name:
  de: Computerbasierte Intelligenz 
 
instructor:
  de: Prof. Dr. Martin Golz 
 
id:
  value: CompInt

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.

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: 30 Stunden

credits: 
  value: 5

form-of-exam: 
  value: oral
  spec:
    de: "Dauer der Prüfung 25min"

term:
  value: 4

frequency:
  value: once_per_year

duration:
  value: 1

kind:
  value: compulsory_elective

remarks:
  de: 


notes:
  de: Form und Zeiten der Lehrveranstaltung nicht spezifiziert - bitte nachmelden!