In dieser Sektion finden Sie eine Übersicht über die Grundlagenkurse der Micro Degree Programme. Weitere Informationen zu Veranstaltungsorten, Zeitplänen und den Semestern, in denen die Kurse angeboten werden, finden Sie im Online-Vorlesungsverzeichnis der Universität.
Künstliche Intelligenz 1
Verantwortlich: Prof. Dr. techn. Wolfgang Nejdl
Institut für Data Science
Beschreibung: In Anlehnung an den Kurs CS188 der University of California, Berkeley, und in Abstimmung mit den dortigen Dozenten bieten wir die Veranstaltungen Artificial Intelligence 1+2 an. Die Kurse werden online als Live-Veranstaltungen angeboten und anschließend als Aufzeichnungen zur Verfügung gestellt. Die Übungen erfolgen im Format eines Flipped Classrooms mit Live-Frage-Antwort-Runden und beinhalten außerdem zwei Miniprojekte pro Semester. Inhaltlich deckt das Modul die Themen Suche und Constraint Satisfaction, Markov-Entscheidungsprozesse, Hidden Markov Models, Reinforcement Learning, Wahrscheinlichkeiten und Bayes-Netze sowie maschinelles Lernen (Naive Bayes, logistische Regression, Entscheidungsbäume, neuronale Netze) ab.
Leistungspunkte: 5 ECTS
Sprache: Deutsch
Maschinelles Lernen
Verantwortlich: Prof. Dr.-Ing. Bodo Rosenhahn
Institut für Informationsverarbeitung
Beschreibung: Der Kurs widmet sich klassischen und aktuellen Paradigmen des maschinellen Lernens. Ziel ist die „künstliche“ Generierung von Wissen aus Erfahrung oder Beispielen: Ein künstliches System analysiert Beispiele (Daten) auf strukturierte Weise, lernt genau aus diesen Beispielen und ist nach Abschluss der Lernphase in der Lage, auf neue Situationen zu generalisieren. Neben unüberwachtem Lernen und statistischem Lernen werden auch Adaboost, Random Forests und Neuronale Netze behandelt. Anwendungsbeispiele zur objektbasierten Bildanalyse und Klassifikation schaffen aktuelle Praxisbezüge.
Der Lehrplan umfasst unter anderem: Merkmalsextraktion, Shape Signature, Shape Context, unüberwachtes Lernen (Clustering-Verfahren), minimale Spannbäume, Markov-Clustering, Bayes-Klassifikator, erscheinungsbasierte Objekterkennung, Hidden-Markov-Modelle, Hauptkomponentenanalyse (PCA), Adaboost, Random Forests und Neuronale Netze.
Leistungspunkte: 5 ECTS
Sprache: Deutsch
Grundlagen der Data Science
Verantwortlich: Prof. Dr. rer. nat. Marius Lindauer
Institut für Künstliche Intelligenz
Beschreibung: Inspiriert von dem Kurs „Data8“, der am Data Science Institute der University of California, Berkeley, für alle Studierenden angeboten und in enger Zusammenarbeit mit deren Dozenten entwickelt wird, richtet sich dieser Kurs an Studierende ohne Programmiererfahrung und vermittelt die Grundlagen des algorithmischen Umgangs mit Daten auf einem für Studierende unterschiedlichster Fachrichtungen angemessenen Niveau. Dabei wird die übliche Lehrmethodik umgedreht: Die Studierenden lernen, mit praktischen Fragestellungen umzugehen und nutzen die zentral gepflegte Jupyter-Notebook-Umgebung, um sich auf die eigentlichen Programmieraufgaben zu konzentrieren. Der Kurs deckt zentrale Grundlagen der Datenwissenschaft ab: Kausalität und Korrelation, Big Data, Datenextraktion, Datenvisualisierung, Zufallsvariablen, Stichprobenvergleich, Hypothesentests, Schätzung und Vorhersage von Testvariablen, Klassifikation sowie ethische Fragestellungen der Datenwissenschaft. Parallel zu den jeweiligen mathematischen Konzepten behandelt der Kurs auch Programmierkonzepte wie Datentypen, Variablen, Zuweisungen, Kontrollstrukturen und Datenverarbeitungsfunktionen. Der Kurs orientiert sich grob an dem Online-Buch „Computational and Inferential Thinking“.
Leistungspunkte: 5 ECTS
Sprache: Englisch
Grundlagen der Stochastik
Dieser Kurs kann derzeit nur angesehen werden, aber eine Prüfung ist momentan nicht möglich!
Verantwortlich: Prof. Dr. Stefan Weber
Institut für Versicherungs- und Finanzmathematik
Beschreibung: Die Studierenden lernen zentrale Grundkonzepte und Methoden der Wahrscheinlichkeitstheorie und Statistik kennen und können diese zur Lösung von Anwendungsproblemen angemessen anwenden und algorithmisch umsetzen. Themen sind unter anderem Wahrscheinlichkeitsräume, Zufallsvariablen, Verteilungen, Grenzwertsätze, Grundlagen stochastischer Prozesse, Grundbegriffe der Statistik – insbesondere Schätzer, Konfidenzintervalle, Tests, Bayessche Statistik und lineare Modelle – sowie Algorithmen zur Simulation und für statistische Verfahren.
Leistungspunkte: 5 ECTS
Sprache: Englisch
