Studienplan Master AI Engineering

Lehrveranstaltungen

Hier finden Sie die aktuellen Lehrveranstaltungen des Studiengangs. Die Darstellung unterliegt laufenden Aktualisierungen und entspricht nicht zwangsläufig dem Studienplan für das nächste Studienjahr. Module, die sich über mehrere Semester erstrecken, werden jeweils mit der ECTS-Zahl für alle Semester angezeigt. 

Legende: 

  • kMod kumulatives Modul (jede LV besitzt eine eigene Prüfung)
  • iMod integratives Modul mit abschließender Modulprüfung
  • UE Übung
  • ILV Integrative Lehrveranstaltung
  • SE Seminar
  • LAB Laborstunden
  • TUT Tutorien 

1. Semester

Bezeichnung ECTS
SWS
AI Concepts and Algorithms (M12)
German / iMod
5.00
-
AI Concepts and Algorithms (AIE)
German / ILV
5.00
3.00

Kurzbeschreibung

In der Lehrveranstaltung werden Konzepte und Algorithmen der Artificial Intelligence (AI) vermittelt.

Methodik

Mischung aus Vorträgen und praktischen Übungen (integrierte Lehrveranstaltung)

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

  • ausgewählte AI-Algorithmen zu verstehen und bzgl. ihrer Anwendungsgebiete zu unterscheiden.
  • anhand gegebener Daten und Aufgabenstellung die Vor- und Nachteile der einzelnen Algorithmen zu verstehen.
  • praktische Aufgaben der AI (Regression, Klassifikation, Clustering, Dimensionsreduktion) mit Hilfe von Python (Numpy, Pandas, Matplotlib, Scikit-Learn) zu lösen.
  • Chancen und Grenzen der AI einzuschätzen.

Lehrinhalte

  • Random forest
  • Naïve Bayes
  • Logistic regression
  • Neural Networks
  • t-SNE
  • db-scan
  • Ridge, Lasso regression
  • Multiple regression
  • SVM
  • Boosting

Vorkenntnisse

Python, Grundkenntnisse in Statistik und Mathematik, Grundkenntnisse des Maschinellen Lernens

Literatur

  • James G., Witten D., Hastie T., Tibshirani R. (2017): An Introduction to Statistical Learning. – Springer.
  • Marsland S. (2015): Machine Learning, An Algorithmic Perspective. – CRC Press.
  • Géron A. (2017): Hands-On Machine Learning with Scikit-Learn & TensorFlow. – O’Reilly.

Leistungsbeurteilung

  • 80% Prüfung
  • 20% Übungen
Advanced Programming (M13)
German / iMod
5.00
-
Advanced Programming (APRG)
German / ILV
5.00
3.00

Kurzbeschreibung

Dieser Kurs befasst sich mit Themen moderner und fortgeschrittener Programmierung.

Methodik

Theoriegrundlagen, Anwendungsbeispiele, ?bungen

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

  • Erlernen der O-Notation, Effizienz von Programmen und Programmteilen
  • Erstellen von Pseudo-Zufallszahlen
  • Programmiereun von Heuristische Suchalgorithmen (A*, CSP)
  • Anwenden von Geometrieberechnungen, Konvexe Hülle
  • Anwenden von Räumliche Datenstrukturen, Kollisionsdetektion
  • Erlernen von modernen C++ Erweiterungen (Lambda, Monaden)
  • Parallele Programmierung mit MPIch / OpenMPI
  • Erstellen paralelle Algorithmen
  • Erlernen von OpenCL

Lehrinhalte

  • Effiziente Programmiereung
  • Sichere Programmierung
  • Parallele Programmierung
  • Nichtlineare Programmierung
  • Funktionale Programmierung

Vorkenntnisse

C / C++ Algorithmen und Datenstrukturen

Leistungsbeurteilung

  • LV immanente Beurteilung
Ausgleichsmodul (M11)
German / iMod
5.00
-
Computer Graphics Basics (CGB)
German / ILV
5.00
3.00

Kurzbeschreibung

Einführung in die Computergrafik

Methodik

Integrierte Lehrveranstaltung

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

  • die theoretischen Grundlagen der Computergrafik wiederzugeben.
  • die Struktur von OpenGL und der Rendering Pipeline zu interpretieren.
  • Transformationen mittels Matrizen anzuwenden und diese zu implementieren.

