Modulangebot

Leistungspunkte:
5

Qualifikationsziele:
Nach aktiver Teilnahme an diesem Kurs sollten die Lernenden in der Lage sein:

• Fortgeschrittene Konzepte und Modelle im Deep Learning zu definieren und zu erklären,
• Den Zusammenhang zwischen den geometrischen Eigenschaften des Datendomäne und den Netzwerkmodellen (induktive Verzerrungen) zu definieren und zu erklären,
• Fortgeschrittene Anwendungsbereiche des Deep Learning (wie Graph-Learning, Deep Generative Modeling, unüberwachtes Repräsentationslernen oder Reinforcement Learning) zu verstehen und zu erklären,
• Eine wissenschaftliche Publikation im Bereich Deep Learning zu verstehen und zu erklären,
• Eine wissenschaftliche Präsentation zu halten,
• Eine wissenschaftliche Publikation vorzubereiten und zu verfassen.

After actively participating in this course, learners should be able to

• Define and explain advanced concepts and models in Deep Learning,
• Define and explain the link between the geometric properties of the data domain and network models (inductive biases),
• Understanding and explain advanced deep learning application domains (such as graph learning, deep generative modelling, unsupervised representation learning, or Reinforcement Learning),
• Understand and explain a scientific publication in the field of Deep Learning,
• Give a scientific presentation,
• Prepare and write a scientific publication. 

Inhalt:
Diese Vorlesung behandelt fortgeschrittene Themen des Deep Learning, beginnend mit den Besonderheiten innerhalb des maschinellen Lernens. Es werden fortgeschrittene überwachte Modelle wie Residualnetze, Transformatoren und graphische neuronale Netze untersucht. Anschließend werden wir uns mit fortgeschrittenen unüberwachten und generativen Modellen beschäftigen, darunter GANs, VAEs und Diffusionsmodelle, bevor wir mit Deep Reinforcement Learning und ethischen Überlegungen zum Deep Learning abschließen.

This lecture covers advanced topics in deep learning, beginning with its distinctive features within the field machine learning. It explores advanced supervised models like residual networks, transformers, and graph neural networks. We will then go into advanced unsupervised and generative models, including GANs, VAEs, and diffusion models, before concluding with deep reinforcement learning and ethical considerations in deep learning

Die Lehrveranstaltungen werden in englischer Sprache abgehalten. Die Studien- und Prüfungsleistungen sind in englischer Sprache zu erbringen.

Teilnahmevoraussetzungen:
Keine

Erwartetes Wissen: Die Studierenden sollten in die Grundlagen des Deep Learning und des maschinellen Lernens eingeführt worden sein, typischerweise durch eine Einführungsvorlesung oder einen Kurs. Ein allgemeines Verständnis grundlegender Konzepte der linearen Algebra und der Wahrscheinlichkeitsrechnung wird ebenfalls erwartet, tiefgreifende Kenntnisse sind jedoch nicht erforderlich.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - mündl. Prüfung (20 Minuten)
Prüfungsvorleistung: Präsentation (15 min) mit schriftlicher Ausarbeitung (8 Wochen)

Leistungspunkte: 
5

Qualifikationsziele: 
Nach der aktiven Teilnahme am Modul „Aktuelle Datenschutzverfahren aus der Forschung“ verfügen die Studierenden über die Fähigkeit, sich in komplexe neue Datenschutzmaße, -techniken und -verfahren einzuarbeiten. Sie können Konzepte aus der Forschung kritisch analysieren und bewerten, und auf ihre Anwendbarkeit für bestimmte Einsatzszenarien hin evaluieren. Die Studierenden können diese Konzepte Fachfremden verständlich und überzeugend präsentieren und Alternativansätze gegenüberstellen.

Inhalt:
Das Seminar stellt die Studierenden vor die Aufgabe, für sie neue, komplexe Datenschutzprobleme und Datenschutzlösungen zu verstehen und zu bewerten, und diese so aufzubereiten und zu präsentieren, dass sie für Personen ohne Datenschutz-Fachwissen verständlich werden.

