Applied Artificial Intelligence

Worum geht's

Du lernst den gesamten Lifecycle eines KI-Projekts für überwachtes maschinelles Lernen kennen — von der Problemformulierung bis zur produktiven, skalierbaren Bereitstellung. Dabei werden technische Implementierung in Python, Kollaboration von Menschen und KI, ethische Fragestellungen sowie Aspekte zu Generative AI und Large Language Models behandelt.

Was du danach kannst

Kompletter Lifecycle eines typischen AI Use Cases mit supervised ML umsetzen
Produktive und skalierbare Bereitstellung von ML-Lösungen verstehen
Generative AI und Large Language Models in Kontexten einordnen
Integration von Machine Learning in komplexe Systeme und Zusammenarbeit mehrerer Entitäten
Kenntnis von Ethik, Bias und Erklärbarkeit in AI-Systemen
Sichere Anwendung typischer Python-Programmierung für AI-Aufgaben

Aus was das Modul besteht

VorlesungVermittlung der Konzepte, Methoden und übergeordneten Themen
DiskussionenAustausch zu Inhalten, ethischen Aspekten und Praxisfragen
gemeinsame Programmierübungenpraktische Anwendung und Vertiefung der Methoden
Hausaufgaben/ProgrammieraufgabenSicherstellung der Implementierungsfähigkeiten

Lehrmethode

LecturesVermittlung der theoretischen Grundlagen
Discussion roundsVertiefung, Reflexion und kritische Auseinandersetzung
Shared programming exercisesGemeinsames praktisches Üben der Implementierung
Homework submissionsEigenständige Anwendung und Nachweis praktischer Fähigkeiten

Solltest du schon können

Python und/oder Programmiergrundlagenempfohlen

Prüfung

HausaufgabenKlausur

Es gibt etwa 6 programmierbasierte Hausaufgaben, die elektronisch einzureichen und benotet werden. Zusätzlich findet eine 60-minütige Klausur in schriftlicher Form statt. Hausaufgaben und Klausur werden je zu 50% zur Gesamtnote gewichtet. Angaben zu Hilfsmitteln sind nicht angegeben.

Literatur

Baier, L. / Kühl, N. / Satzger, G. - How to cope with change?-preserving validity of predictive services over time
Cawley, G. C. / Talbot, N. L. - On over-fitting in model selection and subsequent selection bias in performance evaluation
Fink, O. / Netland, T. / Feuerriegel, S. - Artificial intelligence across company borders
Gama, J. / Žliobaitė, I. / Bifet, A. / Pechenizkiy, M. / Bouchachia, A. - A survey on concept drift adaptation
Hemmer, P. / Schemmer, M. / Vössing, M. / Kühl, N. - Human-AI Complementarity in Hybrid Intelligence Systems: A Structured Literature Review
Hirt, R. / Kühl, N. - Cognition in the Era of Smart Service Systems: Inter-organizational Analytics through Meta and Transfer Learning
Kühl, N. / Schemmer, M. / Goutier, M. / Satzger, G. - Artificial intelligence and machine learning
Kühl, N. / Hirt, R. / Baier, L. / Schmitz, B. / Satzger, G. - How to Conduct Rigorous Supervised Machine Learning in Information Systems Research: The Supervised Machine Learning Report Card
Maleshkova, M. / Kühl, N. / Jussen, P. (Eds.) - Smart Service Management: Design Guidelines and Best Practices
Martin, D. / Hirt, R. / Kühl, N. - Service Systems, Smart Service Systems and Cyber-Physical Systems—What’s the difference? Towards a Unified Terminology
Mehrabi, N. / Morstatter, F. / Saxena, N. / Lerman, K. / Galstyan, A. - A survey on bias and fairness in machine learning
Müller, V. C. / Bostrom, N. - Future progress in artificial intelligence: A survey of expert opinion
Pan, S. J. / Yang, Q. - A survey on transfer learning
Schöffer, J. / Machowski, Y. / Kühl, N. - A Study on Fairness and Trust Perceptions in Automated Decision Making
Shmueli, G. / Koppius, O. R. - Predictive analytics in information systems research
Zahn, M. V. / Feuerriegel, S. / Kühl, N. - The cost of fairness in AI: Evidence from e-commerce

Filter

Applied Artificial Intelligence

Worum geht's

Was du danach kannst

Aus was das Modul besteht

Lehrmethode

Termine

Vorlesung mit ÜbungApplied Artificial Intelligence (MGTBT0008) (FIM)

Modulbewertungen

Modul bewerten