Modulhandbuch

Mechatronik und Robotik (MMR)

Künstliche Intelligenz

Empfohlene Vorkenntnisse

Programmierkenntnisse in Java

Lehrform Vorlesung
Lernziele / Kompetenzen

Erfolgreiche Teilnehmer*innen sind in der Lage,

  • die Möglichkeiten und Grenzen der behandelten KI Ansätze einzuschätzen
  • behandelte KI Ansätze auf forschungspraktische Aufgabenstellungen anzuwenden
  • die Ergebnisse ihrer Forschungsarbeiten für ein Fachpublikum schriftlich zusammenzufassen.
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Künstliche Intelligenz: K60, Data Science: K60

Leistungspunkte Noten

5 CP

Modulverantwortlicher

Prof. Dr. Klaus Dorer

Empf. Semester 1
Haeufigkeit jedes 2. Semester
Verwendbarkeit

Master-Studiengang MMR

Veranstaltungen

Data Science

Art Vorlesung
Nr. EMI2124
SWS 2.0
Lerninhalt

  • Mathematische Grundlagen der Data Science
  • Data Science Prozess nach CRISP
  • Explorative Datenanalyse
  • Aufgaben und Verfahren des Maschinellen Lernens
  • Data Science Werkzeuge (Programmiersprachen R oder Python, grafische Werkzeuge)
  • Ethische und rechtliche Aspekte

Literatur

Provost F, Fawcett T: Data science for business. O'Reilly, Sebastopol, Calif. (2013)
Abott, D: Applied Predictive Analytics, Wiley (2014)
Grolemund, G, Wickham, H: R for Data Science, O'Reilly (2017)

Praktikum Data Science

Art Labor
Nr. EMI2125
SWS 2.0
Lerninhalt

  • Data Science Umgebungen (R-Studio, Jupyter-Notebooks o.ä.)
  • Methoden zur Datenvorverarbeitung und explorativen Datenanalyse
  • Analytische Verfahren zu Regression, Klassifizierung, Clustering: Lineare Regression, Entscheidungsbaum, SVM, Random Forest, kNN, k-Means, und weitere
  • Bearbeitung von Case Studies