Künstliche Intelligenz (B. Sc.)

Das Einführungsprojekt bietet einen praxisnahen Einstieg in die Künstliche Intelligenz und das wissenschaftliche Arbeiten. Die Studierenden recherchieren und präsentieren KI-bezogene Themen, erwerben Grundlagen der Fachrecherche und lernen den Umgang mit Bibliotheksressourcen kennen. In Teamarbeit bauen und trainieren sie ein einfaches KI-Modell, führen dieses aus und visualisieren die Ergebnisse. Ergänzend werden Lernstrategien und Zeitmanagement vermittelt.

Das Modul vermittelt die Grundlagen der Programmierung mit Python. Behandelt werden Datentypen, Kontrollstrukturen, Funktionen, Module, Datenstrukturen sowie grundlegende Methoden der Softwareentwicklung und testgetriebenen Entwicklung. Im Praktikum wenden die Studierenden ihr Wissen anhand praxisnaher Aufgaben an und entwickeln unter anderem einen Autopiloten für eine simulierte Drohne mit Routenplanung, Steuerung und Datenvisualisierung.

Das Modul vermittelt grundlegende Konzepte der Informatik und Rechnerarchitektur. Behandelt werden Algorithmen, Berechenbarkeit, Entscheidbarkeit und Komplexitätstheorie sowie die Darstellung von Informationen in Computersystemen. Darüber hinaus lernen die Studierenden den Aufbau digitaler Schaltungen und moderner Rechnerarchitekturen kennen – von der Von-Neumann-Architektur bis zu Mehrkernsystemen, Caching, Pipelining und Grafikprozessoren.

Das Modul vermittelt mathematische Grundlagen für Informatik und Künstliche Intelligenz. Inhalte sind Aussagenlogik, Prädikatenkalkül und Beweistechniken, Grenzwerte und Stetigkeit sowie Differential- und Integralrechnung. Darüber hinaus werden Taylorpolynome und Taylorreihen behandelt, die wichtige Werkzeuge für die Modellierung, Analyse und Approximation mathematischer Zusammenhänge darstellen.

Das Modul vermittelt Grundlagen der Wahrscheinlichkeitsrechnung und Statistik. Behandelt werden deskriptive Methoden zur Analyse und Visualisierung von Daten, Wahrscheinlichkeitsmodelle, Zufallsvariablen und Verteilungen sowie lineare Regression und Korrelationsanalysen. In den Übungen wenden die Studierenden die Methoden mit Python auf fachbezogene Datensätze an und vertiefen ihr Verständnis statistischer Zusammenhänge.

Das Modul vermittelt Grundlagen des wissenschaftlichen Arbeitens und Forschens. Die Studierenden lernen wissenschaftliche Methoden, den Aufbau und die Erstellung wissenschaftlicher Arbeiten sowie die Planung und Durchführung von Forschungsprojekten kennen. Darüber hinaus erwerben sie Kompetenzen in der Dokumentation, Präsentation und Kommunikation wissenschaftlicher Ergebnisse und bereiten sich auf eigenständige Forschungs- und Abschlussarbeiten vor.

Das Modul vermittelt die Grundlagen der objektorientierten Programmierung mit Java. Behandelt werden Klassen, Vererbung, Polymorphie, dynamische Datenstrukturen, Generics, Interfaces, Exceptions und parallele Programmierung. Darüber hinaus lernen die Studierenden grafische Benutzeroberflächen mit JavaFX zu entwickeln. Im Praktikum wird ein Media-Player umgesetzt, wobei moderne Softwareentwicklung, Testautomatisierung und JUnit zum Einsatz kommen.

Das Modul vermittelt weiterführende Grundlagen der Informatik mit den Schwerpunkten Betriebssysteme und Rechnernetze. Behandelt werden Prozesse und Threads, Speicherverwaltung, Dateisysteme sowie Ein-/Ausgabe und Gerätetreiber. Darüber hinaus lernen die Studierenden Kommunikationsnetze, Protokolle und Schichtenmodelle kennen – von Ethernet und WLAN bis zu TCP/IP-basierten Anwendungen und Internetdiensten.

