Angestrebte Lernergebnisse / Learning Outcomes (Beispiel Machine Learning Basics)

Studierende lernen die Grundlagen des maschinellen Lernens, indem sie

• sich intensiv mit neuronalen Netzen und dem maschinellen Lernprozess auseinandersetzen,
• die erforderlichen Programmiertools zur Realisierung solcher Systeme nutzen,
• und theoretische Konzepte durch das Umsetzen in interaktive Anwendungen praktische Erfahrung sammeln,

um später eigenständig interaktive Anwendungen auf Basis neuronaler Netzwerke zu entwickeln und die Funktionsweise solcher Systeme kritisch zu reflektieren.

Studierende lernen die Grundlagen neuronaler Netze,

• indem sie sich intensiv mit dem maschinellen Lernprozess auseinandersetzen und* die erforderlichen Programmiertools zur Realisierung solcher Systeme erwerben,

um später in der Lage zu sein, interaktive Anwendungen auf Basis neuronaler Netzwerke zu entwickeln.

Inhalt (Beispiel Machine Learning Basics)

• Grundlagen neuronaler Netzwerke und ihre Bedeutung für Künstliche Intelligenz kennenlernen.
• Studium des Perzeptron-Modells als einfaches neuronales Netzwerk.
• Entwicklung einer interaktiven Webanwendung zur Erkennung handgeschriebener Zeichen.
• Anwendung ermöglicht interaktive Lernmethoden und Fehlerkorrekturen.
• Visualisierung der Anpassungen im Netzwerk während des Lernprozesses.
• Parallele Erkundung von Lernprozessen im maschinellen Lernen und persönlicher Lernerfahrungen.
• Kritische Betrachtung der aktuellen KI-Trends und Verbesserung des eigenen Lernverständnisses.
• Analyse wissenschaftlicher Arbeiten zum Thema Lernen, um ein tieferes Verständnis zu entwickeln.

Lehr- und Lernformen (Beispiel Machine Learning Basics)

• Seminaristisch
• Inverted Classroom
• Projektarbeit

  Materialien / Ressourcen (Beispiel Machine Learning Basics)

• Lehrvidoes und Unterichtsmaterialien auf TH-Spaces