Teilnahmevoraussetzungen:
Teilnahme am Modul „Datenschutz von Anonymisierung bis Zweckbindung“ 10-INF-DS105 oder gleichwertige Kenntnisse. Es ist möglich, das Modul 10-INF-DS105 parallel zur Teilnahme am Seminar zu absolvieren.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - Referat 20 Min.

Leistungspunkte:
5

Qualifikationsziele:
Die Studierenden lernen den vollständigen Arbeitsablauf gängiger Mikroskopie / Bio-image Datenwissenschaftsprojekte, sodass sie in der Lage sind, ein wissenschaftliches Datenanalyseprojekt in diesem Kontext eigenständig durchzuführen. Sie werden mit den üblichen bio-image Analysealgorithmen und Arbeitsabläufen vertraut sein, und wissen, wie sie diese entsprechend einem wissenschaftlichen Ziel auswählen und die Qualität der abgeleiteten Ergebnisse messen können. Der Besuch der Vorlesung und die Durchführung der Praktika qualifizieren die Studierenden, als Bio-image Datenwissenschaftler in der Pharmaindustrie oder in der biologischen Grundlagenforschung zu arbeiten.

Students learn the full workflow of common bio-image data science projects to a degree that they can execute a scientific data analysis project in this context on their own. They will be familiar with common bio-image analysis algorithms and workflows, how to choose them according to a scientific goal, and how to measure quality of derived results. Attending the lecture and executing the practicals qualifies the students to work as bio-image data scientist in the pharmaceutical industry or basic biological research.

Inhalt:
Während der Vorlesungen lernen die Studierenden: 

• Grundlagen der Mikroskopie
• Bilddatenmanagement
• Bildanalyse für die Mikroskopie
• Qualitätssicherung
• Überwachtes und unüberwachtes maschinelles Lernen für Pixel-, Objekt- und Bildklassifikation/-clustering
• Deep Learning Denoising und Segmentierung
• Multimodale Generative Künstliche Intelligenz + große Sprachmodelle für die Bio-Bildanalyse
• Prompt-Engineering

Die Praktika ermöglichen es den Studierenden, die gelehrten Techniken praktisch anzuwenden, und gegen Ende des Semesters werden sie eine komplexe Aufgabe lösen.

During the lectures, students will learn: 

• Basics of microscopy image acquistion
• Image Data Management
• Microscopy image analysis
• Quality Assurance
• Supervised and unsupervised machine learning for pixel, object and image classification / clustering
• Deep Learning techniques for image denoising and segmentation
• Multi-modal Generative Artificial Intelligence + Large Language Models for bio- image analysis
• Prompt-Engineering

The practicals allow the students to apply the taught techniques practically and towards the end of the semester they will solve a complex task.

Teilnahmevoraussetzung:
Grundlegende Python-Programmierung Kenntnisse sind erforderlich 

Basic Python Programming Skills are required.

Prüfungsleistungen und Prüfungsvorleistungen:
Vorleistung - Praktikumsbericht im Praktikum, Inhalt: Darstellung der Lösung einer komplexen Aufgabe zum Nachweis der Befähigung wissenschaftlichen Arbeitens im Kontext Bildanalyse für Mikroskopie 

Umfang: 5 Seiten Bearbeitungszeit 8 Wochen 

Required exam prerequisite - Report about solution of a given complex exercise to prove the capability of applying the scientific method in the context of image analysis for microscopy. 

Report length: 5 pages Time: 8 weeks

Modulprüfung - Klausur 45 Min.

Leistungspunkte:
10

Qualifikationsziele:

Nach der aktiven Teilnahme am Modul sind die Studierenden in der Lage
• grundlegende Begriffe aus der Vorlesung zu definieren und zu erklären
• ausgewählte Verfahren und Algorithmen des virtuellen Wirkstoff-Screenings und Wirkstoff-Designs zu beschreiben und zu analysieren
• algorithmische Lösungsansätze zu erklären und diese selbstständig auf Problemstellungen anzuwenden
• Aufgabenstellungen praktisch in Form eines Software-basierten Verfahrens zu lösen.

