Module Das erwartet Sie im Studium

Programming for Data Science
Einführung in grundlegende Programmier- und Sprachkonzepte, die für Data Science benötigt werden. Grundlegende und wesentliche Sprachelemente der Programmiersprache Python. Grundlegende Entwurfsprinzipien, professionelle Entwicklungsumgebungen. Geführte Programmieraufgaben und Tutorials für die unabhängige Entwicklung von effektiv getesteten Lösungen. (6 ECTS)

Objektorientierte Programmierung
Eine fundierte und praxisbezogene Einführung in die Grundlagen der objektorientierten Programmierung anhand der Sprache Java. Durch zahlreiche Übungsaufgaben und Beispiele werden die Studierenden zur Erstellung einfacher und automatisiert getesteter Programme befähigt. Die Anwendung ausgewählter Designprinzipien sowie der Einsatz von professionellen Entwicklungswerkzeugen vervollständigen den Inhalt. (6 ECTS)

Algorithms
Einführung verschiedener Algorithmen und Datenstrukturen. Lineare Datenstrukturen, Bäume, Graphen und verwandte Algorithmen. Spezifische Algorithmen für effiziente Suche, Sortierung und Textverarbeitung. Komplexitätsanalyse verschiedener Algorithmen. (3 ECTS)

Databases & Big Data
Eine systematische Einführung in die Grundlagen von Datenbanksystemen und die Anwendung von Machine Learning mit Big Data. Theorie der Datenbanksysteme: Definition, Motivation und Intention, Modellierung, Entitäten- und Beziehungsmodell. Relationale Datenbanken: Relationales Modell, SQL, Analytik Optimierung, Transaktionen. NoSQL-Datenbanken: Grafen-Datenbanken, Dokumentdatenbanken. Big Data Analyse. (6 ECTS)

Data Visualization
Prinzipien und Konzepte für die visuelle Präsentation von Informationen. Entwurfsstrategien für Präsentationsmethoden. Geschichten, Theorien und bewährte Verfahren für überzeugende Datenvisualisierungen. Praktische Projektarbeit und Fallstudien zur angewandten Datenvisualisierung. Unabhängige Beurteilung von Design-Entscheidungen bezüglich der menschlichen Wahrnehmung und der Bedeutung der Visualisierung. Interaktive Visualisierungen. (3 ECTS)

Schliessen

Linear Algebra
Einführung in die lineare Algebra. Lineare Gleichungssysteme, Matrixalgebra, Vektorräume, lineare Abbildungen und ihre Eigenschaften und Anwendungen. Eigenwertprobleme sowie Singulärwertzerlegung. Numerische Softwarepakete für lineare Algebra. (3 ECTS)

Analysis
Differenzial- und Integralrechnung. Integrationsregeln: Produkt-, Quotienten- und Kettenregel, Integration durch Substitution und partielle Integration. Anwendungen auf Graphen von Funktionen und in Optimierungsproblemen. Mehrdimensionale Differenzialrechnung. Numerische Methoden zur Integration und Differentiation. (6 ECTS)

Discrete Math
Logik und Beweise. Mengen, Funktionen, Zahlen und Matrizen. Math. Begründen, Induktion und Rekursion, Grundlagen des Zählens, diskrete Wahrscheinlichkeitstheorie, Zahlentheorie und Grafentheorie. (6 ECTS)

Statistics & Probability
Mathematische Grundlagen für statistische und stochastische Problemstellungen. Deskriptive Statistik, Wahrscheinlichkeitstheorie und Verteilungen. Schätz- und Testprobleme. Versuchsplanung. Analyse von Zeitreihendaten. (3 ECTS)

Schliessen

Knowledge Representation
Logikprogrammierung zur Unterstützung des symbolischen und probabilistischen Denkens. Formalismen zur Wissensrepräsentation. Logik erster Ordnung. Konzeptionelle Modellierung in Informationssystemen. Automatisiertes Schlussfolgern, Inferenz Maschinen und Ontologie-Engineering. Probabilistisches begründen, Markov-Ketten, Bayes'sche Inferenz und Bayes'sche Netzwerke für das Begründen unter Unsicherheit. (3 ECTS)