Das Modul vermittelt weiterführende mathematische Grundlagen für Informatik und Künstliche Intelligenz. Inhalte sind lineare Algebra mit Vektorräumen, Matrizen, Eigenwerten und linearen Abbildungen sowie die mehrdimensionale Differential- und Integralrechnung. Die Studierenden lernen, mathematische Modelle in mehreren Dimensionen zu analysieren und Methoden für komplexe technische und datengetriebene Problemstellungen anzuwenden.

Das Modul vertieft statistische Methoden und probabilistische Modelle für datengetriebene Anwendungen. Behandelt werden Zufallsprozesse, Markov-Ketten, Schätzverfahren, Bayesianische Statistik, Monte-Carlo-Methoden sowie Konfidenzintervalle und Hypothesentests. Darüber hinaus erhalten die Studierenden einen Überblick über Regressionsmodelle und Varianzanalysen. Praktische Übungen festigen die Anwendung statistischer Verfahren auf reale Daten.

Das Modul vermittelt grundlegende Methoden des maschinellen Lernens. Behandelt werden überwachte, unüberwachte und verstärkende Lernverfahren, Modellbewertung, Datenaufbereitung sowie Verfahren zur Vermeidung von Over- und Underfitting. Die Studierenden lernen klassische Methoden wie k-Nearest Neighbor, Regression und Klassifikation ebenso kennen wie neuronale Netze, Trainingsverfahren und Methoden der Dimensionsreduktion für datengetriebene Anwendungen.

Das Modul vermittelt Grundlagen und Methoden der mathematischen Optimierung. Behandelt werden unterschiedliche Klassen von Optimierungsproblemen, deren Komplexität sowie die zugrunde liegenden mathematischen Konzepte. Die Studierenden lernen ausgewählte Optimierungsalgorithmen, geeignete Datenstrukturen und moderne Optimierungswerkzeuge kennen und setzen diese zur Lösung praxisrelevanter Problemstellungen um.

Das Modul vermittelt Methoden zur automatischen Verarbeitung natürlicher Sprache und gesprochener Sprache. Behandelt werden Sprach- und Textmodelle, Audioverarbeitung, statistische Verfahren sowie neuronale Netze für Sprachanwendungen. Die Studierenden lernen zentrale Anwendungsfelder wie Textanalyse, maschinelle Übersetzung, Sprachverstehen, Spracherkennung, Sprachsynthese sowie dialogorientierte Systeme und Chatbots kennen.

Das Modul vermittelt Grundlagen und Methoden deduktiver Systeme in der Künstlichen Intelligenz. Behandelt werden Logikprogrammierung mit Prolog, Wissensrepräsentation, Inferenzverfahren, Constraint-Satisfaction-Probleme sowie maschinelles Beweisen. Im Praktikum entwickeln die Studierenden lauffähige Programme zur Lösung logikbasierter Problemstellungen und vertiefen ihre Kenntnisse anhand praxisnaher Aufgaben und Anwendungsbeispiele.

Das Modul vermittelt ethische und rechtliche Grundlagen für den verantwortungsvollen Einsatz Künstlicher Intelligenz. Behandelt werden ethische Theorien, Mensch-Maschine-Interaktion, algorithmische Verzerrungen, Transparenz und Erklärbarkeit von KI-Systemen sowie gesellschaftliche Auswirkungen intelligenter Technologien. Ergänzend lernen die Studierenden rechtliche Rahmenbedingungen, Datenschutz, Urheberrecht und Haftungsfragen anhand praxisnaher KI-Anwendungen kennen.

Das Modul vertieft Methoden des maschinellen Lernens mit Schwerpunkt auf Deep Learning und unüberwachtem Lernen. Behandelt werden verschiedene neuronale Netzarchitekturen, Trainings- und Optimierungsverfahren, Regularisierung und Hyperparameteroptimierung. Darüber hinaus lernen die Studierenden Clustering-Verfahren, Autoencoder und Generative Adversarial Networks kennen und wenden moderne Methoden zur Analyse komplexer Daten an.

