Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden.
Veranstaltung ist aus dem Semester
SS 2020
, Aktuelles Semester: SoSe 2024
| |||||||||||
|
|||||||||||
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) |