01-15-2M04-ue Künstliche Intelligenz: Algorithmen und Anwendungen für Fortgeschrittene

Lehrende: Prof. Dr. rer. pol. Peter Buxmann

Veranstaltungsart: Übung

Orga-Einheit: FB01 Rechts- und Wirtschaftswissenschaften

Anzeige im Stundenplan: ue_KI

Fach:

Anrechenbar für:

Semesterwochenstunden: 1

Unterrichtssprache: Deutsch

Min. | Max. Teilnehmerzahl: - | -

Lehrinhalte:
Begleitende Übungen, in denen die Konzepte anhand praktischer Fragestellungen angewendet werden können. Zusätzlich zu den Vorlesungen erarbeiten die Teilnehmenden im Zuge der Studienleistung in Kooperation mit Praxispartnern außerdem ein KI Projekt eigenständig in Projektgruppen zur Beantwortung einer analytischen Fragestellung und Realisierung einer entsprechenden KI Lösung. Den Teilnehmenden wird dadurch ermöglicht, die theoretischen Inhalte auf einen konkreten, praktischen Anwendungskontext zu übertragen.

Künstliche Intelligenz: Fortgeschrittene Themen in Algorithmen und Anwendung

Modellierung II, mit Fokus auf fortgeschrittene Modellierungskonzepte, u.a.:

• Zeitreihenanalysen
  
• Anomalie-Erkennung
  
• Ensembles
  
• Neuronale Netze & Deep Learning
  
• Parameter-Optimierung
  

Literatur:

• Berthold, M. R.; Borgelt, C.; Ho¨ppner, F.; & Klawonn, F. (2010): Guide to intelligent data analysis: how to intelligently make sense of real data. Springer Science & Business Media.
  
• Cios, K. J.; Pedrycz, W.; Swiniarski, R. W.; & Kurgan, L. A. (2007): Data mining: a knowledge discovery approach. Springer Science & Business Media.
  
• Wirth, R., & Hipp, J. (2000): CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (pp. 29-39). Citeseer.
  
• Witten, I.H.; Frank, E.; Hall, M.A. (2011): Data Mining: Practical Machine Learning Tools and Techniques, 3rd Edition, Morgan Kaufmann.
  
• Tan, P.; Steinbach, M.; Kumar, V. (2013): Introduction to Data Mining, Pearson Addison-Wesley.
  
• Han, J.; Kamber, M.; Pei, J. (2012): Data Mining – Concepts and Techniques, 3rd Edition, Morgan Kaufmann.
  
• Buxmann, P. & Schmidt, H. (2018): Künstliche Intelligenz: Mit Algorithmen zum wirtschaftlichen Erfolg, Springer-Verlag.
  
• Turban, E.; Aronson, J.E.; Liang, T.-P.; Sharda, R. (2007): Decision Support and Business Intelligence Systems, Pearson Prentice Hall.
  

Voraussetzungen:
Gute Programmierkenntnisse (Funktionale und objektorientierte Programmierkonzepte (ehemals: Grundlagen der Informatik 1) oder Grundlagen der Programmierung (Java), Grundlagenkenntnisse in Statistik