Das Streben nach Künstlicher Intelligenz (KI) hat die Menschheit über viele Jahrzehnte hinweg in Atem gehalten und ist seit den 60er Jahren ein aktives Forschungsgebiet. Dieser Kurs gibt einen detaillierten Überblick über die historischen Entwicklungen, Erfolge und Rückschläge in der KI sowie über moderne Ansätze in der Entwicklung der Künstlichen Intelligenz wie generative KI. Der Kurs gibt eine Einführung in das Reinforcement Learning, einen Prozess, der der Art und Weise ähnelt, wie Menschen und Tiere die Welt erleben: Erkundung der Umgebung und Ableitung der besten Aktion. Der Kurs behandelt auch die Grundsätze der Verarbeitung natürlicher Sprache und des Computer-Visualisierungsverfahrens, beides Schlüsselkomponenten für eine künstliche Intelligenz, die mit ihrer Umgebung interagieren kann.

1. Geschichte der KI
   1. Historische Entwicklung
   2. KI-Winter
   3. Expertensysteme
   4. Bemerkenswerte Fortschritte
2. Moderne KI-Systeme
   1. Schwache KI, starke KI und künstliche Superintelligenz
   2. Anwendungsbereiche
3. Bestärkendes Lernen
   1. Was ist bestärkendes Lernen?
   2. Markov-Entscheidungsprozess und Wertfunktionen
   3. Temporales Differenzlernen und Q-Learning
4. Natural Language Processing (NLP)
   1. Einführung in NLP und Anwendungsbereiche
   2. Grundlegende NLP-Techniken
   3. Daten vektorisieren
   4. Fortschrittliche NLP-Modelle
5. Computer Vision
   1. Einführung in Computer Vision
   2. Bilddarstellung und -Geometrie
   3. Feature Engineering
   4. Semantische Segmentierung
   5. Techniken zur Bildgenerierung

Dieser Kurs dient als grundlegende Einführung in das Gebiet des maschinellen Lernens mit dem Schwerpunkt auf Supervised Learning (d.h. Lernen aus gelabelten Daten), wobei die am häufigsten verwendeten Modelle zur Regression und Klassifikation vorgestellt werden. Darüber hinaus bietet der Kurs eine Einführung in die Konzepte der Large-Margin-Classifier und der Baum-basierten Algorithmen des maschinellen Lernens.

1. Einführung in das maschinelle Lernen
   1. Mustererkennungssysteme
   2. Der Entwicklungszyklus für maschinelles Lernen
   3. Technische Begriffe
   4. Underfitting und Overfitting
2. Regression
   1. Lineare Regression
   2. Lasso- und Ridge-Regularisierung
   3. Generalisierte Lineare Modelle
   4. Logistische Regression
3. Grundlegende Klassifizierungsverfahren
   1. k-Nearest-Neighbors
   2. Naïve Bayes
4. Support-Vektor-Maschinen (SVM)
   1. Large-Margin-Klassifizierung
   2. Der Kernel-Trick
5. Entscheidungs- und Regressionsbäume
   1. Entscheidungs- und Regressionsbäume
   2. Random Forest
   3. Gradient Boosting

Dieser Kurs befasst sich mit den Werkzeugen und Techniken des Unsupervised Learnings und Feature Engineerings. Unsupervised Learning bezeichnet Ansätze des maschinellen Lernens, die ohne gelabelte Daten angewendet werden können. Das Ziel ist es, Muster oder statistische Regelmäßigkeiten in Daten zu extrahieren, um geeignete Features abzuleiten, was der Schlüssel für die erfolgreiche Anwendung von maschinellen Lernmodellen ist.

Daher ist es für jeden Datenwissenschaftler von entscheidender Bedeutung, über ein solides Set an Ansätzen und Tools für diese Aufgabe zu verfügen. Dieser Kurs stellt die wichtigsten Methoden vor und zeigt, wie Techniken des Unsupervised Learnings eingesetzt werden können, um verlässliche und aussagekräftige Features zu finden. Dabei werden die Konzepte und Techniken anhand konkreter Beispiele demonstriert, die den Einsatz dieser Techniken zur Schaffung eines Mehrwerts für die Gesellschaft als Ganzes widerspiegeln, im Gegensatz zu ethisch fragwürdigen Anwendungsfällen.

1. Einführung in Unsupervised Learning und Feature Engineering
   1. Unsupervised Machine Learning
   2. Feature Engineering
2. Clustering
   1. k-Means
   2. Gaussian Mixture Model Clustering
   3. Hierarchisches Clustering
3. Dimensionsreduktion
   1. Hauptkomponentenanalyse (engl. Principal Component Analysis, PCA)
   2. Multidimensionale Skalierung
   3. Local Linear Embedding
4. Feature Engineering
   1. Numerische Features
   2. Kategoriale Features
   3. Text-Features
5. Feature-Auswahl
   1. Feature Importance
   2. Feature-Varianz
   3. Korrelationsmatrix
   4. Rekursive Feature-Auswahl
6. Automatisierte Feature-Generierung
   1. Automatisierte Feature-Generierung
   2. Feature Engineering versus Deep Learning

