Menü
Hochschule Osnabrück - University of Applied Sciences

Grundlagen der Künstlichen Intelligenz

Fakultät

Fakultät Ingenieurwissenschaften und Informatik (IuI)

Version

Version 1 vom 03.12.2025.

Modulkennung

11B2011

Niveaustufe

Bachelor

Unterrichtssprache

Deutsch

ECTS-Leistungspunkte und Benotung

5.0

Häufigkeit des Angebots des Moduls

Winter- und Sommersemester

Dauer des Moduls

1 Semester

 

 

Kurzbeschreibung

In einem sich rasch entwickelnden technologischen Umfeld sind grundlegende theoretische Kenntnisse und praktische Fähigkeiten im Bereich der künstlichen Intelligenz (KI) für technische Berufe von großer Bedeutung. Der Einsatz von KI in verschiedenen Anwendungsbereichen fördert nicht nur die Innovation, sondern ist auch ein treibender Faktor für den Fortschritt in Wissenschaft und Wirtschaft. Dieses Modul bietet eine fundierte Einführung in die KI, wobei der Fokus klar auf theoretischen Grundkenntnissen und praxisorientierten Fähigkeiten liegt. Diese Kenntnisse und Fähigkeiten legen den Grundstein für das selbstständige Erlernen neuer KI-Konzepte der Zukunft und die eigenständige Anwendung von KI in verschiedenen Bereichen.

Lehr-Lerninhalte

Gerade das Thema KI erfährt gerade einen großen inhaltlichen Wandel. Die Inhalte werden daher kontinuierlich angepasst, so dass die untenstehende Auflistung keinen Anspruch auf Vollständigkeit hat.

  1. Einführung in die Künstliche Intelligenz (KI)
  2. Maschinelles Lernen als Teilgebiet der KI
  3. Prozess der KI-Entwicklung
  4. Klassen von Lernververfahren
    1. supverised (überwachte) Lernverfahren
    2. unsupverised (unüberwachte) Lernverfahren
    3. semi-supverised Lernverfahren
    4. self-supervised Lernverfahren
    5. online- und batch-Lernen
  5. weitere aktuelle Lernverfahren, z.B.
    1. Transformer / generative KI
    2. Attention Networks
    3. Generative Adversarial Networks
  6. Lernverfahren und Algorithmen
  7. KI-Entwicklung und KI-Entwicklungsumgebungen
  8. Use-Cases und Übungen
  9. Ausgewählte Themenbereiche der KI, z.B.  
    1. Recommender-Systeme
    2. Process-Mining
    3. Bildverstehen
    4. Zeitreihenanalyse
    5. Web-Mining
    6. Verteilte Lernverfahren
  10. Deployment von KI-Modellen
  11. Einführung in die Nutzung von High-Performance-Computing-Clustern

Gesamtarbeitsaufwand

Der Arbeitsaufwand für das Modul umfasst insgesamt 150 Stunden (siehe auch "ECTS-Leistungspunkte und Benotung").

Lehr- und Lernformen
Dozentengebundenes Lernen
Std. WorkloadLehrtypMediale UmsetzungKonkretisierung
30VorlesungPräsenz oder Online-
30ÜbungPräsenz oder Online-
Dozentenungebundenes Lernen
Std. WorkloadLehrtypMediale UmsetzungKonkretisierung
40Veranstaltungsvor- und -nachbereitung-
30Erstellung von Prüfungsleistungen-
20Literaturstudium-
Benotete Prüfungsleistung
  • mündliche Prüfung oder
  • Hausarbeit
Unbenotete Prüfungsleistung
  • experimentelle Arbeit oder
  • regelmäßige Teilnahme
Bemerkung zur Prüfungsart

Die Auswahl der benoteten und unbenoteten Prüfungsarten aus den vorgegebenen Optionen obliegt der jeweiligen Lehrperson. Diese hält sich dabei an die jeweils gültige Studienordnung.

Prüfungsdauer und Prüfungsumfang

Benotete Prüfungsleistung:

  • Mündliche Prüfung: siehe Allgemeiner Teil der Prüfungsordnung
  • Hausarbeit - Ausarbeitung ca. 15 Seiten, begleitender Vortrag ca. 10 Minuten

Unbenotete Prüfungsleistung:

  • Experimentelle Arbeit: Experiment: insgesamt ca. 5 Versuche
  • Regelmäßige Teilnahme: Anwesenheit von mind. 80% der Veranstaltung

Empfohlene Vorkenntnisse

Die Studierenden werden vertiefte Kenntnisse in der Programmierung sowie Kenntnisse in der Mathematik (insb. Lineare Algebra, Analysis). Studierende vorausgesetzt, wie sie in den Einführungsmodulen erworbenden werden.

Studierende, die ihre Kenntnisse und Fertigkeiten vor Beginn des Moduls auffrischen möchten, wird folgende Grundlagenliteratur empfohlen:

Programmierung: 

Python - Schritt für Schritt Programmieren Lernen, Brunner, 2023

Python 3: Das umfassende Handbuch: Über 1.000 Seiten Sprachgrundlagen, OOP und Beispielprogramme, Ernesti, Kaiser, 2023

Mathematik: 

Standard-Grundlagenwerke zur Analysis und Linearen Algebra

Wissensverbreiterung

Absolventinnen und Absolventen verfügen über grundlegende Kenntnisse im Bereich der schwachen KI. Sie sind in der Lage, einfache KI-Entwicklungsaufgaben unter Anleitung , auch unter Nutzung von HPC-Computing, durchzuführen.

Wissensvertiefung

Studierende werden befähigt und angeleitet, ihr Wissen und praktischen Kompetenzen in ausgewählten Themen  (z.B. spezieller Algorithmik) selbständig zu vertiefen.

Wissensverständnis

Die Studierenden können die Anwendbarkeit von KI-Entwicklungsansätzen und Algorithmen bewerten und kritisch  reflektieren. 

Nutzung und Transfer

Studierende können erlernte Inhalte und Konzepte auf neue Aufgabenstellungen übertragen. 

Kommunikation und Kooperation

Absolventinnen und Absolventen sind in der Lage, ihre Arbeitsergebnisse mündlich und schriftlich in klar strukturierter Form präsentieren und mit Team-Mitgliedern, "virtuellen" Auftraggebern und Fachexperten zu diskutieren.

Literatur

Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und Tensorflow, O'Reilly, aktuellste Auflage (aktuell: 3. Auflage, 2023)

Han, Kamber: Data Mining Concepts and Techniques

Witten, Frank: Data Mining (Forth Edition)

Kotu, Deshpande: Predictive Analytics and Data Mining

Russel, Norvic: Artificial Intelligence: A Modern Approach​

Verwendbarkeit nach Studiengängen

  • Informatik - Medieninformatik

    • Informatik - Medieninformatik B.Sc. (01.09.2025)

  • Informatik - Technische Informatik

    • Informatik - Technische Informatik B.Sc. (01.09.2025)

  • Agrarsystemtechnologien

    • Agrarsystemtechnologien B.Sc. (01.09.2025)

    Modulpromotor*in
    • Tapken, Heiko
    Lehrende
    • Tapken, Heiko
    • Stiene, Stefan
    • Schöning, Julius