Trends in Artificial Intelligence

Aufbauend auf dem Vorwissen des Moduls "Mustererkennung und maschinelles Lernen" erweitern Sie ihre Kenntnisse ausgewählter fachspezifischer Fragestellungen, Ansätze und Methoden der Künstlichen Intelligenz. Mögliche Aspekte umfassen insbes. die mathematische Modellierung und informatikspezifische Elemente wie die algorithmische Umsetzung. Neben der fachlichen Wissensvermittlung wird im Modul die Diskussion der Inhalte zur intensiven Auseinandersetzung gefördert. Sie erarbeiten und kommunizieren die theoretischen und praktischen Inhalte. Dabei wird das theoretische Wissen auf praktische Fragestellungen angewandt, so dass die gemeinsame Abwägung der geeigneten Vorgehensweise und Umsetzung erforderlich ist. Die Systematik der aktuellen Themenfehler kann noch in der Entstehung begriffen sein und somit eigenständige Einordnungen sowie Einschätzungen erfordern. Dies bedingt die Priorisierung und Konsolidierung unterschiedlicher Quellen. Die praktischen Fragestellungen erfordern das systematische Vorgehen in der Umsetzung und die systematische Analyse von Ergebnissen. Sie ordnen die Methoden und Ansätze in den Kontext ihres fachlichen Hintergrundes ein und erweitern ihre fachlichen, wissenschaftlichen Methoden in ausgewählten Teilgebieten der Künstlichen Intelligenz. Die grundlegenden Fragestellungen, Verfahren und Herangehensweisen der behandelten Themenfelder wurden in ersten praktischen Umsetzungen realisiert und diskutiert.

Aufbauend auf dem Modul "Mustererkennung und maschinelles Lernen" greift diese Modul aktuelle Fragestellungen, Ansätze und Methoden der Künstlichen Intelligenz, insbes. der Mustererkennung und des maschinellen Lernens, auf. Durch die intensive Auseinandersetzung mit weiterführenden Inhalten erlangen die Studierenden ein umfangreicheres sowie tieferes Verständnis ausgewählter, aktueller Teilgebiete der Künstlichen Intelligenz, idealerweise sowohl der theoretischen Grundlagen als der praktischen Umsetzung unter Zuhilfenahme geeigneter Tools. Typischerweise werden in einem Durchlauf 2 - 4 Themenfelder beleuchtet.

Beispiele solcher Themenfelder sind:

• Deep Learning/ Deep Neural Networks
• Reinforcement Learning
• Explainable Artificial Intelligence
• Automated Machine Learning
• Transfer Learning

Literaturempfehlungen in Abhängigkeit zu den fachlichen Themen, insbes. Lehrbücher oder Forschungspublikationen