Lehrinhalte

  • Überblick über Transforms, Rendering Pipeline, Hardware, Viewing & Projections, Geometry, Color & Light, Textures, Matrizen, Vektoren, Rendering Techniken, Hardwarenahe Datenstrukturen, OpenGL Grundlagen

Vorkenntnisse

Entweder C oder C++ oder C# oder Java Kenntnisse

Literatur

  • Tomas Akenine-Möller et al, Real-Time Rendering, 4th edition, CRC Press LLC, 2018 (Ebook)
  • OpenGL Programming Guide: The Official Guide to Learning Opengl, Version 4.5

Leistungsbeurteilung

  • 10% Portierung eines OpenGL Beispiels
  • 20% 1. Code Review des Projekts
  • 70% 2. Code Review des Projekts + mündliche Prüfung

Anmerkungen

Keine

Machine Learning Basics (MLB)
German / ILV
5.00
3.00

Kurzbeschreibung

In der Lehrveranstaltung werden theoretische und praktische Grundkenntnisse des Maschinellen Lernens (ML) vermittelt.

Methodik

Mischung aus Vorträgen und praktischen Übungen (integrierte Lehrveranstaltung)

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

  • Ausgewählte Algorithmen selbst zu implementieren
  • Daten zu explorieren und für weitere Analysen aufzubereiten
  • Analysen entsprechend den Standards des ML durchzuführen (e.g. Cross Validation, Parameter Tuning)
  • Praktische Aufgaben des MLmi (Regression, Klassifikation, Clustering) t Hilfe von Python (Numpy, Pandas, Matplotlib, Scikit-Learn) zu lösen
  • Chancen und Grenzen des ML einzuschätzen

Lehrinhalte

  • Grundkonzepte: Classification, Regression, Clustering, Over/-Underfitting, Cross Validation & Performance Evaluation, Parameter Tuning;
  • Umgang mit Daten: Data Cleaning, Handling Missing Values, Data Normalization, Class Balancing, Feature Selection, Dimensionality Reduction;
  • Algorithmen: kNN, Linear Regression, K-Means, Hierarchical Clustering, Trees, principal component analysis;

Vorkenntnisse

Python, Grundkenntnisse in Statistik und Mathematik

Literatur

  • James G., Witten D., Hastie T., Tibshirani R. (2017): An Introduction to Statistical Learning. – Springer.
  • Marsland S. (2015): Machine Learning, An Algorithmic Perspective. – CRC Press.
  • Géron A. (2017): Hands-On Machine Learning with Scikit-Learn & TensorFlow. – O’Reilly.

Leistungsbeurteilung

  • 80% Prüfung
  • 20% Übungen
Programming Basics (PRGB)
German / ILV
5.00
3.00

Kurzbeschreibung

Ausgleichsmodul zur Auffrischung und Vertiefung effizienter, objektorientierter Programmierung in C++ sowie funktionaler Programmieraspekten

Methodik

Integrierte Lehrveranstaltung

Lehrinhalte

  • C++ Wiederholung (Variablen, Arrays, Pointers, References)
  • OOP (Virtual functions, Inheritance, Operators)
  • Templates (Policy-Based Design, Specializations, Traits)
  • Speichermanagement
  • Sauberes programmieren in C++
  • Funktionale Programmierkonzepte
  • Design Patterns

Vorkenntnisse

Grundlegende Programmierkenntnisse in einer objektorientierten Programmiersprache

Literatur

  • Moderne C++ Programmierung - Schneeweiß Ralf (2012) 2. Auflage
  • Effective Modern C++: 42 specific ways to improve your use of C++11 and C++14 - Scott Meyers

Leistungsbeurteilung

  • LV-Immanente Leistungsbeurteilung und Abschlussprüfung

Anmerkungen

Keine

Mathematics (M15)
German / iMod
5.00
-
Numerical Methods (NUM)
German / ILV
3.00
2.00

Kurzbeschreibung

Numerische Methoden und deren theoretisches Verständnis bilden eine Basis der angewandten Mathematik und beruhen auf mathematischen Werkzeugen, insbesondere aus der Analysis (Differential- und Integralrechnung in einer oder mehreren Variablen) und der Linearen Algebra. Die Vermittlung bzw. Wiederholung der wichtigsten dieser mathematischen Grundkonzepte inklusive Fourieranalyse und komplexer Arithmetik stehen am Anfang des Kurses, damit wird ein Verständnis für die im weiteren besprochenen numerischen Verfahren vermittelt. Numerisches Rechnen erfolgt in Gleitpunktarithmetik, deren Eigenschaften (und mögliche Probleme) diskutiert werden. Im zentralen Numerik-Teil geht es zunächst um Basis-Algorithmen wie Polynominterpolation oder trigonometrische Interpolation (diskrete Fouriertransformation), die die Grundlage für fortgeschrittener Techniken wie z.B. numerische Integration und Lösung von Differentialgleichungen bilden. Die eigentlichen Schwerpunkte befassen sich mit Computergrafik und insbesondere mit Verfahren zur Lösung von (Differential-)Bewegungsgleichungen für (virtuelle) Objekte und deren Simulation und Visualisierung. Der Abschnitt über numerische Lineare Algebra vermittelt, wie die dafür erforderlichen Lösungsverfahren am Digitalrechner für lineare Gleichungssysteme und dgl. implementiert sind und wie man mit der entsprechenden Software umgeht. Der Übungsteil konzentriert sich auf die Lösung praxisorientierter Problemstellungen am Digitalrechner. Standardalgorithmen sind von den Studierenden selbst zu programmieren; für aufwändigere Berechnungen kann Standardsoftware wie z.B. Matlab verwendet werden.

