Lehre im Wintersemester 2022/23
Natural Language Processing
Moderne Computersysteme verarbeiten zunehmend Daten in natürlicher Sprache, etwa bei der Suche nach Texten im Internet, der automatischen Übersetzung oder der Informationsextraktion aus Nachrichtenmeldungen oder Beiträgen in sozialen Medien.
Inhalte
In diesem Modul werden anhand von praktischen Beispielen ausgewählte aktuelle Themen des Natural Language Processing behandelt, insbesondere aus den Bereichen:
- Textklassifikation,
- Erkennung von Entitäten,
- Chatbots,
- Topic Modelling und
- Word Embeddings
Lernergebnisse
Die Studierenden kennen die Grundlagen des Natural Language Processing (NLP) und die wichtigsten Anwendungsgebiete. Sie können mit großen Textkörpern umgehen, geeignete NLP-Tools auswählen und diese einsetzen. Sie sind in der Lage, NLP-Modelle zu erstellen und deren Resultate quantitativ zu analysieren, zu bewerten und zu interpretieren. Die Studierenden reflektieren die Mehrdeutigkeit und Ungenauigkeit von Text und haben ein Bewusstsein für die Grenzen der Möglichkeiten aktueller NLP-Verfahren (etwa beim Erkennen von Ironie oder rhetorischen Fragen).
mehr ...Einführung Data Science
Data Science ist auch in der Biologie ein wichtiges Werkzeug geworden. In diesem Modul lernen Sie die Grundlagen von Data Science kennen und wenden sie auf biologische Fragestellungen an.
Lernergebnisse
Hinsichtlich der fachlichen Qualifikation erwerben die Studierenden Grundkenntnissen auf dem Gebiet Data Science. Sie erarbeiten die Fähigkeit zur Modellierung von Anwendungsproblemen aus der Life Science Analytik und stärken somit ihre überfachliche Qualifikation der systemischen Kompetenz. Die Studierenden erlernen das Entwickeln einfacher Programme. Sie beherrschen die Auswahl und Anwendung von Tools zur Lösung von Anwendungsproblemen aus der Life Science Analytik. Sie erhalten ein Verständnis exemplarischer Lernalgorithmen und ihrer Anwendung. Die Studierenden wenden ihre Kenntnisse in Statistik an, um mittels der Fertigkeiten, die sie in diesem Modul erlernen,exemplarisch statistische Probleme zu lösen.
Inhalte
- Python Einfache Programme, Eingabe und Datenimport aus Excel und SQL-Datenbanken, Ausgabe und Visualisierung
- Maschinenlernen Grundlagen, Klassifikationsprobleme, Lineare Regression, SVM, Künstliche Neuronale Netze, Tools in Python, Elementare Programmbeispiele, Anwendungsbeispiel aus dem Life Science Analytics-Bereich z. B. aus der Biomedizin
- Statistische Datenanalyse mit Python Berechnung von Mittelwerten, Streuungsmaßen und Korrelationskoeffizienten in Python, Chi- Quadrat-Test in Python, Anwendungsbeispiele aus dem Life Science AnalyticsBereich z. B. aus der Biomedizin
Deep Learning
Deep Learning hat in den letzten Jahren große Fortschritte in der Anwendung von Künstlicher Intelligenz ermöglicht. In diesem Modul behandeln wir einige dieser Anwendungen, etwa Variational Autoencoders und Generative Adversarial Networks.
Lernergebnisse
Die Studierenden kennen die theoretischen Grundlagen künstlicher neuronaler Netze und verstehen, wie man künstliche neuronale Netze in der Praxis verwendet. Sie sind in der Lage, Aufgaben wie die Erkennung von Ziffern oder die Klassifikation von Bildern mithilfe von DeepLearning Bibliotheken selbstständig zu lösen.
