151 lines
6 KiB
YAML
151 lines
6 KiB
YAML
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!
|