Wirtschaftsinformatik

Bewerbung Studienberatung
Fakultät W

Modulhandbuch

←  Zurück 

Angewandte Künstliche Intelligenz

Empfohlene Vorkenntnisse

Grundlagen IT, Kenntnisse in Python-Programmierung, Datenanalyse, Höhere Mathematik
Lehrform Vorlesung/Übung/Labor
Lernziele / Kompetenzen

Die Studierenden...

  • erwerben fundierte Kenntnisse über Problemstellungen, Verfahren und Technologien der künstlichen Intelligenz
  • kennen Einsatzmöglichkeiten der künstlichen Intelligenz in typischen Anwendungsbereichen
  • verfügen über ein grundlegendes Verständnis verschiedener Ansätze der künstlichen Intelligenz in der Anwendung mit Vor- und Nachteilen
  • können Anforderungen an eine KI-Anwendung erfassen und bewerten
  • können die Machbarkeit und Auswirkungen von KI-Anwendungsfällen in einer Reihe von Geschäftsszenarien bewerten
  • sind in der Lage, passende Technologien und Verfahren für gegebene KI-Problemstellungen auszuwählen, anzuwenden und ggf. anzupassen
  • können eine Roadmap für den Einsatz von KI-Anwendungen erstellen
  • sind in der Lage, eine praxisnahe Problemstellung innerhalb eines knappen zeitlichen Rahmens im Projektteam zu bearbeiten
  • wissen typische KI-Frameworks, Tools und Bibliotheken aus dem Python-Umfeld zur Realisierung einzusetzen
  • sind in der Lage, das Projektergebnis an Stakeholder zu kommunizieren
Dauer 1
SWS 6.0
Aufwand
Lehrveranstaltung 90 h
Selbststudium / Gruppenarbeit: 180 h
Workload 270 h
ECTS 9.0
Voraussetzungen für die Vergabe von LP

Modulprüfung Klausur (K90) sowie Praktische Arbeit (PA)

Gewichtung: 2/3 Klausur, 1/3 Praktische Arbeit
Modulverantwortlicher

Prof. Dr. Simone Braun
Empf. Semester 1. oder 2. Semester
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Wirtschaftsinformatik (Master)
Veranstaltungen

Angewandte Künstliche Intelligenz

Art Vorlesung/Übung
Nr. W1133
SWS 4.0
Lerninhalt
  • Überblick über typische Problemstellungen, Verfahren und Technologien der symbolischen und subsymbolischen künstlichen Intelligenz in verschiedenen Anwendungsbereichen
  • Machine Learning for Business
  • Deep Learning und künstliche neuronale Netze
  • Semantische Technologien
  • Vorgehensprozesse in KI-Projekten
  • Datenerfassung, Datenaufbereitung, Datenqualität
  • Evaluation von KI-Systemen
  • Ethische und rechtliche Aspekte von KI-Anwendungen
  • Praktische Anwendung von maschinellen Lernverfahren und semantischen Modellen (z.B. zur Analyse und Entscheidungsunterstützung)
Literatur

Kejriwal, M. et al., Knowledge Graphs: Fundamentals, Techniques, and Applications, MIT Press, 2021
Görz, G., Schmid, U., Braun, T., Handbuch der Künstlichen Intelligenz, 6. Auflage, De Gruyter, 2021
Russel, S., Norvig, P., Artificial Intelligence – A Modern Approach, 4th edition, Pearson, 2020
Unpingco, J., Python for Probability, Statistics and Machine Learning, 2. Auflage, Springer 2019
Frochte, Maschinelles Lernen: Grundlagen und Algorithmen in Python, Carl Hanser Verlag, 2018
Goodfellow, I. et al., Deep Learning, MIT Press, 2016
Ertel, W., Grundkurs Künstliche Intelligenz:  eine praxisorientierte Einführung, Springer, 2016
Hastie, T. et al., The Elements of Statistical Learning, Springer, 2009
Hitzler, P., et al. Foundations of Semantic Web Technologies, Chapman & Hall, 2009
Weiterführende Literatur zu aktuellen Methoden wird nach Bedarf in der Lehrveranstaltung verteilt

Projekt KI in der Anwendung

Art Labor
Nr. W1141
SWS 2.0
Lerninhalt

Zu einer vorgegebenen Problemstellung der Künstlichen Intelligenz, die entweder im Rahmen einer Fallstudie aufgespannt oder von einem Unternehmen der Region eingebracht wird, erarbeiten die Studierenden in Teams Lösungen. Iterative Entwicklung mit den Phasen: Business Understanding, Data Unterstanding, Data Preperation, Modelling, Evaluation, Deployment.
Projektarbeit im Team mit Aufgaben des Projektmanagements. Die Projektergebnisse werden präsentiert und diskutiert.
Literatur

Vgl. VL + Ü Angewandte Künstliche Intelligenz
←  Zurück