Spezielle Themen der Künstlichen Intelligenz

Reasoning and Decision-Making Under Uncertainty (Spezielle Themen der Künstlichen Intelligenz)

Vorlesung im Hauptstudium/Modul "Vertiefung KI"
Vorlesung, 2SWS
Belegnummer: 392101
Termin: Do 10-12, U2-232

Inhalt
Egal in welcher Domäne oder für welche Aufgabe, künstliche Systeme müssen genau wie wir Menschen mit Unsicherheiten umgehen können. Ganz besonders zentral ist diese Anforderung in intelligenten und autonomen Systemen. Unsicherheit entsteht dort fortwährend durch die stets beschränkten Kapazitäten der Wahrnehmung, des Wissensumfangs sowie der Schlussfolgerungs- und Handlungsfähigkeiten. In dieser Vorlesung werden Konzepte und Methoden der modernen Künstlichen Intelligenz und der Robotik vermittelt um intelligenten Agenten zu konstruieren, die auf Techniken des Schließens und Entscheidens unter unvollständigem und unsicherem Wissen beruhen (robustes Planen, probabilistisches Schließen, Bayes-Netze, Markov-Entscheidungsprobleme).

Voraussetzungen/Vorkenntnisse
Algorithmen/Datenstrukturen, Theoretische Informatik, Methoden der Künstlichen Intelligenz

Leistungspunkte
Es gibt 6 Leistungspunkt für die erfolgreiche Teilnahme an der Vorlesung und den Übungen. Dies schliesst die erfolgreiche Bearbeitung der praktischen Aufgaben sowie das Bestehen der Prüfung/Klausur mit ein.

Termine -- Folien

11.4.	Introduction: Intelligent Agents and Uncertainty	Folien (pdf)
18.4.	Robust planning	Folien (pdf)
19.4.	Uncertainty, degrees of belief and probability calculus	Folien (pdf)
26.4.	Beliefs, evidence and independence	Folien (pdf)
3.5.	Bayesian (Belief) Networks	Folien (pdf)
10.5.	Modeling and reasoning with Bayesian Networks	Folien (pdf)
24.5.	Inference algorithms for Bayesian Networks	Folien (pdf)
31.5.	Probabilistic decision-making (I): Utilities, interventions and decisions	Folien (pdf)
14.6.	Probabilistic decision-making (II): Bayesian Decision Networks and Markov Decision Problems	Folien (pdf)
21.6.	Solving MDPs and POMDPs	Folien (pdf)
28.6.	Learning Bayesian Models I (Learning Parameters)	Folien (pdf)
5.7.	Learning Bayesian Models II (Structure learning and coping with missing data)	Folien (pdf)

Übungen zur Vorlesung

Belegnummer: 392104
Veranstalter: Sebastian Ptock
Termin des Tutoriums: Mi 16-18, H1-111a

Die Übungen bestehen aus praktischen Aufgaben die begleitend zur Vorlesung in Gruppen von 2 bis 3 Studierenden bearbeitet werden.
Webseite zu den Übungen

Literatur:

Russell and Norvig: Artificial Intelligence: A Modern Approach. Prentic Hall, 2nd Edition, 2003.
Darwiche: Modeling and Reasoning with Bayesian Networks. Cambridge Univ. Press, 2010.
Pearl: Probabilistic Reasoning in Intelligent Systems, Morgan Kaufmann, 1989.
Pearl: Causality: Models, Reasoning and Inference. 2nd edition, Cambridge Univ. Press, 2009.
Barber: Bayesian Reasoning and Machine Learning. Cambridge Univ. Press, 2012.
Koller & Friedman, Probabilistic Graphical Models, MIT Press, 2009.
Koski and Nobe: Bayesian Networks - an Introduction. Wiley, 2009. Online-Zugang über die Uni-Bib
[Görz: Einführung in die Künstliche Intelligenz. 3. Auflage, 2000.]
[Luger: Artificial Intelligence, 5th Edition, Addison-Wesley, 2005.]
[Alpaydin: Introduction to Machine Learning, MIT Press, 2004.]

Web links: