Lehre

Angewandte KI, Data Science und verantwortungsvolle digitale Systeme

Prof. Dr. Jalali lehrt an der Schnittstelle von künstlicher Intelligenz, Data Science, Empfehlungssystemen, maschinellem Lernen, Datenmanagement und Social Computing. Im Mittelpunkt stehen praktische Umsetzung, verantwortungsvolle Nutzung und interdisziplinäre Anwendungen.

01 Recommendation Systems and Media Personalization 02 Statistics and Machine Learning 03 Data Management 04 Social Media Analytics and Sentiment Analysis

Aktuelle Lehrveranstaltungen

Lehre mit Praxisbezug und Forschungsnähe

Die aktuelle Lehre verbindet Grundlagen, praktische Implementierung, reproduzierbare Workflows und die kritische Diskussion darüber, wie digitale Systeme wissenschaftliche, berufliche und gesellschaftliche Kontexte prägen.

01

Recommendation Systems and Media Personalization

Grundlagen und aktuelle Entwicklungen von Empfehlungssystemen für personalisierte Medien, Plattformen und digitale Dienste.

Zentrale Themen

Content-based FilteringCollaborative FilteringHybride EmpfehlungssystemeEvaluationsmetrikenEthik und FilterblasenLLM-basierte, multimodale, graphbasierte, reinforcement-learning-basierte und verantwortungsvolle Recommender

Methoden und Werkzeuge

  • Python
  • Jupyter/Colab-Notebooks
  • GitHub-Übungen
  • Reale Empfehlungsdatensätze
  • Gruppenprojekte

Lernergebnisse

  • Recommender-Pipelines entwerfen und evaluieren
  • Personalisierungsstrategien vergleichen
  • Plattformwirkung, Fairness und verantwortungsvolle Nutzung reflektieren

02

Statistics and Machine Learning

Statistische Grundlagen und Konzepte des maschinellen Lernens für datenbasiertes Denken, Modellierung, Evaluation und Berichterstattung.

Zentrale Themen

Deskriptive StatistikWahrscheinlichkeit und VerteilungenStichproben und zentraler GrenzwertsatzInferenz und HypothesentestsKorrelation und RegressionKlassifikation, Regularisierung, unüberwachtes Lernen, Zeitreihen und Reporting

Methoden und Werkzeuge

  • Python
  • Jupyter/Colab
  • Hands-on-Notebooks
  • Übungen zur Modellevaluation
  • Anwendungsnahe Datensätze

Lernergebnisse

  • Statistisches Denken anwenden
  • Machine-Learning-Modelle entwickeln und evaluieren
  • Ergebnisse klar und reproduzierbar berichten

03

Data Management

Prinzipien und praktische Workflows für das Verwalten, Dokumentieren, Bereinigen und Teilen von Daten in Forschung und Praxis.

Zentrale Themen

FAIR-PrinzipienMetadatenDatenqualitätDatenbereinigung und ProfilingForschungsdatenmanagementDatenmanagementpläneRepositorien, Dublin Core, DataCite, schema.org und Graphdatenmanagement

Methoden und Werkzeuge

  • Übungen zum Data Profiling
  • Metadaten-Templates
  • Repository-Workflows
  • Graphdaten-Beispiele
  • Fallstudien aus dem Forschungsdatenmanagement

Lernergebnisse

  • Datenmanagementpläne erstellen
  • Datenqualität und Dokumentation verbessern
  • Metadatenstandards für nachnutzbare und auffindbare Daten einsetzen

04

Social Media Analytics and Sentiment Analysis

Analyseverfahren für Social-Media-Daten, Textsignale, öffentliche Diskurse, Netzwerkverhalten und verantwortungsvolle Interpretation.

Zentrale Themen

Datenerhebung in sozialen MedienTextvorverarbeitungSentimentanalyseOpinion MiningSoziale NetzwerkanalyseEngagement AnalyticsBewusstsein für Desinformation und Bias

Methoden und Werkzeuge

  • Python-Notebooks
  • Textanalyse-Pipelines
  • Beispiele zur Netzwerkanalyse
  • Reale Datensätze aus sozialen Plattformen
  • Ethische Reflexion

Lernergebnisse

  • Social-Media-Daten analysieren
  • Workflows für Sentimentanalyse und Opinion Mining aufbauen
  • Engagement- und Netzwerkmuster verantwortungsvoll interpretieren

Frühere Lehrgebiete

Gewachsene fachliche Grundlagen

Frühere Lehraktivitäten verbinden semantische Technologien, Web Intelligence, Data Mining, künstliche Intelligenz und verantwortungsvolle KI.

Semantic Web

Web Mining

Data Mining

Artificial Intelligence

Responsible AI

Lehrphilosophie

Lernen durch Anwendung und kritische Reflexion

Die Lehre verbindet Theorie und Praxis durch reproduzierbare Notebooks, GitHub-basierte Übungen, reale Datensätze, Gruppenprojekte und aktive Diskussion. Studierende entwickeln funktionierende Systeme und reflektieren zugleich Zuverlässigkeit, Bias, Erklärbarkeit, Datenschutz und gesellschaftliche Wirkung.

Lernen durch Anwendung mit Notebooks, Code und praktischen Übungen

Verbindung von Theorie und Praxis anhand realer Datensätze

Verantwortungsvolle und vertrauenswürdige KI als wiederkehrendes Gestaltungsprinzip

Interdisziplinäre Beispiele aus Medien, Gesundheit, Materialwissenschaft, Wirtschaft und sozialen Plattformen

Reproduzierbares Lernen mit GitHub und Jupyter

Aktive Diskussion, Austausch und kritische Reflexion

Betreuungsprofil

Betreuung wissenschaftlicher Abschlussarbeiten

15+

Primary PhD supervisions

100+

Primary Master's supervisions

5+

Secondary PhD supervisions

50+

Secondary Master's supervisions

Betreuung und Zusammenarbeit

Die Betreuung von Studierenden und Abschlussarbeiten ist besonders auf angewandte KI, Materialinformatik, Graph Learning, LLM-gestützte Forschungsworkflows, Optimierungsalgorithmen, semantische Technologien und verantwortungsvolle datenbasierte Entscheidungsunterstützung ausgerichtet.

Kursressourcen

Ausgewählte Lerninfrastruktur

Öffentliche Materialien werden nur bereitgestellt, wenn dies sinnvoll und zulässig ist. Private Moodle-Räume und interne Kurs-Repositories werden nicht öffentlich verlinkt.

Moodle

Zugang über die offiziellen Kursräume der Hochschule

Öffentliche Kursmaterialien

Ausgewählte Materialien können bei Verfügbarkeit ergänzt werden