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

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

Veranstaltungsart: Vorlesung

Orga-Einheit: FB01 Rechts- und Wirtschaftswissenschaften

Anzeige im Stundenplan: vl_KI

Fach:

Anrechenbar für:

Semesterwochenstunden: 1

Unterrichtssprache: Deutsch

Min. | Max. Teilnehmerzahl: - | -

Lehrinhalte:
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
 

Online-Angebote:
moodle