Modul CS4130-KP06, CS4130

Dauer:

Angebotsturnus:

Studiengang, Fachgebiet und Fachsemester:

• Master Informatik 2019 (Pflicht), Kanonische Vertiefung Data Science und KI, Beliebiges Fachsemester
• Master Entrepreneurship in digitalen Technologien 2020 (Basismodul), Technologiefach Informatik, 1. oder 2. Fachsemester
• Master Medieninformatik 2020 (Wahlpflicht), Informatik, Beliebiges Fachsemester
• Master Informatik 2019 (Basismodul), Praktische Informatik, 1. oder 2. Fachsemester
• Master Medizinische Informatik 2019 (Basismodul), Praktische Informatik, 1. oder 2. Fachsemester
• Master Robotics and Autonomous Systems 2019 (Wahlpflicht), Wahlpflicht, 1. oder 2. Fachsemester
• Master IT-Sicherheit 2019 (Basismodul), Praktische Informatik, 1. oder 2. Fachsemester
• Master Medizinische Informatik 2014 (Basismodul), eHealth / Informatik, 1. oder 2. Fachsemester
• Master Medieninformatik 2014 (Wahlpflicht), Informatik, Beliebiges Fachsemester
• Master Entrepreneurship in digitalen Technologien 2014 (Basismodul), Technologiefach Informatik, 1. oder 2. Fachsemester
• Master Informatik 2014 (Wahlpflicht), Schwerpunktfach Software Systems Engineering, 2. oder 3. Fachsemester
• Master Informatik 2014 (Basismodul), Praktische Informatik, 1. oder 2. Fachsemester

Qualifikationsziele/Kompetenzen:

• Wissen: Studierende erwerben einen Überblick über Knowledge Graphen und des Semantic Webs sowie generativer künstlicher Intelligenz wie etwa große Sprachmodelle und Graph Neural Networks.
• Fertigkeiten: Studierende können die Möglichkeiten und die Grenzen von Knowledge Graphen und des Semantic Webs beurteilen. Sie können die Folgen des Semantic Web Ansatzes für Datenmodellierung, Datenadministration und -verarbeitung und letztendlich für Applikationen abschätzen. Sie können Semantic Web Applikationen entwickeln. Sie können generative künstliche Intelligenz wie etwa große Sprachmodelle sowie Graph Neural Networks einsetzen, um Aufgaben für und ergänzend zu Knowledge Graphen zu lösen. Sie können über offene Forschungsfragen im Bereich der Knowledge Graphen und des Semantic Webs sowie im Vergleich zu generativer künstlicher Intelligenz und Graph Neural Networks diskutieren.
• Sozialkompetenz und Selbständigkeit: Studierende arbeiten in Gruppen, um Übungsaufgaben und kleine Projekte zu bearbeiten. Selbständige praktische Arbeiten der Studierenden werden durch Übungen zum Teil direkt am Rechner gefördert.

Vergabe von Leistungspunkten und Benotung durch:

• Klausur oder mündliche Prüfung nach Maßgabe des Dozenten

Modulverantwortlicher:

• Prof. Dr. Sven Groppe

Lehrende:

• Institut für Informationssysteme

• Prof. Dr. Sven Groppe

Literatur:

• M. Kejriwal, C. Knoblock: Knowledge graphs - MIT Press, 2021
• S. Groppe: Data Management and Query Processing in Semantic Web Databases - Springer, 2011
• W. L. Hamilton: Graph Representation Learning. In Synthesis Lectures on Artificial Intelligence and Machine Learning - Springer International Publishing, 2020
• D. Jurafsky, J. H. Martin: Speech and language processing - Upper Saddle River, NJ: Pearson, 2008
• D. Foster: Generative deep learning - Sebastopol, CA: O’Reilly Media, 2023

Sprache:

• Sowohl Deutsch- wie Englischkenntnisse nötig

Bemerkungen:

Zulassungsvoraussetzungen zur Belegung des Moduls:
- Keine

Zulassungsvoraussetzungen zur Teilnahme an Modul-Prüfung(en):
- Erfolgreiche Bearbeitung von Übungsaufgaben gemäß Vorgabe am Semesteranfang

Modulprüfung(en):
- CS4130-L1: Informationssysteme, Klausur oder mündliche Prüfung, 100% der Modulnote

Früherer Name: Webbasierte Informationssysteme

Letzte Änderung: