Außercurriculares Modulangebot

Leistungspunkte:
5

Verwendbarkeit:

• Kernmodul im Bachelor of Science Informatik (Praktische Informatik, Angewandte Informatik, Theoretische Informatik)
• Staatsexamen Lehramt Informatik

Qualifikationsziele:
Nach der Teilnahme am Kernmodul „Algorithmische Geometrie“ können die Studierenden grundlegende Algorithmen zum Lösen von geometrischen Problemen aus dem Bereich des Visual Computings auswählen und implementieren. Im Rahmen der Vorlesung werden die Verfahren vorgestellt und mittels Anwendungsbeispielen in Kontext gesetzt. Im Praktikum werden die Algorithmen implementiert, so dass die Studierenden nach der Teilnahme diese effizient umsetzen können und inhärente Probleme erkennen und lösen können. 

Inhalt:
Das Modul umfasst die folgende Schwerpunkte:

• Konvexe Hüllen in 2D
• Schnitte von Liniensegmenten
• Überlagerung planarer Unterteilungen
• Triangulierung von Polynomen
• Lineare Programmierung
• Smallest Enclosing Discs
• Bereichssuche
• Punktsuche
• Voronoi Diagramme
• Delaunay Triangulierung

Teilnahmevoraussetzungen:
Die vorherige Teilnahme am Modul "Computergrafik" (10-201-2209) oder vergleichbare Kenntnisse werden empfohlen.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung: Klausur 60 Min.
Prüfungsvorleistung: keine

Leistungspunkte:
5

Verwendbarkeit:

• Kernmodul im B.Sc. Informatik der Praktischen Informatik

Qualifikationsziele:
Nach der aktiven Teilnahme am Modul „Daten als Rohstoff: Aktuelle Konzepte und Techniken“ verfügen die Studierenden über ein umfassendes Verständnis der grundlegenden theoretischen und praktischen Konzepte, die nötig sind um Daten zu sammeln, zu verwalten, zu bewerten und anzuwenden. Dazu gehört insbesondere auch die Fähigkeit zum kritischen Umgang mit Aspekten der Datenqualität und der Über- und Unterrepräsentation von Merkmalen in den Daten, Fragen des Datenschutzes und der Datensicherheit, der Ethik und Nachhaltigkeit bei der Verwendung und Aufbewahrung von Daten, sowie das Einbeziehen zukünftiger Entwicklungen auf diesen Gebieten. Die Studierenden können diese Aspekte auf grundlegenden Verfahren in allen Bereichen der Datenverarbeitung untersuchen, und Vorschläge zur Lösung der dabei auftretenden Herausforderungen zu erarbeiten und zu bewerten.

Inhalt:
Wesentliche Inhalte der Vorlesung sind grundlegende Qualitätsmaße, Konzepte, Techniken und Verfahren, die für die erfolgreiche Umsetzung datengetriebene Prozesse und Analysen entlang des gesamten Lebenszyklus der Daten von der Datenerhebung über Data Cleansing und Transformation bis zur Datennutzung und der sicheren langfristigen Aufbewahrung erforderlich sind. Dabei werden sowohl technische Aspekte thematisiert, als auch Fragen des verantwortlichen, ethischen und nachhaltigen Umgangs mit Daten adressiert. 

Die Lehrveranstaltungen werden in deutscher Sprache abgehalten. Die Studien- und Prüfungsleistungen sind in deutscher Sprache zu erbringen.

Teilnahmevoraussetzungen:
Keine

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung: Klausur 60 Min.
Prüfungsvorleistung: keine

Leistungspunkte:
10

Verwendbarkeit:

• M.Sc. Data Science - Datenanalyse
• M.Sc. Informatik - Vertiefungsmodul
• M.Sc. Digital Humanities – Informatik Wahlpflicht
• M.Sc. Bioinformatik – Informatik
• M.Sc. Medizininformatik – Wahlpflicht B Informatik

Qualifikationsziele:
Nach erfolgreichem Abschluss des Moduls können die Studierende:

- die Vorhersagequalität trainierter Modelle auf Testdaten messen

- Modelle auf Trainingsdaten unter Nutzung von data augmentation finetunen

- Einen Überblick über Aufgabenstellungen und Lösungsansätze im Bereich Computer Vision, Natural Language Processing und

multimodalen Image/Text-basierten Lösungen mit Hilfe des Deep Learning geben

- grundlegende Merkmale von deep learning Architekturen erklären

- mögliche Vor-und Nachteile beim Einsatz von bestimmten deep learning Architekturen darlegen

Inhalt:
Die wesentlichen Inhalte sind:

Dieser Kurs wird in PyTorch und Python durchgeführt und es werden Methoden des Deep-Learning genutzt.

