Website
Modulhandbuch bis 2016

Modul CS4385-KP08, CS4385

Autonome Lernende Agenten (ALA)

Dauer:


1 Semester
Angebotsturnus:


Jedes Wintersemester
Leistungspunkte:


8
Studiengang, Fachgebiet und Fachsemester:
  • Master Mathematik in Medizin und Lebenswissenschaften 2010 (Wahlpflicht), Informatik, 1. oder 2. Fachsemester
Lehrveranstaltungen:
  • Siehe CS4385 T: Autonome Lernende Agenten (Übung, 2 SWS)
  • Siehe CS4385 T: Autonome Lernende Agenten (Vorlesung, 4 SWS)
Workload:
  • 30 Stunden Prüfungsvorbereitung
  • 120 Stunden Selbststudium
  • 90 Stunden Präsenzstudium
Lehrinhalte:
  • Rationale autonome Agenten als formale Grundlage für den Aufbau von Informationsrecherche- und Robotiksystemen
  • Wiederholung Wahrscheinlichkeiten und generative Modelle für diskrete Daten, Gauss-Modelle, Anwendung: Information Retrieval, Vector Space Modell mit Probabilistischem Information Retrieval als Grundlage
  • Dynamische graphische Wahrscheinlichkeitsmodelle (dynamische Bayessche Netzwerke, Markov-Annahme, Zustandsübergangs- und Sensor-Modelle, Berechnungsprobleme: Filterung, Prädiktion, Glättung, wahrscheinlichste Zustandsfolge), Hidden-Markov-Modelle, Kalman-Filter, Conditional Random Field, exakte und approximative Verfahren zur Lösung von Berechnungsproblemen, Automatische Bestimmung von Parametern und Struktur von dynamischen graphischen Wahrscheinlichkeitsmodellen, Anwendung: POS-Tagging, Semantische Annotation
  • Gemischte Modelle, Latente lineare Modelle (LDA, LSI, PCA), Anwendung: Themenbestimmung, Multimedia-Interpretation für Webrecherchen (Erkennung benannter Entitäten, Duplikateliminierung, Interpretation von Inhalten, probabilistische Bewertung von Interpretationen, Linkanalyse, Netzwerkanalyse)
  • Plangenerierung, Entscheidungsfindung unter Unsicherheit: Nützlichkeitstheorie, Entscheidungsnetzwerke, Wert von Information, sequentielle Entscheidungsprobleme und -Algorithmen (Wert-Iteration, Strategie-Iteration), Markov-Entscheidungsprobleme (MDPs), entscheidungstheoretisch konstruierte Agenten, Markov-Entscheidungsprobleme unter partieller Beobachtbarkeit (POMDP), dynamische Entscheidungsnetzwerke, Parameter- und Strukturbestimmung durch wiederholte Verstärkung (reinforcement learning), Anwendung: Bestimmung von dynamischen Informationsrechercheplänen
  • Interaktion von Agenten: Spieltheorie, Betrachtung von Entscheidungen und Aktionen mehrerer Agenten (Nash-Gleichgewicht, Bayes-Nash-Gleichgewicht), Soziale Entscheidung (Abstimmung, Präferenzen, Paradoxien, Arrow's Theorem), Mechanismen, Mechanismen-Entwurf (kontrollierte Autonomie), Bilaterale Mechanismen: Regeln des Zusammentreffens (rules of encounter), Anwendung: Austausch von Interpretationen zwischen verschiedenen Rechercheagenten
  • Probabilistische Logik erster Ordnung, Probabilistische Doxastische Temporale Logik, Anwendung: Aufbau und Austausch von symbolischen Annotationen und Interpretationen für multimodale Webdaten (nach dem Motto von Google: from strings to things), Informationsassoziation und -recherche, Anfragebeantwortung und Empfehlungsgenerierung
Qualifikationsziele/Kompetenzen:
  • Wissen:
  • Studierende können die Agentenabstraktion erläutern und als Anwendung Informationsgewinnung im Web (web mining) als rationales Verhalten erläutern.
  • Sie können Details der Architektur von Mining-Agenten (Ziele, Nützlichkeitswerte, Umgebungen) erläutern. Der Begriff des kooperativen und nicht-kooperativen Agenten kann durch die Studierenden im Rahmen von Entscheidungsproblemen diskutiert werden.
  • Um Agenten mit Fähigkeiten zum Umgang mit Unsicherheiten bei der Informationsrecherche in Realweltszenarien auszustatten, können Studierende die wesentlichen Repräsentationswerkzeuge aufzeigen (z.B. Bayessche Netzwerke) und Algorithmen für Berechnungsprobleme für statische und dynamische Szenarien erläutern.
