Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SS 2020 , Aktuelles Semester: SoSe 2024
  • Funktionen:
Lernfähige Roboter (E-Learning ab sofort (Stand 02.04.2020))    Sprache: Englisch    Belegpflicht
Nr.:  5812     Vorlesung/Praktikum     SS 2020     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-Spiele, Abschluss 90,   ( 2. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlfach    
  Profil IN-IT-Sicherheit, Abschluss 90,   ( 2. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlfach    
  Electrical Engineering and Embedded Systems, Abschluss 90,   ( 2. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlfach    
  Mechatronics, Abschluss 90,   ( 2. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlfach    
  Profil IN-Künstliche Intelligenz und Autonme Rob., Abschluss 90,   ( 2. Semester ) - ECTS-Punkte : 5     - Kategorie : Wahlpflichtfach    
  Informatik, Abschluss 90,   ( 2. Semester ) - ECTS-Punkte : 5    
   Zugeordnete Lehrperson:   Schneider verantwortlich
 
 
   Termin: Donnerstag   08:00  -  09:30    wöchentl       Raum :   L 028   Gebäude L  
  Freitag   08:00  -  09:30    wöchentl       Raum :   H 239   Gebäude H  
 
 
   Inhalt: Lernen durch Demonstration
Mathematische Optimierung
Maschinelles Lernen
Support Vector Maschinen
Ensemble Methods: Bagging und Boosting
Deep Learning und Convolutional Neural Networks
 
   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: Intelligente Maschinen müssen die Fähigkeit besitzen mit Menschen zu kommunizieren, Sprache zu erkennen, zu planen, Objekte zu erkennen und sich an ihre Umgebung anzupassen.

Der Fokus dieses Kurses sind Algorithmen und Machine Learning Techniken für autonome intelligente Roboter.
 
   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

aktuelle temporäre SPO-Änderung: Portfolio benotet (Präsentation + Mündliche Prüfung)
 
   Module: Lernfähige Roboter (IN-IRO)