Modulbeschreibung

AI Foundations

Kurzzeichen:
M_AIFo
Unterrichtssprache:
Englisch
ECTS-Credits:
4
Leitidee:

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
Modulverantwortung:
Prof. Dr. Lehmann Marco
Standort (angeboten):
Rapperswil-Jona
Zusätzliche Eingangskompetenzen:
  • Englisch (Fachartikel oder Dokumentationen sind teilweise in Englisch)
  • Python-Kenntnisse von Vorteil, werden aber nicht vorausgesetzt
Modultyp:
Wahl-Modul für Informatik Retro STD_14_UG(Empfohlenes Semester: 3)
Wahlpflicht-Modul für Informatik STD_14(Empfohlenes Semester: 3)Kategorien:Informatik (I_Inf), Rahmenausbildung (Kat_RA)
Wahlpflicht-Modul für Informatik STD_21(Empfohlenes Semester: 3)Kategorien:Informatik (I_Inf), Rahmenausbildung (Kat_RA)
Modulbewertung:
Note von 1 - 6

Leistungsnachweise und deren Gewichtung

Modulschlussprüfung:
Schriftliche Prüfung, 90 Minuten
Während der Unterrichtsphase:

Ein Softwareprojekt mit Kurzbericht

Bewertungsart:
Note von 1 - 6
Gewichtung:

Kurzbericht 30%

Schriftliche Prüfung 70%

Bemerkungen:

Inhalte

Modul- 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)