Themen der Lehrveranstaltung
Foundations of Artificial Intelligence f眉hrt die Studierenden in die Entwicklung intelligenter Computeragenten ein und untersucht die Entstehung der K眉nstlichen Intelligenz als integrierte Wissenschaft. Im Mittelpunkt des Kurses steht das Konzept eines intelligenten Agenten, der in einer Umgebung agiert. Dabei wird mit einfachen Agenten in statischen Umgebungen begonnen und die Komplexit盲t schrittweise erh枚ht, um anspruchsvollere Szenarien zu bew盲ltigen. W盲hrend des gesamten Kurses untersuchen die Studierenden die vielschichtige Natur des Aufbaus intelligenter Systeme und decken schrittweise und modular auf, was diese Aufgabe komplex macht. Die wichtigsten Ideen werden anhand konkreter Beispiele wie einem Lieferroboter und einem Diagnoseassistenten veranschaulicht, wobei wissenschaftliche Prinzipien mit technischen Anwendungen kombiniert werden. Letztlich sollen die Studierenden einen hierarchisch aufgebauten Agenten konzipieren, der in der Lage ist, in einer stochastischen, teilweise beobachtbaren Umgebung intelligent zu handeln - einen Agenten, der 眉ber Individuen und ihre Beziehungen nachdenkt, komplexe Pr盲ferenzen hat, aus seinen Handlungen lernt, die Anwesenheit anderer Agenten ber眉cksichtigt und effektiv innerhalb rechnerischer Beschr盲nkungen arbeitet.
Maschinelles Lernen in der Praxis konzentriert sich auf grundlegende Techniken des maschinellen Lernens und kombiniert theoretischen Unterricht mit praktischer Anwendung. Der Kurs deckt grundlegende 眉berwachte und un眉berwachte Lernmethoden ab, wobei die Vorlesungen dem konzeptionellen Verst盲ndnis gewidmet sind und die 脺bungen auf die praktische Umsetzung anhand realer Datens盲tze abzielen. Die Studierenden lernen zun盲chst, Daten zu repr盲sentieren und verschiedene Merkmalstypen zu verwalten, um dann durch 眉berwachtes Lernen Vorhersagemodelle zu erstellen und durch un眉berwachtes Lernen Datengruppierungen zu entdecken. Der Schwerpunkt liegt auf der Bewertung der Modellqualit盲t und der Bew盲ltigung von Herausforderungen im Zusammenhang mit der Generalisierung. Ein wesentlicher Teil des Kurses umfasst die Implementierung von Algorithmen mit Python-Bibliotheken wie Scikit-learn und SciPy, die es den Studierenden erm枚glichen, eine Vielzahl von Aufgaben des maschinellen Lernens in verschiedenen Anwendungsbereichen zu bew盲ltigen.
Unterrichtsform
Dies ist ein projekt- und laborbezogenes Modul. Es besteht aus Frontalvorlesungen, 脺bungen im Labor, Fallstudienanalyse und der Entwicklung eines Projekts.