Klausurtipps

Was in der EKI-Klausur zählt, wie man die 90 Minuten einteilt und welche Fragen pro Thema erfahrungsgemäß kommen - abgeleitet aus den Klausur-Rahmenbedingungen und den Mini-Tests der Kapitel.

Klausur-Rahmenbedingungen (aus EKI00)

• Dauer: 90 Minuten, schriftliche Klausur am Ende des Semesters.
• Voraussetzung: das EKI-Praktikumstestat (alle Aufgaben rechtzeitig in Moodle hochgeladen, aktive Teilnahme an mindestens vier Code-Reviews, Präsentation zu den ethischen Aspekten der KI).
• Zugelassenes Hilfsmittel: genau ein beidseitig handbeschriebenes DIN-A4-Blatt (kein Ausdruck).
• Nicht zugelassen: jegliche elektronischen Geräte (Notebook, Smartphone, Taschenrechner, ...).
• Praktische Anteile sind genauso klausurrelevant wie die Vorlesungsinhalte. Auch die passenden Inhalte des Humm-Buchs ("Applied Artificial Intelligence") sind klausurrelevant.

Konsequenz aus dem Taschenrechner-Verbot: Rechnungen (Entropie, Accuracy/Precision/Recall/F-Score, MAE/MSE/RMSE, Faltung, Pooling) müssen von Hand gehen. Rechenwege üben, nicht nur Ergebnisse.

Das DIN-A4-Blatt optimal nutzen

Da beidseitig handbeschrieben erlaubt: Priorität auf das, was man im Kopf schlecht behält und ohne Rechner braucht.

• Formeln: Entropie $H = \sum -c_i \log_2 c_i$ und Information Gain; Accuracy, Precision, Recall, F-Score; MAE, MSE, RMSE; Sigmoid und ihre Ableitung $f' = f(1-f)$; Kostenfunktion; Backpropagation-Deltas und Gewichtsupdate; tf-idf ($\text{idf} = \log(N/df)$); euklidischer Abstand; Varianz; k-Means++-Wahrscheinlichkeit.
• Kleine Tabellen: Konfusionsmatrix-Schema (TP/FP/FN/TN mit Type I/II), Struktur eines RDF-Tripels, CNN-Pipeline.
• Werte-Log-Tabelle: $\log_2$ einiger Brüche (z.B. $\log_2(0{,}3)$, $\log_2(0{,}7)$), weil kein Taschenrechner erlaubt ist.
• Merksätze: Klassifikation = Kategorie, Regression = Zahl; DBMS-Query volatil vs. CEP-Regel persistent.

Zeitstrategie (90 Minuten)

1. Überblick verschaffen (ca. 5 min): Ganze Klausur durchblättern, Punktverteilung notieren, Reihenfolge planen.
2. Rechenaufgaben zuerst, solange man frisch ist (ca. 30-35 min): Entropie/Information Gain, die vier Klassifikationsmaße aus TP=1/FP=1/FN=8/TN=90, MAE/MSE/RMSE, Faltung und Max-Pooling. Rechenweg immer aufschreiben - Teilpunkte.
3. Definitions- und Erklärfragen (ca. 30 min): kurze, präzise Antworten in Stichpunkten; genau die Mini-Test-Fragen bedienen.
4. Aufzählungs- und Transferfragen (ca. 15 min): Anwendungen, Technologien, Werkzeuge.
5. Puffer/Kontrolle (ca. 5 min): Rechnungen gegenprüfen, Einheiten und Vorzeichen checken (z.B. negativer RMSE bei scikit-learn).

Faustregel: Punkte pro Minute maximieren - keine Frage mit hohem Aufwand und wenig Punkten am Anfang festhaken.

Pro Thema: Was wird gern gefragt

Die Mini-Tests der Kapitel sind das beste Signal für den Fragestil.

EKI00 - Einführung

• Definition KI (Maschinen/Software, die Verhalten menschlicher Intelligenz zeigen).
• Geschichte: Turing, Dartmouth 1956, Hype, KI-Winter; Gartner Hype-Zyklus (fünf Phasen, KI-Winter = Trough of Disillusionment).
• KI-Landkarte: Acquiring vs. Applying, zwei Paradigmen, sechs Bereiche.
• "Relevant und überall": Alltags- und Profi-Anwendungen benennen.

EKI02 - Klassifikation

• Was ist ML? Wann ML benutzen, wann nicht?
• Supervised Learning und die Aufgabe Klassifikation erklären.
• Entscheidungsbaum aufbauen: Entropie rechnen, Split mit größtem Entropieverlust wählen.
• Warum Datensatz analysieren, warum vorverarbeiten (mit Beispielen)?

