name:
  de: Computergestützte Intelligenz / Machine Learning
 
instructor:
  de: Prof. Dr. Martin Golz 
 
id:
  value: CompInt

goal: 
  de: |
    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: |
      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': 3, 'pc_lab' : 1 }

media-of-instruction:
  de: |
    - 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: 

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 30min"

# Amtsblatt
form-of-exam: 
  value: written
  spec:
    de:

term:
  value: [4, 6]

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!