Dauer:
1 Semester | Angebotsturnus:
Jedes Wintersemester | Leistungspunkte:
12 |
Studiengang, Fachgebiet und Fachsemester: - Master Artificial Intelligence 2023 (Pflicht), Künstliche Intelligenz, 2. oder 3. Fachsemester
|
Lehrveranstaltungen: - CS4514-V: Intelligent Cooperative Agents (Vorlesung, 6 SWS)
- CS4514-P: Intelligent Cooperative Agents (Praktikum, 2 SWS)
| Workload: - 240 Stunden Selbststudium
- 30 Stunden Eigenständige Projektarbeit
- 90 Stunden E-Learning
| |
Lehrinhalte: | - Agenten, Mechanismen und Kollaboration: Intelligente Agenten und künstliche Intelligenz / Spieltheorie und soziale Wahl / Entwurf von Mechanismen, algorithmischer Entwurf von Mechanismen / Zusammenarbeit von Agenten, Regeln der Begegnung / Kontinuierlicher Raum / Erkenntnistheoretische Logik / Wissen und Sehen / Wissen und Zeit / Dynamische erkenntnistheoretische Logik / Wissensbasierte Programme
- Wahrnehmung (Sprache und Sehen): Information Retrieval und Web-Mining-Agenten / Probabilistische Dimensionsreduktion, latente DeepL Inhalte, Themenmodelle, LDA, LDA-HMM / Repräsentationslernen für sequentielle Strukturen, Einbettungsräume, word2vec, CBOW, Skip-Gram, hierarchische Softmax, negatives Sampling / Sprachmodelle (1d-CNNs. RNNs, LSTMs, ELMo, Transformers, BERT, GPT-3/OPT, und darüber hinaus), Inferenz natürlicher Sprache und Beantwortung von Anfragen / Computer Vision (2D-CNNs, Deep Architectures: AlexNet, ResNet) / Kombination von Sprache und Sehen (CLIP (OpenAI) / LiT (Google) / data2vec (Facebook) / Flamingo (DeepMind), DALL-E und darüber hinaus) / Einbettung von Wissensgraphen mit GNNs, Kombination von einbettungsbasierter KG-Vervollständigung mit probabilistischen grafischen Modellen (ExpressGNN, pLogicNet), MLN-Inferenz und Lernen auf der Grundlage eingebetteter Wissensgraphen, GMNNs)
- Planung, Kausalität und Verstärkungslernen: Planen und Handeln mit deterministischen Modellen, temporalen Modellen, nicht-deterministischen Modellen, probabilistischen Modellen / Standard-Entscheidungsfindung / Fortgeschrittene Entscheidungsfindung und Reinforcement Learning / Kausale Abhängigkeiten / Intervention / Instrumentale Variablen / Kontrafaktische / Kausale Planung / Kausales Reinforcement Learning
| |
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: |
Setzt voraus: |
Modulverantwortlicher: Lehrende: |
Literatur: - M Ghallab, D. Nau, P. Traverso: Automated Planning and Acting - Cambridge University Press, 2016
- J. Pearl, C. Glymour, and N.P. Jewell: Causal Inference in Statistics--A Primer - Wiley, 2016
- S.J. Russell, P. Norvig, Artificial Intelligence: A Modern Approach - 4th Ed., Pearson, 2020
- Y. Shoham, K. Leyton-Brown: Multiagent-Systems: Algorithmic, Game-Theoretic, and Logical Foundations - Cambridge University Press, 2009
|
Sprache: - Wird nur auf Englisch angeboten
|
Bemerkungen:Zulassungsvoraussetzungen zur Belegung des Moduls:
- Keine (die Kompetenzen der unter Setzt voraus genannten Module werden für dieses Modul benötigt, sind aber keine formale Voraussetzung)
Zulassungsvoraussetzungen zur Teilnahme an Modul-Prüfung(en):
- 50% der Punkte des Online-Quiz
Modulprüfung(en):
CS4514-L1: Portfolioprüfung Intelligent Cooperative Agents mit insgesamt 100 Punkten, wie folgt aufgeteilt:
- 50 Punkte für einen E-Test (mündlich oder schriftlich)
- 50 Punkte für eine Projektpräsentation |
Letzte Änderung: 15.2.2024 |
für die Ukraine