Die LV gliedert sich folgendermaßen:

• Einführung: Geschichte der KI
• Schwarmintelligenz: Gemeinsam sind wir stark
• Evolutionäre Intelligenz: Genetische Algorithmen
• Menschliche Intelligenz: Einblick in die Kognitionswissenschaft

Maschinelle Intelligenz:

• Maschinelles Lernen
• Deep Learning mit neuronalen Netzwerken
• Autonome Systeme
• Logik und Prolog
• Natural Language Processing

Russel, Norvig (2012) Künstliche Intelligenz –Ein moderner Ansatz. Pearson Studium; Auflage: 3.

Ertl (2016) Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung. Springer Vieweg; Auflage: 4.

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen

• Schwarmintelligenz: Versuche mit einem Schwarmsystem zu  individueller und Schwarmintelligenz und zur Frage: wie viel ist Intelligenz wert?
• Genetische Algorithmen: Experimente zum Einfluss verschiedener Selektions-, Rekombinations- und Mutationsstrategien
• Kognitionswissenschaft: Einfaches, kognitionswissenschaftliches Experiment
• Maschinelles Lernen: Anwendung vorhandener Lernalgorithmen auf Beispieldatensätze in Knime
• Bilderkennung mit Hilfe von Deep Learning anhand eines vorgegebenen Jupyter Notebooks

Verfassung von wissenschaftlichen Ausarbeitungen zu den Ergebnissen der Untersuchungen.

Die LV gliedert sich folgendermaßen:

• Geschichte der Informatik
• Aufbau und Funktionsweise eines PCs (Hardware, Prozessoren, Speicher).
• Grundlagen wie Bits, Bytes, Daten, Zahlensysteme.
• Software (System- und Anwendungssoftware, Individual- und Standardsoftware, Software-Lizenzen).
• Kommunikation zwischen Systemen (Netzwerke, Protokolle, Client-Server, P2P, Cloud).
• IT-Sicherheit, Datenschutz und vertrauenswürdige KI
• Reguläre Ausdrücke
• Internet und WWW (Aufbau, Protokolle, Dienste, Funktionsweise).
• Aktuelle Entwicklungen und Trends der Informatik.

Abts, Dietmar; Mülder, Wilhelm (2017): Grundkurs Wirtschaftsinformatik: Eine kompakte und praxisorientierte Einführung. Springer Vieweg.

Hellmann, Roland (2016): Rechnerarchitektur: Einführung in den Aufbau moderner Computer. De Gruyter Oldenbourg.

Die Vorlesung vermittelt ein strukturiertes Vorgehen zur Lösung von Programmierproblemen. Verschiedene Problemstellungen werden in Python modelliert und schrittweise gelöst. Unit-Tests dienen der Qualitätssicherung.

In der Vorlesung werden folgende Python-Konzepte behandelt:

• Funktionen, inkl. geschachtelter und anonymer Funktionen, ebenso Funktionen höherer Ordnung und rekursive Funktionen.
• Aufzählungen (Literal), Records und Union
• Listen und Tupel, geschachtelte Listen
• Schleifen (for, while)
• Veränderbarer Zustand, Aliasing
• Einfache Klassen und Objekte (ohne Vererbung)
• Module
• Dateien
• Unit-Tests
• Dictionaries und Mengen
• Exceptions

Theis, Thomas (2019): Einstieg in Python: Programmieren lernen für Anfänger. Rheinwerk Computing.

Klein, Bernd (2017): Einführung in Python 3. Hanser.

Downey, Allen (2015): Think Python: How to Think Like a Computer Scientist. O’Reilly. Online: http://greenteapress.com/thinkpython/html/index.html

Vertiefung der Lerninhalte aus der Vorlesung durch praktische Übungen. Es werden alle in der Vorlesung vorgestellten Python-Konzept behandelt.

In der Vorlesung werden folgende Python-Konzepte behandelt:

• Funktionen, inkl. geschachtelter und anonymer Funktionen, ebenso Funktionen höherer Ordnung und rekursive Funktionen.
• Aufzählungen (Literal), Records und Union
• Listen und Tupel, geschachtelte Listen
• Schleifen (for, while)
• Veränderbarer Zustand, Aliasing
• Einfache Klassen und Objekte (ohne Vererbung)
• Module
• Dateien
• Unit-Tests
• Dictionaries und Mengen
• Exceptions

Theis, Thomas (2019): Einstieg in Python: Programmieren lernen für Anfänger. Rheinwerk Computing.

