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

In diesem Kurs erkunden die Studierenden die faszinierende Welt des Prompts in generativen KI-Anwendungen. Sie beteiligen sich an praktischen Übungen, um neue KI-generierte Inhalte wie Texte, Bilder und Videos zu erstellen. Durch diese Übungen lernen die Studierenden, wie sie diese Systeme effektiv nutzen, analysieren und bewerten können, entsprechend ihrem jeweiligen Studienbereich.

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.

• In diesem Kurs arbeiten die Studierenden an einer grundlegenden praktischen Umsetzung eines generativen KI-Anwendungsfalls, indem sie aus einer Auswahl, die in der ergänzenden Richtlinie bereitgestellt wird, wählen. Der Kurs bietet praktische Beispiele als Lernmaterialien und Übungen mit grundlegenden Prompt-Techniken für Open-Source-Text-, Bild- und Video-Generierungsfälle. Die Übungen sollen die Studierenden inspirieren und anleiten, ihren eigenen generativen KI-Anwendungsfall zu bearbeiten, der eine Beschreibung des Anwendungsfalls, ausgewählte Prompt-Techniken, Ergebnisse und kritische Bewertungen aus technischer und ethischer Perspektive umfasst.

Der Kurs vermittelt den Studierenden einen umfassenden Einblick in die agile Softwareentwicklung. Hierbei werden sowohl die grundlegenden agilen Prinzipien dargestellt als auch deren Anwendung im Kontext von kleinen und großen Softwareentwicklungsprojekten. Anhand praktischer Beispiele lernen die Studierenden agile Techniken zur Durchführung der Kernaktivitäten im Software-Engineering kennen. Als besonderer Schwerpunkt wird dabei auch auf den Ansatz des Continuous Delivery eingegangen und dessen Methoden und Werkzeuge vorgestellt.

1. Merkmale und Prinzipien von Agilität
   1. Merkmale und Herausforderungen von Softwareprojekten
   2. Klassifikationen von Unsicherheit
   3. Gegenüberstellung von agiler und klassischer Softwareentwicklung
   4. Prinzipien der Agilität
2. Agile Softwareentwicklung mit Scrum
   1. Grundlagen und allgemeiner Aufbau von Scrum
   2. Zentrales Managementartefakt: Product Backlog
   3. Weitere Scrum-Artefakte und Managementwerkzeuge
3. Agiles Portfolio- und Projektmanagement
   1. Planungsebenen im agilen Projektmanagement
   2. Agiles Portfoliomanagement
   3. Organisation mehrerer Teams in einem Projekt
   4. Produkt- und Release-Planung
4. Requirements Engineering und agiles Architekturmanagement
   1. Requirements Engineering in agilen Projekten
   2. Architekturmanagement in agilen Projekten
5. Agiles Testen
   1. Grundlagen des agilen Testens und Anforderungen an die Qualitätssicherungsorganisation
   2. Teststufen und Agilität
   3. Testautomatisierung
6. Continuous Delivery
   1. Grundlagen und Continuous Delivery Pipeline
   2. Continuous Build und Continuous Integration
   3. Akzeptanztests, Lasttests und Continuous Deployment