Personendetails

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.

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

- Deep Learning Foundation- Motivation and basic ideas

- Basic principles behind algorithms

- Deep Learning Algorithms and Networks- Convolutional Neuronal Networks (CNN)

- Recurrent Neural Networks (RNN)

- Generative Neural Networks (GAN, Autoencoders)

- Reinforcement Learning (Deep QNet)

- Applications of Deep Learning and Artificial Intelligence in other disciplines, including Medicine, IoT, Industry 4.0, Autonomous Driving, and Games.

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Endprüfung

Performance assessment is done according to: - Project work - Exercises during lectures - Final written or oral exam

- 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

- Deep Learning Foundation- Motivation and basic ideas

- Basic principles behind algorithms

- Deep Learning Algorithms and Networks- Convolutional Neuronal Networks (CNN)

- Recurrent Neural Networks (RNN)

- Generative Neural Networks (GAN, Autoencoders)

- Reinforcement Learning (Deep QNet)

- Applications of Deep Learning and Artificial Intelligence in other disciplines, including Medicine, IoT, Industry 4.0, Autonomous Driving, and Games.

- Lecture

- Group work (project)

- Practical exercises

- Continuous Discussion and feedback

Endprüfung

Performance assessment is done according to: - Project work - Exercises during lectures - Final written or oral exam

- 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 wenden die erworbenen Fähigkeiten an, um ein Projekt koordiniert und strukturiert abzuwickeln. Dabei definieren sie selbständig konkrete Teilziele im Projekt. Fundiertes theoretisches Vorgehen wird somit mit praktischer Anwendung kombiniert angewendet. 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

Praktisches Projekt in der Kleingruppe