Das Modul vermittelt Methoden des Projektmanagements und Software Engineerings entlang des gesamten Softwareentwicklungsprozesses. Die Studierenden lernen klassische und agile Vorgehensweisen, Anforderungsanalyse, Softwarearchitektur, Implementierung und Testverfahren kennen. Praktische Übungen vertiefen Projektplanung, Risiko- und Stakeholdermanagement sowie die Anwendung von UML-Modellen und agilen Methoden wie Scrum.

Das Modul vermittelt Methoden des maschinellen Bildverstehens und der Computer Vision. Behandelt werden klassische Bildverarbeitungstechniken, Merkmalsextraktion, Bildanalyse und 3D-Rekonstruktion sowie moderne Deep-Learning-Verfahren. Die Studierenden lernen Verfahren zur Klassifikation, Objekterkennung, Segmentierung, Posenschätzung und Videoanalyse kennen und setzen aktuelle Frameworks wie PyTorch, TensorFlow und Keras ein.

Das Modul vermittelt Grundlagen moderner Big-Data-Technologien zur Speicherung, Verwaltung und Verarbeitung großer Datenmengen. Behandelt werden relationale und NoSQL-Datenbanksysteme, Data Warehouses, verteilte Datenhaltung sowie Skalierungs- und Parallelisierungskonzepte. Die Studierenden lernen Frameworks wie Hadoop kennen und erwerben Kompetenzen in Datenintegration, Data Governance und verteiltem Datenmanagement.

Das Seminar vertieft aktuelle Themen der Künstlichen Intelligenz durch selbstständige wissenschaftliche Bearbeitung. Die Studierenden recherchieren Fachliteratur, strukturieren komplexe Fragestellungen und bereiten ihre Ergebnisse in Form einer Präsentation und einer Seminararbeit auf. Durch die fachliche Diskussion im Plenum stärken sie ihre Kompetenzen in wissenschaftlicher Analyse, Argumentation und Kommunikation.

Das vorbereitende Praxisseminar unterstützt die Studierenden bei der Vorbereitung auf das Praxissemester. Im Mittelpunkt stehen die Reflexion persönlicher Erwartungen, Stärken und Entwicklungsfelder sowie der Umgang mit Unsicherheiten im beruflichen Umfeld. Durch Gruppenübungen, Rollenspiele und Feedbackmethoden trainieren die Studierenden Kommunikations- und Konfliktlösungskompetenzen und stärken ihre Teamfähigkeit sowie ihr professionelles Auftreten.

Das Praktikum ermöglicht die Anwendung und Vertiefung der im Studium erworbenen Kenntnisse im Bereich der Künstlichen Intelligenz. Die Studierenden arbeiten in einem Unternehmen im In- oder Ausland an praxisnahen Aufgaben und Projekten, übernehmen eigenverantwortlich Teilaufgaben und gewinnen Einblicke in reale KI-Anwendungen. Die Erfahrungen und Ergebnisse werden in einem Praktikumsbericht dokumentiert und reflektiert.

Das nachbereitende Praxisseminar dient der Reflexion und Einordnung der Erfahrungen aus dem Praxissemester. Die Studierenden präsentieren ihre Tätigkeiten, Erkenntnisse und Ergebnisse in Kurzvorträgen und diskutieren diese im Plenum. Dabei verknüpfen sie praktische Erfahrungen mit theoretischen Studieninhalten und stärken durch fachlichen Austausch und gruppendynamische Prozesse ihre fachlichen, sozialen und kommunikativen Kompetenzen.

Das Modul vertieft fortgeschrittene Methoden des maschinellen Lernens. Behandelt werden Kernel-Verfahren, Support Vector Machines, Entscheidungs- und Regressionsbäume, Random Forests sowie Ensemble-Methoden. Darüber hinaus lernen die Studierenden Verfahren des verstärkenden Lernens und Methoden der erklärbaren Künstlichen Intelligenz kennen. Im Praktikum werden die Verfahren mit Python auf reale Daten angewendet und analysiert.

