Grundlagen der Künstlichen Intelligenz
- Fakult?t
Fakult?t Ingenieurwissenschaften und Informatik (IuI)
- Version
Version 1 vom 03.12.2025.
- Modulkennung
11B2011
- Niveaustufe
Bachelor
- Unterrichtssprache
Deutsch
- ECTS-Leistungspunkte und Benotung
5.0
- H?ufigkeit des Angebots des Moduls
Winter- und Sommersemester
- Dauer des Moduls
1 Semester
- Kurzbeschreibung
In einem sich rasch entwickelnden technologischen Umfeld sind grundlegende theoretische Kenntnisse und praktische F?higkeiten im Bereich der künstlichen Intelligenz (KI) für technische Berufe von gro?er Bedeutung. Der Einsatz von KI in verschiedenen Anwendungsbereichen f?rdert nicht nur die Innovation, sondern ist auch ein treibender Faktor für den Fortschritt in Wissenschaft und Wirtschaft. Dieses Modul bietet eine fundierte Einführung in die KI, wobei der Fokus klar auf theoretischen Grundkenntnissen und praxisorientierten F?higkeiten liegt. Diese Kenntnisse und F?higkeiten legen den Grundstein für das selbstst?ndige Erlernen neuer KI-Konzepte der Zukunft und die eigenst?ndige Anwendung von KI in verschiedenen Bereichen.
- Lehr-Lerninhalte
Gerade das Thema KI erf?hrt gerade einen gro?en inhaltlichen Wandel. Die Inhalte werden daher kontinuierlich angepasst, so dass die untenstehende Auflistung keinen Anspruch auf Vollst?ndigkeit hat.
- Einführung in die Künstliche Intelligenz (KI)
- Maschinelles Lernen als Teilgebiet der KI
- Prozess der KI-Entwicklung
- Klassen von Lernververfahren
- supverised (überwachte) Lernverfahren
- unsupverised (unüberwachte) Lernverfahren
- semi-supverised Lernverfahren
- self-supervised Lernverfahren
- online- und batch-Lernen
- weitere aktuelle Lernverfahren, z.B.
- Transformer / generative KI
- Attention Networks
- Generative Adversarial Networks
- Lernverfahren und Algorithmen
- KI-Entwicklung und KI-Entwicklungsumgebungen
- Use-Cases und ?bungen
- Ausgew?hlte Themenbereiche der KI, z.B.
- Recommender-Systeme
- Process-Mining
- Bildverstehen
- Zeitreihenanalyse
- Web-Mining
- Verteilte Lernverfahren
- Deployment von KI-Modellen
- Einführung in die Nutzung von High-Performance-Computing-Clustern
- Gesamtarbeitsaufwand
Der Arbeitsaufwand für das Modul umfasst insgesamt 150 Stunden (siehe auch "ECTS-Leistungspunkte und Benotung").
- Lehr- und Lernformen
Dozentengebundenes Lernen Std. Workload Lehrtyp Mediale Umsetzung Konkretisierung 30 Vorlesung Pr?senz oder Online - 30 ?bung Pr?senz oder Online - Dozentenungebundenes Lernen Std. Workload Lehrtyp Mediale Umsetzung Konkretisierung 40 Veranstaltungsvor- und -nachbereitung - 30 Erstellung von Prüfungsleistungen - 20 Literaturstudium -
- Benotete Prüfungsleistung
- mündliche Prüfung oder
- Hausarbeit
- Unbenotete Prüfungsleistung
- experimentelle Arbeit oder
- regelm??ige Teilnahme
- Bemerkung zur Prüfungsart
Die Auswahl der benoteten und unbenoteten Prüfungsarten aus den vorgegebenen Optionen obliegt der jeweiligen Lehrperson. Diese h?lt sich dabei an die jeweils gültige Studienordnung.
- Prüfungsdauer und Prüfungsumfang
Benotete Prüfungsleistung:
- Mündliche Prüfung: siehe Allgemeiner Teil der Prüfungsordnung
- Hausarbeit - Ausarbeitung ca. 15 Seiten, begleitender Vortrag ca. 10 Minuten
Unbenotete Prüfungsleistung:
- Experimentelle Arbeit: Experiment: insgesamt ca. 5 Versuche
- Regelm??ige Teilnahme: Anwesenheit von mind. 80% der Veranstaltung
- Empfohlene Vorkenntnisse
Die Studierenden werden vertiefte Kenntnisse in der Programmierung sowie Kenntnisse in der Mathematik (insb. Lineare Algebra, Analysis). Studierende vorausgesetzt, wie sie in den Einführungsmodulen erworbenden werden.
Studierende, die ihre Kenntnisse und Fertigkeiten vor Beginn des Moduls auffrischen m?chten, wird folgende Grundlagenliteratur empfohlen:
Programmierung:
Python - Schritt für Schritt Programmieren Lernen, Brunner, 2023
Python 3: Das umfassende Handbuch: ?ber 1.000 Seiten Sprachgrundlagen, OOP und Beispielprogramme, Ernesti, Kaiser, 2023
Mathematik:
Standard-Grundlagenwerke zur Analysis und Linearen Algebra
- Wissensverbreiterung
Absolventinnen und Absolventen verfügen über grundlegende Kenntnisse im Bereich der schwachen KI. Sie sind in der Lage, einfache KI-Entwicklungsaufgaben unter Anleitung , auch unter Nutzung von HPC-Computing, durchzuführen.
- Wissensvertiefung
Studierende werden bef?higt und angeleitet, ihr Wissen und praktischen Kompetenzen in ausgew?hlten Themen (z.B. spezieller Algorithmik) selbst?ndig zu vertiefen.
- Wissensverst?ndnis
Die Studierenden k?nnen die Anwendbarkeit von KI-Entwicklungsans?tzen und Algorithmen bewerten und kritisch reflektieren.
- Nutzung und Transfer
Studierende k?nnen erlernte Inhalte und Konzepte auf neue Aufgabenstellungen übertragen.
- Kommunikation und Kooperation
Absolventinnen und Absolventen sind in der Lage, ihre Arbeitsergebnisse mündlich und schriftlich in klar strukturierter Form pr?sentieren und mit Team-Mitgliedern, "virtuellen" Auftraggebern und Fachexperten zu diskutieren.
- Literatur
Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und Tensorflow, O'Reilly, aktuellste Auflage (aktuell: 3. Auflage, 2023)
Han, Kamber: Data Mining Concepts and Techniques
Witten, Frank: Data Mining (Forth Edition)
Kotu, Deshpande: Predictive Analytics and Data Mining
Russel, Norvic: Artificial Intelligence: A Modern Approach?
- Verwendbarkeit nach Studieng?ngen
- Informatik - Medieninformatik
- Informatik - Medieninformatik B.Sc. (01.09.2025)
- Informatik - Technische Informatik
- Informatik - Technische Informatik B.Sc. (01.09.2025)
- Agrarsystemtechnologien
- Agrarsystemtechnologien B.Sc. (01.09.2025)
- Modulpromotor*in
- Tapken, Heiko
- Lehrende
- Tapken, Heiko
- Stiene, Stefan
- Sch?ning, Julius