Interactive Systems Labs (ISL)

Kognitive Systeme

  • type:
  • semester: SS 2020
  • time:

    The times changed to weekly meetings at 5:30- 7:00 pm - Die Zeiten wurden angepasst zu wöchentlichen Terminen 17:30- 19:00

    2020-04-20
    17:30- 19:00 wöchentlich


    2020-04-22
    17:30- 19:00 wöchentlich


    2020-04-27
    17:30- 19:00 wöchentlich


    2020-04-29
    17:30- 19:00 wöchentlich


    2020-05-04
    17:30- 19:00 wöchentlich


    2020-05-06
    17:30- 19:00 wöchentlich


    2020-05-11
    17:30- 19:00 wöchentlich


    2020-05-13
    17:30- 19:00 wöchentlich


    2020-05-18
    17:30- 19:00 wöchentlich


    2020-05-20
    17:30- 19:00 wöchentlich


    2020-05-25
    17:30- 19:00 wöchentlich


    2020-05-27
    17:30- 19:00 wöchentlichh


    2020-06-03
    17:30- 19:00 wöchentlich


    2020-06-08
    17:30- 19:00 wöchentlich


    2020-06-10
    17:30- 19:00 wöchentlich


    2020-06-15
    17:30- 19:00 wöchentlich


    2020-06-17
    17:30- 19:00 wöchentlich


    2020-06-22
    17:30- 19:00 wöchentlich


    2020-06-24
    17:30- 19:00 wöchentlich


    2020-06-29
    17:30- 19:00 wöchentlich


    2020-07-01
    17:30- 19:00 wöchentlich


    2020-07-06
    17:30- 19:00 wöchentlich


    2020-07-08
    17:30- 19:00 wöchentlich

    2020-07-13
    17:30- 19:00 wöchentlich

    2020-07-15
    17:30- 19:00 wöchentlich

    2020-07-20
    17:30- 19:00 wöchentlich


    2020-07-22
    17:30- 19:00 wöchentlich


  • lecturer: Prof. Dr. Alexander Waibel
    Dr.-Ing. Pascal Meißner
    Prof. Dr. Gerhard Neumann
    Dr. Sebastian Stüker
  • sws: 4
  • lv-no.: 24572
Notes

Kognitive Systeme handeln aus der Erkenntnis heraus. Nach der Reizaufnahme durch Perzeptoren werden die Signale verarbeitet und aufgrund einer hinterlegten Wissensbasis gehandelt. In der Vorlesung werden die einzelnen Module eines kognitiven Systems vorgestellt. Hierzu gehören neben der Aufnahme und Verarbeitung von Umweltinformationen (z. B. Bilder, Sprache), die Repräsentation des Wissens sowie die Zuordnung einzelner Merkmale mit Hilfe von Klassifikatoren. Weitere Schwerpunkte der Vorlesung sind Lern- und Planungsmethoden und deren Umsetzung. In den Übungen werden die vorgestellten Methoden durch Aufgaben vertieft.

Lehrinhalt:

Kognitive Systeme handeln aus der Erkenntnis heraus. Nach der Reizaufnahme durch Perzeptoren werden die Signale verarbeitet und aufgrund einer hinterlegten Wissensbasis gehandelt. In der Vorlesung werden die einzelnen Module eines kognitiven Systems vorgestellt. Hierzu gehören neben der Aufnahme und Verarbeitung von Umweltinformationen (z. B. Bilder, Sprache), die Repräsentation des Wissens sowie die Zuordnung einzelner Merkmale mit Hilfe von Klassifikatoren. Weitere Schwerpunkte der Vorlesung sind Lern- und Planungsmethoden und deren Umsetzung. In den Übungen werden die vorgestellten Methoden durch Aufgaben vertieft.

Voraussetzungen:

Empfehlungen:    Grundwissen in Informatik ist hilfreich.

Arbeitsaufwand:

154h
1. Präsenzzeit in Vorlesungen/Übungen: 30 + 9
2. Vor-/Nachbereitung derselbigen: 20 + 24
3. Klausurvorbereitung/Präsenz in selbiger: 70 + 1

Lernziele:

Studierende beherrschen

  • Die relevanten Elemente eines technischen kognitiven Systems und deren Aufgaben.
  • Die Problemstellungen dieser verschiedenen Bereiche können erkannt und bearbeitet werden.
  • Weiterführende Verfahren können selbständig erschlossen und erfolgreich bearbeitet werden.
  • Variationen der Problemstellung können erfolgreich gelöst werden.
  • Die Lernziele sollen mit dem Besuch der zugehörigen Übung erreicht sein.

Die Studierenden beherrschen insbesondere die grundlegenden Konzepte und Methoden der Bildrepräsentation und Bildverarbeitung wie homogene Punktoperatoren, Histogrammauswertung sowie Filter im Orts- und Frequenzbereich. Sie beherrschen Methoden zur Segmentierung von 2D-Bilddaten anhand von Schwellwerten, Farben, Kanten und Punktmerkmalen. Weiterhin können die Studenten mit Stereokamerasystemen und deren bekannten Eigenschaften, wie z.B. Epipolargeometrie und Triangulation, aus gefundenen 2D Objekten, die 3D Repräsentationen rekonstruieren. Studenten kennen den Begriff der Logik und können mit Aussagenlogik, Prädikatenlogik und Planungssprachen umgehen. Insbesondere können sie verschiedene Algorithmen zur Bahnplanung verstehen und anwenden. Ihnen sind die wichtigsten Modelle zur Darstellung von Objekten und der Umwelt bekannt sowie numerische Darstellungsmöglichkeiten eines Roboters.

Die Studierenden beherrschen die grundlegenden Methoden zur automatischen Signalvorverarbeitung und können deren Vor- und Nachteile benennen. Für ein gegebenes Problem sollen sie die geeigneten Vorverarbeitungsschritte auswählen können. Die Studierenden sollen mit der Taxonomie der Klassifikationssysteme arbeiten können und Verfahren in das Schema einordnen können. Studierende sollen zu jeder Klasse Beispielverfahren benennen können. Studierende sollen in der Lage sein, einfache Bayesklassifikatoren bauen und hinsichtlich der Fehlerwahrscheinlichkeit analysieren können. Studierende sollen die Grundbegriffe des maschinellen Lernens anwenden können, sowie vertraut sein mit Grundlegenden Verfahren des maschinellen Lernens. Die Studierenden sind vertraut mit den Grundzügen eines Multilayer-Perzeptrons und sie beherrschen die Grundzüge des Backpropagation Trainings. Ferner sollen sie weitere Typen von neuronalen Netzen benennen und beschreiben können. Die Studierenden können den grundlegenden Aufbau eines statistischen Spracherkennungssystems für Sprache mit großem Vokabular beschreiben. Sie sollen einfache Modelle für die Spracherkennung entwerfen und berechnen können, sowie eine einfache Vorverarbeitung durchführen können. Ferner sollen die Studierenden grundlegende Fehlermaße für Spracherkennungssysteme beherrschen und berechnen können.