Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2018
Autor
Rüdiger Dillmann, Johann Marius Zöllner
Herausgeber
Genre
Beschreibung
Empfehlungen:
Der Besuch der Vorlesung Maschinelles Lernen 1 oder einer vergleichbaren Vorlesung ist sehr hilfreich beim Verständnis der Vorlesung.
Beschreibung: Das Themenfeld maschineller Entscheidungs- und Inferenzverfahren unter Berücksichtigung von Unsicherheiten bzw. unvollständiger Wissen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben.
Der Schwerpunkt dieser Vorlesung liegt in der Einbettung und Anwendung von maschinell lernenden Verfahren in Entscheidungs- und Inferenzsystemen beginnend bei Methoden der Dimensionsreduktion, Merkmalsselektion/-bewertung über semi-überwachtes Lernen (semi-supervised learning) hin zu Methoden der probabilistischen Inferenz (wie z.B. Dempster Shafer Informationsfusion, Dynamischen und objektorientierte Bayessche Netze, POMDP, etc).
Die Vorlesung führt in die Grundprinzipien sowie Grundstrukturen ein und erläutert bisher entwickelte Algorithmen. Der Aufbau sowie die Arbeitsweise der Verfahren und Methoden werden anhand einiger Anwendungsszenarien, insbesondere aus dem Gebiet technischer (teil-)autonomer Systeme vorgestellt und erläutert.
Literaturhinweise: Die Foliensätze sind als PDF verfügbar.
Weiterführende Literatur
Stuart J. Russell, Peter Norvig: 'Künstliche Intelligenz: Ein moderner Ansatz', Pearson Studium, 2004
Weitere (spezifische) Literatur zu einzelnen Themen wird in der Vorlesung angegeben.
Lehrinhalt:
Das Themenfeld Maschinelle Intelligenz und speziell Maschinelles Lernen unter Berücksichtigung realer Herausforderungen komplexer Anwendungsdomänen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben.
Die Vorlesung behandelt erweiterte Methoden des Maschinellen Lernens wie semi-überwachtes und aktives Lernen, tiefe Neuronale Netze (deep learning), gepulste Netze, hierarchische Ansätze z.B. beim Reinforcement Learning sowie dynamische, probabilistisch relationale Methoden. Ein weiterer Schwerpunkt liegt in der Einbettung und Anwendung von maschinell lernenden Verfahren in realen Systemen.
Die Vorlesung führt in die neusten Grundprinzipien sowie erweiterte Grundstrukturen ein und erläutert bisher entwickelte Algorithmen. Der Aufbau sowie die Arbeitsweise der Verfahren und Methoden werden anhand einiger Anwendungsszenarien, insbesondere aus dem Gebiet technischer (teil-)autonomer Systeme (Robotik, Neurorobotik, Bildverarbeitung etc.) vorgestellt und erläutert.
Nachweis:
Die Erfolgskontrolle wird in der Modulbeschreibung erläutert.
Arbeitsaufwand:
Vorlesung mit 2 SWS, plus Nachbereitung durch die Studierenden.
Fachgebiet
Lizenz
Hinweis
Die Beiträge dieser Serie können Sie als Podcast abonnieren.
Embed-Code
