Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester WS 2019/20 , Aktuelles Semester: SoSe 2024
  • Funktionen:
Lernfähige Roboter    Sprache: Englisch    Belegpflicht
Nr.:  5812     Vorlesung/Praktikum     WS 2019/20     4 SWS     Jedes Semester    
   Weitere Links: Ch. 4 from the book of Müller on Dynamic Time Warping  Institute for Artificial Intelligence  W. Ertel, Artificial Intelligence, Vieweg, 3rd edition, 2009 
   Master-Studiengang: Masterstudiengang Informatik    
 
      Profil IN-Künstliche Intelligenz und Autonme Rob., Abschluss 90,   ( 2. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlpflichtfach    
  Mechatronics, Abschluss 90,   ( 2. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlfach    
  Electrical Engineering and Embedded Systems, Abschluss 90,   ( 2. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlfach    
  Profil IN-IT-Sicherheit, Abschluss 90,   ( 2. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlfach    
  Profil IN-Spiele, Abschluss 90,   ( 2. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlfach    
   Zugeordnete Lehrperson:   Ertel verantwortlich
 
   --- Keine Veranstaltungstermine bekannt ---
 
   Inhalt: Lernen durch Demonstration von einfachen motorischen Aufgaben für Roboter.
Lernen durch Demonstration von symbolischen Planungsaufgaben für Roboter.
Optimierungsverfahren für maschinelles Lernen.
One-ClassLearning
Support Vector Maschinen
Vergleich und Bewertung von Lernalgorithmen mit statistischen Methoden
Ensemble Methods: Bagging und Boosting
Deep Learning
Kreativität in der KI
Learning to play the game of GO
 
   Literatur: C.M. Bishop. Pattern recognition and machine learning. Springer New York:, 2006.
R. Sutton und A. Barto. Reinforcement Learning. MIT Press, 1998.
B. Siciliano und O. Khatib (Hrsg.), Handbook of Robotics. Springer, 2008.
W. Ertel, Künstliche Intelligenz, Vieweg, 3. Auflage, 2009.
S. Russell und P. Norvig. Artificial Intelligence: A Modern Approach, 2. Aufl.
Prentice Hall, 2003.
 
   Lernziele: Der Student soll verstehen, wie Roboter lernen können und in Projekten aktiv mitar-beiten können um einen beliebigen Roboter lernfähig zu machen. Ein Roboter ist lern-fähig, wenn er für eine bestimmte Aufgabe nicht mehr klassisch programmiert werden muss, sondern sein Verhalten erlernen kann. Das Lernen des Roboters beinhaltet hierbei auch die Generalisierung und geht somit weit über das einfache Reproduzieren gespeicherter Trajektorien (sog. Teach In oder Teaching) heutiger Industrieroboter hinaus.

Dazu muss der Student die wichtigsten beim Roboterlernen eingesetzten Lernverfah-ren verstehen, programmieren und auf einem Roboter umsetzen können. Ein wichtiges Ziel hierbei ist es auch, dass der Student in der Lage ist, selbstständig einschlägige Publikationen zu lesen und zu verstehen.
 
   Voraussetzungen: Künstliche Intelligenz oder Maschinelles Lernen, bzw. Data Mining, solide Kenntnisse in mehrdim. Analysis und Linearer Algebra
 
   Leistungsnachweis: Master Informatik, Profil Künstliche Intelligenz und Autonome Roboter:
lt. SPO gültig ab WS1718: K90
lt. temporärer SPO-Änderung ab SoSe2018: M+PA, beides benotet

andere Profile und Studiengänge:
Benotete Prüfungsleistung: M+PA, beides benotet
 
   Module: Lernfähige Roboter (IN-IRO)