Modul CS4514-KP12

Workload:

• 195 Stunden Selbststudium
• 120 Stunden Präsenzstudium
• 45 Stunden Prüfungsvorbereitung

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 Vision (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 Reinforcement Learning: 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
• Im Projektpraktikum nutzen Studierende gängige (open source) Programmiersprachen und Werkzeuge des Data Science, um die in der Vorlesung Web-Mining-Agenten vermittelten Abstraktionen, Konzepte und Resultate in der praktischen Modellbildung und Verarbeitung von großen Datensätzen umzusetzen.