Viele der jüngsten Fortschritte in der Datenwissenschaft, insbesondere beim maschinellen Lernen und bei der künstlichen Intelligenz, beruhen auf umfassender Datenspeicherung und Rechenleistung. Cloud Computing ist eine Möglichkeit, diese Leistung auf skalierbare Weise und ohne beträchtliche Vorabinvestitionen in Hardware- und Software-Ressourcen bereitzustellen. Dieser Kurs führt in den Bereich des Cloud Computing zusammen mit seinen technologischen Voraussetzungen ein. Darüber hinaus werden die neuesten Fortschritte, wie Serverless Computing und Speicherung, veranschaulicht. Schließlich wird ein gründlicher Überblick über beliebte Cloud-Angebote, insbesondere im Hinblick auf Analysemöglichkeiten, gegeben.

1. Einführung in Cloud Computing
   1. Grundlagen des Cloud Computing
   2. Cloud-Service-Modelle
   3. Nutzen und Risiken
2. Technologische Voraussetzungen
   1. Virtualisierung und Containerisierung
   2. Speichertechnik
   3. Netzwerke und RESTful-Dienste
3. Serverloses Rechnen
   1. Einführung in Serverless Computing
   2. Vorteile
   3. Einschränkungen
4. Etablierte Cloud-Plattformen
   1. Google-Cloudplattform
   2. Amazon-Webdienste
   3. Microsoft Azure
5. Datenwissenschaft in der Cloud
   1. Google-Dienste für Datenwissenschaft und maschinelles Lernen
   2. Amazon Web Services für Datenwissenschaft und maschinelles Lernen
   3. Microsoft Azure für Datenwissenschaft und maschinelles Lernen

Künstliche Intelligenz (KI), also die Automatisierung von Abläufen, die „Intelligenz“ benötigen, wurde schon in der Frühzeit der Informatik als Vision formuliert und beispielsweise durch den Turing-Test konkretisiert. In den 2010er Jahren gab es erhebliche Fortschritte zur Erreichung dieser Vision, in erster Linie Weiterentwicklungen der neuronalen Netze. Diese Fortschritte haben dazu geführt, dass Techniken der KI in deutlich wachsendem Umfang nicht nur erforscht, sondern praktisch eingesetzt werden. Eng verwandte neuere Forschungsgebiete wie Data Mining und maschinelles Lernen wenden in erheblichem Umfang Techniken der KI an. Ziel dieses Kurses ist es daher, die grundlegenden Konzepte und Techniken der künstlichen Intelligenz sowie deren praktische Anwendung zu vermitteln.

1. Einführung
   1. Grundbegriffe der künstlichen Intelligenz
   2. Geschichte der künstlichen Intelligenz
   3. Agentensysteme
   4. Schwarmsysteme
   5. Künstliche Intelligenz und Wissensmanagement
   6. Unsicheres Wissen
2. Logik-Grundlagen
   1. Aussagenlogik
   2. Prädikatenlogik
   3. Resolution und Unifikation
   4. Hornklauseln und regelbasierte Wissensrepräsentation
   5. Logik-Programmierung mit Prolog
   6. Backtracking, Unifikation und Ablaufsteuerung in Prolog
3. Problemlösung durch Suche
   1. Uninformierte Suche
   2. Informierte (heuristische) Suche
   3. Spiele mit Gegner
   4. Naturanaloge Metaheuristiken
4. Data Mining und maschinelles Lernen
   1. Grundbegriffe
   2. Klassifikation
   3. Clustering
   4. Regression
   5. Decision Tree Learning
   6. K-Nearest Neighbours
   7. Support Vector Machines
5. Neuronale Netze
   1. Das Perzeptron
   2. Backpropagation-Netze
   3. Hopfield-Netze
   4. Convolutional Neural Networks
   5. Recurrent Neural Networks
6. Entwicklung von KI-Anwendungen
   1. Vorgehensweise
   2. Bibliotheken und Dienste
   3. Training neuronaler Netze
7. Ausgewählte Anwendungen der künstlichen Intelligenz
   1. Expertensysteme
   2. Schach und Go
   3. Watson
   4. Zeichenerkennung
   5. Gesichtserkennung
   6. Selbstfahrende Autos
   7. Gesellschaftliche Auswirkungen der KI