Lehrinhalte: | - Einführung in Web und Data Science: Klassifikation, Regression, Vorhersage: Perceptrons, mehrschichtige Perceptrons und Deep Learning / Statistische Grundlagen: Stichprobenziehung, Schätzer, Verteilung, Dichte, kumulative Verteilung, Skalen: Nominal-, Ordinal-, Intervall- und Verhältnisskalen, Hypothesentests, Konfidenzintervalle / Stochastische Grundlagen, Wahrscheinlichkeiten, Bayessche Netze zur Spezifikation diskreter Verteilungen, Abfragen, Algorithmen zur Beantwortung von Abfragen, Lernverfahren für Bayessche Netze / Zeitreihenanalyse: Autoregression, Integration, gleitender Durchschnitt (ARIMA), ordinale Muster, Permutationsentropie-Merkmale, dynamische Bayessche Netze und zugehörige maschinelle Lernverfahren / Induktives Lernen: Versionsraum, Informationstheorie, Entscheidungsbäume, Regellernen / Ensemble-Methoden, Bagging, Boosting, Random Forests / Automatisiertes maschinelles Lernen / Clustering, k-means, Variationsanalyse (ANOVA), T-Test, Inter-Cluster-Variation, Intra-Cluster-Variation, F-Statistik, Bonferroni-Korrektur, MANOVA.
- Evolutionäre Robotik: Biologische Grundlagen der natürlichen Evolution / Evolutionäre Berechnung und Optimierung: Kodierung, Suchräume, genetische Operatoren / Durchführung von Evolutionsexperimenten mit mobilen Robotern in Hardware und in der Simulation / Robotersimulationen und die Realitätslücke / Konzepte des reaktiven Verhaltens und wie man darüber hinausgeht / Erklärung der evolutionären Dynamik im Sinne der nichtlinearen Dynamik / Heuristischer und empirischer Ansatz in Roboterexperimenten / Modulare Robotik für die Evolution von Robotermorphologien / Intensive Diskussion des Stands der Technik, wie z.B. Überbrückung der Realitätslücke, Neuheitensuche, MAP-Eliten, etc.
- Kollektive Robotik: Selbstorganisation und Rückkopplungsschleifen in Systemen / Grundlagen des Schwarmverhaltens, Schwarmrobotik und verhaltensbasierte Robotik / Roboterschwärme zu Lande, zu Wasser und in der Luft / Selbstorganisierte Koordination von Robotern, autonome Zuweisung von Aufgaben und Rollen, Online-Verteilung von Aufgaben / Kollektives Verhalten begrenzt durch lokale Informationen, repräsentative Stichproben / Synchronisation, Schätzung der Gruppengröße, mathematische Modellierung, Mikro-Makro-Problem, Zufallsgraphen / Kollektive Entscheidungsfindung, Urnenmodelle, Meinungsdynamik, Kompromiss zwischen Geschwindigkeit und Genauigkeit / Biohybride Robotik: Tiere und Roboter, Pflanzen und Roboter, Cyborgs
- Labor Maschinelles Lernen: Methoden und Algorithmen zur Visualisierung, Analyse und Generierung medizinischer Bilddaten, einschließlich aktueller Forschungsarbeiten auf dem Gebiet der medizinischen Bildverarbeitung / Grundlagen der medizinischen Bildverarbeitung - Visualisierung und Vorverarbeitung von Bildern / Techniken der Bilddatenanreicherung / Grundlagen konnektionistischer Netze in der medizinischen Bildverarbeitung / Faltungsnetze und Deep Learning in der medizinischen Bildverarbeitung / U-Netze und generative adversarial networks (GANs) zur Generierung medizinischer Bilddaten / Generative Modelle für die medizinische Bildverarbeitung
| |
Literatur: - S. Nolfi, D. Floreano: Evolutionary Robotics - MIT Press, 2001
- H. Hamann: Swarm Robotics: A Formal Approach - Springer, 2018
- M.P. Deisenroth, A.A. Faisal, C.S. Ong: Mathematic of Machine Learning - Cambridge University Press, 2020
- S.J. Russell, P. Norvig: Artificial Intelligence: A Modern Approach - 4th Ed., Pearson, 2020
- M. Kaptein, E. van den Heuvel: Statistics for Data Scientists: An Introduction to Probability, Statistics, and Data Analysis - Springer, 2022
|
für die Ukraine