EKI03 - Regression / Validierung

• Klassifikation vs. Regression abgrenzen.
• Konfusionsmatrix zeichnen, TP/FP/FN/TN + Type I/II einordnen.
• Accuracy, Precision, Recall, F-Score rechnen (0,91 / 0,5 / 0,111 / 0,181).
• Wann Accuracy versagt (unausgewogene Daten) - dann F-Score.
• MAE/MSE/RMSE mit Formel und Unterschied; k-fache Kreuzvalidierung in vier Schritten.

EKI04 - Wissensrepräsentation

• Was ist ein Wissensgraph? Objekte/Klassen/Beziehungen am Filmbeispiel.
• Aufbau eines RDF-Tripels; TMDB-Klassen nennen.
• Einfache SPARQL-Query; wie viele Zeilen/Spalten hat das Ergebnis?
• Bedingungen, Join (gleiche Variable), Duplikate vermeiden (DISTINCT).

EKI05 - Complex Event Processing

• Definition CEP (wortgetreu); Ereignis vs. Ereignisobjekt vs. Ereignistyp.
• DBMS vs. CEP (persistente Daten/volatile Query vs. persistente Regel/fließender Strom).
• Iteratives CEP (low-level zu high-level); Sliding Window mit n und m.
• CEP-Anwendungen und -Technologien aufzählen.

EKI06 - Computer Vision

• Was ist ein ANN? Was ist Backpropagation (die 5 Schritte)?
• Künstliches Neuron: gewichtete Summe, Sigmoid, Ableitung; Kostenfunktion (0,1578) nachrechnen.
• Deep Learning und CNN; Faltung und Max-Pooling rechnen.
• MNIST-Repräsentation (784 Werte, Normalisierung /255, One-Hot); Keras/TensorFlow-Workflow.

EKI07 - Natural Language Processing

• Die sechs NLP-Bereiche mit Eingabe/Ausgabe.
• Bag-of-Words erklären (Beispielsatz reproduzieren); tf-idf erklären.
• n-Gramm-Modell; scikit-learn-Pipeline (CountVectorizer, TfidfTransformer, MultinomialNB).
• Funktionalität von spaCy; Aufgabe Question Answering.

EKI08 - Ethik

• Hype als Hyperbel; Hype vs. Realität.
• Cyborg (Definition + Beispiele); Bias im ML (Definition + ProPublica/COMPAS).
• "Wer soll entscheiden, Mensch oder Maschine?" (HFT/Flash Crash, autonome Waffen).
• Offener Charakter: eigene ethische Aspekte diskutieren können.

EKI09 - Unsupervised Learning

• Was ist Unsupervised Learning? Ziel der Clusteranalyse?
• Warum Dimension reduzieren (Curse of Dimensionality)? Welche Verfahren?
• PCA-Algorithmus und Datengenerierung; Aufbau von Autoencodern.
• k-Means Schritt für Schritt; Bedeutung der Normalisierung.

Themen-Abhängigkeitskarte

Die Karte zeigt, welche Themen aufeinander aufbauen. Wer eine Prüfungslücke schließt, sollte die Vorläufer-Themen zuerst sichern.

flowchart TD
  A["Einfuehrung (EKI00)"] --> B["Maschinelles Lernen"]
  A --> LM["KI-Landkarte"]
  LM --> B
  LM --> WR["Wissensrepraesentation (EKI04)"]
  LM --> CEP["Complex Event Processing (EKI05)"]

  B --> KL["Klassifikation (EKI02)"]
  KL --> ENT["Entropie und Entscheidungsbaum"]
  KL --> RG["Regression (EKI03)"]
  RG --> VAL["ML-Validierung (Konfusionsmatrix, F-Score, RMSE)"]

  B --> NN["Neuronale Netze und Backpropagation (EKI06)"]
  NN --> CNN["Deep Learning und CNN (EKI06)"]
  CNN --> CV["Computer Vision (MNIST)"]

  B --> BOW["Bag-of-Words und tf-idf (EKI07)"]
  BOW --> NLP["Natural Language Processing (EKI07)"]
  VAL --> NLP
  WR --> NLP

  B --> UL["Unsupervised Learning (EKI09)"]
  UL --> PCA["Dimensionsreduktion (PCA, Autoencoder)"]
  UL --> CLU["Clustering (k-Means, k-Means++)"]

  A --> ETH["Ethik (EKI08)"]
  B --> ETH
  CV --> ETH