Intelligente Systeme

Autonomes Lernen

Vorlesung (infAuLearn-01a)

2 SWS, ECTS-Studium, ECTS-Credits: 8
für ERASMUS-/Austauschstudierende geeignet, Unterrichtssprache Englisch
Zeit und Ort: Dienstag 14:15 - 15:45 Uhr, Online-Veranstaltung
Sommersemester 2020
 

Exercise (EinfAuLearn-01a)

Arbeitsblätter mit Fragen, mathematischen Aufgaben und Programmieraufgaben (basierend auf bereitgestellten Jupyter-Notebooks)
2 SWS
für ERASMUS-/Austauschstudierende geeignet, Unterrichtssprache Englisch
Sommersemester 2020

 

Practical Exercise (PEinfAuLearn-01a)

Obligatorische Programmieraufgaben in einer vorgegebenen Computerspielumgebung, d.h. Anwendung von Reinforcement Learning Algorithmen auf bestimmte Problemstellungen (zu bearbeiten durch Teams von Studierenden). Es wird ca. vier verschiedene praktische Aufgaben geben, die erfolgreich abgeschlossen werden müssen, um an der Prüfung teilnehmen zu können.
2 SWS
geeignet für ERASMUS / Austauschstudenten, Unterrichtssprache: Englisch
Sommersemester 2020

Zusammenfassung

Die Forschung zum autonomen Lernen zielt darauf ab, zu verstehen, wie autonome Systeme effizient aus der Interaktion mit der Umwelt lernen können, insbesondere durch einen integrierten Ansatz zur Entscheidungsfindung und zum Lernen, der es den Systemen erlaubt, autonom über Aktionen, Repräsentationen, Hyperparameter und Modellstrukturen zum Zwecke des effizienten Lernens zu entscheiden. Der Begriff "autonom" bezieht sich auf die Fähigkeit des Systems, ohne oder mit nur sehr begrenzter externer Unterstützung zu lernen, wozu manuelle Eingriffe von Menschen, die Verfügbarkeit von vordefinierten Modellen oder Expertenwissen und die Verfügbarkeit großer Mengen von Beispieldaten gehören. Spezifische Forschungsthemen sind: Anpassung der Lernmodelle/-techniken aufgrund von Beobachtungen, Lernen aus der Interaktion mit der Umgebung, Wiederverwendung von Wissen aus einer Domäne in einer anderen Domäne, Erkennung von Verhalten, das vom "üblichen" oder erwarteten Verhalten abweicht, und Lernen von und mit anderen gleichartigen Systemen. Der Vortrag gibt eine Einführung in das Gebiet des autonomen Lernens mit besonderem Fokus auf die Nutzung der verschiedenen Techniken innerhalb intelligenter Systeme. Autonomes Lernen ist Spitzenforschung, was bedeutet, dass Teile der Vorlesung auf aktuellen Forschungsartikeln und nicht auf Lehrbüchern beruhen. Darüber hinaus wird die Perspektive eines Praktikers mit dem theoretischen Verständnis der Konzepte kombiniert: Die Vorlesungseinheiten werden mit traditionellen Übungen, aber auch mit praktischen Aufgaben kombiniert, die unter Anwendung der in der Vorlesung besprochenen Techniken gelöst werden müssen.

 

Lernziele

Das übergeordnete Ziel des Kurses ist es, ein grundlegendes Verständnis der Motivation, des allgemeinen Konzepts und besonders wichtiger Methoden zu erlangen, die die prominentesten Teile des Bereichs des autonomen Lernens abdecken. Dies beinhaltet Techniken für die folgenden Aspekte des maschinellen Lernens:

  • Vollständig autonomes Lernverhalten: Hyper-Parameter-Optimierung, Transfer-Lernen, (Selbst-)Evaluation,
  • Self-Awareness bzw. Environment-Awareness mit dem Schwerpunkt Anomalie/Neuheitserfassung
  • Durch Interaktion mit der Umwelt über Sensoren und Aktoren: Reinforcement Learning
  • Durch die effiziente Einbindung des Menschen in den Lernprozess: aktives Lernen
  • Durch die Interaktion mit anderen intelligenten Systemen: kollaboratives Lernen
  • Durch die Nutzung all dieser Möglichkeiten: Meta-Lernen

 

Besondere Ziele sind:

a) Wissen/Fähigkeiten:

Verständnis von Methoden zur Erreichung von "Intelligenz" in technischen Systemen, Steuerung des Lernverhaltens bei minimaler Benutzerinteraktion, kontinuierliche Selbstverbesserung des Systemverhaltens, Kooperation beim Lernen zwischen verteilten technischen Systemen

b) Fähigkeiten:

