Jedes Semester
10 Leistungspunkte
Die Angaben zur Moduldauer finden Sie bei den Studiengängen, in denen das Modul verwendet wird.
Studierende erwerben in diesem Modul fortgeschrittene anwendungsbezogene Kenntnisse über technische Methoden aus den Bereichen der Künstlichen Intelligenz und des Maschinellen Lernens, die zur Umsetzung intelligenten, adaptiven Verhaltens und der Interaktionsfähigkeit von technischen Systemen notwendig sind. Nach Abschluss des Moduls sind Studierende in der Lage selbstständig Modelle der KI/des Maschinellen Lernens (z.B. Deep Learning, Reinforcement Learning, Probabilistische Modelle, XAI) zu entwickeln und auf neue Kontexte anzuwenden. Im ersten Modulteil wird angewandt-methodisches Wissen zu einem der Themenbereiche des Applied Artificial Intelligence erworben und in begleitenden Übungen eingeübt. Im zweiten Modulteil werden diese Verfahren in einem angewandten Seminar oder einem Projekt praktisch vertieft. Sie haben dazu sowohl methodisches Wissen als auch die Kompetenz der selbstständigen praktischen Auseinandersetzung mit einem Thema erworben.
In this module, students acquire advanced application-related knowledge of technical methods from the fields of artificial intelligence and machine learning, which are necessary for the implementation of intelligent, adaptive behavior and the interaction capability of technical systems. Upon completion of the module, students will be able to independently develop models of AI/machine learning (e.g., deep learning, reinforcement learning, probabilistic models, XAI) and apply them to new contexts. In the first module part, applied-methodological knowledge on one of the topics of Applied Artificial Intelligence is acquired and practiced in accompanying exercises. In the second module part, these methods are practically deepened in an applied seminar or a project. For this purpose, you will have acquired both methodological knowledge and the competence of independent practical examination of a topic.
Das Modul vermittelt praktisch-angewandte Inhalte notwendig für die Entwicklung intelligenter interaktiver Systeme. Zu den Lehrinhalten des Moduls gehören z.B. Veranstaltungen aus den Bereichen: Machine Learning, Artificial Intelligence, Deep Learning, Reinforcement Learning, XAI, Cognitive Computing, Models of Decision Making, Neural Networks, Auditory Data Science, Interactive and Autonomous Learning. Die konkreten Lehrinhalte des Moduls werden durch die vom Studierenden gewählten Veranstaltungen festgelegt. Die Wahl aus dem dafür ausgewiesenen Lehrangebot erfolgt nach persönlichem Interesse.
The module teaches practical-applied content needed to develop intelligent interactive systems. The teaching content of the module includes e.g. courses from the areas of machine learning, artificial intelligence, deep learning, reinforcement learning, XAI, cognitive computing, models of decision-making, neural networks, auditory data science, interactive and autonomous learning. The courses chosen by the student determine the specific course content of the module. Selection from the range of courses designated for this purpose will be based on personal interest.
—
—
Bei den Veranstaltungen sind folgende Kombinationsmöglichkeiten erlaubt:
Begründung der Notwendigkeit von zwei Teilprüfungen:
Zwei Teilprüfungen sind notwendig, da in der Klausur/mündlichen Prüfung die theoretischen und mathematischen Kompetenzen und im Projekt/Seminar praktische sowie methodische Kenntnisse geprüft werden.
Two partial examinations are necessary since the theoretical and mathematical competencies are tested in the written/oral examination and practical and methodological knowledge in the project/seminar.
The following combinations of courses are permitted:
Modulstruktur: 1 bPr, 1 uPr 1
zusammen mit einer Vorlesung mit zugehöriger Übung aus dem Bereich Applied Artificial Intelligence zu studieren.
zusammen mit einer zugehörigen Übung aus dem Bereich Applied Artificial Intelligence zu studieren.
zusammen mit einer zugehörigen Übung aus dem Bereich Applied Artificial Intelligence zu studieren.
Teilprüfung 2 (bei der Kombination Seminar + Übung)
Portfolio mit Abschlussprüfung bestehend aus:
1) Portfolio von Übungen zu Inhalten des Seminars
Übungsaufgaben oder Programmieraufgaben, die veranstaltungsbezogen gestellt werden (Bestehensgrenze 50% der erzielbaren Punkte). Die Kontrolle der Übungsaufgaben umfasst auch direkte Fragen zu den Lösungsansätzen, die von den Studierenden in den Übungen beantwortet werden müssen. Der*die Lehrende kann ein individuelles Erläutern und Vorführen von Aufgaben verlangen sowie einen Teil der Übungsaufgaben durch Präsenzübungen ersetzen. Die Übungsaufgaben im Rahmen des Portfolios werden in der Regel wöchentlich ausgegeben und dienen dem begleitenden Erlernen selbständiger Umsetzungen der im Seminar vorgestellten Lerninhalte.
