Module Das erwartet Sie im Studium

Grundlagen der Informatik [3 Credits]
Schrittweise Einführung in die Denk- und Arbeitsweise der Informatik. Computerarchitekturen, Aufbau von Mikroprozessoren und Computern, Architektur und Funktionen von Betriebssystemen, Einfache Batch-Programme auf Konsole, Virtualisierung. Aufbau des Internet. Bedeutung von Regulären Ausdrücken, Codierung und Fehlertoleranz.

Datenbanken & Big Data [6 Credits]
Systematischer Einstieg in die Grundlagen von Datenbanksystemen und in die Anwendung von Machine Learning mit grossen Datenmengen. Theorie der Datenbanksysteme: Definition, Motivation und Intension, Modellierung, Entitäten- und Beziehungsmodell. Relationale Datenbanken: Relationales Modell, SQL, Analytik Optimierung, Transaktionen. NoSQL-Datenbanken: Graphdatenbanken, Dokumentdatenbanken. Big Data Analytics: Python mit Datenbankanbindung, Hadoop Stack, Apache Spark und MLib.

Algorithmen [3 Credits]
Behandlung von verschiedenen Algorithmen und Datenstrukturen. Lineare Datenstrukturen, Bäume, Graphen und dazugehörige Algorithmen. Spezifische Algorithmen für effiziente Suche und Sortierung, Text-Processing (z.B. Brute-Force, Boyer-Moore BM). Komplexitäts-Bestimmung von Algorithmen (Asymptotic Analysis, O-Notation).

Programmieren [6 Credits]
Vermittlung grundlegender Programmier- und Sprachkonzepte objektorientierter Programmiersprachen, Grundlagen der objektorientierten Programmierung. Grundlegende Sprachelemente der Programmiersprache Java. Fundamentale Designprinzipien des objektorientierten Entwurfs, professionelle Entwicklungsumgebungen. Geführte Programmieraufgaben und Tutorials zur selbständigen Erarbeitung von effektiv getesteten Lösungen.

Data Visualization [3 Credits] 
Ausgehend von verschiedenen Datentypen, Kennenlernen unterschiedlicher Visualisierungstechniken. Autonome Beurteilung von Designentscheidungen hinsichtlich der menschlichen Wahrnehmung und der Aussagekraft der Visualisierung. Selbstständige Entwicklung und Verbesserung interaktiver Visualisierungen.

Schliessen

Supervised & Unsupervised Learning [6 Credits]
Grundlegende Techniken und Vorgehensmodelle des maschinellen Lernens. Datenqualitätsanalyse, Regressions- und Klassifikationsmodelle, Evaluation und Hyperparameter-Optimierung, Debugging sowie Methoden des unüberwachten Lernens.

Reinforcement Learning [3 Credits]
Einführung in die Teilgebiete des Reinforcement Learning. Policy and Value Iteration Methods, Model free approaches, SARSA and Q-Learning, Explorations and Exploitation, Policy Gradient Methods, Actor-Critic Methods, Case Studies in Games and Airplane Flying, Frameworks.

Neural Networks & Deep Learning [3 Credits]
Einführung in neuronale Netzwerke und Deep Learning. Feed Forward Networks, Back Propagation and Training, Deep and Convolutional Networks, Metrics, Choosing Hyperparameters, Applications and Frameworks, Network Architectures, Recurrent Networks, Applications to Games and Computer Vision.

Wissensrepräsentation [3 Credits]
Einführung in die Formalismen zur Darstellung von Domänenwissen, deren Inferenzprozesse und Abfragesprachen. Aussagen- und Prädikatenlogik, regelbasierte Systeme, Taxonomien, semantische Netze (RDF und RDF Schema), Ontologien; Schlussfolgern unter Unsicherheit mit (versteckten) Markov-Ketten und Bayes’schen Netzen.

Schliessen

Analysis [6 Credits]
Einführung in die Teilgebiete der Analysis. Grundlagen der Differential- und Integralrechnung, Ableitungs- und Integrationsregeln (Produkt-, Quotienten- und Kettenregel, Integration durch Substitution und partielle Integration), Anwendungen auf Graphen von Funktionen und in Optimierungsproblemen, Einführung in die mehrdimensionale Differentialrechnung. Mit einer geeigneten Programmiersprache werden Anwendungen aus der Numerik wie Newtonverfahren, numerische Integration und Differentiation implementiert.

