Personal Details

Es wird auf folgende Inhalte eingegangen:

- Einführung, Modus, Motivation

- Grundlagen von Machine Learning (ML) und Deep Learning (DL)

- ML Design: Daten sammeln und vorbereiten, ML/DL Algorithmen auswählen und trainieren, Modelle evaluieren und optimieren, AI-Lösungen im Betrieb einzusetzen

- Interdisziplinäre AI-Anwendungen in Medizin und Industrie entwickeln

- Safety, Security, Ethik und Mensch-AI-Kooperation beim Design der AI-Lösungen einbeziehen

Die Übung deckt die folgenden Inhalte ab:

- Auswahl einer interdisziplinären Anwendung

- ML/DL Pipeline für die Anwendung entwickeln

- Data Engineering

- Einsatz und Evaluierung von ML und DL Algorithmen in der Anwendung

- Einbeziehen von Safety, Security, Ethik und Mensch-AI Kooperation Aspekte in der Anwendung

Fallstudien, praktische Übungen, Vortrag

Endprüfung

Schriftliche Prüfung (50%) - Eigenes Projekt (50%) Zusätzlich sind bis zu 10 Punkte durch die Aktivität zu bekommen: Fragen stellen, Fragen beantworten, zusätzliche Übungen

Es wird auf folgende Inhalte eingegangen:

- Einführung, Modus, Motivation, Grundlagen ML-Projekt

- Machine Learning Project: Datenanalyse, Visualisierung, Vorbereitung, Modellauswahl und Training, Evaluation und Optimierung

- Einführung in Deep Learning

- Convolutional Neural Networks (CNN)

- Recurrent Neural Networks (RNN)

- Generative Adversarial Networks (GAN)

- Reinforcement Learning (RL)

- Anwendungen in Computer Vision, Robotik, Natural Language Processing, Medizin und Biologie.

Die Übung deckt die folgenden Inhalte ab:

- Entwicklung der DL-Algorithmen

- CNN-, RNN-, GAN- und RL-Modelle erstellen, trainieren und evaluieren

- Entwicklung einer DL-Pipeline für die ausgewählte Anwendung

- DL-Anwendung in einem Bereich nach Wahl: Biologie/Medizin, Robotik, Computer Vision, Natural Language Processing usw.

- DL-Projektdurchführung und Evaluation

Fallstudien, Vortrag, praktische Übung in Gruppen.

Immanente Leistungsüberprüfung

Ausarbeitung einer Fallstudie, Gruppenarbeiten, Endprüfung

- Psychologische Aspekte des HCIs

- Benutzerfreundlichkeit

- Benutzerforschung

- Benchmarking der Benutzerfreundlichkeit

- Interaktionsgestaltung

- Prototyping

- Methoden zur Untersuchung und Prüfung der Benutzerfreundlichkeit

- Benutzerfreundlichkeit in der Praxis

Fallstudien, Praktische Übungen, Vortrag

Immanente Leistungsüberprüfung

Fallbeispiele, Gruppenübung, schriftliche Endprüfung.

- Kritische Analyse der klassischen ML Algorithmen

- Standard DL Algorithmen: CNN, RNN, Generative Netze

- Moderne DL Architekturen für Natural Language Processing (NLP): Attention, Transformer, GPT, BERT usw.

- Anwendungen der ML im allgemeinen und DL in besonderen auf NLP: Text verstehen, Übersetzung, Sprache und Text generieren, Web Suche, Wissensgeneration

- Einschränkungen der DL

Theoretischer Unterricht , Diskussion der praktischen Beispiele, eigenes DL-Projekt

Modulprüfung

- Kritische Analyse der klassischen ML Algorithmen

- Standard DL Algorithmen: CNN, RNN, Generative Netze

- Moderne DL Architekturen für Natural Language Processing (NLP): Attention, Transformer, GPT, BERT usw.

