Module Handbook

  • Dynamischer Default-Fachbereich geändert auf SO

Notes on the module handbook of the department Social Sciences

Die hier dargestellten Studiengang-, Modul- und Kursdaten des Fachbereichs Sozialwissenschaften [SO] befinden sich noch in Entwicklung und sind nicht offiziell.

Die offiziellen Modulhandbücher finden Sie unter https://www.sowi.uni-kl.de/studium/ .

Module SO-14-116--M-6

Application of intelligent systems (M, 8.0 LP)

Module Identification

Module Number Module Name CP (Effort)
SO-14-116--M-6 Application of intelligent systems 8.0 CP (240 h)

Basedata

CP, Effort 8.0 CP = 240 h
Position of the semester 1 Sem. in SuSe
Level [6] Master (General)
Language [DE/EN] German or English as required
Module Manager
Lecturers
Area of study [SO-SOZ] Sociology
Reference course of study [SO-88A.?-SG#2021] M.A. Soziologie und empirische Sozialforschung mit Schwerpunkt Computational Social Science [2021]
Livecycle-State [NORM] Active

Notice

zwei Veranstaltungen auswählen.

Courses

Type/SWS Course Number Title Choice in
Module-Part
Presence-Time /
Self-Study
SL SL is
required for exa.
PL CP Sem.
2V+1U INF-74-60-K-6
Agent Based Simulations of Complex Systems
WP 42 h 78 h
TEILN
ja PL1 4.0 SuSe
2V+1U INF-71-63-K-6
Social Web Mining
WP 42 h 78 h
TEILN
ja PL1 4.0 SuSe
2V+1U INF-71-58-K-5
Collaborative Intelligence
WP 42 h 78 h
TEILN
ja PL1 4.0 SuSe
2V+1U INF-71-56-K-6
Applications of Machine Learning and Data Science
WP 42 h 78 h
TEILN
ja PL1 4.0 WiSe
  • About [INF-74-60-K-6]: Title: "Agent Based Simulations of Complex Systems"; Presence-Time: 42 h; Self-Study: 78 h
  • About [INF-74-60-K-6]: The study achievement "[TEILN] continuous and active participation in the courses" must be obtained.
    • It is a prerequisite for the examination for PL1.
  • About [INF-71-63-K-6]: Title: "Social Web Mining"; Presence-Time: 42 h; Self-Study: 78 h
  • About [INF-71-63-K-6]: The study achievement "[TEILN] continuous and active participation in the courses" must be obtained.
    • It is a prerequisite for the examination for PL1.
  • About [INF-71-58-K-5]: Title: "Collaborative Intelligence"; Presence-Time: 42 h; Self-Study: 78 h
  • About [INF-71-58-K-5]: The study achievement "[TEILN] continuous and active participation in the courses" must be obtained.
    • It is a prerequisite for the examination for PL1.
  • About [INF-71-56-K-6]: Title: "Applications of Machine Learning and Data Science"; Presence-Time: 42 h; Self-Study: 78 h
  • About [INF-71-56-K-6]: The study achievement "[TEILN] continuous and active participation in the courses" must be obtained.
    • It is a prerequisite for the examination for PL1.

Examination achievement PL1

  • Form of examination: examination in form of partial achievements
  • Examination Frequency: each semester

Evaluation of grades

All partial module examinations have to be passed. The module grade is the arithmetic mean of all partial examination grades.


Contents

  • Concepts and history of agent based simulations (ABM)
  • Classical models and results
  • Dealing with simulation tools: NetLogo, Repast, Fables
  • Analysis in R, 'Executable Papers'
  • Design and implementation of an individual ABM project
  • RESTful APIs
  • RSS and Atom Syndication
  • Web Crawling and Web Scraping
  • Data Mining
  • Text Mining
  • Network Mining
  • Methods for supporting personal knowledge work
  • Organizational Memories
  • Modeling of attention and activity context
  • Basics of Information Retrieval
  • Searching in location-, task-, and interest-based contexts
  • Agile knowledge-workflows and emergent systems
  • Enterprise platforms and social networks
  • Factors of success and evaluation methods
  • Approaches for analysing and explaining Time Series
  • Time Series Forecasting and Neural Architecture Search
  • Smart Grid Monitoring and Assessment
  • Attention-Based Natural Language Processing
  • Natural Language Generation
  • Meta-Learning or Learning to Learn
  • Adversarial attacks and Links to Interpretability
  • Video Object Segmentation
  • The intricacies of scaling in neural network training
  • Knowledge Graph Construction
  • Self-organizing Personal Knowledge Assistants

