Module Das erwartet Sie im Studium

Databases & Big Data
Sie entwerfen und entwickeln ihre eigene Datenbankanwendung, vom Use case über das Datenbankschema, Datenimport & Transformation, Daten-Analytik und Performance-Optimierung bis zur Visualisierung und der Entscheidungsunterstützung. Dabei lernen Sie wichtige Aspekte über Datenbanksicherheit kennen. Sie implementieren alle Aspekte des Projekts sowohl mit SQL- als auch NoSQL-Datenbanken und lernen so einen Vergleich der beiden Technologien. (6 ECTS)

Knowledge Representation & Reasoning
Dieses Modul führt die Studierenden in die Grundlagen der Wissensrepräsentation in der KI ein. Unterrichtet werden Aussagenlogik, Prädikatenlogik, Beschreibungslogiken und Bayessche Netze mit dem Ziel, dass die Studierenden wichtige KI-Technologien wie logische Modellierungen, Bayessche Netze, Ontologien, Wissensgraphen und SAT Solver verstehen und anwenden können. (3 ECTS)

Algorithmen & Datenstrukturen
Die Kernthemen von Algorithmen & und Datenstrukturen sind: Komplexität, O-Notation, Rekursion, Stacks, Queues, Mengen, Maps, Hash-Tabellen, Multimaps, Priority-Queues, Heaps, Binary-Search-Trees (BST, AVL, Splay), Sortierung (Merge-, Quick-, Radix-Sort; Lower-Bound), Graphen (Traversierungen, Digraphen, DAG's, Shortes-Path-Tree, Minimal-Spanning-Tree). (3 ECTS)

Information Security
In diesem Modul werden die grundlegenden Konzepte für das Erreichen der Schutzziele der Informationssicherheit behandelt. Die Studierenden verstehen die typischen Bedrohungen und kennen die technischen und organisatorischen Massnahmen zu deren Abwehr. (3 ECTS)

Objektorientierte Programmierung
Eine fundierte und praxisbezogene Einführung in die Grundlagen der objektorientierten Programmierung anhand der Sprache Java. Durch zahlreiche Übungsaufgaben und Beispiele werden die Studierenden zur Erstellung einfacher und automatisiert getesteter Programme befähigt. Die Anwendung ausgewählter Designprinzipien sowie der Einsatz von professionellen Entwicklungswerkzeugen vervollständigen den Inhalt. (6 ECTS)

Schliessen

Applied Statistics
In diesem Modul werden Schlüsselbegriffe und Konzepte aus der Statistik, die für die Data Science relevant sind, eingeführt und geübt. Dies umfasst die Explorative Datenanalyse, Daten- und Stichprobenverteilungen, statistische Versuche und Signifikanztests, Regression und Vorhersage und eine Einführung in die Klassifikation. Anwendung aus dem datenwissenschaftlichen Kontext werden mit der Programmiersprache R gelöst. (3 ECTS)

Diskrete Mathematik für Datenstrukturen & Algorithmen
Im Modul DMATH-ALGO wird die diskrete Mathematik für das Beschreiben und Analysieren von Algorithmen und Datenstrukturen eingeführt. Das umfasst: Logik, Beweistheorie, Rekursion, Graphentheorie und Komplexitätstheorie. Mengen, Matrizen und Graphen sind abstrakte Strukturen für das Verwalten von Daten. Mit Relationen und Funktionen kann Datenmanipulation beschrieben und untersucht werden. Die Inhalte werden mit interaktiven Videos vermittelt. In wöchentlichen Übungslektionen üben und vertiefen die Studierenden die Inhalte. (3 ECTS)

Diskrete Mathematik für Datenverschlüsselung & Datenkodierung
Im Modul DMATH-CODE wird die diskrete Mathematik für das Beschreiben und Analysieren von Datenverschlüsselung und Datenkodierung eingeführt. Das umfasst: Wahrscheinlichkeitstheorie, Kombinatorik und Zahlentheorie. Beim Verschlüsseln von Daten ist Zufall ein zentrales Element und mit Wahrscheinlichkeiten kann die Sicherheit von Krypto Protokollen beurteilt werden. Modulare Arithmetik und Primzahlen sind Basisbausteine moderner Kryptographie und Codierungstheorie. Die Inhalte werden mit interaktiven Videos vermittelt. In wöchentlichen Übungslektionen üben und vertiefen die Studierenden die Inhalte. (3 ECTS)