Inhalt:
Arten von virtuellen Wirkstoffbibliotheken (Fragment-basiert, Reaktions-basiert u.a.). Kodierung von chemischen Molekülen und Reaktionen. Molekül-Deskriptoren und ihre Verwendung für die Modellierung von Struktur-Aktivitäts-Beziehungen (QSAR). Algorithmen des Liganden- und Rezeptor-basierten virtuellen Screenings (Methoden des Maschinellen Lernens, Liganden-Docking u.a.). Bedeutung und Anwendung von Pharmakophormodellen im virtuellen Screening. Modellierung von Rezeptor-Ligand-Interaktionen (Scoring Funktionen, Moleküldynamik, u.a.). Die Vorlesungsinhalte werden durch das Seminar, in dem aktuelle Forschungsarbeiten aus der computergestützten Wirkstoffentwicklung diskutiert werden, und durch das Praktikum, in dem praktische Fähigkeiten mit Software-basierten Verfahren der Wirkstoffentwicklung erprobt werden, vertieft.

Teilnahmevoraussetzungen:
Keine

Prüfungsleistungen und Prüfungsvorleistungen:
Vorleistung - Präsentation mit schriftlicher Ausarbeitung (Praktikumsbericht), Bearbeitungszeit 3 Wochen

Modulprüfung - Mündliche prüfung 30 Min.
 

Leistungspunkte:
5

Qualifikationsziele:
Nach der erfolgreichen Teilnahme in diesem Modul sind die Studierenden in der Lage:

• Die Variabilität konfigurierbarer Softwaresysteme zu modellieren und in Konfigurationen zu repräsentieren;
• Konfigurierbare Softwaresysteme und Softwareproduktlinien mittels einer Palette von Implementierungstechniken zu implementieren;
• Selbstständig die passende Implementierungstechnik je nach Kontext und Ziel auszuwählen und anzuwenden, um Features und Funktionen in Softwaresystemen modular zu implementieren;
• Alternative Programmierparadigmen (z.B. Aspekt-orientierte und Feature-orientierte Programmierung) gezielt anwenden, um Belange, Features und funktionelle Einheiten zu implementieren, zu monitoren und zu testen;
• Bestehende Limitierungen von objekt-orientierter Programmierung (Tyrannei der dominanten Dekomposition) zu erkennen.

Darüber hinaus sind die Studierende in der Lage, Interaktionen von Konfigurationsoptionen aufzulösen und Analysen auf konfigurierbare Softwaresysteme (Energie, Performance, Testing, etc.) unter Beachtung der Variabilität erfolgreich durchzuführen.

Inhalt:
Das Modul Konfigurierbare Softwaresysteme vermittelt Kompetenzen im Bereich Entwurf, Design, Management, Implementierung und Analyse von konfigurierbaren Softwaresystemen und Softwareproduktlinien.

Folgende Inhalte werden im Modul vermittelt: 

• Modellierung und Entwicklungsansatz für konfigurierbare Softwaresysteme und Softwareproduktlinien (Feature-Modelle, SAT-/CSP-Solver)
• Implementierungstechniken zur Entwicklung konfigurierbarer Softwaresysteme (Präprozessoren, Frameworks, Komponenten, Design Patterns, etc.)
• Betrachtung und Auflösung von Interaktionen
• Samplingverfahren zur repräsentativen Auswahl von Konfigurationen

Analysen von konfigurierbaren Softwaresystemen (Performance- und Energieanalysen, Testing)

Teilnahmevoraussetzungen:
Keine

Prüfungsleistungen und Prüfungsvorleistungen:
Vorleistung - Lösen von Aufgaben mit Erfolgskontrolle (50% müssen korrekt gelöst sein, 2 Aufgaben müssen erfolgreich präsentiert werden) zur Übung.
Die Prüfungsvorleistung dient der praktischen Anwendung der theoretisch vermittelten Konzepte und deren Festigung. Weiterhin werden so die Niveaustufen des Verstehens und der Anwendung in der Kompetenzmatrix trainiert, welches eine zwingende Prüfungsvoraussetzung ist.

Modulprüfung - Klausur 90 Min.

