Künstliche Intelligenz 1
Verantwortlich: Prof. Dr. Wolfgang Nejdl
Beschreibung: In Anlehnung an den Kurs CS188 in Berkeley und in Abstimmung mit den Dozierenden bieten wir die Veranstaltung Künstliche Intelligenz 1 an, die sich grundlegend mit der Frage „Was ist KI?“ auseinandersetzt. Die Themen beinhalten eine Einführung und einen kurzen historischen Abriss, Suche mit einem und mehreren Agenten, Constraint Satisfaction Problems, Markov Decision Processes und Reinforcement Learning. In Programmierprojekten werden die behandelten Algorithmen auch praktisch umgesetzt und auf Beispielprobleme angewandt. Der Kurs umfasst wichtige grundlegende Methoden der Künstlichen Intelligenz und einige der repräsentativsten Anwendungen.
Credits: 5
Sprache: Deutsch
Maschinelles Lernen
Verantwortlich: Prof. Dr. Bodo Rosenhahn
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. Marius Lindauer
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
Stochastik
Dieser Kurs kann nur beobachtet werden, aber eine Prüfung ist im Moment noch nicht möglich!
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