Lineare Algebra
Lineare Gleichungssysteme (Gaussalgorithmus); Matrixalgebra; Vektorräume; lineare Abbildungen und ihre Eigenschaften sowie deren Anwendungen (z.B. in der Computergraphik); Eigenwertprobleme sowie Singulärwertzerlegung. Alle Themen werden auf praktische Probleme aus der Computerwissenschaft angewandt und mit einer geeigneten Programmiersprache (wie python, etc.) implementiert. (3 ECTS)

Grundlagen der Analysis
Grundlagen der Differential- und Integralrechnung: Stetigkeit, Grenzwert, Konvergenz, Differentialquotient, Integral. Ableitungs- und Integrationsregeln: Produkt-, Quotienten- und Kettenregel, Integration durch Substitution, partielle Integration. Anwendungen auf Graphen von Funktionen (Monotonie, Null-/Extremstellen, Wendepunkte, Krümmung) und in Optimierungsproblemen. Integration/Differentiation mit Software. (3 ECTS)

Schliessen

Natural Language Processing
Natürliche Sprachverarbeitung (NLP) ist ein Teilgebiet der Linguistik, Informatik und KI, das sich mit der Interaktion zwischen Computern und menschlicher Sprache befasst, insbesondere damit, wie man Computer so programmiert, dass sie grosse Mengen an natürlichsprachlichen Daten verarbeiten und analysieren können. Wir werden zunächst kurz auf klassische NLP-Methoden eingehen, und uns anschliessend auf Deep Learning für NLP konzentrieren. Die neuesten Entwicklungen im Bereich grosser Sprachmodelle werden ebenfalls ein Thema sein. (9 ECTS)

Reinforcement Learning
Grundlagen von Reinforcement Learning (RL); Markovsche Entscheidungsprozesse; Darstellung von Policy- und Value-Funktionen; Grundlegende RL Algorithmen wie Dynamic Programming, Monte-Carlo, Temporal Difference Learning, SARSA und Q-Learning; Funktionen Approximation, Policy-Gradienten Methoden und Deep Reinforcement Learning; Anwendung in die Programmierung von Agenten. (6 ECTS)

Computer Vision & AI
Grundlegende Methoden der Bildverarbeitung, Farbwahrnehmung und Farbsysteme, Bildverbesserung, Lineare Filter, Featuredetektion und Beschreibung, Objekterkennung, Segmentierung, Neuronale Netzwerke und Deep Learning für Computer Vision; Objekt Tracking; 3D Rekonstruktion; Video Analysis; Bild Generierung. (6 ECTS)

Machine Learning Operations
Machine Learning Operations (MLOps) sind Techniken und Best Practices an der Schnittstelle von Machine Learning, DevOps, und Data Engineering. Das Ziel von MLOps ist die Entwicklung von zuverlässigen, skalierbaren, und reproduzierbaren ML Systemen, die mit minimalem manuellem Aufwand in die Produktionsumgebung deployed werden können. In diesem Kurs werden ebenfalls Best Practices für das Training von Deep Neural Networks, sowie verteiltes Training (ein Modell auf mehreren GPUs) unterrichtet. (3 ECTS)

Machine Learning
Grundlegende Techniken, Modelle und Architekturen des überwachten und nicht-überwachten maschinellen Lernens für strukturierte und unstrukturierte Daten: Regressions- und Klassifikationsmodelle, Modellevaluation, Clustering, Warenkorbanalyse, Dimensionsreduktion und Recommender Systeme. Einführung in Deep Learning und dessen Anwendung in der Bildanalyse (Convolutional Neural Nets (CNN) und Transfer Learning), Zeitreihenanalyse (Recurrent Neural Nets (RNN)), Sprachmodelle (Transformerarchitektur & Large Language Models (LLM)), GANs und Diffusionsmodelle. Umsetzung von Machine Learning Projekten in Python. AIML-Bachelor-Studierende müssen ADML belegen. Alle anderen Studierenden können entweder ML (3 Credits) oder ADML (6 Credits) als Wahlmodul belegen, aber nicht beide.