- Generalisierung auf Testdaten

- Convolutional neural nets

- Data augmentation, Finetuning,

- Grundlagenwissen zu adversarial attacks

- Token Embeddings

- Attention

- Transformer, autoregressives Training

- einige Architekturen des NLP wie z.B. BERT

- Vision transformer

- Object detection und Segmentation

- ggf. rekurrente neuronale Netze

- retrieval-augmented generation

- Ansätze mit sogenannten “foundational models”, welche über einen festen Satz an Kategorien hinausgehen, wie z.B. CLIP

Die Lehrveranstaltungen werden in englischer Sprache abgehalten. Die Studien- und Prüfungsleistungen sind in englischer Sprache zu erbringen.

Teilnahmevoraussetzungen:
Keine. Grundlegende Kenntnisse in Python sind empfehlenswert.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - Klausur (120 Minuten)
Prüfungsvorleistung: Praktikumsleistung schriftlicher Ausarbeitung (Bearbeitungsdauer 4 Wochen): Codingaufgabe mit Evaluation der Vorhersagen) und Dokumentation des Codes

Leistungspunkte:
5

Verwendbarkeit:

• B.Sc. Inf (Kernmodul, Theoretische und Angewandte Informatik)
• B.Sc. DH (Wahlpflicht Informatik)

Qualifikationsziele:
Nach erfolgreichem Abschluss des Moduls können die Studierende:

- Einen Überblick über Aufgabenstellungen und Lösungsansätze im Bereich der numerischen Algorithmen der linearen Algebra geben.

- mögliche Vor-und Nachteile beim Einsatz von bestimmten numerischen Algorithmen der linearen Algebra darlegen.

- einfache Algorithmen der linearen Algebra implementieren.

Inhalt:
Wesentliche Inhalte sind:

• Grundlagen von Python und Numpy,
• Gleitkommazahlen, Grundlagen der numerischen Fehleranalyse
• Matrixeigenschaften, Matrixoperationen, Determinanten
• Lösungsmengen und Lösbarkeit affiner Gleichungssysteme
• Lösung affiner Gleichungssysteme mit Gauss-Jordanverfahren und PLU-Zerlegung
• Eigenwerte und Eigenvektoren
• Orthogonale Matrizen und Rotationen
• Lineare Regression
• QR-Zerlegung, Householder-Spiegelungen
• SVD-Zerlegung
• Einführung in Fouriertransformationen,
• Fast Fourier Transformation

Lehrsprache: englisch oder deutsch
Prüfungssprache: englisch oder deutsch
Die Festlegung hierzu erfolgt vor der Moduleinschreibung auf elektronischem Weg (Vorlesungsverzeichnis) oder zu Beginn der Veranstaltung durch den Dozenten/die Dozentin.

Teilnahmevoraussetzungen:
Keine

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - Klausur (90 Minuten)
Prüfungsvorleistung: Projektarbeit (Abgabe einer Programmieraufgabe, welche 3 Algorithmen der numerischen linearen Algebra implementiert und auf zufällig erzeugten Daten testet, Bearbeitungsdauer 3 Wochen .)

Leistungspunkte:
5

Verwendbarkeit:
Elective module in the

• M.Sc. Data Science: DA
• B.Sc. and M.Sc. Computer Science: Kernmodul

Qualifikationsziele:
After actively participating in this module, students will be able to
○ Critically read, interpret, and discuss research work on the theoretical foundations of AI and mathematical methods in AI. Suggest possible new research directions.
○ Contextualize mathematical methods in AI, including identifying core assumptions and limitations of machine learning models.
○ Develop or implement algorithms, numerical experiments, or symbolic computations for investigating and validating mathematical models and methods in AI. Analyze synthetic or real-world data. Test and falsify hypotheses, and evaluate model behavior. Suggest possible new mathematical methods or models.
○ Carry out a hands-on project. Undertake independent research. Lead and manage collaborations with peers and mentors. Use digital version control and collaboration tools. Apply critical thinking skills. Demonstrate planning and time management skills.Document experimental and theoretical work. Synthesize research findings.
○ Use computer packages for implementing models, analyzing data, and creating visualizations.
○ Report research findings in written and verbal forms.

