Wahlpflichtfächer

Lern-/Qualifikationsziele

Die Vorlesung „Angewandte Künstliche Intelligenz: Grundlagen und Praxis“ von Patrick Tritschler vermittelt die theoretischen und praktischen Grundlagen moderner Verfahren der Künstlichen Intelligenz mit Schwerpunkt auf Deep Learning und neuronalen Netzen. Die Studierenden erwerben ein fundiertes Verständnis der mathematischen Prinzipien neuronaler Netze, ihrer Trainingsverfahren sowie deren Einsatzgebiete. Außerdem steht insbesondere die praktische Anwendung im Mittelpunkt und mittels aktueller Frameworks werden neuronale Netze implementiert, trainiert und für unterschiedliche Aufgabenstellungen eingesetzt.

Lehrinhalte:

• Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens
• Mathematische Grundlagen neuronaler Netze
• Gradientenbasierte Optimierungsverfahren (Backpropagation, Gradientenabstieg und Varianten)
• Vergleich verschiedener Netzwerkarchitekturen hinsichtlich des Anwendungsgebiets, Stärken und Grenzen (Feed-Forward neural Networks, Convolutional neural Networks, Transformer-Architekturen, etc.)
• Verschiedene Trainingsverfahren für unterschiedliche Anwendungsgebiete (Regression, Klassifikation, generative KI, etc)
• Aktuelle Anwendungen und Herausforderungen der Künstlichen Intelligenz

Praktische Übungen:

• Implementierung neuronaler Netze und des Backpropagation-Algorithmus in Python ohne KI-Framework
• Implementierung neuronaler Netze mit PyTorch oder TensorFlow für Klassifikations- und Regressionsaufgaben
• Entwicklung eines kleinen KI-Projekts auf Basis realer Datensätze

Literatur/Medien

• Bishop, C. M., & Bishop, H. (2024). Deep Learning – Foundations and Concepts. Springer Nature. https://doi.org/10.1007/978-3-031-45468-4
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
• Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow (3rd Edition). O'Reilly Media.