Die Studierenden eignen sich folgende fachbezogene Kompetenzen an:
- Typische Problemstellungen der
Wissenstechnologien zu analysieren,
- Prozessstufenkette für die adaptive
Datenanalyse zu konzipieren,
- Konkrete Methoden der Prozessschritte zu
verstehen und zu analysieren,
- Methoden der Validierungsanalyse zu verstehen
und anzuwenden,
- Grundannahmen und Modelle der empirischen
Inferenz zu kennen.
Die Studierenden erwerben methodische Kompetenzen
des abstrakten Denkens. Sie eignen sich an, wie
Lösungsstrategien zu planen und umzusetzen sind.
Zudem erwerben sie eine interdisziplinäre
Wissenstransfer-Fähigkeit, die sich aus
theoretischen Grundkenntnissen,
Anwendungserfahrungen sowie aus vermittelten
langjährigen Projekterfahrungen speist.
Fachübergreifende Kompetenzen eignen sich die
Studierenden hinsichtlich der Kommunikation mit
fachfremden Expertinnen / Experten und einer
Rollenflexibilität in interdisziplinären Teams an.
content:
de:|
Fachliche Inhalte:Grundbegriffe und ihre
Abgrenzung, Definitionen, Sätze und Postulate des
Fachgebiets, Kennenlernen diverser
Anwendungsprojekte.
- Handlungsfelder, Ziele, Probleme
- Aufgabentypen der computerbasierten
Intelligenz (CI)
- CI-Prozesskette:Konzipierung, Validierung
- Grundzüge der statistischen Lerntheorie
- Datenerfassung, Vorverarbeitung
Merkmalsextraktion:Ziele, Bewertung
- Überwachtes Lernen:Definition, Methoden,
Bewertung
- Vertiefung:neuronale Netze,
Relevanzdetermination, Stützvektormethode,
Ensemble-Lernen, Tiefe Lernarchitekturen (deep
learning)
- Unüberwachtes Lernen:Definition, Methoden,
Validierungsproblematik
form-of-instruction:
value:{'lecture':999}
media-of-instruction:
de:|
Die Studierenden können sich auf die Teilnahme
vorbereiten durch Studieren der folgenden Quellen:
- Vorlesungsskript
- Internetquellen, insbesondere Wikipedia-Artikel
- Folgende Lehrbücher:
- Kruse, Borgelt, Braune, Klawonn, Moewes,
Steinbrecher (2015) Computational
Intelligence:Eine methodische Einführung.
Springer-Vieweg
- Theodoridis, Koutroumbas (2008) Pattern
Recognition. Elsevier
- Richter (2019) Statistisches und maschinelles
Lernen:Gängige Verfahren im Überblick.
Springer-Spektrum
- Niemann (1983) Klassifikation von Mustern.
Springer (online kostenlos verfügbar)
author-of-indenture:
de:
used-in:
de:>
Bachelor Informatik, Wirtschaftsinformatik & Digitale Transformation, Verwaltungsinformatik. Eine weitere Verwendung nach jeweiliger Prüfungsordnung ist möglich (z.B. Multimedia-Marketing)"
prerequisites:
de:|
Voraussetzungen für die Teilnahme sind
Grundkenntnisse der Algebra, Analysis, Statistik
Datenbanken und des Software-Engineerings.
Das eigenständige Studium von Fachliteratur
verschiedener Autorinnen / Autoren und
nachfolgende eigenständige Analyse und Synthese
der Wissenselemente zu einem konsistenten
Fachwissen sind für eine erfolgreiche Teilnahme
erforderlich.
workload:
de:>
Kontaktzeit/Präsenzstudium: 60 Stunden; Selbststudium: 60 Stunden; Prüfung und Prüfungsvorbereitung:30Stunden
