Maschinelles Lernen komplexer Aufgabenstellungen, wie etwa die Ausführung einer
Aktionsfolge durch einen Roboter, erfordert in der Regel ein geeignetes
Zusammenwirken mehrerer Funktionsmodule, die auf unterschiedliche Teile der Lernaufgabe
ausgerichtet sind. Darüber hinaus muss die in idealisierten Lernparadigmen meist passive
Verarbeitung von "Trainingsdaten'' durch eine aktiv explorierende Interaktion mit der
Umwelt (bzw. einem sog. "Orakel'') und Mechanismen zur "Aufmerksamkeitsfokussierung''
erweitert werden, um Lernen mit kleinen Beispielanzahlen zu ermöglichen.
In der Vorlesung werden grundlegende Lernarchitekturen und die ihnen zugrundeliegenden
Prinzipien vorgestellt, mit denen partielle Fähigkeiten einzelner Lernmodule zu
leistungsfähigeren Gesamtsystemen integriert werden können.
Vorgesehene Themen beeinhalten: Grundstrukturen für die Verknüpfung von Lernmodulen:
parallele und hierarchische Ansätze; Boosting-Verfahren; Steuerung von Exploration
durch Aktives Lernen; Reinforcement-Lernarchitekturen zum unüberwachten Lernen von
Aktionsfolgen. Methoden zur Beherrschung hochdimensionaler und kontinuierlicher
Aktionsräume. Sequenzlernen unter Unsicherheit: Partiell beobachtbare Markov-Entscheidungsprobleme
(POMDP). Lernen aus Einzelbeispielen (One-Shot-Learning). Architekturen für
Deduktives Lernen. Imitationslernen.
Die Vorlesung wendet sich an Studierende im Hauptstudium, die ihre Kenntnisse zu
Grundlagen des Maschinellen Lernens in Hinblick auf Einsatzmöglichkeiten in den Gebieten
Robotik, Datamining sowie Intelligente Systeme vertiefen wollen.
Rhythmus | Tag | Uhrzeit | Format / Ort | Zeitraum |
---|
Studiengang/-angebot | Gültigkeit | Variante | Untergliederung | Status | Sem. | LP | |
---|---|---|---|---|---|---|---|
Naturwissenschaftliche Informatik / Diplom | (Einschreibung bis SoSe 2004) | Robotik; Biologie; Sprachverarbeitung | HS | ||||
Naturwissenschaftliche Informatik / Diplom | (Einschreibung bis SoSe 2004) | NNet; ME; CV; MMK; WBS | HS |