Seminar „Künstliche Intelligenz“

In diesem Seminar wird das Gebiet Künstliche Intelligenz behandelt, insbesondere maschinelles Lernen und Deep Learning.

Das maschinelle Lernen als wichtiges Teilgebiet der Künstlichen Intelligenz (KI oder englisch: AI) beschäftigt sich allgemein mit der Analyse von Daten und der Erkennung von Mustern und Regeln darin, das Deep Learning ist ein spezieller Ansatz des maschinellen Lernens zur Optimierung mehrschichtiger künstlicher neuronaler Netze. Es waren Deep Learning Programme, die kürzlich öffentliches Aufsehen erregten:

  • Im Februar 2015 veröffentlichte eine Forschergruppe von Google DeepMind in einem Artikel (https://storage.googleapis.com/deepmind-media/dqn/DQNNaturePaper.pdf) in der angesehenen Fachzeitschrift Nature, dass das Programm Deep Q-Network sich völlig selbständig die Spielregeln von 49 Atari-Spielen der 1980er Jahre angeeignet und es so zu überdurchschnittlichen Leistungen gebracht hatte.
  • Im März 2016 schlug das Programm AlphaGo im Brettspiel Go spektakulär den weltbesten Spieler Lee Sedol.

Diese jüngsten Erfolge der Künstlichen Intelligenz sind neben den neuen Deep-Learning Algorithmen und dem Reinforcement Learning vor Allem durch die enorm gestiegene Verarbeitungsgeschwindigkeit und Speicherkapazität der Hardware begründet.

Die angebotenen Themen erstrecken sich von der Darstellung der mathematischen Grundlagen über Grundbegriffe und wichtige Ansätze des maschinellen Lernens bis hin zur Theorie und Programmierung von Deep Learning Systemen. Je nach Neigung und Interesse können die Vorträge eher theoretisch oder programmiertechnisch ausgerichtet werden.

Anrechenbarkeit des Seminars im Curriculum

Die Veranstaltung wird gleichzeitig als Seminar Wirtschaftsinformatik und als Wahlpflicht- oder Zusatzfach Sondergebiete der Informatik angeboten. Zur Anerkennung als Seminar muss neben dem Vortrag eine Hausarbeit geleistet werden, zur Anerkennung als Wahlpflicht- oder Zusatzfach reicht ein Vortrag. Die Veranstaltung wird je nach Nachfrage über mehrere Termine, gleichmäßig über die zweite Semesterhälfte verteilt, stattfinden. Beim ersten Termin werden die Themen besprochen und vergeben. An den anderen Terminen halten die Teilnehmerinnen und Teilnehmer ihre Vorträge. Hierbei besteht Anwesenheitspflicht. Die Hausarbeit muss zum Ende des Semesters zu dem unten im Zeitplan angegebenen Termin abgegeben werden.


Inhaltsverzeichnis


Themenvorschläge

1 Die Mathematik des maschinellen Lernens

1.1 Lineare Algebra
  • Tensoren (Skalare, Vektoren, Matrizen)
  • Hyperebenen
  • Lösen von Gleichungssystemen
1.2 Statistik
  • Wahrscheinlichkeit
  • Bedingte Wahrscheinlichkeit
  • Der Satz von Bayes
  • Verteilungsfunktionen
  • Likelihood
  • Kullback-Leibler Entropie
1.3 Optimierungsalgorithmen
  • Gradientenverfahren (Gradient Descent)
  • Stochastisches Gradientenverfahren
  • Newtonverfahren

2 Maschinelles Lernen

  • Analyse und Prognose
    • Lineare Regression
    • Logistische Regression
    • Entscheidungsbäume
    • Klassifizierung
  • Clustering
  • Architekturen und Algorithmen
    • Support Vector Machines
    • Restricted Boltzmann Machines
    • Autoencoders

2.1 Arten des maschinellen Lernen

  • Batch- und Online-Lernen
  • Instanzbasiertes und modellbasiertes Lernen
  • Modelle
    • Lineare Modelle (Regression, …?)
    • Polynomielle Regression
    • Data matters more than algorithms? (goo.gl/q6LaZ8)
  • Underfitting und Overfitting
  • Modellbewertung und Wahrheitsmatrix (Confusion matrix)
  • Hyperparameter
    • Lernrate
    • Regulierung
      • Dropout, L1 penalty, L2 penalty
  • Überwachtes Lernen
  • Unüberwachtes Lernen
  • Bestärkendes Lernen