- Anwendungen der ML im allgemeinen und DL in besonderen auf NLP: Text verstehen, Übersetzung, Sprache und Text generieren, Web Suche, Wissensgeneration

- Einschränkungen der DL

Theoretischer Unterricht , Diskussion der praktischen Beispiele, eigenes DL-Projekt

Modulprüfung

Grundlegende Konzepte von Betriebssystemen werden vorgestellt. Es wird beschrieben, wie Prozesse und Threads in einem Betriebssystem interagieren. Für die praktische Anwendung der theoretischen Konzepte werden in den Übungen vorwiegend Linux Betriebssysteme eingesetzt. Die Konzepte werden mittels Programmierbeispielen verdeutlicht. Deadlocks werden identifiziert und aufgelöst. Die verwendeten Betriebssysteme werden in einer virtuellen Umgebung eingesetzt.

Die LV deckt insbesondere die folgenden Inhalte ab:

- Prozesse und Threads

- Speicherverwaltung

- Deadlocks, Livelocks, Monitor, Semaphore

- Dateisysteme

- Eingabe und Ausgabe

- Virtualisierung

- IT-Sicherheit

- Unix, Linux

- Windows

Präsentation von Themen durch die Studierenden, praktische Übungen, Vortrag

Endprüfung

Einzelarbeiten

- Mathematical Basics of AI and Data Science- Linear Algebra

- Probability Theory and Statistics

- Optimization

- Introduction to Artificial Intelligence- Problem Solving and Heuristic Search

- Logic and Knowledge Representation

- Planning, Learning and Decision Making under Uncertainty

- Data Science and Machine Learning Fundamentals- Data Collection, Cleaning, Filtering

- Model Building

- Model Evaluation

- Definition of Machine Learning and classes of Machine Learning Algorithms

- Machine Learning Classifiers

- Evaluation of Machine Learning Algorithms

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Immanente Leistungsüberprüfung

- Project work

- Exercises during lectures

- Final written exam

Grundlegende Konzepte von Betriebssystemen werden vorgestellt. Es wird beschrieben, wie Prozesse und Threads in einem Betriebssystem interagieren. Für die praktische Anwendung der theoretischen Konzepte werden in den Übungen vorwiegend Linux Betriebssysteme eingesetzt. Die Konzepte werden mittels Programmierbeispielen verdeutlicht. Deadlocks werden identifiziert und aufgelöst. Die verwendeten Betriebssysteme werden in einer virtuellen Umgebung eingesetzt.

Die LV deckt insbesondere die folgenden Inhalte ab:

- Prozesse und Threads

- Speicherverwaltung

- Deadlocks, Livelocks, Monitor, Semaphore

- Dateisysteme

- Eingabe und Ausgabe

- Virtualisierung

- IT-Sicherheit

- Unix, Linux

- Windows

Präsentation von Themen durch die Studierenden, praktische Übungen, Vortrag

Endprüfung

Einzelarbeiten

- Mathematical Basics of AI and Data Science- Linear Algebra

- Probability Theory and Statistics

- Optimization

- Introduction to Artificial Intelligence- Problem Solving and Heuristic Search

- Logic and Knowledge Representation

- Planning, Learning and Decision Making under Uncertainty

- Data Science and Machine Learning Fundamentals- Data Collection, Cleaning, Filtering

- Model Building

- Model Evaluation

- Definition of Machine Learning and classes of Machine Learning Algorithms

- Machine Learning Classifiers

- Evaluation of Machine Learning Algorithms

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Immanente Leistungsüberprüfung

- Project work

- Exercises during lectures

- Final written exam

Die Studierenden lernen anhand einer praktischen, konkreten Aufgabenstellung, das theoretische Wissen über Projekte und Implementierungen in die Praxis umzusetzen. Sie handeln eigenverantwortlich und selbständig und dokumentieren ihre Arbeit nachvollziehbar und detailliert. Die Mitarbeit an einem industriellen F&E Projekt bzw. an aktuellen Problemstellungen im Rahmen der F&E Tätigkeit der FH ist möglich.

Gruppenarbeiten, praktische Projektumsetzung begleitet mit Übungen und Coaching.

Endprüfung