Intelligente Systeme

Autonomes Lernen

 al

 

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 2021: Dienstag, 20. April  2021 - Freitag, 9. Juli 2021
Mehr Informationen unter UnivIS oder im Modulinformationssystem

Klausurtermine:
1. Prüfungszeitraum: Mittwoch, 18. August 2021 von 10:00-12:00 UHr, online
2. Prüfungszeitraum: Dienstag, 19. Oktober 2021 von 14:00-16:00 Uhr, online
weitere Informationen werden noch bekanntgegeben


Übung (EinfAuLearn-01a)

Arbeitsblätter mit Fragen, mathematischen Aufgaben und Programmieraufgaben (basierend auf den bereitgestellten PDF`s, Python Scripten und Jupyter Notebook Vorlagen
2 SWS
für ERASMUS-/Austauschstudierende geeignet, Unterrichtssprache Englisch
Zeit und Ort: Dienstag 08:30 - 10:00 Uhr, Online-Veranstaltung
Sommersemester 2021: Dienstag, 27. April  2021 - Freitag, 9. Juli 2021

Praktische Übung  (PEinfAuLearn-01a)

Obligatorische Programmieraufgaben in einer bestimmten Computerspielumgebung, d. H. Anwendung von Lernalgorithmen des bestärkenden Lernens auf bestimmte Probleme (die von Teams durchgeführt werden müssen). Es wird vier verschiedene praktische Aufgaben geben, die erfolgreich abgeschlossen werden müssen. (Voraussetzung zur Teilnahme an der Prüfung)
2 SWS
für ERASMUS-/Austauschstudierende geeignet, Unterrichtssprache Englisch
Zeit und Ort: Mittwoch 08:30 - 10:00 Uhr, Online-Veranstaltung
Sommersemester 2021: Mittwoch, 21. April  2021 - Freitag, 9. Juli 2021

 

al 2

Zusammenfassung

Im Forschungsbereich autonomes Lernen wird untersucht, wie autonome Systeme effizient aus der Interaktion mit der Umwelt lernen können.

Dies gilt besonders für hier integrierten Ansatz für Entscheidungsfindung und Lernen. Dieser Ansatz soll es den Systemen ermöglichen, autonom über Aktionen, Darstellungen, Hyperparameter und Modellstrukturen zu entscheiden.

Der Begriff "autonom" bezieht sich auf die Fähigkeit eines Systems, ohne oder mit nur sehr begrenzter externer Unterstützung zu lernen. Darin eingeschlossen sind  manuelle Eingriffe des Menschen, Verfügbarkeit vordefinierter Modelle oder Expertenwissen und Verfügbarkeit großer Sätze von Probendaten. Spezifische Forschungsthemen sind: Anpassung der Lernmodelle / -techniken auf der Grundlage von Beobachtungen, Lernen aus der Interaktion mit der Umwelt, Wiederverwendung von Wissen aus einer Domäne in einer anderen Domäne, Erkennung von Verhalten, das vom „üblichen“ oder erwarteten Verhalten abweicht, und Lernen aus und mit anderen Systemen der gleichen Art.
Die Vorlesung gibt eine Einführung in das Gebiet des autonomen Lernens mit besonderem Schwerpunkt auf der Nutzung der verschiedenen Techniken in intelligenten Systemen. Autonomes Lernen ist Spitzenforschung, d.h. Teile der Vorlesung basieren eher auf aktuellen Forschungsartikeln als auf Lehrbüchern. Darüber hinaus wird die Perspektive eines Praktikers mit dem theoretischen Verständnis der Konzepte kombiniert: Die Vorlesungseinheiten werden mit traditionellen Übungen kombiniert, aber auch mit praktischen Aufgaben, die unter Verwendung der in der Vorlesung diskutierten Techniken gelöst werden müssen.

