MASTER ARTIFICIAL INTELLIGENCE M. Sc.

Teil "Strategy"

1. Merkmale und Phasen der Digitalen Transformation (DT)
2. Ökonomische Grundlagen der Digitalisierung
3. Bedeutung der KI im Rahmen der DT
4. Entwicklungsstand der KI und Systematisierung der Anwendungsfelder Bedeutung der KI für die Unternehmensstrategie und Geschäftsmodellentwicklung
5. Customer / User Experience als Basis der Entwicklung von KI-Geschäftsmodellen
6. Systematische Konzeption und Taxonomie von KI-Geschäftsmodellen
7. Anwendungsbeispiele Predictive Analytics und Classification
8. Reifegradmodelle der Adaption von KI im Rahmen der DT

Teil "Society"

1. Stand der Technik in der KI, insbesondere im Deep Learning, mit Anwendungen
2. Die nahe Zukunft: Arbeitswelt und Veränderung unseres Lebensstils durch KI im Alltag
3. Was ist Nachhaltige Entwicklung?
4. Die große Transformation
5. KI und der Reboundeffekt
6. Fallbeispiel Autonomes Fahren: Komfortabel, ökologisch und sicher?
7. Die ferne Zukunft: KI, Robotik, Cyborgs, Singularität etc.
8. KI und Rüstung: Werden Kriege besser mit autonomen Kampfrobotern?

1. Grundlagen wissenschaftlichen Arbeitens

1.1 Anforderungen an wissenschaftliches Arbeiten

1.2 Aufbau und Verfassen von wissenschaftlichen Arbeiten (Zitation, Gliederung, Hypothesengenerierung, Forschungsmethodik, Erstellen eines Exposés etc.)

1.3 Qualitative Forschungsdesigns und Erhebungsmethoden (Qualitative Interviews, Qualitative Feldforschung)

1.4 Qualitative Inhaltsanalyse und computergestützte Auswertung qualitativer Daten

2. Quantitative Grundlagen (als Basis für KI/ML)

2.1 Grundlagen der Differentialrechnung und Optimierung (Numerische Differentiation von Funktionen einer und mehrerer Veränderlicher, Optimierung unter Nebenbedingungen)

2.2 Lineare Algebra – Matrizen und Vektoralgebra in Python (Matrizen und Matrizenoperationen, Matrizenmultiplikation, Transponierte und Inverse Matrix, Optimierung in Vektorschreibweise)

2.3 Deskriptive Statistik / Explorative Datenanalyse (EDA)

2.4 Induktive Statistik

• • Konfidenzintervalle
  • Statistische Tests
  • Lineare Regression
  • Zeitreihenanalyse

1. Einführung in Python

1.1 Datenstrukturen

1.2 Kontrollstrukturen

1.3 Allgemeine imperative Programmierkonzepte

1.4 Objektorientierte Programmierung

2. Relevante AI Programmbibliotheken und -tools (z.B. Anaconda, Jupyter Notebook, NumPy, Pandas, and Matplotlib)

2.1 Spezifische Datenstrukturen

2.2 Datenvisualisierung Python

2.3 Einsatz von Tools für die Datenanalyse

3. Projekt

1. Geschichte und Entwicklung der Künstlichen Intelligenz, Intelligente Agenten
2. Problemlösen durch Suchen: uninformierte und heuristische Suche, lokale Suche
3. Probleme unter Rand- und Nebenbedingungen (Constraint Satisfaction Problems, CSP)
4. Wissensrepräsentation und Inferenz mit Logik
5. Regelbasierte Systeme

Die Veranstaltung liefert einen Überblick über die wichtigsten Frameworks, Tools und Standards, die notwendig sind KI-Applikation zu entwickeln und zu betreiben. Aus den jeweiligen Bereichen wird je ein Framework vertieft aufgegriffen und anhand von Beispielen erläutert. Alternativframeworks werden gegenübergestellt.

1. Grundlagen:

1.1 Visuelle vs. Codebasierte Werkzeuge

1.2 Lokale vs. Cloudbasierte Werkzeuge

1.3 Auffrischung der Basiswerkzeuge (Conda, Python, Pandas, Numpy, Matplotlib, Seaborn)

2. Generische Bibliotheken/Frameworks

2.1 AutoML / LowCode (Pycaret)

2.2 Machinelles Lernen (scikit-learn)

2.3 Deep Learning (Pytorch, Fastai, Tensorflow, Keras)

2.4 Monitoring / Profiling (Tensorboard, Profiler)

2.5 Prototypische Frontendentwicklung für eine KI Anwendung (Streamlit)

2.6 Standardisierter Import Export von Modellen (ONNX)

3. Ausblick Spezifische Bibliotheken/Frameworks

3.1 Audio (Torchaudio)

3.2 Video (OpenCV, Torchvision)

3.3 Text (Torchtext, Spacy, NLTK)

Zu jedem Thema werden Beispielanwendungen und kleinere Projekte durchgeführt.

1. Grundkonzepte: Maschinelles Lernen, Exploratory Data Analysis, Vorbereitung von Datensätzen, Validierungsmodelle, Generalisierung
2. Lineare und generalisierte Regressionsmodelle, Logistische Regression
3. Bayesklassifikatoren
4. Nächste Nachbarn Methoden
5. Support Vektor Maschinen
6. Entscheidungsbäume, Random Forest Trees
7. Modellvalidierung
8. Dimensionalitätsreduktion
9. Künstliche neuronale Netze
10. Clusteranalyse

Large Language Models (LLM)

1. Grundlagen neuronaler Sprachverarbeitung und Transfomer-Architekturen
2. Trainings- und Feinabstimmungsmethoden
3. Skalierungsgesetze, Datenanforderungen und Modelloptimierung
4. Evaluationsmetriken und Performanzanalyse von Sprachmodellen
5. Prompt Engineering, Retrieval-Augmented Generation (RAG) und In-Context Learning
6. Einsatz und Integration von LLMs in Anwendungen
7. Interpretierbarkeit, Bias, Fairness und ethische Aspekte von KI-Systemen
8. Rechtliche und gesellschaftliche Rahmenbedingungen beim Einsatz von generativer KI
9. Aktuelle Forschungstrends und Zukunftsperspektiven im Bereich LLMs

Natural Language Processing (NLP)

1. Textbeschaffung (Web-Mirroring, API) und -formate (Internet, Office, PDF)
2. Vorverarbeitung (Preprocessing)
3. Morphologische Analyse
4. Syntaktische Analyse
5. Semantische Analyse
6. Vektorisierung und numerische Weiterverarbeitung
7. Klassisches Information Retrieval
8. Sentiment Analysis
9. NLP-Tools (ex. spaCy, scikit learn)

1. Überblick über Machine Learning und Deep Learning
2. Verschiedene Arten des maschinellen Lernens im Überblick
3. Handhabung der Daten für das maschinelle Lernen
4. Neuronale Netze und Deep Learning
5. Prozess: Training, Validierung Test; Begrifflichkeiten
6. Convolutional Neural Networks
7. Bekannte Netzwerkarchitekturen
8. Transfer Learning
9. Recurrent Neural Networks, LSTMs
10. Besondere Anwendungsaufgaben: Semantische Segmentierung von Bildern, Autoencoder, GANs
11. Visualisierung der Vorgänge in einem neuronalen Netz
12. Wie KI überlistet werden kann
13. Reinforcement Learning

Individuell aus dem thematischen Umfeld der Studieninhalte des Masterstudiengangs.

Individuell aus dem thematischen Umfeld der Studieninhalte des Masterstudiengangs.