Methodik

Theoretische Grundlagen: Frontal bzw. online, auch mittels geometrischer Anschauung (Skizzen). Praktische Übungen: Der Schwerpunkt liegt auf der Implementierung praxisorientierter Übungsprojekte. In den Übungseinheiten werden die Ergebnisse von den Studierenden präsentiert. Feedback erfolgt auf 2 Ebenen: (i) mittels Diskussion in der Übung, ggf. via FL, (ii) anhand der im nachhinein zusätzlich vorzulegenden schriftlichen Ausarbeitungen.

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

  • die analytischen/numerischen Modelle geometrischer Objekte (Kurven, Flächen) zu erläutern und zu manipulieren
  • elementare numerische Techniken der angewandten Linearen Algebra und Analysis anzuwenden und deren Genauigkeit zu bewerten
  • numerische Simulationen von Bewegungsvorgängen basierend auf mathematischen Modellen, insbesondere gewöhnlicher Differentialgleichungen, durchzuführen
  • numerische Standardsoftware effektiv und zielgerichtet einzusetzen

Lehrinhalte

  • Mathematische Grundlagen I: Analysis
  • Mathematische Grundlagen II: Lineare Algebra
  • Gleitpunktarithmetik
  • Iterative Techniken: Differentialgleichungen, Simulation
  • Interpolation und Approximation
  • Numerische lineare Algebra

Vorkenntnisse

Mathematisches Basiswissen auf Informatik/Bachelor-Niveau Computerarchitektur, interne Zahldarstellung Beherrschung einer höheren Programmiersprache, z.B. C

Literatur

  • Birmelin, J., Hupfer, C. (2008): Elementare Numerik für Techniker, Vieweg/Teubner Studium
  • Huckle T., Schneider, S. (2006): Numerische Methoden, Springer-Verlag

Leistungsbeurteilung

  • LV-immanente Leistungsbeurteilung und Abschlussprüfung
  • Präsentation der Übungsprojekte durch die Studierenden
  • Korrektur der schriftlich ausgearbeiteten Übungsaufgaben, mit Feedback
  • Abschlussprüfung am Semesterende (mündlich oder schriftlich): Stoffliche Ausrichtung eher theoretisch, aber auch mit Bezugnahme auf die in den Übungen behandelten Aufgaben

Anmerkungen

Ein Basis-Skriptum (Wiki) wird im pdf-Format via Moodle zur Verfügung gestellt. Ergänzende Materialien nach Bedarf,

Probabilistic Methods (PROB)
German / ILV
2.00
1.00

Kurzbeschreibung

Angewandte Methoden klassischer Wahrscheinlichkeitstheorie und Statistik

Methodik

Interaktiver Vortrag mit vielen Beispielen (Matlab und Python), sowie eigenverantwortlichen Übungen und Tests

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

  • Konzepte der Wahrscheinlichkeitstheorie/Statistik zu verstehen und auf angewandte Probleme zu übertragen und diese eigenständig zu lösen.

Lehrinhalte

  • Verteilungsfunktionen
  • Zufallsvariable
  • Univariate stat. Methoden
  • Stochastische Ab und Unabhängigkeit
  • Lebesgue-Integral und Erwartungswert
  • Zusammenhang zwischen Riemann- und Lebesgue-Integral
  • Lineare Modelle
  • Stat. Tests
  • Param. und nichtparametrische Methoden

Vorkenntnisse

Grundlagen in Analysis, linearer Algebra und Matlab/Python sind empfehlenswert.

Literatur

  • Elstrodt, J.: Mass- und Integrationstheorie, Springer, Berlin, 2005.
  • Feller, W.: An Introduction to Probability Theory and its Applications, Vol.1 and 2 Wiley, New York, 1968.
  • Kusolitsch, N., : Mass- und Wahrscheinlichkeitstheorie, Springer, Wien, 2014

Leistungsbeurteilung

  • Immanente Beurteilung
Software Engineering (M14)
German / iMod
5.00
-
Software Engineering (SWE)
German / ILV
5.00
3.00

Kurzbeschreibung

Diese Lehrveranstaltung gibt eine Einführung in relevante Bereiche von Software Engineering für Machine Learning. Das Hauptziel ist den Studierenden mit den aktuelle Methoden und Tools vertraut zu machen und das Grundprizip der Softwaretechniken zu verstehen.