Klein, Bernd (2017): Einführung in Python 3. Hanser.

Downey, Allen (2015): Think Python:How to Think Like a Computer Scientist. O’Reilly. Online: http://greenteapress.com/thinkpython/html/index.html

Die LV umfasst folgende Lerninhalte:

• Grundlagen der menschlichen Wahrnehmung
• Mensch-Computer-Interaktion
• Datentypen, Skalen, Datenvorverarbeitung
• Grundlagen der deskriptiven Statistik
• Design-Prinzipien effektiver Visualisierung (visuelle Variablen und ihre Genauigkeit, Separierbarkeit, Diskriminierbarkeit, vorbewusste Wahrnehmung, Gestaltgesetze)
• Visualisierungen für univariate Daten (Histogramme, Density Plots, Box Plots)
• Visualisierungen für multivariate Daten (Scatterplot, Parallele Koordinaten, Balkendiagramm, Heatmap, Kreisdiagramm, Flächendiagramm, inkl. gestapelte und normalisierte Varianten, Glyphen)
• Spezielle Visualisierungen für zeitabhängige Daten, geographische Daten, Netzwerke und Graphen
• Design von graphischen Nutzerschnittstellen
• Evaluierung von Visualisierungen und graphischen Nutzerschnittstellen (Nutzerstudien, Umfragen, Interviews, Feldstudien)
• Interaktionsmöglichkeiten mit Visualisierung
• Datenbasiertes Storytelling

Munzner, Tamara (2014): Visualization Analysis & Design. A K Peters.

Ward, Matthew; Grinstein, George; Keim, Daniel A. (2010): Interactive Data Visualization. Foundations, Techniques, and Applications. A K Peters.

Ware, Colin (2012): Information Visualization: Perception for Design. Morgan Kaufmann.

Few, Stephen (2012): Show Me the Numbers: Designing Tables and Graphs to Enlighten. Analytics Pr.

Nussbaumer Knaflic, Cole (2017): Storytelling mit Daten: Die Grundlagen der effektiven Kommunikation und Visualisierung mit Daten. Vahlen.

Yau, Nathan (2014): Einstieg in die Visualisierung: wie man aus Daten Informationen macht. Wiley-VCH-Verlag4.

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen

• Datenvorverarbeitung
• Visualisierung von Daten
• Anwenden von Visualisierungstools
• Durchführen eines Projekts zur visuellen Exploration mit Hilfe von Visualisierungen

Milligan, Joshua N. (2022): Learning Tableau 2022 : create effective data visualizations, build interactive visual analytics, and transform your organization. Packt Publishing.

Few, Stephen (2012): Show Me the Numbers: Designing Tables and Graphs to Enlighten. Analytics Pr.

Nussbaumer Knaflic, Cole (2017): Storytelling mit Daten: Die Grundlagen der effektiven Kommunikation und Visualisierung mit Daten. Vahlen.

Grundlagen der Diskreten Mathematik und Lineare Algebra:

• Logik und Mengen
• Rechnen in den reellen und komplexen Zahlen inklusive Zahldarstellung im ComputerStellenwertsysteme, Polynome, Folgen
• Modulo-Rechnung, Gruppen und Körper
• Lineare Algebra (Vektor- und Matrizenrechnung, Analytische Geometrie)

Teschl, G. und Teschl, S., Mathematik für Informatiker : Band 1: Diskrete Mathematik und Lineare Algebra, 4. Auflage, Berlin, Heidelberg, Springer Spektrum, 2013.

Hartmann, P., Mathematik für Informatiker : Ein praxisbezogenes Lehrbuch, 6. Auflage, Wiesbaden, Springer Vieweg, 2015.

Brill, M., Mathematik für Informatiker: Einführung an praktischen Beispielen aus der Welt der Computer, 2. Auflage, München, Wien, Hanser Verlag, 2005.

