update für Verkündungsblattversion

syllabus/VI/mod.compint.yaml

@@ -1,5 +1,5 @@
 name:
-  de: Computerbasierte Intelligenz 
+  de: Computergestützte Intelligenz / Machine Learning
  
 instructor:
   de: Prof. Dr. Martin Golz 
@@ -9,78 +9,40 @@ id:
 
 goal: 
   de: |
-      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.
+    Die Studierenden sollen in der Lage sein,
+
+      - Problemstellungen der Daten- und Wissenstechnologien zu analysieren,
+      - Prozessschritte der computergestützten Intelligenz zu konzipieren,
+      - Methoden einzelner Prozessschritte zu verstehen und anzuwenden,
+      - Methoden der Validierungsanalyse zu verstehen und anzuwenden, 
+      - Grundannahmen und Modelle der empirischen Inferenz kennen.
+
 
 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                        
+      1. Einführung, Künstliche Intelligenz und Gesellschaft, Zeichenerkennung, Objekterkennung, eingebettete Intelligenz
+      2. Definitionen und Postulate
+      3. Vorverarbeitung
+      4. Merkmalsextraktion, Ähnlichkeitsmaße
+      5. Unüberwachtes Lernen, Gruppierungsanalyse, Fuzzy-Cluster-Analyse
+      6. Überwachtes Lernen, Bayes-Theorem, Lineare Diskriminanzanalyse
+      7. Stützvektormethode: Maximalspanne, weiche Spanne, Kernfunktionssubstitution, Hyperparameter-Optimierung
+      8. Neuronale Netze: Neurobiologische Grundlagen, Perzeptronen, Netztopologien, Vorwärtsrechnung, Fehlerrückführung
+      9. Lernende Vektorquantisierung, Automatische Relevanzdetermination
+      10. Selbstorganisierende Merkmalskarten, Inkrementelle Netze
+      11. Massendaten und tiefe Lernarchitekturen (Deep Learning)
+
 
 form-of-instruction:
-  value: { 'lecture': 999 }
+  value: { 'lecture': 3, 'pc_lab' : 1 }
 
 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)          
+    - Vorlesungsskript
+    - Duda, Hart, Stork (2001) Pattern Classification. Wiley
+    -Haykin (2008) Neural Networks and Learning Machines. Prentice Hall
+    - Nielsen (2015) Neural Networks and Deep Learning. Determination press
+    - Theodoridis & Koutroumbas (2008) Pattern Recognition. Elsevier      
 
 author-of-indenture: 
   de: 
@@ -112,13 +74,13 @@ credits:
 # form-of-exam: 
 #   value: oral
 #   spec:
-#     de: "Dauer der Prüfung 25min"
+#     de: "Dauer der Prüfung 30min"
 
 # Amtsblatt
 form-of-exam: 
   value: written
   spec:
-    de: "Dauer der Prüfung 25min"
+    de:
 
 term:
   value: [4, 6]