Diskrete Mathematik [6 Credits]
Einführung in die Teilgebiete der diskrete Mathematik. Logik und Beweise, Mengen, Funktionen, Zahlen und Matrizen, math. Begründen, Induktion und Rekursion, Grundlagen des Zählens, diskrete Wahrscheinlichkeitsrechnung, Zählen für Fortgeschrittene, Grundlagen der Zahlen- und Graphentheorie.

Statistik & Wahrscheinlichkeit [3 Credits]
Erarbeitung mathematischer Grundlagen für statistische und stochastische Problemstellungen und Förderung des analytischen Denkens. Deskriptive Statistik, Grundlagen der Wahrscheinlichkeitsrechnung und der Statistik, Verständnis von Kenngrössen und Verteilungen, Analyse von Stichproben, Auseinandersetzung mit Schätz- und Testproblemen, Aufsetzen eines geeigneten Versuchsplans, Analysieren und Interpretieren von Zeitreihendaten.

Lineare Algebra [3 Credits]
Die folgenden Themen werden auf praktische Probleme aus der Computerwissenschaft angewandt und mit einer geeigneten Programmiersprache implementiert. Lineare Gleichungssysteme (Gaussalgorithmus, iterative Verfahren), Matrixalgebra, Vektorräume, lineare Abbildungen und ihre Eigenschaften sowie deren Anwendungen (z.B. in der Computergraphik), Eigenwertprobleme sowie Singulärwertzerlegung. 

Schliessen

Machine Learning, Perzeption und Wissen [6 Credits]
Eine wichtige Voraussetzung für das Machine Learning ist die Strukturierung von Daten und Wissen. Grundlegende Kenntnisse der Wissensstrukturierung sind unabdingbar für das Verständnis von Modellbildung und von datenbasierter Automatisierung. Die Studierenden werden in die allgemeinen philosophischen und psychologischen Grundlagen der Wahrnehmung, der Wissensstrukturierung und des Lernens eingeführt.  Ausgangspunkt des Moduls sind die aktuellen Erkenntnisse der Neuro- und Gehirnphysiologie. Diese Erkenntnisse werden ergänzt durch wahrnehmungspsychologische Inhalte und wahrnehmungs- und erkenntnistheoretische Positionen aus der Philosophie, die insbesondere auch das Verhältnis von Erkennen und Wissen klären. Abgerundet wird das Modul durch psychologische und philosophische Überlegungen zum Verhältnis und zur Interaktion von Menschen und Maschinen.

Philosophie, Kunst und Künstliche Intelligenz [6 Credits]
Kritische Auseinandersetzung mit den aktuellen gesellschaftlich-technologischen Entwicklungen der künstlichen Intelligenz, insbesondere mit intelligenten Systemen und den Prozessen des maschinellen Lernens. Grenzen und Ausweitung menschlicher Möglichkeiten durch den Einsatz künstlicher Intelligenz, ausloten des utopischen Potenzials der KI-Technologien. Die Studierenden werden für ethische und rechtliche Fragestellungen sensibilisiert und befassen sich mit den Grenzen des technisch Machbaren und des ethisch Vertretbaren. Dabei tragen sie mit eigenen Erfahrungen und Beobachtungen zum Inhalt des Moduls bei und reflektieren eigenes Verhalten und Erfahrungen im Umgang mit digitalen KI-Tools und tragen so zum gemeinsamen Austausch in der Diskussion bei. Grundlage für das kritische Hinterfragen von aktuellen und zukünftigen Entwicklungen sind neben den eigenen Erfahrungen die Auseinandersetzung mit Positionen und Denkrichtungen aus dem Bereich der Philosophie, Politik, Kunst und Film.

Ethik & KI [3 Credits]
Vertiefung der Chancen und Risiken der KI aus ethischer Perspektive. Ethische Problemstellungen im Kontext von Entscheidungsprozessen von autonomen Systemen, Verhältnis von Menschenwürde und Maschinenwürde, Eigenwerte von Robotern. Bedeutung des digitalen Wandels für einen ethischen Humanismus. Anwendung ethischer Theorien auf praktische Fragen der Studierenden und auf die Arbeitswelt der Studierenden sowie deren zukünftigen Berufsfelder. Anleitungen zur Reflexion von beruflichen und persönlichen Einstellungen und Werthaltungen der Studierenden. 

