Dieses Modul erforscht die Leistungsfähigkeit von Techniken des Unüberwachten Lernens in Python zur Entdeckung verborgener Muster in Daten. Die Lernenden werden mit den Grundlagen von Clustering-Methoden wie Meanshift beginnen und zu anspruchsvolleren Modellen wie Affinity Propagation und Gaussian Mixture Models übergehen. Der Schwerpunkt des Moduls liegt auf der Auswertung von Clustering-Qualitätsmetriken und der Anwendung dieser Techniken in praktischen Programmierszenarien. Am Ende dieses Moduls werden die Lernenden in der Lage sein, Clustering Algorithmen für reale Anwendungen in Bereichen wie Kundensegmentierung, Bildverarbeitung und Mustererkennung zu analysieren, zu implementieren und zu bewerten.

Dieses Modul führt die Lernenden in die Grundlagen des Überwachten Lernens in Python ein und erforscht die Integration logikbasierter Programmierung für die Lösung von KI-Problemen. Der erste Teil konzentriert sich auf gängige Klassifizierungsmethoden wie Logistische Regression, Naive Bayes und Support Vector Machines (SVM), zusammen mit praktischen Tools wie der Verwirrungsmatrix zur Bewertung der Vorhersageleistung. Der zweite Teil führt in die symbolische KI mit Hilfe der Logikprogrammierung ein und deckt Anwendungen wie das Schließen von Familienbäumen, das Lösen von Rätseln, heuristische Suche, lokale Suchtechniken und Constraint Satisfaction Problems (CSPs) ab. Am Ende dieses Moduls werden die Lernenden in der Lage sein, Klassifizierungsalgorithmen anzuwenden, Leistungsmetriken zu interpretieren und logikbasierte Lösungen für reale KI-Herausforderungen zu konstruieren.

Dieses Modul bietet eine praktische Grundlage für die Verarbeitung natürlicher Sprache (NLP) mit Python und NLTK. Die Teilnehmer lernen die komplette NLP-Pipeline kennen, von Tokenisierung und Textvorverarbeitung bis hin zu Stemming, Lemmatisierung und Segmentierung. Das Modul führt außerdem in fortgeschrittene Aufgaben wie Informationsextraktion, Chunking, Chinking und Named Entity Recognition (NER) ein. Schließlich werden die Lernenden Parsing-Techniken unter Verwendung von Context-Free Grammar (CFG), rekursivem Descent-Parsing und Shift-Reduce-Parsing zur Analyse der Satzstruktur untersuchen. Am Ende dieses Moduls werden die Lernenden in der Lage sein, NLP-Techniken in Python für die Analyse von Texten, die Informationsextraktion und das grammatikbasierte Parsen natürlicher Sprache anzuwenden.