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

Dieser Kurs führt in verschiedene fortgeschrittene analytische Themen von praktischer Relevanz ein. Die behandelten Themenbereiche reichen von der Messung und Analyse der Unternehmensleistung, Text Mining, Web- und Social Media-Analytik bis hin zu aktuellen Trends im experimentellen Design und Aufbau.

Entlang dieser Reise werden Themen wie die Gestaltung von Leistungskennwerten - Key Performance Indicators (KPIs), Geschäftsprozessanalyse, Worthäufigkeits- und semantische Analyse, Datenwissenschaft zu „Clickstreams“, Social Media Interaktionen und mehrarmige Banditentest Algorithmen behandelt.

1. Analytik der Unternehmensleistung
   1. Überlegungen zum KPI-Design
   2. Gängige Leistungsindikatoren für Unternehmen
   3. Geschäftsprozessanalyse – Business process mining

2. Text-Analyse
   1. Wort- und Dokumentfrequenz (TF-IDF)
   2. Semantische Analyse
3. Web-Analytik
   1. Web-Metriken
   2. Clickstream-Analyse
   3. Empfehlungsdienste
4. Social Network Mining
   1. Einführung in die Analytik der sozialen Medien
   2. "Ausbeutung" von gängigen Plattformen für soziale Medien
5. Tests und Experimente
   1. Praktische A/B-Prüfung
   2. Multivariate Tests
   3. Tests mit mehrarmigen Banditen Algorithmen

Der Schwerpunkt dieses Kurses liegt auf der Implementierung eines realen, fortgeschrittenen analytischen Anwendungsfalles in Form eines Studierendenprojekts.

Zu den primären Themenbereichen dieser praktischen Arbeit gehören Business Performance Analytics, Text Mining, Web- und Social Analytics sowie Experimentieren und Testen.

Ziel ist es, dass die Studierenden zeigen können, dass sie das in der Advanced Data Analysis (DLBDSEDA01) erworbene theoretische Wissen auf ein Implementierungsszenario übertragen können, das die Projektarbeit in einem professionellen datenwissenschaftlichen Umfeld nachahmt.

Speziell im dualen Fernstudium:

Im dualen Fernstudium ist der Theorie-Praxis-Transfer anhand eines realen Projekts, das im Praxisbetrieb umgesetzt werden soll, zu leisten. Im Rahmen des Praxisprojektes bearbeiten die Studierenden eine praxisrelevante Fragestellung ihres Praxisbetriebs unter Betreuung einer:s Lehrenden. Eine Betreuung seitens Praxispartner kann auf Wunsch erfolgen.

• Dieser Kurs behandelt die praktische Umsetzung der im Kurs Advanced Data Analytics (DLBDSEDA01) behandelten Ansätze und Techniken in einer projektorientierten Umgebung. Alle Teilnehmenden müssen einen Projektbericht erstellen, in dem ihre Arbeit detailliert und dokumentiert wird. Die Projektaufgaben werden aus einer Liste ausgewählt oder von den Studierenden in Absprache mit dem Tutor vorgeschlagen.