Leistungspunkte:
10

Qualifikationsziele:
Nach aktiver Teilnahme an dem Modul sind die Studierenden dazu in der Lage, Git zu verwenden und effizienten Python-Code zu schreiben, um Daten mit aktuellen ML-Techniken wie Deep Neural Networks, PCA, k-means, Reinforcement Learning, Manifold Learning usw. zu analysieren und zu visualisieren. Ziel dieses Kurses ist es, den Studierenden die algorithmischen Konzepte, die Ansätze zur Übersetzung ihrer Algorithmen in Python-Code und schließlich die Möglichkeit zu vermitteln, ihren Code zu optimieren oder die geeignete Python-Bibliothek oder das entsprechende Modul zu finden, die an ihre Bedürfnisse angepasst sind. In diesem Kurs werden mehrere Python-Module vorgestellt, darunter NumPy, Scipy, Pandas, Matplolib, Scitiklearn, Tensorflow und mehr. Als semesterbegleitende Übungsmöglichkeit, werden individuelle Hausaufgaben und Gruppenprojekte vergeben.

At the end of this course, students should be able to use Git and write efficient Python code to analyze and visualize data using recent ML techniques such as Deep Neural Networks, PCA, k-means, Reinforcement learning, Manifold learning, etc... This course aims to provide the students with the algorithmic concepts, the approaches to translating their algorithms into Python code and finally, how to optimize their code or find the appropriate Python library or module adapted to their needs. Several Python modules will be introduced in this course, such as NumPy, Scipy, Pandas, Matplolib, Scitiklearn, Tensorflow and more. And to allow students to practice during the course constantly, individual homework will be given, and group projects along this course. The sum of students' effort in contributing to the lecture, group projects and homework will yield their overall marks. 

Inhalt:

• Introduction to Git
• Introduction to Python
  • Control flow, list comprehension, and functions
  • Data structures: list, array, set and dict
  • Numpy basics
  • Advanced indexing and broadcasting
  • Scipy
  • Pandas: basics and advanced usages
• Structuring an ML project
  • Introduction to ML Strategy
  • Setting up the project goal
  • Comparing the model's performance to human-level
  • Carrying out the error analysis
  • Mismatched training and dev/test sets
• Introduction to visualization tools
  • Pyplot
  • Seaborn
• Numerical optimization methods
  • Line search algorithm
  • Naive Gradient Descent
  • Improving the Gradient Descent algorithm
  • Taylor expansion and Newton's Method from 1d to nd
  • Scipy modules for numerical optimization
• OOP (Object Oriented programming)
  • Notions of classes and objects in Python
  • Polymorphism and Inheritance
• Machine learning tools
  • Scikit learn
  • PyTorch and TensorFlow
• Extra resources
  • Statmodels and patsy
  • PyMc3 and Arviz
  • Apach arrow
  • SQL and NoSQL databases
  • Linux Admin System

Teilnahmevoraussetzungen:
Für die Teilnahme an diesem Kurs sind Grundkenntnisse in Arithmetik, Statistik, Analysis, linearer Algebra und Algorithmen erforderlich. Falls nicht über die oben genannten Kenntnisse verfügt wird, werden folgenden Ressourcen empfohlen:

1. Stroud and Booth, (2020) "Advanced Engineering Mathematics", Bloomsbury 

2. Silberschatz, A. et al. (2012), Operating System Concepts, Wiley.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - Portfolio (6 Programmieraufgaben mit je 1 Woche Bearbeitungszeit), mit Wichtung 3 und Projektarbeit (Programmieraufgabe mit Auftakts- und Abschlusspräsentation (je 20 Min.) und schriftlicher Ausarbeitung (Foliensatz), Bearbeitungszeit 6 Wochen) mit Wichtung 2 

Leistungspunkte:
5

Qualifikationsziele:
Nach aktiver Teilnahme am Modul "Künstliche Intelligenz im Gesundheitswesen" sind die Studierenden in der Lage:

• Anwendung von Machine Learning in Medizin zu erläutern
• Mögliche Probleme bei solchen Anwendungen zu identifizieren
• Ethische Bedenken zu diskutieren
• künstliche neuronale Netze-/Machine Learning-Verfahren und Algorithmen zu beschreiben und selbständig zu implementieren

Inhalt:
Vorlesung:

• Überwachte / Unüberwachte ML-Ansätze zur Verbesserung der Diagnose und Behandlung von Patienten
• Beurteilung und Erklärbarkeit von ML-Modellen
• Bias und Fairness
• Personalisierte Medizin

Praktikum: Implementierung von konkreten Anwendungsfällen mit R/Python und Erstellung eines Berichts.