Die LV umfasst folgende Lerninhalte:

• Definition von Machine Learning
• Arten des Machine Learning (Supervised und Unsupervised Machine Learning, Reinforcement Learning)
• Vorgehensprozesse in Machine Learning Projekten
• Machine Learning for Business
• Evaluation von Machine Learning Algorithmen, Metriken und Gütemaße, Wirtschaftlichkeitsberechnungen
• Over- und Underfitting, Bias/Variance
• Strategien zur Datenaufteilung für Training (Cross Validation, Hold-Out, Bootstrapping)
• Datenvorverarbeitung
• Feature Selection
• Lineare Regression und Logistische Regression
• Klassifikation (Entscheidungsbäume, Random Forests, Naive Bayes, k-Nächste Nachbarn, Support Vector Machines)
• Ensemble Learning (Bagging und Boosting)
• Dimensionsreduktionsverfahren
• Machine Learning Bibliotheken in Python Fallstudien

• Kelleher, John D.; Mac Namee, Brian; D‘Arcy, Aoife. (2020): Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies. MIT Press,
• Han, Jiawei; Kamber, Micheline (2012): Data mining : concepts and techniques. Morgan Kaufmann.
• Haneke, Uwe; Trahasch, Stephan; Zimmer, Michael; Felden, Carsten (Hg.) (2018): Data Science. Heidelberg: dpunkt.verlag GmbH.
• Ester, Martin; Sander, Jörg (2000): Knowledge Discovery in Databases: Techniken und Anwendungen. Springer-Verlag.

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen

• Datenvorverarbeitung
• Regression
• Klassifikation
• Evaluation von unterschiedlichen Verfahren
• Anwenden von Python-Bibliotheken zu Machine Learning
• Numpy, Pandas

Géron, Aurélien (2022): Hands-on machine learning with Scikit-Learn,  Keras, and TensorFlow. Third edition. O'Reilly Media, Inc.

Raschka, Sebastian; Mirjalili, Vahid (2019): Python Machine Learning. Third Edition. Packt Publishing.

Die Studierenden kennen klassische Algorithmen und Datenstrukturen, können deren Komplexität in der O-Notation beurteilen und selbstständig anwenden. Es werden folgende Algorithmen und Datenstrukturen behandelt:

• Verschiedene Arten von Listen
• Verschiedene Sortierverfahren
• Verschiedene Suchverfahren
• Binärbäume, Suchbäume, balancierte Suchbäume
• Funktionale Datenstrukturen (Queues, Arrays)
• Hashing
• Graphen, inkl. topologische Sortierung und shortest-path Algorithmus

Ottmann, Thomas; Widmayer, Peter (2017): Algorithmen und Datenstrukturen, 6. Auflage, Spektrum, Berlin.
Cormen, Tomas H.; Leiserson, Charles E.; Rivest, Ronald L.; Stein, Clifford (2009): Introduction to Algorithms, 3. Auflage, MIT Press.

Studierende sind mit fortgeschrittenen Programmierkonzepten vertraut und können diese selbstständig in Python anwenden. Es werden folgende Themen behandelt:

• Objekt-orientierte Programmierung mit Python: Vererbung, abstrakte Klassen, Datenkapselung, statische Attribute und Methoden, liksovsches Substitutionsprinzip
• Ausgewählte Design-Patterns, z.B. Composite, Proxy und Visitor
• Iteratoren und Generatoren
• GUI-Programmierung
• Nebenläufiges Programmieren
• Dynamisches Programmieren

Theis, Thomas (2019): Einstieg in Python: Programmieren lernen für Anfänger. Rheinwerk Computing.

Klein, Bernd (2017): Einführung in Python 3. Hanser. Downey, Allen (2015): Think Python: How to Think Like a Computer Scientist. O’Reilly. Online: http://greenteapress.com/thinkpython/html/index.html

Im Praktikum werden alle Inhalte der Vorlesungen „Programmierung 2” und „Algorithmen & Datenstrukturen” praktisch mit Python umgesetzt.