Programming for Data Science
Den Studierenden werden die grundlegenden Programmierkonzepte, sowie die Grundlagen der objektorientierten Programmierung in Python (the 'pythonic' way) vermittelt. Des Weiteren lernen die Studierenden die wichtigen Bibliotheken NumPy, Matplotlib, Seaborn und Pandas kennen. Dadurch werden sie befähigt, verschiedene Problemstellungen in Data Science und Artificial Intelligence zu implementieren. (6 ECTS)

Schliessen

AI & Business
Im Jahr 2015 prägte Gartner den Begriff «Algorithmic Business», um diesen nächsten Schritt im digitalen Geschäft zu beschreiben und die neuesten Entwicklungen in den Bereichen künstliche Intelligenz, maschinelles Lernen (z. B. Deep Learning), und Data-Science zu würdigen. Der Fokus liegt dabei auf der gewinnbringenden Kombination von Algorithmen und darauf abgestimmten Geschäftsmodellen. Das Modul beschäftigt sich mit der Entwicklung von Geschäftsideen im Zusammenhang mit Daten und künstlicher Intelligenz. (3 ECTS)

AI Ethics & Regulation
Die Entwicklungen im Feld der Künstlichen Intelligenz und der digitale Wandel führen zu vielfältigen ethischen und normativen Fragestellungen. Das Modul wird in diese Diskussionen einführen und die ethischen Grundlagen klären, damit diese aktuellen Debatten verstanden und auf die eigene Arbeit bezogen werden können. Dabei werden die sozialen und normativen Aspekte der KI thematisiert und die wichtigsten Überlegungen zur Ethik der KI kontrovers debattiert. Im Rahmen einer ethischen Reflexion auf ein eigenes Vorhaben wird Ethik zudem praktisch angewandt. (3 ECTS)

Robotics
Industrieroboter (6-Achs-Knickarm--Roboter) sowie mobile und humanoide Roboter werden so programmiert, dass sie verschiedene Aufgaben erfüllen können. Damit sich die Roboter in ihrer Umgebung zurechtfinden und ihre Aufgaben lösen können, werten sie Signale verschiedener Sensoren aus. 
HINWEIS: AI/ML Bachelor Studierende der HSLU Informatik können anstelle dieses ROBO-Moduls das Modul AROB am Dept. T&A in Horw besuchen. (Sie müssen entweder das eine oder das andere besuchen).
HINWEIS: T&A Studenten (TM und TDE) in Horw können dieses ROBO Modul in Rotkreuz in Ergänzung zum Modul AROB besuchen. (6 ECTS)

Industrial Optimization
Dieses Modul bietet eine Einführung in die quantitativen Modelle und Methoden der Decision Science (auch bekannt als Operations Research), welche zur Entscheidungshilfe im Industrie- und Dienstleistungssektor eingesetzt werden. Insbesondere werden die lineare Programmierung, die ganzzahlige lineare Programmierung und das Constraint Programming besprochen. Ein besonderes Gewicht wird auf Modellieraspekte und praktische Anwendungen gesetzt. Es werden zum Beispiel Entscheidungsprobleme im Bereich Produktionsplanung, Mitarbeitereinsatzplanung, Tourenplanung und Sportturnierplanung betrachtet. Unter Einsatz verschiedener Software, insbesondere Tabellenkalkulator, Pyomo (Python), Cbc, Gurobi und Google OR-Tools, werden die quantitativen Modelle implementiert und gelöst. (6 ECTS)

Philosophy, Art & AI
Dieser interdisziplinäre Kurs befasst sich mit der faszinierenden Schnittmenge von Philosophie, Kunst und künstlicher Intelligenz und bietet eine einzigartige Erkundung ihrer Komplexität und Auswirkungen. Die Studierenden erforschen Schlüsselthemen wie philosophische Ansätze zu KI und Kunst, was es bedeutet, im Zeitalter der KI ein Künstler zu sein, wie KI in den Medien dargestellt wird und die Auswirkungen von KI, während sie gleichzeitig ein tiefes Verständnis dafür erlangen, wie diese Konzepte miteinander verwoben sind und was dies über die Gesellschaft aussagt.  Die Studierenden werden ihre Perspektiven auf die philosophische Natur und die gesellschaftlichen Auswirkungen der KI erweitern und wertvolle Einblicke in die Zukunft dieses sich schnell entwickelnden Bereichs gewinnen. (3 ECTS)

Introduction to AI
Dieses Modul führt in Künstliche Intelligenz ein und vermittelt die technischen Grundlagen einer erfolgreichen Arbeit in KI-Projekten.  Es vermittelt einen Einblick in die Geschichte der KI, behandelt die Metapher des rationalen intelligenten Agenten und stellt verschiedenste Agenten-Architekturen vor. Ergänzend werden die linguistischen Grundlagen für die Verarbeitung sprachlicher Information in Chatbot Agenten behandelt und Methoden der Neuro-Psychologie zum Studium der menschlichen Wahrnehmung vermittelt. Für die KI-Projektarbeit werden die Grundlagen der Projektarbeit in Data Science und Machine Learning behandelt und mithilfe verschiedenster Software-Tools, wie z.B. Pyenv, Jupiter Notebooks, Docker, Git, VS Code, geübt. (6 ECTS)

