(Daisy BA studiengang)
Diese Vorlesung gibt eine Einführung in die praktische Informatik mit einer Übersicht in grundlegende Technologien und Methoden der Informatik mit Schwerpunkt Data Science. Dabei steht eine Übersicht ausgewählter Grundlagen im Fokus, die für den Bereich Data Science wichtig sind. Hierzu gehören grundlegende Begriffe der praktischen Informatik, Rechnerarchitektur, Programmierparadigmen, Software Engineering, Modellierung und Prozesse, Grundbegriffe des Data Science, der Workflow bei der Datenanalyse und Datenvisualisierung (Data Science Stack), Data Science Werkzeuge, Entwicklungsumgebungen und Bibliotheken und ihre Nutzung, Durchführung, Präsentation und Kommunikation von Data Science Projekten.
(Daisy BA studiengang)
In dieser Vorlesung werden weiterführende mathematische Konzepte für den Bereich Data Science und AI betrachtet. Der Schwerpunkt liegt hierbei insbesondere in der Stochastik (Wahrscheinlichkeitstheorie und Statistik) und der Optimierung. Die vorgestellten theoretischen Konzepte werden durch Beispiele aus relevanten Problemstellungen untermauert und in den Übungen und Praktika verfestigt.
(Daisy BA studiengang)
Ein Thema dieser Lehrveranstaltung ist die Erfassung und Digitalisierung von Information als Grundlage für eine nachgeschalteten Datenverarbeitung. Ausgehend von einer Einführung in die Informationstheorie werden Methoden der A/D und D/A-Wandlung und Kodierung behandelt. Darüber hinaus vermittelt die Vorlesung den Aufbau von Datenbanksystemen als effektiver Speicher von Information und die Struktur von relationalen, prozeduralen, objektorientierten und semantischen Datenmodellen. Neben der Behandlung von Datenspeicherung, Hierarchisierung und Indexierung werden Datenbankabfragen mittels SQL aufgezeigt und eingeübt. Achtung: Dieser Kurs wird in Zusammenarbeit mit Herrn Prof. Rakow angeboten, der eine Einführung in Datenbanksysteme in seiner Vorlesung und entsprechenden Praktika gibt. Bitte beachten Sie daher auch die Information unter Moodle-Kurs DBS1.
(wahlFach MA/ WahlPFlichtfach SET STUDIENGANG)
Optimierungs- und Simulationsaufgaben gehen i.d.R. ineinander über oder überlappen und verlangen dabei ingenieurwissenschaftliches Fachwissen aus diversen Disziplinen. Um die multidisziplinären Inhalte zu vermitteln wird die Lehrveranstaltung durch Team-Teaching von zwei Professoren unter Einbindung anderen Experten durchgeführt. Der theoretische und praktische Teil wird während des Semesters variieren, so dass sich eine Schwerpunktverschiebung der Lehrveranstaltungsformen ergeben kann.
(Wahlfach BA)
Diese Vorlesung vermittelt die Grundlagen und darauf aufbauend praxisrelevante Verfahren des maschinellen Lernens. Neben der theoretischen Betrachtung werden in anwendungsorientierten Beispielen, wie der Bilderkennung oder das Erlernen von Spielstrategien, die erlernten Methoden angewendet und damit die Kompetenz erlangt diese zu erklären, einzuordnen, und auf andere Anwendungsszenarien zu übertragen.
Im Einzelnen werden folgende Themen behandelt:
- Stochastische Entscheidungs-/Lerntheorie: Bayes’sche Entscheidungstheorie
- Klassifikation und Regression
- Maximum-Likelihood-Schätzung
- Bayes‘sche Parameterschätzung: LDA, PCA
- Nicht-parametrische Verfahren: k-Nearest-Neighbour, Parzen Windows, Decision Trees, Ensemble Methods
- Kernel-basierte Verfahren: Support Vector Machines, Kernel-PCA, Kernel-FDA
- Neuronale Netze: Deep NN, Convolutional NN, Recurrent NN, Autoencoders, GANs
- Boltzmann-Learning, Restricted Boltzmann Machines
- Reinforcement Learning: (Deep) Q-Learning
(Wahlfach BA)
In diesem Wahlfach werden konvexe Optimierungsaufgaben, wie zum Bespiel die Regression von Datensätzen zur empirischen Analyse von Ursache-Wirkungs-Prinzipien oder lineare Programme unter Randbedingungen, behandelt.
- Die Vorlesung vermittelt die wesentlichen Resultate der konvexen Optimierungstheorie und gibt einen Überblick über die wichtigsten Optimierungsalgorithmen mit und ohne Randbedingungen.
- Der Schwerpunkt liegt dabei auf Ableitungs-basierte Verfahren zur Lösung konvexer Minimierungsaufgaben, insbesondere sogenannter linearen Programme.
- Die sachgerechte Formulierung von Optimierungsaufgaben im praktischen Kontext werden behandelt, ebenso die Problematik der Anwendung von Optimierungswerkzeugen und Analyse der Ergebnisse.
- Die vorgestellten Verfahren werden unter MATLAB® (alternativ Scilab oder Octave) umgesetzt und anhand von praktischen Beispielen getestet.