Neuronale Netze und Deep-Learning-Ansätze haben in den letzten Jahren die Bereiche der Datenwissenschaft und der künstlichen Intelligenz revolutioniert. Anwendungen, die auf diesen Techniken aufbauen, haben in vielen Spezialanwendungen die menschliche Leistung erreicht oder übertroffen. Nach einem kurzen Überblick über die Ursprünge neuronaler Netze und des Deep Learning wird in diesem Kurs ausführlich vermittelt, wie Feed-Forward-Netze aufgebaut und trainiert werden. Neben Feed-Forward-Netzen werden weitere gängige Netzarchitekturen wie Faltungsnetze (Convolutional Neural Networks) und rekurrente neuronale Netze behandelt. Darüber hinaus werden anhand der begleitenden Lehrmittel die Auswirkungen von Designentscheidungen und der Erhebung der benötigten Daten hinsichtlich Fragen der algorithmischen Fairness sowohl im Hinblick auf ihre Auswirkung auf Individuen, als auch ihre gesellschaftliche Dimension diskutiert.

1. Einführung in neuronale Netze
   1. Struktur des menschlichen Gehirns
   2. Bausteine neuronaler Netze
   3. Tiefe und flache neuronale Netze
   4. Überwachtes Lernen
   5. Reinforcement Learning
2. Vorwärtsgerichtete neuronale Netze
   1. Grundlegende Netzwerkarchitekturen und Initialisierung der Gewichte
   2. Kostenfunktionen
   3. Backpropagation und Gradientenabstiegsverfahren
   4. Batch-Normalisierung
3. Vermeidung von Übertraining
   1. Was ist Übertraining?
   2. Early-Stopping
   3. L1- und L2-Regularisierung
   4. Dropout
   5. Pruning
4. Convolutional Neural Networks
   1. Entstehungshintergrund und Anwendungsbereiche
   2. Convolutional Neural Networks in der Bildverarbeitung
   3. Grundlegende CNN-Architektur(en)
   4. Beispiele praxisrelevanter CNN-Architekturen
5. Rekurrente neuronale Netze
   1. Rekurrente neuronale Netze
   2. Gedächtniszellen
   3. LSTM-Netzwerke
   4. Training rekurrenter neuronaler Netze durch zeitliche Entfaltung

In diesem Kurs werden die Grundlagen für das Verständnis von Computer Vision geschaffen. Zu Beginn wird der Prozess des Sehens aus biologischer Sicht, sowie die Bilderfassung bei technischen Systemen behandelt. Als nächstes wird die Bedeutung von Filtern in der Bildverarbeitung erläutert und die relevanten Konzepte vorgestellt. Darauf aufbauend wird erklärt, wie wichtige elementare Bildmerkmale aus den Rohdaten extrahiert werden können, wie beispielsweise Kanten. Im weiteren Verlauf wird erläutert, wie höhere Abstraktionsebenen betrachtet werden können, wie beispielsweise die Objekterkennung oder Klassifikation von Bildern. Abschließend wird die Verarbeitung von Videoinformationen behandelt und es werden moderne Ansätze zur Lösung wichtiger Computer Vision Aufgaben in diesem Umfeld vorgestellt.

1. Grundlagen der Computer Vision
   1. Das menschliche Sehsystem
   2. Lochkameras und Kameras mit Objektiv
   3. Bildsensoren
2. Filter in der Bildverarbeitung
   1. Invariante Systeme unter linearen Verschiebungen, Faltungen und die Punktverteilungsfunktion
   2. Fourier-Transformation und Ortsfrequenz
   3. Gängige Bildfilter (Gaußsche Glättung, Median-, Modusfilter, Rangordnung)
3. Low-Level-Vision
   1. Regionen mit konstanten Parametern (Blobs)
   2. Kanten und Linien
   3. Ecken und Points of Interest
4. High-Level-Vision
   1. Klassifizierung von Bildern
   2. Semantische Segmentierung
   3. Objekterkennung
5. Video
   1. Grundlagen von Videodaten, Bewegung und optischem Fluss
   2. Nachverfolgung von Ojekten
   3. Klassifizierung von Aktionen und Bewegungen

Im Kurs wählen die Studierenden eine Aufgabe aus einer Auswahl von Möglichkeiten. Das Ziel ist die prototypische Implementierung eines Computer Vision Systems in einer geeigneten Entwicklungsumgebung unter Verwendung geeigneter Werkzeuge und Codebibliotheken. Im Projektbericht sollen die Studierenden die Wahl des Ansatzes, das implementierte System bzw. die Software und die daraus resultierende Leistung bei der Aufgabenstellung begründen und erläutern. Dabei werden die bislang erworbenen methodischen Kenntnisse durch Anwendung auf relevante reale Problemstellungen praktisch umgesetzt.

• In diesem Kurs erarbeiten die Studierenden eine praktische Implementierung eines Computer Vision Anwendungsfalles aus einer Auswahl an Möglichkeiten. Alle relevanten Artefakte wie die Bewertung des Anwendungsfalls, die gewählte Implementierungsmethode, der Code und die Ergebnisse sind in Form einer schriftlichen Ausarbeitung zu dokumentieren.