Auswahl und Anwendung von Techniken des maschinellen Lernens in technischen Systemen unter realen Bedingungen zur Steuerung des autonomen Systemverhaltens

c) Kompetenzen:

Fähigkeit, autonome Lernprozesse und deren Verhalten zu analysieren, relevante Bewertungsparameter zu bestimmen und zu interpretieren / Kompetenz, intelligente technische Systeme mit der Fähigkeit zum autonomen Lernen zu planen, zu entwerfen und zu entwickeln

 

 

Grundlagenliteratur

  • Thomas Mitchell: Machine Learning, The McGraw-Hill Companies, 1997, ISBN 978-0071154673
  • Ethem Alpaydin: Introduction to Machine Learning (Adaptive Computation and Machine Learning). The Mit Press, 3rd revised edition, 2014. ISBN: 978-0262028189
  • C. Müller-Schloer, S. Tomforde: Organic Computing - Technical Systems for Survival in the real World
  • B. Settles: Active Learning
  • M. Yamada, Jianhuii Chen, Yi Chang: Transfer Learning: Algorithms and Applications
  • C. Bishop: Pattern Recognition and Machine Learning (Information Science and Statistics)
  • Sutton, Richard S., and Andrew G. Barto. Introduction to reinforcement learning. Vol. 135. Cambridge: MIT press, 1998.
  • S. Russell and P. Norvig: Künstliche Intelligenz. Ein moderner Ansatz. 3. Aufl. PEARSON

 

Arbeitsaufwand

30 h VL, 30 h Ü, 30 h pÜ, 120 h Selbst-Studium

Bachelorseminar - Selbst-organisierte Systeme

Seminar (infBSemIS-01a)

Seminar, 2 SWS, ECTS-Studium, ECTS-Credits: 4
Unterrichtssprache: Deutsch
Sommersemester 2020


Kurzfassung

Das Seminar widmet sich dem Thema "Selbst-organisierte Systeme". Darunter werden im Kontext dieses Seminars Mengen aus autonomen und technischen Einheiten verstanden, die zusammenarbeiten, um ein gemeinsames Ziel zu erreichen. Dabei treten unterschiedliche Fragestellungen auf, die beherrscht werden müssen.

Das Seminar im Wintersemester 2020/21 widmet sich dabei der konsistenten, schnellen und zuverlässigen Speicherung sowie des damit einhergehenden Auffindens von Inhalten innerhalb solcher selbst-organisierten Systeme. Dies wird anhand von Algorithmen des Peer-to-Peer Computing untersucht.

Das Seminar im Sommersemester 2021 widmet sich dabei der Kooperation von autonomen intelligenten Systemen sowie den damit einhergehenden Interaktionsmustern innerhalb solcher selbst-organisierten Systeme. Dies wird anhand von Beispielen des Autonomic und Organic Computing untersucht.

 

Lernziele

Die Studierenden lernen, sich komplexe Sachverhalte anhand der kompakten Darstellung, wie sie in wissenschaftlichen Veröffentlichungen (d. h. Paper, Artikel oder Fachbüchern) üblich ist, eigenständig anzueignen und in verständlicher Form aufzubereiten.

 

Workload

30 Std. Mitarbeit im Seminar, 90 Std. Selbststudium

Master Projekt - Intelligente Systeme

Master Projekt - Intelligente Systeme

Übung  (infMPInS-01a)

Übung, 4 SWS, ECTS-Studium, ECTS-Credits: 10
für ERASMUS-/Austauschstudierende geeignet, Unterrichtssprache Englisch o Deutsch
Wintersemester 2020-21
Für weitere  Informationen UnivIS oder Modulinformationssystem


Umfang

Dieses Projekt wird als Masterprojekt angeboten - eine modifizierte Variante für Bachelor-Studierende ist möglich (bitte fragen)!
 

Gruppe

Dieses Projekt wird als Gruppenaufgabe angeboten; Es ist ein Team von 3 bis 6 Studenten erforderlich (die Ergebnisse werden basierend auf einer Anzahl von Teilnehmern angepasst).
 

Aufgabe

Was ist Ihre Aufgabe als Gruppe? Richten Sie das grundlegende Roboterbetriebssystem für die Roboter ein, bauen Sie Roboter zusammen (d. H. Anbringen von Sensoren, Zugriff auf Sensorinformationen, Prozesssensorinformationen).