Artificial Intelligence
Verantwortlich: Prof. Dr. Wolfgang Nejdl
Beschreibung: In Anlehnung an den Kurs CS188 in Berkeley und in Abstimmung mit dessen Dozenten bieten wir die beiden Veranstaltungen Artificial Intelligence 1+2 an. Die Kurse werden online als Live-Veranstaltung angeboten und anschließend als Aufzeichnung zur Verfügung gestellt. Die Übungen werden als Flipped Classroom mit Live-Frage-Antwort-Runde angeboten und beinhalten auch zwei Miniprojekte pro Semester. Inhaltlich deckt das Modul die Themen Suche und Constraint Satisfaction, Markov Decision Processes, Hidden Markov Models und Reinforcement Learning, Wahrscheinlichkeiten und Bayes-Netze, Maschinelles Lernen (Naive Bayes, Logistische Regression, Entscheidungsbäume, Neuronale Netze) ab.
Credits: 5
Sprache: Deutsch
Machine Learning
Verantwortlich: Prof. Dr. Stefan Weber
Beschreibung: Die Studierenden lernen zentrale Grundkonzepte und Methoden der Wahrscheinlichkeitstheorie und Statistik kennen und können diese zur Lösung von Anwendungsproblemen angemessen nutzen und algorithmisch umsetzen. Themen sind u.a. 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.
Credits: 5
Sprache: Englisch
Grundlagen der Data Science
Verantwortlich: Prof. Dr. Ziawash Abedjan
Beschreibung: Inspiriert von dem Kurs "Data8", der am Data Science Institute der Universität von Kalifornien Berkeley für alle Studierenden und in enger Zusammenarbeit mit deren Dozenten angeboten wird, richtet sich dieser Kurs an Studierende ohne Programmiererfahrung und vermittelt Grundlagen des algorithmischen Umgangs mit Daten auf einem für Studierende verschiedenster Fachrichtungen angemessenen Niveau. Dabei wird die übliche Lehre umgedreht. Die Studierenden lernen, mit praktischen Fragen 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 und ethische Fragen 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".
Credits: 5
Sprache: Englisch
Stochastische Grundlagen
Verantwortlich: Prof. Dr. Stefan Weber
Beschreibung: Die Studierenden lernen zentrale Grundkonzepte und Methoden der Wahrscheinlichkeitstheorie und Statistik kennen und können diese zur Lösung von Anwendungsproblemen angemessen nutzen und algorithmisch umsetzen. Themen sind u.a. 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.
Credits: 5
Sprache: Englisch
