|
Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden.
Veranstaltung ist aus dem Semester
WS 2019/20
, Aktuelles Semester: SoSe 2025
|
- Funktionen:
Zur Zeit kein Belegungszeitraum aktiv.
|
|
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) |
LSF Online-Hilfe