Schliessen

Robotik [9 Credits]
Hard- und Softwarekomponenten von Robotern, Sensor- und Aktorsysteme und deren aufgabengerechter Einsatz in verschiedenen praxisnahen Situationen in der realen Umwelt.  Mögliche Probleme bei der Interaktion von Menschen und Robotern und der Umgang mit komplexen sozio-technischen Plattformen. Methoden der Kinematik, der Dynamik und der Sensorik, Steuerung und Verfahren zur Bahnplanung und Kollisionsvermeidung. Ansätze zu intelligenten autonomen Robotersystemen und -architekturen. Modellbildung von Robotern und der Umwelt. Identifikation, Realisierung und Testen geeigneter Lernverfahren, sowie die Gestaltung intuitiver Benutzerschnittstellen. Praktische Übungen, z.B. mit der humanoiden Roboterplattform Pepper. 

Natural Language Processing [9 Credits]
Grundlegende Kenntnisse im Umgang mit natürlicher Sprache: Datenextraktion, Datenvorverarbeitung, Identifikation von Entitäten und Konzepten, Extraktion der zugrundeliegenden Semantik, Bestimmung der Ähnlichkeit zwischen Textartefakten, sowie Matching von Fragen und Antworten. Durch Einsatz einer digitalen Lernumgebung und zahlreicher praxisnaher Beispiele wird die vermittelte Materie verinnerlicht. Das erlangte Wissen dient als Basis für die Konzeptionierung und Implementierung eines kleinen Prototyps unter Supervision der Dozierenden.

Computer Vision & AI [9 Credits]
Grundlegende Methoden der Bildverarbeitung, Farbwahrnehmung und Farbsysteme, Bildverbesserung, Lineare Filter, Feature Detektion und Beschreibung, Segmentation, Objekterkennung, 3D Rekonstruktion, Tracking, Mathematische Methoden der Bildverarbeitung. Aktuelle Themen im Bereich der Bildverarbeitung. Übungen mit jupyter notebooks in Python unter Verwendung von OpenCV.

Industrielle Optimierung [6 Credits]
Mathematische Methoden der stetigen, diskreten und kombinatorischen Optimierung unter Nebenbedingungen. Lineare Programmierung (Simplex Algorithmus), nicht-lineare Optimierung (Lagrange Multiplikatoren), primale und duale Darstellung, Constraint Programmierung, ganzzahlige Optimierung mit heuristischen Methoden und Branch-and-Bound.

Schliessen

Spieltheorie [3 Credits]
Einführung in die Spieltheorie als Modell rationaler Agenten und AI-basierten Geschäftsmodellen. Simultane und sequenzielle Spiele mit vollständiger Information, Spiele mit unvollständiger und asymmetrischer Information, Koalitionen, Auktionssysteme, Verhandlungen, Ultimaten, Incentivierung und Bestrafung.

Entrepreneurship [3 Credits]
Einführung in die wichtigsten Aspekte des Gründungsmanagements und Entrepreneurship. Erkennen von Geschäftsmöglichkeiten und entwickeln von Geschäftsideen, Wettbewerbsanalyse, Entwicklung von Geschäftsmodellen, Aufbau und Inhalt von Businessplänen, Präsentationstechnik für Startup-Projekte, Erarbeitung des „Elevator Pitch", Gründungsteamzusammensetzung, Gründungsfinanzierung, Schutz des geistigen Eigentums. Das erlernte Wissen wird auf Fallbeispiele (Case Studies) übertragen und dadurch weiter vertieft.

Projektmanagement, Organisation und Präsentation [3 Credits]
Grundlagen des klassischen, agilen und hybriden Projektmanagements anhand von Theorie, Übungen und einer Fallstudie in den Bereichen Projekt-Setup, -Planung, Controlling sowie Projektführung, Reporting und Business Case. Grundlagen der verbalen und visuellen Kommunikation, Regeln für inhaltliche Gestaltung, Layout von visuellen Mitteln, Regeln der Rhetorik, Übung mit Video-Aufnahmen, konstruktive Kritik, Verbesserung, Praktische Übung zur Präsentationstechnik.

Schliessen

Schliessen