inf530 Künstliche Intelligenz (Vollständige Modulbeschreibung)

inf530 Künstliche Intelligenz (Vollständige Modulbeschreibung)

Deutsch English PDF Download
Modulbezeichnung Künstliche Intelligenz
Modulkürzel inf530
Kreditpunkte 6,0 KP
Verantwortliche Einrichtung Department für Informatik
Zuständige Personen
Modulverantwortung:
Oliver Kramer
Prüfungsberechtigt:
Die im Modul Lehrenden
Teilnahmevoraussetzungen

Informatik-Grundkenntnisse

Unterrichtssprache Englisch
Lernergebnisse/Kompetenzen

Modulbeschreibung

Die Studierenden kennen zentrale Begriffe, Methoden und Anwendungsbereiche der Künstlichen Intelligenz. Sie verstehen klassische Lernverfahren wie KNN, K-Means und neuronale Netze sowie moderne Konzepte wie Transformer, große Sprachmodelle (LLMs) und Prompting. Darüber hinaus sind sie mit evolutionsbasierten Verfahren wie genetischen Algorithmen  vertraut. Sie können diese Verfahren in Python implementieren, Leistung bewerten, mögliche Überanpassung erkennen und die Generalisierung von Modellen einschätzen. Zudem entwickeln sie ein Bewusstsein für agentische KI-Systeme und generative KI-Ansätze und reflektieren deren ethische und gesellschaftliche Auswirkungen.

 

Fachkompetenzen

Die Studierenden:
- erklären zentrale Konzepte der KI, des maschinellen Lernens, neuronaler Netze und genetischer Algorithmen,
- unterscheiden überwachte, unüberwachte und bestärkende Lernverfahren sowie deren typische Einsatzgebiete,
- beschreiben die Funktionsweise von Transformern, großen Sprachmodellen, Prompting-Techniken und generativen KI-Modellen,
- analysieren Stärken und Schwächen verschiedener KI-Verfahren im Kontext konkreter Anwendungsprobleme.

Methodenkompetenzen

Die Studierenden:
- entwickeln und implementieren KI-Modelle praktisch in Python, unter Verwendung von Bibliotheken wie scikit-learn, Keras und Hugging Face,
- evaluieren Modelle anhand geeigneter Metriken (z.B. Accuracy, Precision, Recall, F1) und interpretieren Ergebnisse,
- implementieren einfache genetische Algorithmen sowie Q-Learning-Algorithmen und wenden Deep Learning zur Funktionapproximation im Reinforcement Learning an,
- entwickeln und testen eigene Prompting-Strategien und beurteilen die Übertragbarkeit von Methoden auf neue Aufgaben,
- vergleichen, optimieren und kombinieren verschiedene KI-Methoden passend zu spezifischen Fragestellungen.

Sozialkompetenzen

Die Studierenden:
- arbeiten gemeinsam an praktischen KI-Projekten und teilen Arbeitsergebnisse strukturiert,
- diskutieren Erfolge und Fehlversuche kritisch im Team und lernen voneinander,
- präsentieren ihre Lösungsansätze zielgruppenorientiert und argumentieren nachvollziehbar.

Selbstkompetenzen

Die Studierenden:
- reflektieren den Einsatz von KI-Methoden in eigenen Projekten und entwickeln Problemlösekompetenz,
- erkennen ethische Implikationen von KI-Systemen (z.B. Bias, Fairness, Transparenz) und treffen begründete Entscheidungen,
- entwickeln ein Bewusstsein für Chancen und Grenzen generativer KI sowie für die Verantwortung beim Einsatz von KI in Gesellschaft und Wirtschaft.

Modulinhalte

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

Literaturempfehlungen

- 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

Zu erbringende Leistungen
Prüfungsart, -umfang, -dauer

Klausur oder mündliche Prüfung

Prüfungszeiten

Am Ende der Vorlesungszeit

Dauer in Semestern 1 Semester
Angebotsrhythmus jährlich
Workload
Arbeitsaufwand gesamt Davon Präsenzzeit
180 h
Lehrveranstaltungsform
Veranstaltungsart SWS Angebotsrhythmus Workload Präsenzzeit
Vorlesung 2 SoSe 28 h
Übung 2 SoSe 28 h
Zusätzliche Hinweise

Aufnahmekapazität:
unbegrenzt

Lehr-/Lernform:
V+Ü

Verwendbarkeit des Moduls
  • Erweiterungsfach Gymnasium Informatik > Informatik
  • Fach-Bachelor Informatik > Akzentsetzungsbereich - Wahlbereich Informatik
  • Fach-Bachelor Wirtschaftsinformatik > Akzentsetzungsbereich Praktische Informatik und Angewandte Informatik
  • Master Applied Economics and Data Science > Specialization
  • Master of Education (Gymnasium) Informatik > Wahlpflichtmodule (Angewandte Informatik)
  • Master of Education (Haupt- und Realschule) Informatik > Mastermodule
  • Master of Education (Wirtschaftspädagogik) Informatik > Akzentsetzungsbereich
  • Zwei-Fächer-Bachelor Informatik > Weitere Wahlpflichtmodule (60KP)