Angewandte Informatik: KI u. Data Science (SoSe)


Daten der Fortbildung:

Kursbezeichnung Angewandte Informatik - Künstliche Intelligenz und Data Science
Überblick Seit ein paar Jahren sind die Begriff „Digitalisierung“ und „Künstliche Intelligenz“ nicht nur mehr in aller Munde, sondern sie sind in der Lebenswelt und somit im Alltag angekommen. Insofern wird im Rahmen des Kursangebotes zur Angewandten Informatik das Akronym „KI“ sehr ernst genommen, steht es doch zum einen als Abkürzung für „Künstlichen Intelligenz“, „Konstruierten Intelligenz“ und zum anderen als Ausblick auf die „Künftige Informatik“.

Daher spielt die Künstliche Intelligenz im Allgemeinen und dort die Disziplin Data Science im Speziellen eine große Rolle, wenn es gilt, die Lebenswelt digital und kognitiv auszugestalten.

Im Verlauf des Kurses werden die beiden Disziplinen, deren Konzepte und Technologien vorgestellt und im Rahmen eines kursbegleitenden Projektes praktisch erlernt.

Der Schlüssel für den Lernprozess ist erfahrungs- und erlebnisorientiertes Lernen. Die Absicht ist, viel särker praktisch in die Breite zu gehen als theoretisch in die Tiefe vorzudringen. Um diesen Anspruch zu erfüllen, werden neue didaktische Formate „gefahren“. So erarbeiten die Studenten in einem kursbegleitenden Mikroprojekte aus dem Anwendungsfeld der Künstlichen Intelligenz und Data Science einzelne programmiertechnische Lösungen, gewinnen dadurch zur Theorie praktische Erfahrungen, was insgesamt die Künstliche Intelligent und Data Science greifbar und „begreifbar“ werden lässt.
Zielgruppe/Voraussetzungen  
  • Geeignet für Berufstätige, Wiedereinsteiger*innen und Studieninteressierte
  • Hochschulreife empfehlenswert
 
Lernziele

 

 In den 15 Modulen wird Wissen als Fähigkeit vermittelt, um dieses Wissen zur Lösung praktischer Probleme anzuwenden. Als Lernziel wird eine hohe Realisierungskompetenz in den folgenden Themenschwerpunkte angestrebt:

Künstliche Intelligenz und Data Science im Kontext der Digitalisierung

Künstliche Intelligenz mit Java und Python
  • Aussagen-, Prädikatenlogik und deren Grenzen
  • Such- und Spiellösungen mit KI
  • Schließen mit Unsicherheit
  • Cognitive Computing (Produktionsregeln, Evolutionäre Algorithmen, Fuzzy Logic, Neuronale Netze, Maschinelle Lernverfahren)
  • Data-, Text- und Knowledge Mining
  • Entwurfsprinzipen und Musterlösungen für KI-Anwendungen
  • Bibliotheken für Java und Python
  • Data Science mit Java und Python
  • k-Means-Clustering
  • Hauptkomponentenanalyse
  • Assoziationsanalyse
  • Netzwerkanalyse
  • Regressionsanalyse
  • K-nächste Nachbarn
  • Support-Vektor-Maschinen
  • Entscheidungsbäume
  • Random Forests
  • A/B-Test
  • Entwurfsprinzipen und Musterlösungen für Data Science-Anwendungen
Lerninhalte - Veranstaltungsart
  • Online- Lernmaterial (Vorlesungsaufzeichnungen mit zugehörigen interaktiv angelegten Übungs- und Testaufgaben)
  • Wöchentliches Tutorium
 
Workload  
  • Kontaktzeit: 30 h
  • Selbststudium/Gruppenarbeit: 60h
= 90h Gesamt-WL
Daten werden noch bekannt gegeben

zeitunabhängiges Lernen
Abschluss Hochschulzertifikat über 3 ECTS. Bei Folgestudium ist die Anerkennung der Credits grundsätzlich möglich.

Zu erbringende Leistung: ………………………..
Gruppengröße 8 bis 25 Teilnehmer*innen
Seminarkonzeption Prof. Dr. Matthias Haun
Ort ortsunabhängiges Lernen
Teilnahmegebühren Gebühren werden noch bekannt gegeben
Kontakt und Anmeldung birgit.mueller@hs-offenburg.de
Tel.: 0781 205-393
Anmeldeformular

Nach oben