Machine Learning & Neural Networks
Grundlegende Methoden von Machine Learning. Supervised und Unsupervised Learning. Analyse der Datenqualität. Regression und Klassifikation. Neuronale Netzwerke und Deep Learning, einschliesslich Feed-Forward-Netzwerke und Back Propagation. Deep Learning. Convolutional Neural Networks. Recurrent neural networks. Generative Adversarial Networks. (6 ECTS)

Reinforcement Learning
Sequentielle Entscheidungsfindung. Dynamische Programmierung. Reinforcement learning Algorithmen, wie z.B. Temporal-Difference learning, Monte Carlo, Sarsa, Q-learning, Policy Gradients und Dyna. Actor-critic und gradient-based Optimierung. Multi-agent reinforcement learning. Umgebungen mit partieller Beobachtbarkeit. Agentenausbildung und Leistungsbewertung. Fallstudien und angewandte Reinforcement Learning-Projektarbeit. (3 ECTS)

Schliessen

Introduction to AI & Machine Learning
Dieses Modul widmet sich den Grundlagen der menschlichen Wahrnehmung. Es bietet eine Einführung in die Methoden der (Neuro-)Psychologie und in die menschliche Wahrnehmung als Inspiration für künstliche  Intelligenz. Es vermittelt grundlegende Kenntnisse der Wissensstrukturierung und der allgemeinen philosophischen und psychologischen Grundlagen von Sprache, Wahrnehmung, Lernen und Erkenntnis und beleuchtet, wie diese in die Entwicklung Künstlicher Intelligenz einfliessen. Das Verhältnis des Menschen zur Technik wird hinterfragt und Methoden zur Technikfolgenabschätzung werden vermittelt. Ethische und rechtliche Aspekte werden insbesondere unter dem Blickwinkel von Vertrauen und Akzeptanz neuer Technologien und vor dem Hintergrund der Geschichte der Künstlichen Intelligenz thematisiert. (6 ECTS)

Philosophy, Art & AI
Eine kritische Untersuchung der aktuellen sozialen und technologischen Entwicklungen in AI. Grenzen und Erweiterung der menschlichen Möglichkeiten durch den Einsatz von AI. Ethische und rechtliche Fragen, einschliesslich der Grenzen des technisch Machbaren und ethisch vertretbaren. Kritische Hinterfragung aktueller und zukünftiger Entwicklungen. Auseinandersetzung mit Positionen und Denkweisen aus den Bereichen Philosophie, Politik, Kunst und Film. (3 ECTS)

Ethics & AI
Eingehende Analyse der Chancen und Risiken von AI aus ethischer Perspektive. Ethische Fragen im Zusammenhang mit Entscheidungsprozessen autonomer Systeme und dem Spannungsfeld zwischen Menschenwürde und Maschinenautonomie. Bedeutung des digitalen Wandels für einen ethischen Humanismus. Anwendung ethischer Theorien auf praktische Fragen der Studierenden und die Arbeitswelt der Studierenden und ihrer zukünftigen Berufsfelder. (3 ECTS)

Schliessen

Project Management
Klassisches, agiles und hybrides Projektmanagement basierend auf Theorie, Übungen und einer Fallstudie. Verbale und visuelle Kommunikation.  Konstruktive Kritik, Stakeholdermanagement, Zeitmanagement, praktische Übungen und Präsentationstechniken. (3 ECTS)

Entrepreneurship
Es werden allgemeine und spezifische Fähigkeiten für den Start eines AI-Geschäfts vermittelt. Das Modul erklärt und diskutiert, wie AI-Innovation auf wirtschaftlich verantwortliche Weise erfolgen kann. Das Wissen wird in einem Gruppenprojekt angewandt, um Ideen zu entwickeln, die die heutigen Anwendungen "intelligenter" machen. Die Ideen werden in einem Bewertungsforum vorgestellt. Lean Start-up und Methoden des Human-centred Design werden angewendet. (3 ECTS)

Game Theory
In diesem Modul werden wir die Grundlagen der spieltheoretischen Beschreibung von Konflikten und mathematischen Modellen erforschen, welche zu ihrer Lösung verwendet werden, d.h. die Suche nach der optimalen Strategie unter Berücksichtigung der Reaktionen der Gegner. Wir werden simultane, wiederholte und dynamische Spiele erforschen und die wichtigsten spieltheoretischen Konzepte (wie z.B. Rationalität, beste Antworten, optimale Strategie, Nash-Gleichgewicht, Perfektion von Unterspielen, spieltheoretische Werte) und ihre Anwendungen in klassischen Spielzeugbeispielen und realen Fällen diskutieren. (3 ECTS)