Das Modul vermittelt Konzepte und Methoden verteilter Künstlicher Intelligenz. Behandelt werden Grundlagen paralleler Programmierung und Skalierung, verteiltes Training neuronaler Netze sowie Data- und Model-Parallelismus. Darüber hinaus lernen die Studierenden föderiertes Lernen, Multiagentensysteme, spieltheoretische Ansätze und Schwarmintelligenz kennen. Der Fokus liegt auf der Entwicklung skalierbarer und kooperativer KI-Systeme.

Das Modul vermittelt Verfahren und Technologien zur Verarbeitung und Analyse großer Datenmengen. Behandelt werden Datenvisualisierung, fortgeschrittene SQL-Techniken, verteilte Datenverarbeitung, Batch- und Stream-Processing sowie Cloud-Datenbanken. Ergänzend lernen die Studierenden MLOps-Konzepte und aktuelle Frameworks wie Spark kennen. Praktische Übungen vertiefen die Anwendung moderner Big-Data-Technologien an realistischen Aufgabenstellungen.

Im Projektmodul bearbeiten die Studierenden im Team eine semesterbegleitende Aufgabenstellung aus dem Bereich der Künstlichen Intelligenz. Die Projekte entstehen häufig in Zusammenarbeit mit Unternehmen oder Forschungseinrichtungen. Die Studierenden übernehmen Planung, Organisation und Durchführung eigenverantwortlich und setzen klassische oder agile Projektmanagementmethoden ein. Dabei vertiefen sie ihre fachlichen, methodischen und kommunikativen Kompetenzen anhand realer Problemstellungen.

Das Modul vermittelt Grundlagen und Methoden der IT-Sicherheit für moderne Informationssysteme. Behandelt werden Bedrohungen, Kryptographie, Netzwerksicherheit, sichere Systeme und Schadsoftware sowie Sicherheitsprinzipien und Sicherheitsmanagement. Die Studierenden lernen typische Sicherheitslücken in Software kennen, analysieren Risiken und befassen sich mit spezifischen Herausforderungen der Künstlichen Intelligenz sowie deren Einsatz zur Erkennung und Abwehr von Cyberangriffen.

Das Modul vermittelt betriebswirtschaftliche Grundlagen und Kompetenzen für unternehmerisches Handeln. Behandelt werden Organisation, Marketing, Finanzierung, Buchhaltung und Investitionsrechnung sowie Innovationsmanagement und Geschäftsmodellentwicklung. Die Studierenden lernen Methoden des Entrepreneurship und Intrapreneurship kennen und entwickeln im Gründerprojekt eigene Produktideen, Geschäftsmodelle und Vermarktungskonzepte.

Das Seminar zur Bachelorarbeit bereitet die Studierenden systematisch auf die Erstellung ihrer Abschlussarbeit vor. Vermittelt werden wissenschaftliche Anforderungen, Recherche- und Dokumentationstechniken sowie prüfungsrechtliche Rahmenbedingungen. Die Studierenden entwickeln ein geeignetes Thema, erstellen Zeitplan und Gliederung, stimmen die Vorgehensweise mit ihrer Betreuung ab und bereiten die formale Anmeldung der Bachelorarbeit vor.

Die Bachelorarbeit bildet den wissenschaftlichen Abschluss des Studiums. Die Studierenden bearbeiten eigenständig eine anspruchsvolle Fragestellung aus ihrem Fachgebiet und wenden dabei wissenschaftliche Methoden an. Sie vertiefen ihr Fachwissen, planen und steuern ihr Projekt eigenverantwortlich, entwickeln und bewerten Lösungsansätze und dokumentieren die Ergebnisse strukturiert in einer wissenschaftlichen Arbeit. Je nach Themenstellung können die Ergebnisse auch präsentiert werden.