Themen der Lehrveranstaltung
Foundations of Artificial Intelligence führt die Studierenden in die Entwicklung intelligenter Computeragenten ein und untersucht die Entstehung der Künstlichen Intelligenz als integrierte Wissenschaft. Im Mittelpunkt des Kurses steht das Konzept eines intelligenten Agenten, der in einer Umgebung agiert. Dabei wird mit einfachen Agenten in statischen Umgebungen begonnen und die Komplexität schrittweise erhöht, um anspruchsvollere Szenarien zu bewältigen. Während des gesamten Kurses untersuchen die Studierenden die vielschichtige Natur des Aufbaus intelligenter Systeme und decken schrittweise und modular auf, was diese Aufgabe komplex macht. Die wichtigsten Ideen werden anhand konkreter Beispiele wie einem Lieferroboter und einem Diagnoseassistenten veranschaulicht, wobei wissenschaftliche Prinzipien mit technischen Anwendungen kombiniert werden. Letztlich sollen die Studierenden einen hierarchisch aufgebauten Agenten konzipieren, der in der Lage ist, in einer stochastischen, teilweise beobachtbaren Umgebung intelligent zu handeln - einen Agenten, der über Individuen und ihre Beziehungen nachdenkt, komplexe Präferenzen hat, aus seinen Handlungen lernt, die Anwesenheit anderer Agenten berücksichtigt und effektiv innerhalb rechnerischer Beschränkungen arbeitet. Maschinelles Lernen in der Praxis konzentriert sich auf grundlegende Techniken des maschinellen Lernens und kombiniert theoretischen Unterricht mit praktischer Anwendung. Der Kurs deckt grundlegende überwachte und unüberwachte Lernmethoden ab, wobei die Vorlesungen dem konzeptionellen Verständnis gewidmet sind und die Übungen auf die praktische Umsetzung anhand realer Datensätze abzielen. Die Studierenden lernen zunächst, Daten zu repräsentieren und verschiedene Merkmalstypen zu verwalten, um dann durch überwachtes Lernen Vorhersagemodelle zu erstellen und durch unüberwachtes Lernen Datengruppierungen zu entdecken. Der Schwerpunkt liegt auf der Bewertung der Modellqualität und der Bewältigung von Herausforderungen im Zusammenhang mit der Generalisierung. Ein wesentlicher Teil des Kurses umfasst die Implementierung von Algorithmen mit Python-Bibliotheken wie Scikit-learn und SciPy, die es den Studierenden ermöglichen, eine Vielzahl von Aufgaben des maschinellen Lernens in verschiedenen Anwendungsbereichen zu bewältigen.

Unterrichtsform
Dies ist ein projekt- und laborbezogenes Modul. Es besteht aus Frontalvorlesungen, Übungen im Labor, Fallstudienanalyse und der Entwicklung eines Projekts.

Bildungsziele
Wissen und Verstehen - D1.13 Kenntnis der Grundsätze der künstlichen Intelligenz sowie der Möglichkeiten und Grenzen intelligenter Systeme in verschiedenen Anwendungsbereichen. Anwendung von Wissen und Verständnis - D2.15 In der Lage sein, Programmiertechniken der künstlichen Intelligenz anzuwenden, um Probleme der Informatik zu lösen. Fähigkeit, Urteile zu fällen - D3.1 In der Lage sein, nützliche Daten zu sammeln und zu interpretieren sowie Informationssysteme und deren Anwendbarkeit zu beurteilen. - D3.2 In der Lage sein, entsprechend dem eigenen Wissensstand und Verständnis selbständig zu arbeiten. Kommunikative Fähigkeiten - D4.1 Fähigkeit, eine der drei Sprachen Englisch, Italienisch und Deutsch zu verwenden und Fachausdrücke und Kommunikationsmittel angemessen zu nutzen. Lernfähigkeiten - D5.1 Lernfähigkeiten entwickelt haben, um weitere Studien mit einem hohen Maß an Selbstständigkeit zu verfolgen. - D5.3 In der Lage sein, der raschen technologischen Entwicklung zu folgen und modernste IT-Technologien und innovative Aspekte von Informationssystemen der letzten Generation zu erlernen.

Bildungsziele und erwartete Lernergebnisse (zus. Informationen)
NA

Art der Prüfung
Abschlussprüfung: Die Prüfung umfasst Inhalte aus den beiden Teilen Grundlagen der Künstlichen Intelligenz und Maschinelles Lernen in der Praxis, die jeweils zu 50% in die Endnote einfließen. Der Teil "Grundlagen der Künstlichen Intelligenz" besteht aus einer schriftlichen Prüfung, die Überprüfungsfragen, Wissenstransferaufgaben und Problemlösungsübungen enthält. Sie bewertet die Fähigkeit der Studierenden, Konzepte anzuwenden und ein solides Verständnis der grundlegenden Prinzipien intelligenter Systeme zu demonstrieren. Der Teil Maschinelles Lernen in der Praxis besteht aus einer schriftlichen Prüfung, die 40 % der Modulnote ausmacht, mit Verifikations- und Problemlösungsfragen, und einer Reihe von Aufgaben, die 60 % ausmachen und die Implementierung von Algorithmen des maschinellen Lernens auf realen Datensätzen, die Durchführung von Experimenten und die Präsentation der Ergebnisse beinhalten.

Bewertungskriterien
Die Prüfung wird anhand der Korrektheit und Klarheit der Antworten, der Fähigkeit, Inhalte zusammenzufassen und kritisch zu bewerten, der Fähigkeit, Zusammenhänge zwischen Themen herzustellen, der Qualität der Argumentation und der Problemlösungsfähigkeiten bewertet. Um die Prüfung zu bestehen, müssen die Studierenden in jedem Modul mindestens 18 von 30 möglichen Punkten erreichen. Jedes Modul trägt zu gleichen Teilen zur Endnote bei, wobei 50 % auf Foundations of Artificial Intelligence und die restlichen 50 % auf Machine Learning in Practice entfallen. Eine positive Bewertung in einem Modul bleibt für alle drei regulären Prüfungssitzungen innerhalb des akademischen Jahres gültig.

Pflichtliteratur

• David L. Poole und Alan K. Mackworth. Artificial Intelligence. Cambridge University Press, Cambridge, 3. überarbeitete Auflage, Juli 2023. ISBN 978-1-009-25819-7. 
• Pang-Ning Tan, Michael Steinbach, und Vipin Kumar. Introduction to Data Mining. Pearson, NY NY, 2. Auflage, Januar 2018. ISBN 978-0-13-312890-1. 

Weiterführende Literatur

• Stuart Russell und Peter Norvig. Artificial Intelligence: A Modern Approach. Pearson, Hoboken, 4. Auflage, April 2020. ISBN 978-0-13-461099-3. 
• Aurélien Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media, Beijing China ; Sebastopol, CA, 2. Auflage, Oktober 2019. ISBN 978-1-4920-3264-9. 

Weitere Informationen
- Python (https://www.python.org) - Scikit-learn (https://scikit-learn.org/stable/) - SciPy (https://scipy.org)