Modulbeschreibung

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 zu 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 insbesondere neuronale Netze vom Neuron bis zu den Implikationen z.B. von generativen Netzen 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 etwas fundierte Kenntnis aktueller KI-Technologien sollen Studierende die Grundlagen besitzen, um in ihrem Berufsalltag auch neue Anwendungen von KI identifizieren und (mit Hilfe von Informatikern) umzusetzen, aber auch kritisch zu hinterfragen.

• Datenmodellierung
• Datenbanken und Informationssysteme
• Informationsmanagement
• Mathematik und Statistik

• Schriftliche Einzelarbeit, Gewichtung 50%

• Schriftliche Modulschlussprüfung (50% der Modulschlussnote)
• Praktikum Bildklassifikation (50% der Modulschlussnote): individueller Bericht (ca. 6 Seiten)

Fachkompetenzen:
Die Teilnehmenden können:

• Anwendungsfälle von Data Mining im Unternehmenskontext identifizieren
• Einen breiten Überblick geben über die verfügbaren Data Mining 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
• Data Mining Anwendungsfällen geeignete Data Mining Technologien zuordnen und beurteilen welche Herausforderungen bei der Umsetzung existieren
• Data Mining 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 Data Mining 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 Teilnehmenden 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 Teilnehmenden 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 Teilnehmenden können:

• Eine konkrete Aufgabenstellung im Team bearbeiten;
• Ergebnisse im Rahmen einer ggf. kritischen Diskussion vorstellen und Entscheidungen begründen.

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

Lehrgespräch, Gruppenarbeit

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