Lernziele:
---------
Die Studierenden kennen die verschiedenen Teilgebiete der künstlichen Intelligenz und deren jeweilige grundsätzliche Herangehensweisen und Strategien
verstehen, wie KI-Anwendungen prinzipiell aufgebaut sind und kennen zu jedem dieser Gebiete die grundsätzlichen Verfahren
Die Studierenden sind in der Lage, zu gegebenen Problemen die jeweils passenden Technologien einzusetzen, um nichttriviale Probleme zu lösen und können abschätzen, wo KI-Lösungen angemessen sind
Die Studierenden können Verfahren adaptieren, um Lösungsvorschläge zu erarbeiten und zu realisieren und können vor dem Hintergrund philosophischer Grundlagen und ethischer Fragestellungen einen kritischen Blick auf Entwicklungen in der KI entwickeln sowie Risiken und mögliche technologische Folgen der Entwicklung von Systemen mit KI-Technologien erkennen und einschätzen
Themen:
------
Maschinelles Lernen (ML): Grundlegende ML Verfahren anhand prominenter Beispiele wie künstliche neuronale Netze oder Entscheidungsbäume; Metriken/Evaluationsverfahren zur Messung der Güte von ML-Vorhersagen. Bezug zu symbolischer und nichtsymbolischer KI
Wissensrepräsentation und -verarbeitung: Grundlegende Verfahren, z.B. Ontologien und Linked Data; Abfragesprachen und Reasoning. Bezug zu symbolischer und nicht-symbolischer KI
Verarbeitung natürlicher Sprache (NLP): Anwendungsgebiete von NLP wie bspw. Dokumentklassifikation, maschinelle Übersetzung oder Mensch-Maschine Kommunikation, sowie aktuelle Technologien zur einfachen Umsetzung derselben; Bezug zu symbolischer und nicht-symbolischer KI.
Computer Vision: Anwendungsgebiete wie Objekterkennung auf Bildern, sowie aktuelle Technologien zur Umsetzung derselben; Bezug zu nicht-symbolischer KI.
Querschnittsthemen: Philosophische Grundlagen und ethische Fragen der KI; Chancen und Risiken autonomer Systeme; Bias in KI-Anwendungen; Auswirkungen von KI-Anwendungen auf Gesellschaft und Arbeitsleben.