Modulbeschreibung

Data Science und Artificial Intelligence

ECTS-Credits:
6
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 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.

Kurse in diesem Modul

Data Science und Artificial Intelligence:

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
Vorlesung mit 4 Lektionen pro Woche
Disclaimer

Diese Beschreibung ist rechtlich nicht verbindlich! Weitere Informationen finden Sie in der detaillierten Modulbeschreibung.