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
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.
Frequency | Weekday | Time | Format / Place | Period |
---|
The binding module descriptions contain further information, including specifications on the "types of assignments" students need to complete. In cases where a module description mentions more than one kind of assignment, the respective member of the teaching staff will decide which task(s) they assign the students.
Degree programme/academic programme | Validity | Variant | Subdivision | Status | Semester | LP | |
---|---|---|---|---|---|---|---|
Studieren ab 50 |
A corresponding course offer for this course already exists in the e-learning system. Teaching staff can store materials relating to teaching courses there: