Kognitive Systeme handeln aus der Erkenntnis heraus. Nach der Reizaufnahme durch Perzeptoren werden die Signale verarbeitet und aufgrund on erlernten Wissens 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 Zuordnung einzelner Merkmale mit Hilfe von Klassifikatoren, sowie die Entscheidungsfindung eines Kognitiven Systems mittels Lern- und Planungsmethoden und deren Umsetzung auf ein physikalisches kognitives System (einen Roboter). In den Übungen werden die vorgestellten Methoden durch Aufgaben (Programmierung sowie theoretische Rechenaufgaben) vertieft.

Voraussetzungen:

Keine

Empfehlungen:

-       Einfache Programmierkenntnisse (für die Übungen)

-       Kenntnisse in der Programmierung von Python. 

        Die Grundlagen werden aber am Anfang der  Vorlesung kurz wiederholt sodass man sich diese    

        Kenntnisse auch noch für diese Vorlesung aneignen kann.      

-       Gute mathematische Grundkennntnisse

Arbeitsaufwand:

180h, aufgeteilt in:

·    ca 30h Vorlesungsbesuch

·    ca 9h Übungsbesuch

·    ca 90h Nachbearbeitung und Bearbeitung der Übungsblätter

·    ca 50 + 1h Prüfungsvorbereitung

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 Methoden der Künstlichen Intelligenz, die nötig sind, um verschiedene Aspekte eines Kognitiven Systems verstehen zu können. Dies beinhaltet Suchverfahren, und Markov Decision Processe, welche den Entscheidungsfindungsprozess eines kognitiven Systems modellieren können. Des Weiteren werden verschiedene grundlegende Methoden für das Erlernen von Verhalten mit künstlichen Agenten verstanden und auch in den Übugen umgesetzt, wie zum Beispiel das Lernen von Demonstrationen und das Reinforcement Learning. Den Studierenden wird auch Basiswissen der Bildverarbeitung vermittelt, inklusive Kameramodelle, Bildrepresentationen und Faltungen. Dannach werden auch neue Methoden des Maschinellen Lernens in der Bildverarbeitung basierend auf Convolutional Neural Networks vermittelt und von den Studierenden in den Übungen umgesetzt. Die Studierenden werden ebenso mit Grundbegriffen der Robotik vertraut gemacht und können diese auf einfache Beispiele anwenden.

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.

Erfolgskontrolle:

Siehe Modulhandbuch!