Modul Künstliche Intelligenz, Informatik (Master) (SPO 8)
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
In dieser Vorlesung werden aktuelle Entwicklungen und aktuelle Forschungsergebnisse aus dem Bereich der Künstlichen Intelligenz, insbesondere des Deep Learnings, abgedeckt.
Nach der Teilnahme an der Vorlesung sind die Studierenden in der Lage, die Grundlagen von neuronalen Netzen einzuschätzen und aktuelle Forschungsmethoden aus den Bereichen Computer Vision und Natural Language Processing zu beurteilen.
Die Studierenden können grundlegende Architekturen wie Convolutional Neural Networks und Recurrent Neural Networks bewerten und aktuelle Architekturen wie Transformer-Modelle analysieren. Weiterhin sind Studierende in der Lage für die Anwendungsbereiche Computer Vision und Natural Language Processing entsprechende Architekturen zu bewerten sowie Fachliteratur wie aktuelle Publikationen zu verstehen und Teilaspekte herauszustellen. Zusätzlich sind die Studierenden in der Lage aktuelle Methoden aus einzelnen Teilbereichen wie dem Continual Learning zu verstehen.
Die Vorlesung dient als Grundlage für die Wissensvermittlung für das Gesamtmodul „Künstliche Intelligenz“ und als theoretisches Pendant zur praktischen Veranstaltung „AI Lab“. Praktische Übungen sind also nicht Teil der Vorlesung. Für die tiefgehende Auseinandersetzung mit einzelnen Themen sind Gruppenpräsentationen möglich.
Inhaltlich werden in der Vorlesung folgende Themen abgedeckt:
- Wiederholung der Grundlagen von Neuronalen Netzen und des Deep Learnings
- Verschiedene Architekturen von CNNs
- Anwendungsbeispiele aus dem Bereich Computer Vision wie Object Detection und Instance Segmentation
- Modelle für das Verarbeiten sequentieller Daten wie RNNs und (Bi-)LSTMs
- Anwendungsbeispiele aus dem Bereich Natural Language Processing wie Machine Translation und Information Extraction
- Language Models und Word Embeddings
- Attention Mechanismus und Transformer-Modelle
- Große Sprachmodelle LLMs
- Grundlegende anwendungsübergreifende Methoden wie Transfer Learning
- Einführungen in Spezialgebiete wie Explainable AI, Continual Learning (z.B. zur Verbesserung von LLMs) oder Diffusion Models
In Form einer Klausur wird überprüft, inwieweit die Studierenden die grundlegenden Konzepte und Architekturen des Deep Learnings verstanden haben sowie aktuelle Forschungsergebnisse bewerten können. Das Beantworten der Fragen erfordert teils eigene Formulierungen und teils das Ausführen von eigenen Berechnungen mit Beispielen aus den Anwendungsdomänen. Zusätzlich haben Studierende die Möglichkeit mit einer freiwilligen Gruppenpräsentation eines Spezialthemas zu demonstrieren, dass sie einzelne Themen detailliert bewerten und erklären können. Eine Präsentation, die durch fundierte Analyse und verständliche Darstellung überzeugt, führt zu einer Verbesserung der Klausurnote um einen Notenschritt.
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.