Methodik

Mischung zwischen Vorlesung, praktische Erarbeitung und selbständige Anwendung von Methoden und Tools.

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

  • Trainieren und Anwenden eines ML-Modells
  • Entwerfen und Bereitstellen von REST-API
  • Docker-Container anwenden
  • Verstehen von Kubernetes
  • Mit MicroServices arbeiten

Vorkenntnisse

C# oder Java

Leistungsbeurteilung

  • Aktive Teilnahme
  • Abgabe der Aufgaben
  • Präsentation
Specialization 1 (M16)
German / iMod
5.00
-
Advanced Game Design (AGD)
German / ILV
5.00
3.00
Knowledge Representation and Symbolic AI (SYMB)
German / ILV
5.00
3.00

Kurzbeschreibung

Der Kurs behandelt zwei thematisch getrennte Blöcke: Teil A: Wissensrepräsentation und logisches Schließen (4 Einheiten, Christoph Redl) Teil B: Evolutionäre Algorithmen (6 Einheiten, Lars Mehnen)

Methodik

Vorlesung und Übungen

Lernergebnisse

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, ...

  • wie logisches schließen in der Programmiereung anzuwenden ist
  • zu wissen wie evolutionäre Algorithmen/Strategieen funktionieren und wie diese anzuwenden sind

Lehrinhalte

  • Wissenrepräsentation und logisches schließen
  • Grundlagen der Logik
  • Formalismen der Wissensrepräsentation und deren Anwendungen
  • Einführung in Evolutionäre Algorithmen
  • Genetische Algorithmen
  • Evolutionäre Strategieen
  • Evolutionäre/Genetische Programmierung
  • Parameterwahl
  • Memetische Algorithmen

Vorkenntnisse

Teil B: C/C++ Programmierkenntnisse

Leistungsbeurteilung

  • Teil A: Hausaufgaben 25%
  • Teil A: Logikprogrammierungsaufgaben (Gruppengröße 3): 25%
  • Teil B: 4 Abgaben (Gruppengröße 3) (10%, 10%, 10%, 20%)

2. Semester

Bezeichnung ECTS
SWS
Development Project 1 (M23)
German / iMod
5.00
-
Development Project 1 (DEVP1)
German / PRJ
5.00
2.00
Engine Architecture and Design (M22)
German / iMod
5.00
-
Engine Architecture and Design (EAD)
German / ILV
5.00
3.00
Scientific Working and Ethics (M24)
German / iMod
5.00
-
Ethics (ETHIC)
German / ILV
2.00
1.00
Scientific Working (SCIW)
German / ILV
3.00
2.00
Specialization 2 (M25)
German / iMod
5.00
-
Content Creation and Design Aspects (CONT)
German / ILV
5.00
3.00
Reinforcement Learning (REIL)
German / ILV
5.00
3.00
Specialization 3 (M26)
German / iMod
5.00
-
Multiplayer and Realtime Networking (MRN)
German / ILV
5.00
3.00
Spezielle Gebiete der angewandten AI (SGAI)
German / ILV
5.00
3.00
Visual Computing (M21)
German / iMod
5.00
-
Visual Computing (VC)
German / ILV
5.00
3.00

3. Semester

Bezeichnung ECTS
SWS
Development Project 2 (M33)
German / iMod
5.00
-
Development Project 2 (DEVP2)
German / PRJ
5.00
1.00
Entrepreneurship (M35)
German / iMod
5.00
-
Business Model Innovation (INNOV)
German / ILV
3.00
2.00
Law (LAW)
German / ILV
2.00
1.00
Interactive AI (M32)
German / iMod
5.00
-
Interactive AI (AIAPP)
German / ILV
5.00
3.00
Master Thesis Project (M34)
German / iMod
5.00
-
Master Thesis Project (MPRJ)
German / PRJ
5.00
1.00
Mixed Reality and Simulation (M31)
German / iMod
5.00
-
Mixed Reality and Simulation (ARXR)
German / ILV
5.00
3.00
Specialization 4 (M36)
German / iMod
5.00
-
Deep Learning Engineering (DEEPL)
German / ILV
5.00
3.00
Multiplatform Development (MMD)
German / ILV
5.00
3.00

4. Semester

Bezeichnung ECTS
SWS
Master Thesis Modul (M41)
German / iMod
30.00
-
Master Thesis (MT)
German / SO
27.00
1.00
Master Thesis Seminar (MTSEM)
German / SE
3.00
1.00