 

Lernziele

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

  • Vollautonomes Lernverhalten: Hyperparameteroptimierung, Transferlernen, (Selbst-)Bewertung,
  • Selbstbewusstsein oder Umweltbewusstsein mit einem Schwerpunkt auf der Erkennung von Anomalien/Neuheiten
  • Bestärkendes Lernen durch Interaktion mit der Umwelt über Sensoren und Aktoren
  • Aktives Lernen durch die effiziente Integration des Menschen in den Lernprozess
  • Kollaboratives Lernen durch die Interaktion mit anderen intelligenten Systemen
  • Meta-Lernen durch die Summe aller genannten Lerntechniken


Weitere Ziele

a) Wissen:

Verständnis der Methoden zur Erzielung von "Intelligenz" in technischen Systemen, Kontrolle des Lernverhaltens bei minimaler Benutzerinteraktion, kontinuierliche Selbstverbesserung des Systemverhaltens, Zusammenarbeit 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:

Autonome Lernprozesse und deren Verhalten analysieren zu können, relevante Bewertungsparameter zu bestimmen und zu interpretieren / Kompetenz zum Planen, Entwerfen und Entwickeln intelligenter technischer Systeme mit der Fähigkeit, autonom zu lernen

 

Literatur

  • 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 Stunden Vorlesung, 30 Stunden Übung, 30 Stundenparktische Übung, 120 h Selbststudium

Bachelorseminar - Selbst-organisierte Systeme

birds

 

Seminar (infBSemIS-01a)

Seminar, 2 SWS, ECTS-Studium, ECTS-Credits: 4
für ERASMUS-/Austauschstudierende geeignet, Unterrichtssprache Deutsch
Zeit und Ort: Die Veranstaltung findet online statt.
Vorlesungszeit SS 2021: 19.4.2021 - 9.7.2021
Für weitere Informationen UnivIS oder im Modulinformationsystem


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

MP

Übung  (infMPInS-01a)

Übung, 4 SWS, ECTS-Studium, ECTS-Credits: 10
für ERASMUS-/Austauschstudierende geeignet, Unterrichtssprache Englisch
Zeit und Ort: Die Veranstaltung findet online statt.
Vorlesungszeit SS 2021: 22.4.2021 - 08.07.2021
Für weitere  Informationen UnivIS oder Modulinformationssystem



Titel: "Collaborative classification with Turtle Bots"


KickOff Meeting (online): Montag, 12.04.2021 um 14 Uhr
via https://uni-kiel.zoom.us/j/83011387731?pwd=LzgzTHNRV0tYOTM2Y3BmaUozVUtvdz09

Wichtig: Die Teamgröße ist begrenzt - beim KickOff-Meeting werden dieTeilnehmer registriert.



Beschreibung

Es gibt zwei Roboter mit unterschiedlichen Fähigkeiten. Ein Roboter kann Objekte visuell wahrnehmen, während der andere Roboter das Gewicht bestimmen und das Objekt transportieren kann. Basierend auf einer kollaborativen Merkmalsbestimmung müssen manuell bereitgestellte Objekte korrekt klassifiziert und in geeignete Container sortiert werden. Die Lerntechnik zur Klassifizierung beginnt ohne Vorkenntnisse - Ergebnis soll sein, dass  Wissen unabhängig und kontinuierlich bewerten wird und der  Benutzer spezifisch befragt werden kann.

 

Dies erfordert die folgenden Schritte und Techniken:
- Einrichtung einer Laborumgebung inkl. Entlademechanismen
- Individuelle Merkmalsbestimmung der einzelnen Roboter
- Fusion von Informations- und Datendarstellung
- Kontinuierliches Training und Bewertung eines Klassifikators mit aktiven
  Lerntechniken
- Kontrolle des Roboterverhaltens in ROS


Abhängig von der Verfügbarkeit der Hardware kann der Ladeschritt auch mithilfe eines Roboterarms automatisiert werden.

Als Ergebnis der Aufgabe sind folgende Artefakte vorgesehen:
- Codebasis
- Kurze technische Dokumentation
- Wissenschaftliche Beschreibung (IEEE-Vorlage, Doppelsäule, 8 Seiten)

Die Aufgabe erfordert, dass mindestens Teile lokal im Labor der Gruppe erledigt werden (d. H. Roboter-basierte Aufgaben). Andere Arbeiten können Remote ausgeführt werden. Es wird Gegenstand der Diskussion des Teams sein, wie dies organisiert ist. Bei Fragen wenden Sie sich bitte an Prof. Dr.-Ing. Sven Tomforde per E-Mail:st@informatik.uni-kiel.de