Algorithmic Business
Einführung in Algorithmic Business, die Verwendung komplexer mathematischer Algorithmen, die für verbesserte Geschäftsentscheidungen oder die Prozessautomatisierung zur Wettbewerbsdifferenzierung entscheidend sind. Es bietet Geschwindigkeit und Skalierbarkeit, um das digitale Geschäft zu beschleunigen und so eine bedeutende geschäftliche Wirkung zu erzielen. Im Gegensatz zum Entrepreneurship-Modul wird der Schwerpunkt darauf liegen, AI in etablierten und grossen Organisationen zu integrieren. (3 ECTS)

Schliessen

Industrial Optimization
Mathematische Methoden der kontinuierlichen, diskreten und kombinatorischen Optimierung unter Einschränkungen. Lineare Programmierung nicht lineare Optimierung, Constraint-Programmierung, ganzzahlige Optimierung mit heuristischen Methoden. Praktische Anwendungen der Optimierung in einem industriellen Kontext. (6 ECTS)

Robotics 
Dieses Modul konzentriert sich auf die Informatik-Aspekte der Robotik wie Steuerung, Suche und Optimierung. Die Studierenden werden sich in unserem Labor für kognitive Robotik auf die Programmierung (statt auf den Bau) von Robotern zur Problemlösung und menschlichen Interaktion konzentrieren. Dazu gehören die Realisierung und Erprobung geeigneter Lernmethoden sowie die Gestaltung intuitiver Benutzerschnittstellen. Es wird viel praktische Arbeit geben, z.B. mit Drohnen und anderen autonomen Systemen. (6 ECTS)

Natural Language Processing
Natural Language Processing (NLP) ist ein Teilgebiet der Linguistik, Informatik und AI, das sich mit den Interaktionen zwischen Computern und menschlicher Sprache befasst, insbesondere mit der Programmierung von Computern zur Verarbeitung und Analyse grosser Mengen natürlich sprachlicher Daten. Wir befassen uns mit Textverarbeitung, Semantikanalyse, Stimmungsanalyse, Dokumentenklassifikation und Chatbots sowie mit den neuesten Deep Learning Methoden für NLP. (9 ECTS)

Computer Vision & AI
In diesem Modul geht es darum, wie Computer aus digitalen Bildern oder Videos ein Verständnis auf hohem Niveau gewinnen können. Dazu gehören Bildverarbeitung, Farbwahrnehmung, Verbesserung und Filterung, Merkmalserkennung, Bildsegmentierung, Objekterkennung und Klassifizierung. Wir behandeln auch Convolutional Neural Networks und die neuesten Methoden des Deep Learnings für Computer Vision. (9 ECTS)

Schliessen

Product Development
Lernprojekt, bei dem eine gegebene oder offene Frage in einem heterogenen/interdisziplinären und kreativen Team bearbeitet wird. Nachvollziehbarkeit und Planung sind wesentliche Aspekte. Fehlende technische Grundlagen müssen ggf. im Selbststudium erworben werden. Die Teams werden von einem Lehrer betreut. Es ist eine spannende Gelegenheit für die Studierenden, eine Anwendung im Bereich der künstlichen Intelligenz und des maschinellen Lernens zu konzipieren und umzusetzen. (12 ECTS)

AI Challenge / Competition
Die Studenten nehmen an nationalen und internationalen AI Challenges teil und treten gegen andere Universitäten oder Organisationen an. Dabei geht es oft um ein beträchtliches Preisgeld. Die Studenten werden dabei unterstützt, ehrgeizig zu sein und diese Projekte zu gewinnen. Die Herausforderungen sind z.B. Wettbewerbe von Kaggle oder RoboCup oder einschlägige Hackathons. (12 ECTS)

Bachelor Thesis Project
Individuelle Bachelorarbeit im Kontext von AI und Machine Learning. Die Projekte werden von Wirtschaftspartnern oder Forschungsgruppen/Dozenten vergeben. Die praktische Umsetzung der Technologie und eine gute Kommunikation der Ergebnisse haben oberste Priorität. Die Bachelorarbeit wird immer als Einzelarbeit durchgeführt. (12 ECTS)

Schliessen