Die Studierenden kennen klassische Algorithmen und Datenstrukturen, können deren Komplexität in der O-Notation beurteilen und selbstständig anwenden. Es werden folgende Algorithmen und Datenstrukturen behandelt:

• Verschieden Arten von Listen
• Verschiedene Sortierverfahren
• Verschiedene Suchverfahren
• Binärbäume, Suchbäume, balancierte Suchbäume
• Funktionale Datenstrukturen (Queues, Arrays)
• Hashing Graphen, inkl. topologische Sortierung und shortest-path Algorithmus

Studierende sind mit fortgeschrittenen Programmierkonzepten vertraut und können diese selbstständig in Python anwenden. Es werden folgendeThemen behandelt:

• Objekt-orientierte Programmierung mit Python: Vererbung, abstrakte Klassen, Datenkapselung, statische Attribute und Methoden, liksovsches Substitutionsprinzip
• Ausgewählte Design-Patterns, z.B. Composite, Proxy und Visitor
• Iteratoren und Generatoren
• GUI-Programmierung
• Nebenläufiges Programmieren
• Dynamisches Programmieren

Theis, Thomas (2019): Einstieg in Python: Programmieren lernen für Anfänger. Rheinwerk Computing.

Klein, Bernd (2017): Einführung in Python 3. Hanser. Downey, Allen (2015): Think Python: How to Think Like a Computer Scientist. O’Reilly. Online:http://greenteapress.com/thinkpython/html/index.html

Ottmann, Thomas; Widmayer, Peter (2017): Algorithmen und Datenstrukturen, 6. Auflage, Spektrum, Berlin.

Cormen, Tomas H.; Leiserson, Charles E.; Rivest, Ronald L.; Stein, Clifford (2009): Introduction to Algorithms, 3. Auflage, MIT Press.

Die LV gliedert sich folgendermaßen:

• Univariate und multivariate Deskription und Exploration von Daten (Datentypisierung, Skalenniveaus, Grafische Darstellungen von Häufigkeitsverteilungen, Quantile, Boxplot, Ausreißer, Lage-, Streu-, Konzentrationsmaße, Zusammenhanganalysen und Assoziationsmaße, Kovarianz, Lineare Einfachregression)
• Wahrscheinlichkeitsrechnung inkl. Anwendung von Kombinatorik und Ereignisalgebra, stochastische Unabhängigkeit, bedingte Wahrscheinlichkeit, Satz von Bayes, binäre Klassifikatoren)
• Zufallsvariablen, wichtige diskrete und stetige Wahrscheinlichkeitsmodelle und typische Anwendungsfälle, Dichte undVerteilungsfunktion, Erwartungswert und Varianz von Zufallsvariablen, Simulation von Zufallsstichproben, Probability Plot
• Grenzwertsätze
• Punkt- und Intervallschätzungen (Maximum-Likelihood-Schätzer, Konfidenzradius, Resampling / Bootstrapping)
• Testen von Hypothesen (Ein- und Zwei-Stichprobentests für metrische bzw. kategoriale Daten inkl. A/B-Testing, ANOVA, Chi-Quadrat-Tests, Spezielle Tests mit Bezug zu Machine Learning
• Zeitreihen (Komponentenmodell, Einführung in Filterverfahren, Transformationen, Autokorrelation)
• Praktische Umsetzung mit Python

• L. Fahrmeir, C. Heumann, R. Künstler, I. Pigeot, and G. Tutz, Statistik: Der Weg zur Datenanalyse, 8th ed. Berlin, Heidelberg: Springer Spektrum, 2016.
• C. Heumann, M. Schomaker, and Shalabh, Introduction to Statistics and Data Analysis: With Exercises, Solutions and Applications in R. Cham: Springer, 2016.
• P. Bruce, A. G. Bruce, and P. Gedeck, Practical statistics for data scientists: 50+ essential concepts using R and Python. Sebastopol: O'Reilly, 2020.
• J. VanderPlas, Data Science mit Python: Das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn, 1st ed. Frechen: mitp, 2017.
• A. Nielsen, Practical time series analysis: Prediction with statistics and machine learning. Sebastopol CA: O'Reilly, 2019.

• Relationen, Funktionen, Folgen, Grenzwerte
• Differential- und Integralrechnung in einer und mehreren Variablen
• Reihen, Potenzreihen, Fourierreihen 
• Kombinatorik
• Passende Anwendungsbeispiele. 

Teschl, G. und Teschl, S., Mathematik für Informatiker : Band 1: Diskrete Mathematik und Lineare Algebra, 4. Auflage, Berlin, Heidelberg, Springer Spektrum, 2013.

Hartmann, P., Mathematik für Informatiker. Ein praxisbezogenes Lehrbuch, 6. Auflage, Wiesbaden, Springer Vieweg, 2015.