  • Techniken zur automatischen Berechnung von verwendeten Repräsentationen und Modellen können erklärt werden.
  • Damit Agenten mit Entscheidungsfindungskompetenz ausgestattet werden können (zum Beispiel, um festzulegen, wo weiter im Web gesucht werden soll) sind Studierende in der Lage, Entscheidungsfindungsprozesse für einfache und sequentielle Kontexte zu beschreiben und zu gestalten, so dass Szenarien beherrscht werden können, in denen die Agenten vollen oder auch nur partiellen Zugriff auf den Zustand ihres umgebenden Systems haben und den Wert von möglicherweise akquirierbaren Informationen für festgelegte Aufgaben abschätzen müssen.
  • Studierende verfügen über Wissen zur Erläuterung der klassischen und der neueren Techniken zur zielgerichteten Anreicherung von unstrukturierten Daten mit symbolischen Beschreibungen (Multimediadaten-Interpretation, Annotation).
  • Fertigkeiten:
  • Die Studierenden sind in der Lage, für den Aufbau von Web-Recherche- und Robotik-Systemen geeignete Repräsentations- und Kooperationsformen für Teilprozesse bzw. Agenten auszuwählen.
  • Auf der Basis von multimodalen Daten können die Studierenden Mining-Systeme aufbauen, um explizit gegebene Dateneinheiten (Textdokumente, relationale Daten, Bilder, Videos) auszuwerten, so dass für bestimmte Anfragekontexte nicht nur die Einheiten einfach zurückgegeben werden (oder Zeiger hierauf), sondern eine symbolische, zusammenfassende Beschreibung generiert wird (und ggf. zur sog. Annotation der Einheiten hinzugefügt wird).
  • Die Fertigkeiten der Studierenden umfassen auch die wettbewerbsorientierte Gestaltung von Systemen mit autonomen, von verschiedenen Parteien konstruierbaren Agenten, so dass über deren Zusammenspiel ein Mehrwert erzeugt werden kann (Interaktion bzw. Kooperation von Web-Mining-Agenten).
  • Koordinierungsprobleme und Entscheidungsprobleme in einem Multiagenten-Szenario können durch die Studierenden über den Gleichgewichts- und den Mechanismus-Begriff behandelt werden.
  • Sozialkompetenz und Selbständigkeit:
  • Die Teilnehmer üben Paarprogrammierung. Sie erklären ihrem Partner gestellte Probleme und entwickelte Lösungen.
  • Sie kommunizieren in Englisch.
  • Über Online-Quiz und Begleitmaterial für das Selbststudium können Studierende ihren Wissensstand kontinuierlich bewerten und ggf. anpassen.
  • Die Arbeit an Übungsaufgaben ermöglicht zusätzliches Feedback.
Vergabe von Leistungspunkten und Benotung durch:
  • Prüfungsform hängt vom übergeordneten Modul ab
Setzt voraus:
Modulverantwortlicher:
  • Siehe Hauptmodul
Lehrende:
Literatur:
  • D. Koller, N. Friedman: Probabilistic Graphical Models: Principles and Techniques - MIT Press, 2009
  • Chr. Manning, P. Raghavan, H. Schütze: Introduction to Information Retrieval - Cambridge University Press. 2008
  • K. Murphy: Machine Learning: A Probabilistic Perspective - MIT Press, 2012
  • S. Russel, P. Norvig: Artificial Intelligence: A Modern Approach - Pearson Education, 2010
  • Y. Shoham, K. Leyton-Brown: Multiagent-Systems: Algorithmic, Game-Theoretic, and Logical Foundations - Cambridge University Press, 2009
Sprache:
  • Wird nur auf Englisch angeboten
Bemerkungen:

Empfohlen wird die Teilnahme an den folgenden Modulen: - Einführung in die Logik (CS1002) - Künstliche Intelligenz 1 (CS3204) - Bachelor-Projekt Informatik (CS3701) zum Thema Logikprogrammierung - Webbasierte Informationssysteme (CS4130).
Prüfungsvorleistungen können zu Beginn des Semesters festgelegt werden. Sind Vorleistungen definiert, müssen diese vor der Erstprüfung erbracht und positiv bewertet worden sein.

(Besteht aus CS4385 T)

Letzte Änderung:
17.7.2019