Teilnahmevoraussetzungen:
Kenntnisse im Bereich maschinelles Lernen / künstliche neuronale Netze sind empfehlenswert.

Prüfungsleistungen und Prüfungsvorleistungen:
Vorleistung - Prüfungsvorleistung: Praktikumsleistung im Praktikum (Implementierung von konkreten Anwendungsfällen mit R/Python und Erstellung eines kurzen Berichts), Bearbeitungszeit: 8 Wochen

Modulprüfung - Mündliche prüfung 30 Min.

Leistungspunkte:
5

Qualifikationsziele:
After actively participating in this module, students will be able to
○ Critically read, interpret, and discuss research work on the theoretical foundations of AI and mathematical methods in AI. Suggest possible new research directions.
○ Contextualize mathematical methods in AI, including identifying core assumptions and limitations of machine learning models.
○ Develop or implement algorithms, numerical experiments, or symbolic computations for investigating and validating mathematical models and methods in AI. Analyze synthetic or real-world data. Test and falsify hypotheses, and evaluate model behavior. Suggest possible new mathematical methods or models.
○ Carry out a hands-on project. Undertake independent research. Lead and manage collaborations with peers and mentors. Use digital version control and collaboration tools. Apply critical thinking skills. Demonstrate planning and time management skills.Document experimental and theoretical work. Synthesize research findings.
○ Use computer packages for implementing models, analyzing data, and creating visualizations.
○ Report research findings in written and verbal forms.

Inhalt:
In this module, participants implement a mentored research project, allowing them to undertake a semester-long study of a problem in the theoretical foundations or mathematical methods of AI. At the start of the semester, the mentor(s) will provide a curated list of research papers, reading materials, datasets, or computer packages for participants to explore and analyze. Participants, potentially working in groups, will investigate the assigned topics using theoretical, experimental, and computational methods. Group members can contribute to complementary aspects of the projects (e.g., theoretical analysis, algorithm development, or implementation).
○ Participants receive ongoing supervision from research mentors throughout the semester. Mentors will guide participants in refining their research questions, understanding the provided materials, and ensuring progress in their projects through regular feedback and meeting sessions.
○ The project culminates with participants synthesizing their project results in a written form such as a report or a blog post. They are also expected to report their results with presentations.
○ The projects (with the expectations of the mentors) will be advertised on <the courses website> in advance.
○ All written deliverables, code documentation, and presentations must be in English

Teilnahmevoraussetzungen:
B.Sc. students are required to have passed at least one of the following: Linear Algebra I, Probability I. Programming experience is an advantage.
○ No requirements for M.Sc students.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung: Projektarbeit mit schriftlicher Ausarbeitung und Code-Repository (Bearbeitungszeit: 10 Wochen) und zwei 10‑minütigen Gruppenpräsentationen.

Leistungspunkte:
10

Qualifikationsziele:
Nach erfolgreicher Teilnahme sind die Studierenden in der Lage:

• einen Überblick über multimodale maschinelle Lernverfahren (ML-Verfahren) in der biomedizinischen Forschung zu geben sowie ihren Einsatz in der biomedizinischen Diagnostik zu diskutieren (Fokus auf Genomik, Transkriptomik, Einzelzellanalysen, räumliche Transkriptomik),
• Daten für Training und Validierung von multimodalen ML-Verfahren in der Biomedizin vorzubereiten,
• Training und Validierung von ausgewählten multimodalen ML-Verfahren anzuwenden,

regulatorische Rahmenbedingungen für den Transfer der ML-Verfahren in die Anwendung, z.B. Softwarekomponente in In-vitro-Diagnostika, zu benennen.