Schliessen

AI/ML Bachelor Project
Individuelle Bachelorarbeit im Kontext der gewählten fachlichen Ausrichtung. Die Aufgabenstellungen stammen von Wirtschaftspartnern oder Forschungsgruppen/ Fachdozierenden. Engineering und praktische Umsetzung haben einen hohen Stellenwert. Die Bachelorarbeit wird grundsätzlich als Einzelarbeit durchgeführt.  (12 ECTS)

AI/ML Competition
In diesem Modul nehmen die Studierenden an nationalen und internationalen KI-Wettbewerben teil und treten gegen andere Universitäten oder Organisationen an. Manchmal (aber nicht immer) stehen beträchtliche Preisgelder auf dem Spiel. Die Studierenden werden dabei unterstützt, ehrgeizig zu sein und diese Wettbewerbe zu gewinnen. Bei den Herausforderungen handelt es sich zum Beispiel um Wettbewerbe von Kaggle oder um einschlägige Hackathons.  (6 ECTS)

Data Science Projekt I
Die Studierenden werden die typische Data-Science-Pipeline sowie Fähigkeiten im Projektmanagement von Data-Science-Projekten durch projektbasiertes Lernen erlernen. Die Studierenden können ein Projekt aus einer Liste möglicher Ideen in verschiedenen Bereichen der Data Science auswählen. Alle Projekte decken immer allgemeine Kernelemente der Data Science in einem Projektkontext ab. Der Kurs konzentriert sich auf die frühen Phasen eines Projekts: Datenengineering, Datenerkundung und einfache maschinelle Lernmodellierung. Cloud-Technologien oder Experiment-Tracking werden in diesem Kurs nicht behandelt. Die Studierenden präsentieren ihre Endergebnisse einer Jury von Branchenexperten, deren Bewertung 70 % der Endnote ausmacht. Dies ist eines von zwei Modulen (DSPRO1 & DSPRO2). (6 ECTS)

Data Science Projekt II
Die Studierenden werden die typische Data-Science-Pipeline sowie Fähigkeiten im Projektmanagement von Data-Science-Projekten durch projektbasiertes Lernen erlernen. Die Studierenden können ein Projekt aus einer Liste möglicher Ideen in verschiedenen Bereichen der Data Science auswählen. Alle Projekte werden immer allgemeine Kernelemente der Data Science im Rahmen eines Projekts abdecken. Dieser Kurs konzentriert sich auf unstrukturierte Daten, Cloud-Technologien und erfordert als Abgabe einen wissenschaftlichen Bericht. Es wird erwartet, dass die Studierenden mit unstrukturierten Daten arbeiten. Die Studierenden präsentieren ihre Endergebnisse einer Jury von Branchenexperten, deren Bewertung 70 % der Endnote ausmacht. Dies ist eines von zwei Modulen (DSPRO1 & DSPRO2). (6 ECTS)

Data Visualization
Die Studierenden lernen Konzepte und Softwarelösungen für Datenvisualisierungen kennen, können diese sinnvoll anwenden und in einem interaktiven Prototyp umsetzen. Der gesamte Prozess von der Datenakquise, Speicherung und Verarbeitung bis hin zu verschiedenen Formen interaktiver Visualisierung wird methodisch aufgezeigt, praktisch angewendet und kritisch reflektiert. (3 ECTS)

Communication Skills
In diesem Modul planen und schreiben die Studierenden auf systematische Weise verständliche und attraktive Sachtexte für das Studium und den Berufsalltag. Betriebliche Textsorten aus dem Bereich der Informatik und das wissenschaftliche Schreiben stehen dabei im Vordergrund. Sie analysieren und klassifizieren multimodale Texte und beurteilen diese im Hinblick auf ihre Verständlichkeit. (3 ECTS)

Projektmanagement
Vermittelt werden die Grundlagen des klassischen und agilen Projektmanagements anhand von Theorie, Übungen und einer Fallstudie in den Bereichen Projekt-Setup, Anforderungserhebung, Projekt-Planung, -Controlling sowie Projektführung, Reporting und Kommunikation. (3 ECTS)

Schliessen