Inhalte
- Deep Learning und Künstliche neuronale Netze (KNN)
- Trainingsalgorithmen für KNN
- Bewertungsverfahren für die Modellgüte
- Spezielle Typen von KNN: Convolutional Neural Networks, Recurrent Neural Networks
- Training von CNNs
- Training von RNNs mit LSTM
- Werkzeuge für Deep Learning
- Praktische Beispiele: MNIST Datensatz, ImageNet
Deep Learning Anwendungen
Deep Learning hat in den letzten Jahren große Fortschritte in der Anwendung von Künstlicher Intelligenz ermöglicht. In diesem Modul behandeln wir einige dieser Anwendungen, etwa Variational Autoencoders und Generative Adversarial Networks.
Lernergebnisse
Die Studierenden verstehen die Funktionsweise aktueller Architekturen tiefer neuronaler Netze und können sie für praktische Anwendungen in Bereichen wie Bilderkennung, Spracherkennung, Spracherzeugung oder Natural Language Processing anwenden.
Sie kennen Bibliotheken und Werkzeuge zum Aufbau und Training tiefer neuronaler Netze und können mit ihrer Hilfe tiefe neuronale Netze aufbauen und trainieren.
Sie kennen aktuelle Trainingsalgorithmen und können diese anwenden.
Sie kennen typische Trainingsprobleme wie Over- und Underfitting und können die Qualität von trainierten Modellen beurteilen.
mehr ...Moderne Web-Frameworks
Im Modul lernen wir die Frontend-Frameworks Vue.js, Angular und React anhand einer konkreten Beispielanwendung kennen. In einer Projektarbeit erstellen Sie als Gruppe oder einzeln eine eigene Webanwendung.
Lernergebnisse
Die Studierenden verstehen die Funktionsweise moderner Webanwendungen und kennen die Vor- und Nachteile verschiedener Ansätze wie etwa Rich Internet Applications oder Single-Page-Anwendungen. Sie können erläutern, welche Komponente die Präsentationslogik enthält.
Die Studierenden haben insbesondere durch praktische Rechnerübungen sowohl Frontends als auch Backends von Web-Anwendungen auf Basis populärer Frameworks implementiert, und sie sind in der Lage, Web-Anwendungen vergleichbarer Komplexität selbständig zu planen und zu entwickeln.
Inhalte
Moderne Web-Frameworks wie etwa
- Vue.js,
- React oder
- Angular werden anhand einer Beispielanwendung vorgestellt.
Im Praktikum werden darauf abgestimmten Präsenzaufgaben zur Erstellung einer einfachen Webanwendung mithilfe verschiedener Frameworks bearbeitet und die unterschiedlichen Ansätze der Frameworks kritisch reflektiert.
mehr ...Frontend-Frameworks für Webanwendungen
Webentwicklung Frontend
Webanwendungen sind aus unserem Alltag nicht mehr wegzudenken, sie machen inzwischen den überwiegenden Teil aller Anwendungen aus. In diesem Modul lernen Sie die grundlegenden Technologien zur Entwicklung des Frontends von Webanwendungen.
Lernergebnisse
Die Studierenden können auf der Basis clientseitiger Technologien (HTML, CSS, Javascript) einfache Webanwendungen erstellen und dabei existierende, einfache REST-APIs einbinden. Sie verstehen die Unterschiede zwischen einer Webanwendung und einer klassischen Anwendung und können die Vor- und Nachteile einer Webanwendung für einen konkreten Anwendungsfall beurteilen. Die Studierenden kennen die Funktionsweise von Single-Page-Anwendungen und verstehen das dabei notwendige Zusammenwirken von Front- und Backend. Darüber hinaus können sie Tools für das Testen und das Debugging von Frontendkomponenten verwenden.
Inhalte
- HTML
- Cascading Style Sheets
- Javascript
- Frameworks wie z.B. jQuery, bootstrap, Angular, React
- Authentisierungsverfahren in Webanwendungen
- Anbindung von REST-APIs per HTTP
- Test von Webanwendungen
- Web-APIs wie z.B. Geolocation, LocalStorage, WebSockets