Inhalt:

Einführung:

- Einführung in Multimodale Maschinelle Lernverfahren (Definition)

- Grundlagen des maschinellen Lernens (Methodenübersicht)

- Bedeutung von Multimodalen ML-Verfahren in der Molekularen Biomedizin

Molekulare Biomedizinische Daten:

- Übersicht Arten von molekularen biomedizinischen Daten (genetische Daten, zelluläre Daten, Daten für die Beschreibung von Zell-Zell-Interaktionen)

- Aufbereitung der Daten (Vorverarbeitung und Normalisierung, biomedizinische Ontologien und Standards für Datenformate)

- Integration heterogener Datenquellen

- Methoden der Integration, Harmonisierung und Normalisierung von molekularen Daten

Multimodales maschinelles Lernen in der molekularen Biomedizin

- Feature Engineering (Erstellen von Merkmalen aus Daten, Umwandlung/Imputation fehlender oder ungültiger Merkmale, Dimensionsreduktion, Feature Selektion)

- Modellierung (Modellauswahl, -training, -evaluation)

- Klassische ML Methoden in der molekularen Biomedizin (z. Bsp. Multivariate Regression, Random Forests)

- Moderne ML Methoden in der molekularen Biomedizin (Variational Autoencoder, generative Modelle für multimodale Einzelzelldaten)

- Populationsbasierte vs. Individuen-spezifische Modelle

- Besonderheiten und Limitationen der behandelten Methoden

Anwendungen:

- Anwendungen in der Biomedizin (Anwendungen in der Molekular- und Zellbiologie, Multimodale Einzelzellanalysen, Spatial Transcriptomics)

- Multimodales maschinelles Lernen in der klinischen Forschung, Diagnostik und personalisierten Medizin (z.B. Zellannotation, Vorhersagemodelle für Diagnose und Prognose, Konzept von Digitalen Zwillingen in der Biomedizin)

- Multimodale maschinelle Lernverfahren für In-vitro-Diagnostika (Einführung in Vorschriften für die Zulassung von In-vitro-Diagnostika, Software-Lebenszyklus, Research Software Engineering, Interoperabilität, Beispiele für biomedizinische Softwareanwendungen in der personalisierten Medizin)

Praktikum (Blockpraktikum):

Begleitend zur Vorlesung (2 SWS) wird ein Blockpraktikum (2 SWS) angeboten in dem die Studierenden selbständig Aufgaben zu ausgewählten Themen der Vorlesung bearbeiten.

Teilnahmevoraussetzungen:
Grundkenntnisse in Statistik, Genetik und Molekularbiologie sowie Fortgeschrittene Kenntnisse in R und Python notwendig.

Prüfungsleistungen und Prüfungsvorleistungen:
Vorleistung - Posterpräsentation (10 Min.) mit schriftlicher Ausarbeitung (Formulierung eines wissenschaftlichen Abstracts; Bearbeitungsdauer für schriftliche Ausarbeitung und Poster: 4 Wochen).

Modulprüfung - Mündliche Prüfung 20 Min.

Leistungspunkte:
5
Qualifikationsziele:
Nach aktiver Teilnahme am Kurs sind die Studierenden in der Lage: 

- die grundlegenden mathematischen Konzepte der konvexen Optimierung zu verstehen

- den Unterschied zwischen Online- und Offline-Optimierungsverfahren zu verstehen

- die Leistung von Optimierungsalgorithmen aus der Perspektive des statistischen Lernens zu analysieren

- Optimierungsmethoden auf Probleme des maschinellen Lernens anzuwenden

- Git für das Gruppenprojekt zu verwenden

Inhalt:
Einführung in die Konvexität

• Einführung in Programmierprobleme
  • Lineare Programme
  • Quadratische Programme
  • Primäre und duale Probleme und die primäre duale Lücke
  • Stochastische Optimierungsprobleme
    • Optimierung in massiven modernen KI-Werkzeugen
    • Fehleranalyse
  • Numerische Optimierungsverfahren
    • Zeilensuchalgorithmus
    • Naiver Gradientenabstieg
    • Verbesserung des Gradientenabstiegs-Algorithmus
    • Taylor-Erweiterung und Newtonsche Methode von 1d bis nd
  • Introduction to convexity
  • Introduction to Programming problems
    • Linear programs
    • Quadratic programs
    • Primal and dual problems and the primal dual gap
    • Stochastic optimization problems
    • Optimization in massive modern AI tools
    • Error analysis
  • Numerical optimization methods
    • Line search algorithm
    • Naive Gradient Descent
    • Improving the Gradient Descent algorithm

