KIT - more Data Science@KIT

Maschinelles Lernen 2 - Fortgeschrittene Verfahren

Type: Vorlesung (V)
Semester: SS 2016
Time: 22.04.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
weitere...

29.04.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

06.05.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

13.05.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

20.05.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

27.05.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

03.06.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

10.06.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

17.06.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

24.06.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

01.07.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

08.07.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

15.07.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

22.07.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
Lecturer: Prof. Dr. Rüdiger Dillmann
Prof.Dr.-Ing. Johann Marius Zöllner
Stefan Ulbrich
SWS: 2
Lv-No.: 24620

Voraussetzungen	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.
Arbeitsbelastung	Vorlesung mit 2 SWS, plus Nachbereitung durch die Studierenden.
Ziel	Studierende verstehen erweiterte Konzepte des Maschinellen Lernens sowie ihre Anwendungsmöglichkeit. Studierende können Methoden des Maschinellen Lernens einordnen, formal beschreiben und bewerten. Im Einzelnen können Methoden des Maschinellen Lernens in komplexe Entscheidungs- und Inferenzsysteme eingebettet und angewendet werden. Die Studierenden können ihr Wissen zur Auswahl geeigneter Modelle und Methoden des Maschinellen Lernens für vorliegende Probleme im Bereich der Maschinellen Intelligenz einsetzen.
Prüfung	Die Erfolgskontrolle wird in der Modulbeschreibung erläutert.