392101 Cognitive Computing: Reasoning and Decision-Making Under Uncertainty (V) (WiSe 2022/2023)

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 zutreffend, vollständig oder aktuell ist mein Wissen?), des Schließens (Wie gültig ist meine Inferenz?) oder der Aktionen (Wie gut ist meine Entscheidung?Hat ich alles erreicht?) entstehen. In dieser Vorlesung werden Techniken des Schließens und Entscheidens unter unvollständigem und unsicherem Wissen vermittelt (graphische probabilistische Modell, Bayes-/Markov-Netze, Markov-Entscheidungsprozesse, maschinelles Lernen), mit denen in der Künstlichen Intelligenz und Robotik heutzutage intelligente autonome Agenten konstruiert werden. Neben den mathematischen Grundlagen werden auch die Algorithmen erarbeitet. Die Vorlesung wird von praktischen Programmierübungen in Form kleiner Projekte in Python begleitet.

Grober Aufbau der Vorlesung:
1. Einführung und mathematische Grundlagen (Wahrscheinlichkeits-, Graphentheorie)
2. Probablilistische graphische Modelle
3. Exakte und approximative Inferenzverfahren (Sampling)
4. Entscheidungsbäume und -netze, Markov-Entscheidungsprozesse
5. Lernen von probabilistischen Modellen, Reinforcement Learning

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.