392101 Reasoning and Decision Making unter Uncertainty (V) (SoSe 2015)

Eine wesentliche Anforderung an künstliche Systeme ist es, mit Unsicherheiten umgehen zu können. Ganz besonders zentral ist diese Fähigkeit in intelligenten und autonomen Systemen, in denen Unsicherheiten z.B. bzgl. der Wahrnehmung (was habe ich gesehen? was nicht?), des Wissens (wie vollständig und aktuell ist mein Wissen?), des Schließens (wie sicher kann ich mir sein? wie gut ist meine Entscheidung?) oder der Aktionen (hat das geklappt?) entstehen. In dieser Vorlesung werden moderne Techniken des Schließens und Entscheidens unter unvollständigem und unsicherem Wissen vermittelt (graphische probabilistische Modell, Bayes-Netze, Markov-Entscheidungsprobleme), mit denen in der Künstlichen Intelligenz und Robotik heutzutage intelligente autonome Agenten konstruiert werden. Neben den mathematischen Grundlagen werden auch die Algorithmen erarbeiten. Die Vorlesung wir von praktischen Programmierübungen in Form kleiner Projekte in Python begleitet.

Achtung: Die Vorlesung kann auch für das neue Modul "Cognitive Computing" verwendet werden!

Grober Aufbau der Vorlesung:
1. Einführung und mathematische Grundlagen
2. Probablilistische graphische Modelle
3. Exakte und approximative Inferenzverfahren
4. Entscheidungsbäume, -netze und -prozesse
5. Modelle lernen

Bibliography

Darwiche (2000). Modeling and Reasoning with Bayesian Networks. Cambridge Univ. Press.
Koller & Friedman, Probabilistic Graphical Models, MIT Press
Barber, Bayesian Reasoning and Machine Learning, Cambridge Univ. Press
J. Pearl (2009) Causality: Models, Reasoning and Inference. 2nd edition, Cambridge Univ. Press.
Russel & Norvig (2002). Artificial Intelligence: A modern approach. 2nd edition, Prentice Hall.