|
|
|
| Code: TIM-GKR |
|
2V+2P (4 Semesterwochenstunden) |
|
6 |
| Studiensemester: laut Wahlpflichtliste |
| Pflichtfach: nein |
Arbeitssprache:
Deutsch |
Prüfungsart:
mündliche Prüfung (%50) und Projektarbeit (%50)
[letzte Änderung 16.07.2026]
|
E2944 Elektro- und Informationstechnik, Master, Ordnung 01.04.2019
, Wahlpflichtfach
FTM-GKR Fahrzeugtechnik, Master, Ordnung 01.04.2023
, Wahlpflichtfach
KIM-GKR Kommunikationsinformatik, Master, Ordnung 01.10.2019
, Wahlpflichtfach
MAM.GKR Engineering und Management, Master, Ordnung 01.10.2019
, Wahlpflichtfach
MP3206.GKR Medizinische Physik, Master, Ordnung 01.10.2025
, Wahlpflichtfach
PIM-GKR Praktische Informatik, Master, Ordnung 01.10.2026
, 2. Semester, Wahlpflichtfach
TIM-GKR Technische Informatik, Master, Ordnung 01.10.2026
, Wahlpflichtfach
geeignet für Austauschstudenten mit learning agreement
|
|
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 6 Creditpoints 180 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 135 Stunden zur Verfügung.
|
Empfohlene Voraussetzungen (Module):
Keine.
|
Als Vorkenntnis empfohlen für Module:
|
Modulverantwortung:
Prof. Dr.-Ing. Ahmad Osman |
Dozent/innen: Prof. Dr.-Ing. Ahmad Osman
[letzte Änderung 16.07.2026]
|
Lernziele:
Dieses Modul vermittelt fortgeschrittene Methoden der Künstlichen Intelligenz mit Schwerpunkt auf Generative AI und risiko-bewussten intelligenten Systemen.
Nach erfolgreichem Abschluss sind die Studierenden in der Lage:
• fortgeschrittene neuronale Architekturen zu analysieren und praktisch zu implementieren,
• generative Modelle (z. B. GANs, Diffusionsmodelle, Transformer-Architekturen, Large Language Models) zu verstehen und anzuwenden,
• aleatorische und epistemische Unsicherheiten in KI-Systemen zu unterscheiden und zu quantifizieren,
• Modellkalibrierung und Konfidenzabschätzung durchzuführen,
• intelligente Systeme unter realistischen Einsatzbedingungen (Domain Shift, Datenknappheit, regulatorische Anforderungen) zu evaluieren,
• risiko-basierte Entscheidungsmechanismen und Human-in-the-loop-Konzepte zu integrieren,
• industrielle Anwendungsfälle strukturiert zu modellieren und deployment-fähige KI-Lösungen zu entwickeln.
Das Modul verbindet moderne Generative AI mit Unsicherheitsmodellierung, Entscheidungs¬theorie und industrieller Umsetzung.
[letzte Änderung 13.10.2026]
|
Inhalt:
Teil I – Vertiefung fortgeschrittener ML-Methoden
• Repräsentationslernen
• Ensemble-Methoden und Modellkalibrierung
• Grundlagen probabilistischer Modellierung
Teil II – Generative Modelle
• Generative Adversarial Networks (GANs)
• Diffusionsmodelle
• Transformer-Architekturen
• Large Language Models (LLMs)
• Multimodale generative Systeme
Teil III – Unsicherheit und Risiko in KI-Systemen
• Aleatorische vs. epistemische Unsicherheit
• Konfidenzabschätzung und Kalibrierung
• Set-valued / Imprecise Modelle
• Entscheidungsfindung unter Unsicherheit
Teil IV – Deployment und Governance
• Domain Shift und Robustheit
• Evaluationsmetriken für Hochrisiko-Anwendungen
• Human-in-the-loop Systeme
• Grundlagen regulatorischer Rahmenbedingungen (z. B. EU AI Act)
• Projektarbeit mit praxisorientierter Anwendung
[letzte Änderung 13.10.2026]
|
Weitere Lehrmethoden und Medien:
Vorlesung mit interaktiver Diskussion, strukturierte Intensivphase (Blockformat), praktische Implementierung moderner KI-Methoden, projektbasierte Gruppenarbeit mit wissenschaftlicher Ausarbeitung, Präsentationen und aktuelle internationale Fachliteratur.
[letzte Änderung 13.10.2026]
|
Literatur:
Murphy, K. P.: Probabilistic Machine Learning – MIT Press, 2022
Bishop, C.: Deep Learning – Springer, 2023
Transformers / LLM foundations: Vaswani et al., “Attention Is All You Need”
Diffusion models (core GenAI pillar): Ho et al., “Denoising Diffusion Probabilistic Models (DDPM)”
GANs (still important historically + conceptually): Goodfellow et al., “Generative Adversarial Nets”
Uncertainty + risk-aware AI (matches your Epistemic/Imprecise positioning):
• Kendall & Gal, “What Uncertainties Do We Need…?” (aleatoric vs epistemic)
• Lakshminarayanan et al., “Deep Ensembles”
• Guo et al., “On Calibration of Modern Neural Networks”
Goodfellow, I., Bengio, Y., Courville, A.: Deep Learning – MIT Press, 2016
Shalev-Shwartz, S., Ben-David, S.: Understanding Machine Learning – Cambridge University Press, 2014
Ausgewählte aktuelle wissenschaftliche Veröffentlichungen zu Generative AI, Unsicherheitsquantifizierung und industrieller KI (werden im Kurs bereitgestellt).
Eigenständige Recherche ist Bestandteil der Projektarbeit.
Transformer (Attention Is All You Need) PDF:
https://arxiv.org/pdf/1706.03762
DDPM (Diffusion) PDF:
https://arxiv.org/pdf/2006.11239
GANs (Generative Adversarial Nets) PDF:
https://arxiv.org/pdf/1406.2661
Deep Ensembles PDF:
https://arxiv.org/pdf/1612.01474
Calibration (Guo et al.) PDF:
https://arxiv.org/pdf/1706.04599
Kendall & Gal uncertainties PDF:
https://arxiv.org/pdf/1703.04977
[letzte Änderung 13.10.2026]
|