Competencies / intended learning achievements

Es wird/werden in diesem Modul schwerpunktmäßig folgende Kompetenz/en gefördert:

Methodenkompetenzen in der Verwendung und Analyse neuartiger Datenquellen. Studierende er- lernen grundlegende und weiterführende Verfahren der computer-intensiven Datenanalyse

Mit erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage,

− zu verstehen, welche Art von Problemen mit Hilfe der Methoden der KI gelöst werden kön- nen; grundlegende Methoden des maschinellen Lernens und des Knowledge Engineerings auf definierte Problemstellungen anzuwenden; die Vor- und Nachteile verschiedener Such- und Problemlösungsstrategien einzuschätzen; die Leistungsfähigkeit bestimmter Techniken für die jeweilige Problemdomäne anhand sinnvoller Kriterien zu beurteilen; die Risiken bei der Entwicklung von Systemen mit starker KI einzuschätzen.

− die Besonderheiten industriell und wirtschaftlich relevanter Anwendungsgebiete der KI zu erklären, geeignete Anwendungen der Künstlichen Intelligenz in realen Kontexten zu iden- tifizieren, konkrete Projektanforderungen als Probleme der KI zu identifizieren, die Anwen- dung fortgeschrittener KI-Verfahren in praxisorientierten realweltlichen Umgebungen zu planen, die Leistungsfähigkeit bestimmter KI-Verfahren zu analysieren, Anwendungen der KI in realen Kontexten zu reflektieren.

− grundlegende Konzepte und Methoden der agentenbasierten Simulation zu erklären, geeig- nete Software zur Durchführung Agenten-basierender Simulationen auszuwählen, algorith- mische Verfahren Agenten-basierender Simulationen in Bezug zu vergleichen, Agenten-ba- sierende Simulationen zu konzipieren.

− geeignete Techniken zur datengetriebenen Analyse von Inhalten des Social Web (soziale Netzwerke, interaktive Webplattformen und E-Mails) auszuwählen, die Auswahl zu begrün- den, die Grenzen der Anwendung von Verfahren des Social Web Minings im Anwendungs- kontext zu analysieren, die Stärken und Schwächen von Verfahren abhängig vom jeweili- gen Anwendungskontext zu bewerten.

− grundlegende Techniken des Information Retrieval und Web Mining zu beschreiben und anzuwenden; multimodale Interaktionsformen mit Information (z.B. Informationsbereitstel- lung, Kontextmodellierung, Benutzerbeobachtung) zu bewerten und für praktische Prob- leme anzuwenden; Konzepte und Verfahren zum Informations-Sharing in kollaborativen Umgebungen zu vergleichen und Lösungen für praktische Probleme zu entwickeln; die Auswahl geeigneter Methoden und Technologien zur Unterstützung wissensintensiver Tä- tigkeiten zu begründen; die Vor- und Nachteile der Anwendung von Collaborative Intelli- gence im Anwendungskontext zu analysieren; die Stärken und Schwächen semantischer Technologien abhängig vom jeweiligen Anwendungskontext zu validieren und im Kontext ihres Potenzials einzuschätzen.

Requirements for attendance of the module (informal)

None

Requirements for attendance of the module (formal)

None

References to Module / Module Number [SO-14-116--M-6]

Course of Study Section Choice/Obligation
[SO-88A.?-SG#2021] M.A. Soziologie und empirische Sozialforschung mit Schwerpunkt Computational Social Science [2021] [Specialisation] Wahlpflicht [WP] Compulsory Elective