2) einer Abschlussprüfung zum Seminar
Die Abschlussprüfung zu den Inhalten des Seminars nimmt Bezug auf die Übungs- oder Programmieraufgaben oder entwickelt sich aus den in den Übungen erlernten Kompetenzen.
Eine weitergehende Konkretisierung insbesondere zum zeitlichen Umfang der Abschlussprüfung erfolgt in der Beschreibung der Veranstaltung.
Seminar: Referat (im Umfang von 30–40 Minuten) mit Ausarbeitung (Umfang von 10-15 Seiten)
Die Studierenden präsentieren nach Abstimmung der konkreten Aufgabenstellung mit dem Prüfenden im Rahmen des Referats die Bedeutung und systematisch-fachwissenschaftliche Einordnung einer im Seminar behandelten Problemstellung und erläutern und stellen ihr Thema in ihrer Ausarbeitung schriftlich vor, wobei Aspekte aus der Diskussion im Seminar einzubeziehen sind. Die Aufgabenstellung kann auch die Ausarbeitung einer Anwendung (d.h. Programmierung/Rechnung etc.) eines Verfahrens auf einen typischerweise praktisch bedeutsamen Einzelfall beinhalten. Das Referat mit Ausarbeitung bezieht sich auf die im Seminar vermittelten und in den Übungen erarbeiteten Inhalte.
Beide Portfolioelemente werden durch eine*n Prüfer*in geprüft. Es erfolgt eine abschließende Gesamtbewertung.
Teilprüfung 2 (bei Wahl der Veranstaltung Projekt)
Projekt mit Ausarbeitung (8-10 Seiten)
Teilprüfung 1 (Vorlesung + Übung)
Portfolio mit Abschlussprüfung bestehend aus:
1) Portfolio von Übungen zu Inhalten der Vorlesung
Übungsaufgaben oder Programmieraufgaben, die veranstaltungsbezogen gestellt werden (Bestehensgrenze 50% der erzielbaren Punkte). Die Kontrolle der Übungsaufgaben umfasst auch direkte Fragen zu den Lösungsansätzen, die von den Studierenden in den Übungen beantwortet werden müssen. Der*die Lehrende kann ein individuelles Erläutern und Vorführen von Aufgaben verlangen sowie einen Teil der Übungsaufgaben durch Präsenzübungen ersetzen. Die Übungsaufgaben im Rahmen des Portfolios werden in der Regel wöchentlich ausgegeben und dienen dem begleitenden Erlernen selbständiger Umsetzungen der in der Vorlesung vorgestellten Lerninhalte.
2) einer Abschlussprüfung zur Vorlesung
Die Abschlussprüfung zu den Inhalten der Vorlesung nimmt Bezug auf die Übungs- oder Programmieraufgaben oder entwickelt sich aus den in den Übungen erlernten Kompetenzen.
Eine weitergehende Konkretisierung insbesondere zum zeitlichen Umfang der Abschlussprüfung erfolgt in der Beschreibung der Veranstaltung.
Vorlesung: Abschlussklausur (im Umfang von 90-120 Minuten) oder mündliche Abschlussprüfung (im Umfang von 20-30 Minuten) zu den in der Vorlesung vermittelten und in den Übungen erarbeiteten Inhalten.
Die Klausur kann alternativ als eKlausur, Open Book Klausur oder eOpen Book Klausur geprüft werden. Im Falle von Open Book Klausur und eOpen Book Klausur beträgt der Umfang 120-150 Minuten Minuten.
Beide Portfolioelemente werden durch eine*n Prüfer*in geprüft. Es erfolgt eine abschließende Gesamtbewertung.
| Studiengang | Empf. Beginn 3 | Dauer | Bindung 4 |
|---|---|---|---|
| Intelligente Interaktive Systeme / Master of Science [FsB vom 16.05.2023 mit Änderung vom 15.12.2023 und Berichtigung vom 16.07.2024] | 2. o. 3. | ein oder zwei Semester | Wahlpflicht |
In diesem Modul kann eine automatische Vollständigkeitsprüfung vom System durchgeführt werden.