Modul 39-Inf-KR Cognitive Computing / Kognitives Rechnen

Die Studierenden erlangen theoretische sowie methodische Kenntnisse über fortgeschrittene Ansätzen zur Realisierung von technischen Systemen, die adaptiv und robust mit unsicheren Informationen agieren können. In den vorlesungsbegleitenden Übungen lernen die Studierenden, die erworbenen Kenntnisse praktisch anzuwenden und einzuüben.

Students will gain theoretical and practical knowledge of formal techniques for building technical systems that can act robustly and intelligently under uncertainty. In the accompanying tutorials,e students will learn how to apply and practice these mathematical approaches.

Kognitive Systeme zeichnen sich dadurch aus, dass sie selbst mit unvollständigem und unsicherem Wissen adaptiv und robust in komplexen Umgebungen agieren können. Die Art des zugrundeliegenden "kognitiven Rechnens" wird mit modernen Bayesianischen Verfahren modelliert, die auch für autonome technische Systemen immer wichtiger werden, in denen oftmals Unsicherheiten bestehen z.B. bezüglich der Wahrnehmung, der Korrektheit bisheriger Annahmen, der Gültigkeit einer Schlußfolgerung oder des Erfolgs einer Aktion. Aufbauend auf den im Modul "Grundlagen künstlicher Kognition" erworbenen Grundkenntnissen werden in diesem Modul fortgeschrittene Ansätze und Techniken der Modellierung kognitiver Leistungen wie Schließen und Entscheiden unter unsicherem Wissen vermittelt (probabilistisches Schließen, Bayes-Netze, Markov-Entscheidungsprozesse). Im ersten Modulteil werden mathematische und algorithmische Grundlagen erarbeiten und in begleitenden Übungen eingeübt. Im zweiten Modulteil werden diese Verfahren in einem angewandten Projekt oder Seminar mit praktischem Anteil vertieft.

A hallmark of cognitive systems is their ability to act adaptively and robusty even in complex environments with uncertain and incomplete information. The underlying kind of "cognitive computing" is modelled with modern Bayesian approaches, which are getting increasingly prominent in the construction of autonomous systems that need to deal with multiple uncertainties arising from perception, interpretation, reasoning or action. Building on basic knowledge acquired in Module 39-Inf-13 "Grundlagen künstlicher Kognition", this module teaches advanced and more research-related approaches and methods to model cognitive abilities like reasoning and decision-making under uncertainty (probabilistic reasoning, Bayesian (belief) networks, and Markov decision processes). In the first part (lecture with tutorials), the mathematical and algorithmic methods will be taughed. The second module part (seminar or pravtical project) focuses on practical application of these methods.

Das Modul baut auf grundlegenden Prinzipien kognitiver Systeme und intelligenter Agenten auf, wie sie beispielsweise in dem Modul 39-Inf-13 "Grundlagen künstlicher Kognition" erworben werden können.

A recommended prerequisite for this module is basic knowledge of cognitive systems and knowledge representation and reasoning as can be acquired, for example, in the module "Grundlagen Künstlicher Kognition".

—