2.2 Neuronale Netze

  • Perzeptron
    • Funktionsweise
    • Aktivierungsfunktionen
  • Mehrschichtige Feedforward Netze
  • Backpropagation
  • Netzwerk-Layout
    • sichtbare und verborgene Schichten
  • Convolutional Neural Networks
  • Recurrent Neural Networks

3 Deep Learning

  • Grundlagen
  • Deep Reinforcement Learning
  • Deep Q Network
  • Arbeiten mit TensorFlow
  • Anwendungsgebiete für Deep Learning
    • Modellierung von Bild- oder Tondaten
    • Modellierung von Zeitreihen

4 Grenzen und Gefahren der Künstlichen Intelligenz

4.1 Transparenz von Algorithmen
4.2 Maschinenethik
4.2 Die Singularität

5 Anwendungen und Fallbeispiele

  • Robotergestützte Prozessautomatisierung (RPA)
  • Programmierprojekte oder Datenanalysen

Literatur

  • Géron, A.: Hands-On Machine Learning with Scikit-Learn and TensorFlow. O’Reilly, Beijing Boston 2017
  • Patterson, J., & Gibson, A.: Deep Learning. O’Reilly, Beijing Boston 2017
  • Wiley, J. F.: R Deep Learning Essentials. PACKT Publishing, Birmingham 2016

Teilnahmevoraussetzungen

Kenntnisse der Informatikfächer der ersten drei Semester

Zielgruppe

Studierende der Wirtschaftsinformatik und des Wirtschaftsingenieurwesens ab dem 4. Semester

Anmeldung

Bitte melden Sie sich zur Planung der Veranstaltung über das Vorlesungsplan-Informationssystem (VPIS) an. Zur endgültigen Teilnahme müssen Sie noch das Anmeldeformular unterschrieben bei dem durchführenden Dozenten einreichen.

Bewertung

Die Note ermittelt sich für das Seminar Wirtschaftsinformatik zu 40% aus dem Vortrag und zu 60% aus der Hausarbeit, für das Wahlpflicht- oder Zusatzfach Sondergebiete der Informatik aus dem Vortrag. Bewertet wird dabei die Plausibilität der Darstellung des Themas und die Wissenschaftlichkeit, also die Art der Begründung einer These durch belegende Zitate oder durch eigene Argumente. (Haben Sie bei Erstellung Ihrer Arbeit immer den skeptischen „Advocatus Diaboli“ vor Ihrem geistigen Auge, der jede Ihrer Aussagen skeptisch anzweifelt und den Sie überzeugen müssen.) Vermeiden Sie unbedingt Plagiate, verweisen Sie also für alle wörtlichen oder sinngemäßen Zitate, Grafiken, Daten oder sonstigen Leistungen Dritter auf die Quellen, bevorzugt wissenschaftlich valide Referenzen wie Fachartikel, Fach- oder Lehrbücher, DOI-Dokumente oder Links von wissenschaftlichen Institutionen (hier hilft z.B. Google Scholar). Beachten Sie zur Recherche die Hinweise unserer FH-Bibliothek oder des studi-lektors.

Zeitplan

Die Veranstaltung findet abhängig von der Uhrzeit in folgenden Räumen statt:

ZeitraumRaum
8:00 - 9:30 UhrH117
9:45 - 13:45 UhrH114
14:00 - 15:30 UhrH118

Die Vorträge:

Datum Uhrzeit Thema Vortragende(r)
27.05.201908:30Maschinelles LernenFeiertag
27.05.201909:15Logische Grenzen der MaschinenethikKwiatkowski
27.05.201910:00KI in RPA – Anwendungsfälle & GeschäftsprozesseMeier
27.05.201910:45HoloLensSchulz
27.05.201911:30HoloLens (Anwendung bei Bilstein?)Koll
27.05.201913:00HoloLens / mobile Apps (?)Kielgast / Uhlmann
27.05.201913:45SAP SuccessfactorsTürk
27.05.201914:30Odata / SAPAbidinoglu
27.05.201915:15Programmierprojekt genetische AlgorithmenÖner
03.06.201908:30Einführung in Neuronale NetzeFouateu / Massoh Takem
03.06.201909:15Neuronale NetzeWolf
03.06.201910:00Programmierprojekt HandschriftenerkennungWiese
03.06.201910:45Künstliche Intelligenz und Robotik in der Medizin und im GesundheitswesenPelka
03.06.201911:30Grenzen KIBilir
03.06.201913:00HoloLens - Ein Blick in die ZukunftWrona