inf530 - Künstliche Intelligenz (Vollständige Modulbeschreibung)

Informatik-Grundkenntnisse

Die Studierenden kennen zentrale Begriffe, Methoden und Anwendungsbereiche der Künstlichen Intelligenz. Sie verstehen grundlegende Lernverfahren wie KNN, K-Means und neuronale Netze sowie moderne Konzepte wie Transformer, LLMs und Prompting. Sie sind in der Lage, Modelle in Python zu implementieren, deren Leistung zu evaluieren und ihre Generalisierung zu beurteilen. Die Studierenden verstehen die Funktionsweise agentischer KI-Systeme sowie Grundlagen des Reinforcement Learning. Sie wenden KI-Methoden sicher auf neue Problemstellungen an und reflektieren deren ethische und gesellschaftliche Auswirkungen.

Fachkompetenzen
Die Studierenden:
- erklären zentrale Konzepte der KI, des maschinellen Lernens und neuronaler Netze,
- unterscheiden überwachte und unüberwachte Lernverfahren,
- beschreiben die Funktionsweise von Transformern, LLMs und Prompting-Techniken,
- benennen grundlegende Prinzipien des Reinforcement Learnings,
- analysieren Stärken und Schwächen verschiedener KI-Verfahren.

Methodenkompetenzen
Die Studierenden:
- wenden KI-Modelle praktisch in Python an (z.B. mit scikit-learn, Keras, Hugging Face),
- evaluieren Modelle anhand geeigneter Metriken (z.B. Accuracy, Precision),
- entwickeln und testen eigene Prompting-Strategien,
- beurteilen die Übertragbarkeit von Methoden auf neue Aufgaben,
- vergleichen und optimieren KI-Methoden für spezifische Anwendungsfälle.

Sozialkompetenzen
Die Studierenden:
- arbeiten gemeinsam an praktischen KI-Projekten,
- diskutieren Ergebnisse kritisch im Team,
- präsentieren Lösungsansätze zielgruppenorientiert.

Selbstkompetenzen
Die Studierenden:
- reflektieren den Einsatz von KI-Methoden in eigenen Projekten,
- erkennen ethische Implikationen aktueller KI-Systeme,
- entwickeln ein Bewusstsein für Chancen und Grenzen generativer KI.
 

- Grundlagen der Künstlichen Intelligenz
- Maschinelles Lernen
- Deep Learning
- Transformer-Modelle und Large Language Models (LLMs)
- Prompting und Agentenbasierte KI
- Reinforcement Learning
- Praktische Umsetzung in Python

- Introduction to Statistical Learning — Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani
- Dive into Deep Learning — Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola
- Pattern Recognition and Machine Learning — Christopher M. Bishop
- Deep Learning — Ian Goodfellow, Yoshua Bengio, Aaron Courville
- Artificial Intelligence: A Modern Approach — Stuart Russell, Peter Norvig

Am Ende der Vorlesungszeit

Klausur oder mündliche Prüfung