Information Technology Basics

Lehrinhalte

Grundlagen der Informatik & Systeme (Modul 1–4) • grundlegende Konzepte der Informationstechnologie, Rechnerarchitektur und Speicherorganisation erklären und einordnen • verschiedene Zahlensysteme (binär, dezimal, hexadezimal) verstehen und deren Bedeutung für die digitale Datenverarbeitung erläutern • den Unterschied zwischen Daten, Information und Wissen erklären sowie unterschiedliche Datentypen (Text, Bild, Audio, Video) konzeptionell einordnen • grundlegende Prinzipien der Verarbeitung strukturierter und unstrukturierter Daten beschreiben • zentrale Konzepte sicherer Kommunikation, Vernetzung und Kryptographie in ihrer Funktion und Zielsetzung erklären • den Begriff des Algorithmus zu erläutern und klassische algorithmische Ansätze von KI-basierten Verfahren abgrenzen • grundlegende Software- und Systemkonzepte (z. B. verteilte Systeme, Blockchain) in ihren Grundzügen beschreiben Künstliche Intelligenz – Grundlagen & Einordnung (Modul 5) • den Begriff der Künstlichen Intelligenz definieren und KI von klassischer, regelbasierter Software abgrenzen • zentrale Grundbegriffe der KI (z. B. Lernen, Mustererkennung, Generalisierung, Entscheidung) erklären • typische Einsatzfelder von KI (z. B. Prognose, Klassifikation, Optimierung, Automatisierung) beschreiben und einordnen • Erwartungen an KI-Systeme kritisch mit deren tatsächlichen Fähigkeiten und Grenzen vergleichen (AI Literacy) Maschinelles Lernen & Deep Learning (Modul 6) • die Rolle des Maschinellen Lernens als Teilgebiet der KI darstellen • die grundlegenden Lernparadigmen des Maschinellen Lernens (Supervised, Unsupervised, Reinforcement Learning) erklären und voneinander abgrenzen • zentrale Herausforderungen des maschinellen Lernens (Overfitting, Underfitting, Generalisierung) konzeptionell erläutern • die Grundprinzipien von Deep Learning und künstlichen neuronalen Netzen beschreiben, einschließlich Aufbau, Funktion und Trainingsidee Generative KI & moderne KI-Systeme (Modul 7) • das Grundkonzept generativer KI erklären und von analytischen KI-Ansätzen abgrenzen • die Transformer-Architektur als Grundlage moderner generativer Modelle konzeptionell beschreiben, insbesondere Tokenisierung, Embeddings und den Attention-Mechanismus • Large Language Models als eine Ausprägung generativer KI in ihren Grundzügen erklären • aktuelle Erweiterungen und Entwicklungslinien (z. B. Retrieval Augmented Generation, agentenbasierte Systeme) auf konzeptioneller Ebene einordnen • Chancen, Grenzen und typische Fehlannahmen moderner generativer KI kritisch reflektieren