Dauer:
2 Semester | Angebotsturnus:
Jedes Sommersemester beginnend | Leistungspunkte:
12 |
Studiengang, Fachgebiet und Fachsemester: - Master Artificial Intelligence 2023 (Pflicht), Künstliche Intelligenz, ab 1. Fachsemester
|
Lehrveranstaltungen: - Stochastic Relational Modeling and Learning (Vorlesung, 2 SWS)
- CS4160-P: Echtzeitsysteme (Praktikum, 2 SWS)
- CS4160-V: Echtzeitsysteme (Vorlesung, 2 SWS)
- Differential Probabilistic Programming (Vorlesung, 2 SWS)
| Workload: - 240 Stunden Selbststudium
- 30 Stunden Eigenständige Projektarbeit
- 90 Stunden E-Learning
| |
Lehrinhalte: | - Echtzeit-Systeme: Grundlagen der Echtzeitverarbeitung (Speicherprogrammierbare Steuerungen, Parallele Prozesse) / Hardware-Plattformen / Prozessschnittstellen / Echtzeit-Kommunikationssysteme / Echtzeit-Programmierung / Prozessüberwachung / Prozesssteuerung mittels paralleler Zustandsdiagramme / Entwurf von Regelsystemen mittels Laplace-Transformation / Echtzeit-Betriebssysteme / Echtzeit-Middleware / Fehlertolerante Echtzeitsysteme
- Differentielle Probabilistische Programmierung: Einführung / Gradientenabstieg / Tiefe Netze und Deep Learning / Autograd / Probabilistische Programmierung / Probabilistische Schaltungen (Grammatik, strukturelle Einschränkungen, Lernen, Repräsentation und Theorie)
- Stochastische relationale Modellierung und Lernen: Rekapitulation: Propositionale Modellierung / Probabilistische relationale Modelle / Angehobene Inferenz (Angehobene Variableneliminierung, Angehobener Kreuzungsbaumalgorithmus) / Wissenskompilation erster Ordnung / Jenseits der Standardanfragebeantwortung / Angehobenes Lernen / Approximative Inferenz: Stichprobenverfahren / Sequentielle Modellierung und Inferenz / Entscheidungsfindung
| |
Qualifikationsziele/Kompetenzen: - Für alle in den Kursinhalten unter den Gliederungspunkten aufgeführten Themen können die Studierenden die zentralen Ideen benennen, die jeweils relevanten Begriffe definieren und die Funktionsweise der zugehörigen Algorithmen anhand von Anwendungsbeispielen erklären.
|
Vergabe von Leistungspunkten und Benotung durch: |
Modulverantwortlicher: Lehrende: |
Literatur: - D. Koller, N. Friedman: Probabilistic Graphical Models - MIT Press, 2009
- A. Katok, B. Hasselblatt: Introduction to the Modern Theory of Dynamical Systems - Cambridge: Cambridge University Press, 1995
- G. Bolton: Programmable Logic Controllers - Newnes, 2009
- I. Goodfellow, Y. Bengio, and A. Courville: Deep Learning - MIT Press, 2016
- L. D. Raedt, K. Kersting, and S. Natarajan: Statistical Relational Artificial Intelligence: Logic, Probability, and Computation - Morgan & Claypool Publishers, 2016
- B.J. Lurie, P. Enright: Classical Feedback Control with Nonlinear Multi-Loop Systems: With MATLAB® and Simulink®
- E.N. Sanchez: Discrete-Time Recurrent Neural Control: Analysis and Applications - CRC Press, 2019
- G. Barthe, J.-P. Katoen, A. Silva (Eds.): Foundations of Probabilistic Programming - Cambridge University Press, 2020
- G. Van den Broeck, K. Kersting, S. Natarajan, D. Poole: An Introduction to Lifted Probabilistic Inference - MIT Press, 2021
|
Sprache: - Wird nur auf Englisch angeboten
|
Bemerkungen:Zulassungsvoraussetzungen zur Belegung des Moduls:
- Keine
Zulassungsvoraussetzungen zur Teilnahme an Modul-Prüfung(en):
- 50% der Punkte eines Online-Quiz
Modulprüfung(en):
CS5071-L1: Portfolioprüfung Next Generation AI Computing and Learning mit insgesamt 100 Punkten, wie folgt aufgeteilt:
- 50 Punkte für einen E-Test (mündlich oder schriftlich)
- 50 Punkte für eine Projektpräsentation |
Letzte Änderung: 1.12.2023 |
für die Ukraine