Home | deutsch  | Legals | Sitemap | KIT

Maschinelles Lernen 2 - Fortgeschrittene Verfahren

Maschinelles Lernen 2 - Fortgeschrittene Verfahren
type: Vorlesung (V) links:
semester: SS 2012
time: 20.04.2012
09:45-11:15
50.34 Raum -101


27.04.2012
09:45-11:15
50.34 Raum -101

04.05.2012
09:45-11:15
50.34 Raum -101

11.05.2012
09:45-11:15
50.34 Raum -101

18.05.2012
09:45-11:15
50.34 Raum -101

25.05.2012
09:45-11:15
50.34 Raum -101

01.06.2012
09:45-11:15
50.34 Raum -101

08.06.2012
09:45-11:15
50.34 Raum -101

15.06.2012
09:45-11:15
50.34 Raum -101

22.06.2012
09:45-11:15
50.34 Raum -101

29.06.2012
09:45-11:15
50.34 Raum -101

06.07.2012
09:45-11:15
50.34 Raum -101

13.07.2012
09:45-11:15
50.34 Raum -101

20.07.2012
09:45-11:15
50.34 Raum -101

lecturer: Prof.Dr. Rüdiger Dillmann
Martin Lösch
Prof.Dr.Ing. Johann Marius Zöllner
Tobias Bär
sws: 2
lv-no.: 24620

Vortragssprache:

Deutsch

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:

  • Der Studierende soll seine Kenntnis der Standardlösungen und -verfahren aus dem Bereich ML vertiefen und neue Methoden kennenlernen.
  • Die Fähigkeit zur Einbettung und Anwendung von Methoden des Maschinellen Lernens in Entscheidungs- und Inferenzsysteme soll erworben werden.
  • Darüber hinaus soll der Studierende sein Wissen im Bereich des Maschinellen Lernens zur Auswahl geeigneter Modelle und Methoden für vorliegende Probleme festigen.