Taylor expansion and Newton's Method from 1d to nd

Teilnahmevoraussetzungen:
Kenntnisse in Statistik und Algorithmus werden empfohlen.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - Mündliche Prüfung 20 Min., Gewichtung 2 und Posterpräsentation (5 Min. je Teilnehmer) mit schriftlicher Ausarbeitung (8 Wochen) Gewichtung 1

Leistungspunkte:
5

Qualifikationsziele:
Durch aktive Teilnahme am Seminarmodul „NLP-KI“  erlangen die Studierenden einen guten Überblick über aktuelle Techniken des Prompt-Engineering zur Verarbeitung natürlicher Sprache. Sie sind dann darüber hinaus in der Lage, die wichtigsten Inhalte wissenschaftlicher Veröffentlichungen zu identifizieren, zusammenzufassen und verständlich zu erklären. Sie können diese Inhalte in Form einer wissenschaftlichen Arbeit niederschreiben, die den formellen Anforderungen einer Konferenz entsprechen würde. Außerdem können sie die Inhalte in einem wissenschaftlichen Vortrag präsentieren. Die Studierenden sind in der Lage, die Inhalte wissenschaftlicher Texte kritisch zu hinterfragen und mit anderen Studierenden zu diskutieren.

Inhalt:
Selbstständige Bearbeitung einer aktuellen Forschungsthematik zu Prompt-Engineering sowie einen Vortrag darüber. Die konkreten Inhalte werden zu Semesterbeginn nach Rücksprache mit den Teilnehmenden festgelegt.  

Teilnahmevoraussetzungen:
Kenntnisse aus einem der folgenden Module werden empfohlen: Natural Language Processing 10-201-2317, Information Retrieval 10-201-2316, Daten als Rohstoff

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung: Modulprüfung: Referat (30 Min. Vortrag + 15 Min. Diskussion) mit schriftlicher Ausarbeitung (4 Wochen), Wichtung: 1

Leistungspunkte:
5

Qualifikationsziele:
Nach erfolgreichem Abschluss dieses Moduls sind die Studierenden in der Lage,
• die Grundprinzipien des Lernens in autonomen Systemen zu beschreiben, insbesondere das Lernen durch Interaktion;
• verschiedene (Deep) Reinforcement Learning Ansätze in aktuellen Forschungskontexten zu vergleichen und gegenüber zu stellen;
• mathematische Konzepte in Software umzusetzen, um praktische Deep Reinforcement Learning Probleme mit Python zu lösen;
• die Leistung verschiedener Deep Reinforcement Learning Methoden zu bewerten und angemessene Verbesserungen vorzuschlagen; und
• klare Visualisierungen komplexer Daten vorzubereiten, um die Evaluation zu unterstützen

Inhalt:
Reinforcement Learning (RL) ist eine Methode des maschinellen Lernens, bei der ein intelligenter Agent (Computerprogramm) mit seiner Umgebung interagiert und durch Erfahrung lernt, optimal zu handeln. RL steht im Mittelpunkt aktueller Entwicklungen in der Künstlichen Intelligenz, die vom Lernen von Robotern über die Mensch-Computer-Interaktion, selbstfahrende Autos, das Gesundheitswesen bis hin zu großen Sprachmodellen (large language models; LLMs) reichen. Der Kurs startet mit einer Einführung in Reinforcement Learning und geht dann auf den neuesten Stand der Technik in Deep RL anhand der drei Kernkompetenzen Theorie, Implementierung und Evaluation ein. Die Studierenden lernen die Grundlagen des (deep) Reinforcement Learnings kennen und sammeln Erfahrung in der Entwicklung und Implementierung dieser Methoden für praktische forschungsnahe Anwendungen.

Teilnahmevoraussetzungen:
Keine

Erwartetes Wissen: Kenntnisse der Linearen Algebra, Grundlagen der Wahrscheinlichkeitstheorie und der Differentialrechnung sowie Kenntnisse einer Programmiersprache (bevorzugt Python) werden vorausgesetzt.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung: Projektarbeit mit Abschlusspräsentation (15 Minuten) und schriftlicher Ausarbeitung (12 Seiten, Bearbeitungszeit 12 Wochen)