Papula, L., Mathematik für Ingenieure und Naturwissenschaftler Band 1. Ein Lehr- und Arbeitsbuch für das Grundstudium, 14. Auflage, Wiesbaden, Springer Vieweg, 2014.

Papula, L., Mathematik für Ingenieure und Naturwissenschaftler Band 2. Ein Lehr- und Arbeitsbuch für das Grundstudium, 14. Auflage, Wiesbaden, Springer Vieweg, 2015.

Grundlagen
- Ziele
- Ökonomisches Prinzip
- Unternehmenstypen
- Produktionsfaktoren
- Konstitutive Entscheidungen (z.B. Rechtsform, Standort)
- Aktuelle Rahmenbedingungen
Management
- Unternehmensführung (Planung, Kontrolle, Organisation)
- Personalführung
- Ausgewählte Managementinstrumente
Finanzierung und Investition
- Außenfinanzierung
- Innenfinanzierung
- Finanzierungsähnliche Vorgänge
- Investitionsarten
- Verfahren zur Beurteilung von Investitionsalternativen
Personalwirtschaft
- Personalbeschaffung
- Personaleinsatz (u.a. Arbeitszeit, Entlohnung)
- Personalentwicklung
- Personalfreistellung
Materialwirtschaft
- Aufgaben der Materiawirtschaft
- Beschaffungsprinzipien (z. B. Just-in-time-Beschaffung)
- XYZ-Analyse
- ABC-Analyse
- "Optimale" Bestellmenge
Produktionswirtschaft
- Produktionsfunktionen
- Produktionsprozesse
- Organisationsformen der Fertigung
- Qualitätssicherung
Absatzwirtschaft/Marketing
- Marktforschung
- Produktpolitik
- Kontrahierungspolitik
- Distributionspolitik
- Kommunikationspolitik

Schultz, V., Basiswissen Betriebswirtschaft : Management, Finanzen, Produktion, Marketing, 5. Auflage, München, Dt. Taschenbuch-Verlag,  2014
Steven, M., BWL für Ingenieure, München, Oldenbourg Verlag, 2012

Im Rahmen des Seminars Projektmanagement wird eine praxisorientierte Einführung in die Methoden und Vorgehensweisen des modernen Projektmanagements gegeben. Das Seminar umfasst im Einzelnen folgende Inhaltspunkte:

• Projektmanagement: Definitionen, Phasen, Richtlinien, Nutzen
• Projektmanagement und Projekt Definitionen nach ISO
• Projektorganisationsformen: Reine Projektorganisation, Projektkoordination, Matrix-Organisation
• Projektlebenszyklus
• Projektdefinition; Projektklassifizierung; Project Charter; SMART Richtlinie
• Projektplanung: Kick-off, WBS, Erstellen eines Projektstrukturplans (PSP)
• Verfahren der Aufwandsschätzung: Termin- und Ablaufplanung (Gantt-Chart, Meilensteinplan; Netzplantechnik, CPM), Ressourcen- und Kostenplanung, Resourcenueberladung, Risikomanagement; Praxisanleitung zur Projektplanung
• Projektabwicklung, Konfliktmanagement, Risikomanagement
• Projektcontrolling
• Qualitäts- und Config.-Management: Techniken zur Erfassung zukunftsbezogener IST-Daten; Datenauswertung (Soll-Ist-Vergleich); Earned-Value Analyse(EVA); Definieren von Steuerungsmaßnahmen
• Projektabschluss: Produktabnahme; Projektabschlussbericht mit Abschlussanalyse; Projektabschluss-Meeting (Kick-Out)
• Kosten des Projektmanagements
• Einführung in MS Project - praktische Übungen im Team (Projektablauf, WBS, Ressourcen, Kosten, Filter, Graphen, Definition eigener Felder, Überwachungsmethoden)
• Arbeitstechniken zur Unterstützung von Projektmanagement: Problemlösungstechniken; Kommunikationstechniken; Verhalten und Steuern von Besprechungen

• Mangold, P., IT-Projektmanagement kompakt, 2. Auflage, Spektrum Verlag, 2008
• Hemmrich, A., Harrant, H., Projektmanagement - In 7 Schritten zum Erfolg, 2. Auflage, Hanser, 2007