, Gewichtung 50%
Bewertungsart:
Gewichtung:
- Schriftliche Modulschlussprüfung (50% der Modulschlussnote)
- Praktikum Bildklassifikation (50% der Modulschlussnote): individueller Bericht (ca. 6 Seiten)
Bemerkungen:
Kurse in diesem Modul
Data Science und Artificial Intelligence
Kürzel:
Semester:
Lernziele:
Fachkompetenzen:
Die Studierenden können:
- Anwendungsfälle von Machine Learning im Unternehmenskontext identifizieren
- Einen breiten Überblick geben über die verfügbaren Machine Learning Technologieklassen und deren Reifegrad für Anwendungen in KMU.
- Eine breite Reihe von Machine Learning Technologien in ihrer Funktionsweise intuitiv und detailliert beschreiben. Insbesondere kennen sie die für das Tuning relevanten Hyperparameter und deren Auswirkungen
- Machine Learning Anwendungsfällen geeignete Machine Learning Technologien zuordnen und beurteilen welche Herausforderungen bei der Umsetzung existieren
- Machine Learning Technologien in Bezug auf ihre Anwendungsmöglichkeiten beurteilen und einordnen. Dies nicht nur allgemein, sondern konkret an Hand der Werte von einschlägigen Metriken wie Genauigkeit, Präzision, ROC- und Lernkurven etc.
- Machine Learning Projekte führen. Insbesondere sind sie fähig, geeignete quantitative Qualitätsgrössen zu identifizieren, daran den Reifegrad eines Machine Learning Prototypen beurteilen und aus den Defiziten mögliche Gründe und Massnahmen ableiten.
- Erwartungshaltungen an Machine Learning und KI realistisch beurteilen
- Teilweise sehr technisch geschriebene Fachpublikationen quer lesen und deren Bedeutung für Ihre KMU-Situation einschätzen. Sie können die Ergebnisse zusammenfassen, kritisch beurteilen und kommunizieren.
Methodenkompetenzen:
Die Studierenden können:
- Methodische Fehler bei der Umsetzung von Machine Learning Projekten frühzeitig erkennen und beheben.
- Durch Ihr Verständnis der statistischen Natur von Data Science Projekten alle wichtigen methodischen Fehler vermeiden und Projekte so organisieren, dass verlässliche statistische Aussagen über die Anwendbarkeit eines Prototypen gemacht werden.
- Für die jeweilige Aufgabenstellung geeignete Datenanalysetechniken auswählen und einfache Datenanalysen durchführen;
- Konkrete Datenanalyse-Ergebnisse hinsichtlich deren Qualität beurteilen.
Selbstkompetenzen:
Die Studierenden können:
- Erwartungshaltungen an Machine Learning und KI realistisch beurteilen
- Teilweise sehr technisch geschriebene Fachpublikationen quer lesen und deren Bedeutung für Ihre KMU-Situation einschätzen. Sie können die Ergebnisse zusammenfassen, kritisch beurteilen und kommunizieren.
- Einen vollständigen Analyse-Prozess für Datenanalysen erarbeiten und in einfachen Fällen mit Hilfe von Softwaretools durchführen;
- Datenanalyse-Ergebnisse kritisch hinterfragen und Grenzen technisch-datengetriebener Ansätze erkennen.
Sozialkompetenzen:
Die Studierenden können:
- Eine konkrete Aufgabenstellung (im Team) bearbeiten;
- Ergebnisse im Rahmen einer ggf. kritischen Diskussion vorstellen und Entscheidungen begründen.
Plan und Lerninhalt:
Themen-/Lernblock I: Einführung in Machine Learning
- Grundlagen
- Projektablauf
- Klassifikation
- Regression
Themen-/Lernblock II: Modelle trainieren und statistische Lerntheorie
- Modelltraining, Overfitting
- Regularisierung (Entscheidungsbäume, Regression)
- Bias und Varianz-Kompromiss
Themen-/Lernblock III: Grundlagen neuronaler Netze
- Logistische Regression
- Neuronale Netze
- Training neuronaler Netze
Themen-/Lernblock IV: Deep Learning
- Bilderkennung und convolutional neural networks
- Praktikum: Training eines Bildklassifikators
- Textanwendungen mit neuronalen Netzen, Grundlagen von LLMs
Themen-/Lernblock V: Unsupervised Learning
- Clustering: K-Means
- Dimensionsreduktion mit der Hauptkomponentenanalyse
Ansprechspersonen:
Unterrichtssprache:
Lehr- und Lernmethoden:
Lehrgespräch, Gruppenarbeit
Bibliographie:
Pflichtliteratur:
- Annalyn Ng, Kenneth Soo, "Data Science- was ist das eigentlich?! Algorithmen des maschinel-len Lernens verständlich erklärt".
Weiterführende Literatur:
- Aurélien Géron, «Praxiseinstieg Machine Learning mit Scikit-Learn & Tensorflow, O’Reilly, 2018
- Thomas A. Runkler, Data Mining, 2015
Kursart:
Durchführung gemäss Stundenplan