1. Einführung
   1. Warum Python?
   2. Beschaffung und Installation von Python
   3. Der Python-Interpreter, IPython und Jupyter
2. Variablen und Datentypen
   1. Variablen und Wertzuweisung
   2. Zahlen
   3. Strings
   4. Sammlungen
   5. Dateien
3. Erklärungen
   1. Zuweisung, Ausdrücke und Druck
   2. Bedingte Anweisungen
   3. Schleifen
   4. Iteratoren und Verständnisse
4. Funktionen
   1. Funktionserklärung
   2. Umfang
   3. Argumente
5. Fehler und Ausnahmen
   1. Fehler
   2. Behandlung von Ausnahmen
   3. Protokolle
6. Module und Pakete
   1. Verwendung
   2. Namensräume
   3. Dokumentation
   4. Populäre Datenwissenschaftspakete

Dieser Kurs baut auf Grundkenntnissen der Python-Programmierung (Introduction to Programming with Python, DLBDSIPWP) auf und befasst sich mit der Darstellung fortgeschrittener Python-Programmierkonzepte. Zu diesem Zweck werden wichtige Begriffe der objektorientierten Programmierung wie Klassen und Objekte und die zugehörigen Entwurfsprinzipien erläutert. Ausgehend von einer eingehenden Diskussion fortgeschrittener Merkmale von Python-Funktionen werden funktionale Programmierkonzepte und ihre Implementierung in Python vermittelt. 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.

• Der Kurs bietet den Studierenden eine gründliche Einführung in wichtige Begriffe und Konzepte aus dem Bereich der objektorientierten Programmierung wie Klassen, Objekte, Abstraktion, Kapselung, Vererbung, Polymorphismus, Komposition und Delegation. Zusätzlich wird das Paradigma der funktionalen Programmierung und zugehörige Ideen wie Funktionen als erste Klasse Objekte, Dekoratoren, reine Funktionen, Unveränderbarkeit und Funktionen höherer Ordnung vermittelt. Entsprechend dem Portfolio-Kurstyp werden die oben genannten Konzepte und Ideen durch praktische Programmierprojekte untersucht.

1. Grundlagen relationaler Datenbanken
   1. Grundkonzepte des relationalen Datenmodells
   2. Datensätze in der Datenbank suchen und löschen
   3. SQL und Relationale Datenbanksysteme
2. Datenbankanfragen an genau eine Tabelle
   1. Daten abfragen (SELECT)
   2. Daten mit Bedingung abfragen (WHERE)
   3. Ausgabe von Abfragen sortieren (ORDER BY)
   4. Abfragen mit Gruppenbildung (GROUP BY)
   5. Unterabfragen mit verschachtelten SELECT-Statements
3. Konzeption und Modellierung von relationalen Datenbanken
   1. Das Entity Relationship-Modell
   2. Beziehungen und Kardinalitäten in E/R-Modellen
   3. Normalformen von Datenbanken
4. Erstellung von relationalen Datenbanken
   1. Aktivitäten zum logischen Datenbankentwurf
   2. Abbildung vom konzeptionellen Datenmodell in das physikalische Datenmodell
   3. Erzeugen von Tabellen in SQL-Datenbanken aus E/R-Diagrammen
5. Komplexe Datenbankabfragen auf mehreren Tabellen
   1. Verbundmengen (JOIN)
   2. Mengenoperationen
   3. Datensichten mit CREATE VIEW
6. Manipulieren von Datensätzen in Datenbanken
   1. Neue Datensätze einfügen (INSERT)
   2. Vorhandene Datensätze ändern
   3. Transaktionen
7. NoSQL-Datenbanksysteme
   1. Motivation und Grundidee
   2. Ausgewählte Gruppen von NoSQL-Systemen

• In diesem Kurs wenden die Studierenden ihr Wissen über Datenmodellierung und Datenbanken an, um einen Anwendungsfall ihrer Wahl in einem Projekt zu implementieren. Alle relevanten Artefakte, wie die Bewertung des Anwendungsfalls, die gewählte Methode zur Implementierung, der Code und die Ergebnisse, werden in Form einer schriftlichen Ausarbeitung dokumentiert.

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.