Inhalt:
In this module, participants implement a mentored research project, allowing them to undertake a semester-long study of a problem in the theoretical foundations or mathematical methods of AI. At the start of the semester, the mentor(s) will provide a curated list of research papers, reading materials, datasets, or computer packages for participants to explore and analyze. Participants, potentially working in groups, will investigate the assigned topics using theoretical, experimental, and computational methods. Group members can contribute to complementary aspects of the projects (e.g., theoretical analysis, algorithm development, or implementation).
○ Participants receive ongoing supervision from research mentors throughout the semester. Mentors will guide participants in refining their research questions, understanding the provided materials, and ensuring progress in their projects through regular feedback and meeting sessions.
○ The project culminates with participants synthesizing their project results in a written form such as a report or a blog post. They are also expected to report their results with presentations.
○ The projects (with the expectations of the mentors) will be advertised on <the courses website> in advance.
○ All written deliverables, code documentation, and presentations must be in English

Teilnahmevoraussetzungen:
B.Sc. students are required to have passed at least one of the following: Linear Algebra I, Probability I. Programming experience is an advantage.
○ No requirements for M.Sc students.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung: Projektarbeit mit schriftlicher Ausarbeitung und Code-Repository (Bearbeitungszeit: 10 Wochen) und zwei 10‑minütigen Gruppenpräsentationen.

Hier geht es zur Webseite mit weiteren Informationen zum Praktikum.

 

Leistungspunkte:
5

Verwendbarkeit:
M.Sc. Data Science: E/A-Bereich

Qualifikationsziele:
Nach erfolgreichem Abschluss dieses Moduls sind die Studierenden in der Lage,
• die Grundprinzipien des Lernens in autonomen Systemen zu beschreiben, insbesondere das Lernen durch Interaktion;
• verschiedene (Deep) Reinforcement Learning Ansätze in aktuellen Forschungskontexten zu vergleichen und gegenüber zu stellen;
• mathematische Konzepte in Software umzusetzen, um praktische Deep Reinforcement Learning Probleme mit Python zu lösen;
• die Leistung verschiedener Deep Reinforcement Learning Methoden zu bewerten und angemessene Verbesserungen vorzuschlagen; und
• klare Visualisierungen komplexer Daten vorzubereiten, um die Evaluation zu unterstützen

Inhalt:
Reinforcement Learning (RL) ist eine Methode des maschinellen Lernens, bei der ein intelligenter Agent (Computerprogramm) mit seiner Umgebung interagiert und durch Erfahrung lernt, optimal zu handeln. RL steht im Mittelpunkt aktueller Entwicklungen in der Künstlichen Intelligenz, die vom Lernen von Robotern über die Mensch-Computer-Interaktion, selbstfahrende Autos, das Gesundheitswesen bis hin zu großen Sprachmodellen (large language models; LLMs) reichen. Der Kurs startet mit einer Einführung in Reinforcement Learning und geht dann auf den neuesten Stand der Technik in Deep RL anhand der drei Kernkompetenzen Theorie, Implementierung und Evaluation ein. Die Studierenden lernen die Grundlagen des (deep) Reinforcement Learnings kennen und sammeln Erfahrung in der Entwicklung und Implementierung dieser Methoden für praktische forschungsnahe Anwendungen.

Teilnahmevoraussetzungen:
Keine

Erwartetes Wissen: Kenntnisse der Linearen Algebra, Grundlagen der Wahrscheinlichkeitstheorie und der Differentialrechnung sowie Kenntnisse einer Programmiersprache (bevorzugt Python) werden vorausgesetzt.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung: Projektarbeit mit Abschlusspräsentation (15 Minuten) und schriftlicher Ausarbeitung (12 Seiten, Bearbeitungszeit 12 Wochen)

Leistungspunkte:
5

Verwendbarkeit:

• M.Sc. Data Science, E/A-Bereich

Qualifikationsziele:
Nach der aktiven Teilnahme am Modul sind die Studierenden in der Lage

- Einen wissenschaftlichen Text zu unimodalen oder multimodalen maschinellen Lernverfahren zu analysieren, in eigenen Worten darzustellen,

- Inhalte aus solchen Texten geeignet aufbereitet darzustellen

- Fragestellungen zu bearbeiten und mit den Seminarteilnehmenden zu diskutieren

Inhalt:
Wesentliche Inhalte sind:

- Selbständige Bearbeitung und Präsentation einer aktuellen Forschungsarbeit zu einem Thema des unimodalen oder multimodalen Maschinellen Lernens 

- Diskussion der Arbeit mit den Seminarteilnehmenden

- schriftliche Zusammenfassung der Arbeit mit kritischer Bewertung 

Teilnahmevoraussetzungen:
keine

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung: Vortrag mit Diskussion (20 Min. Vortrag und 10 Min. Diskussion) mit schriftlicher Ausarbeitung (15-25 Seiten, Bearbeitungszeit 8 Wochen)
Prüfungsvorleistung: keine