Modul Künstliche Intelligenz, Informatik (Master) (SPO 6)
Die Studierende lernen den aktuellen Stand der Forschung im Bereich "Künstliche Intelligenz" in Theorie und Praxis kennen.
Die Studierende haben einen Überblick über aktuelle Methoden im Bereich "Deep Learning" und kennen relevante Anwendungsbereiche in der Praxis.
Die Inhalte des Moduls Maschinelles Lernern (Methoden und praktische Kenntnisse) werden als bekannt vorausgesetzt. Die Inhalte des Moduls Data Science sind von für den praktischen Teil des Moduls Künstliche Intelligenz von Vorteil.
Prof. Dr. Jannik Strötgen
Die Vorlesung gibt den Studierenden einen Einblick in aktuelle Entwicklungen und Forschungsergebnisse im Bereich "Maschinelles Lernen" und "Künstliche Intelligenz".
Dazu werden in der Vorlesung zuerst die Grundlagen im Bereich "Neural Networks" kurz wiederholt, um dann auf aktuelle Anwendungen im Bereich "Deep Learning" näher einzugehen. Im Rahmen dessen werden erweiterte Architekturen wie "Convolutional Neural Networks", "Recurrent Neural Networks" und "LSTMs" betrachtet und deren Einsatz im Kontext von Anwendungen in den Bereichen "Computer Vision", "Natural Language Processing" und "Reinforcement Learning" dargestellt.
Die Inhalte der Vorlesung umfassen:
- Neural networks and deep learning
- CNNs
- Object detection, image segmentation
- Transfer learning
- Sequential models (RNNs, LSTMs, GRUs)
- Language models, word embeddings, neural machine translation
- Attention mechanism and transformer models
- Reinforcement Learning: Basics, Q-learning, DQNs, Alpha Go
- Autoencoders and GANs
Prof. Dr. Patrick Baier
Die Lehrveranstaltung beinhaltet die praktische Umsetzung der in der KI-Vorlesung erworbenen Kenntnisse.
Dies geschieht exemplarisch am Beispiel dreier Themenfelder:
* Computer Vision
* Natural Language Processing
* Reinforcement Learning
Dabei werden unterschiedliche Problemstellungen innerhalb dieser drei Anwendungsfelder behandelt und Lösungen in Form von Vorhersagemodellen entworfen. Zur praktischen Umsetzung werden diese dann mit Hilfe von Python und PyTorch implementiert.
Zur erfolgreichen Teilnahme am Labor sind Grundkenntnisse in Python erforderlich.
Die Anzahl der Teilnehmer ist begrenzt.