Modul

Siehe Teilleistung.

• Die Studierenden kennen die grundlegenden Konzepte der klassischen künstlichen Intelligenz und des maschinellen Lernens.
• Die Studierenden verstehen die Algorithmen und Methoden der klassischen KI, und können diese sowohl abstrakt beschreiben als auch praktisch implementieren und anwenden.
• Die Studierenden verstehen die Methoden des maschinellen Lernens und dessen mathematische Grundlagen. Sie kennen Verfahren aus den Bereichen des überwachten und unüberwachten Lernens sowie des bestärkenden Lernens, und können diese praktisch einsetzen.
• Die Studierenden kennen und verstehen grundlegende Anwendungen von Methoden des maschinellen Lernens in den Bereichen Computer Vision, Natural Language Processing und Robotik.
• Die Studierenden können dieses Wissen auf neue Anwendungen übertragen, sowie verschiedene Methoden analysieren und vergleichen.

Siehe Teilleistung.

Dieses Modul behandelt die theoretischen und praktischen Aspekte der künstlichen Intelligenz, incl. Methoden der klassischen KI (Problem Solving & Reasoning), Methoden des maschinellen Lernens (überwacht und unüberwacht), sowie deren Anwendung in den Bereichen computer vision, natural language processing, sowie der Robotik.

Überblick
Einführung
• Historischer Überblick und Entwicklungen der KI und des maschinellen Lernens, Erfolge, Komplexität, Einteilung von KI-Methoden und Systemen
• Lineare Algebra, Grundlagen, Lineare Regression
Teil 1: Problem Solving & Reasoning
• Problem Solving, Search, Knowledge, Reasoning & Planning
• Symbolische und logikbasierte KI
• Graphische Modelle, Kalman/Bayes Filter, Hidden Markov Models (HMMs), Viterbi
• Markov Decision Processes (MDPs)
Teil 2: Machine Learning - Grundlagen
• Klassifikation, Maximum Likelihood, Logistische Regression
• Deep Learning, MLPs, Back-Propagation
• Over/Underfitting, Model Selection, Ensembles
• Unsupervised Learning, Dimensionalitätsreduktion, PCA, (V)AE, k-means clustering
• Density Estimation, Gaussian Mixture models (GMMs), Expectation Maximization (EM)
Teil 3: Machine Learning - Vertiefung und Anwendung
• Computer Vision, Convolutions, CNNs
• Natural Language Processing, RNNs, Encoder/Decoder
• Robotik, Reinforcement Learning

LA II

2 SWS Vorlesung + 1 SWS Übung
8 Stunden Arbeitsaufwand pro Woche, plus 30 Stunden Klausurvorbereitung: 150 Stunden