Intelligente Systeme

Wintersemester 2016/2017

 Carsten Rother, 1. Teil der LV siehe hier: Webpage Prof. Schroeder (Biotec)
Die Vorlesung “Intelligente Systeme” gibt einen breiten Einblick in das Themengebiet der Künstlichen Intelligenz. Dieser faszinierende Bereich entstand in den 60ern und hat sich seitdem stark weiterentwickelt und viele verwandte Themengebiete beeinflusst, wie z.B. Sprachverarbeitung, Computer Vision, Machinelles Lernen, System Biologie, Optimierung, Human-Computer-Interaction, und Robotik. Diese Vorlesung gibt einen Einblick in grundlegende Modelle und Algorithmen, die in vielen Bereichen an Anwendungen finden. Insbesondere werden die folgenden Themen behandelt:

  • Suchverfahren
  • Wissensrepräsentation
  • Wahrscheinlichkeitsmodelle
  • Inferenz und Lernen

Als Anwendungen werden state-of-the-art Systeme aus der Biologie und Computer Vision betrachtet, wie z.B. die Echtzeit Verfolgung von Personen beim MS Xbox spielen.

Module: INF-B-3B0, INF-D-340
Vorlesung: Mittwoch, 2. DS, 9:20 – 10:50, APB/E023,  Beginn 2. Teil: 14.12.2016
Übung in Gruppen: Beginn (2.Teil): 14.12.2016:
Dienstag, 2. DS, APB E008,
Mittwoch, 6. DS, APB E001,
Donnerstag, 1.DS, APB E001,
Freitag, 1.DS, APB E007 + 5.DS, APB/E001;

Umfang: 2/2/0, Abschluss: Prüfung, Einschreibung: jExam
Weitere Hinweise: Die Vorlesungssprache ist Deutsch. Die Skripte zur Vorlesung werden zum Grossteil auf Englisch sein. Die Lehrveranstaltung orientiert sich grob an dem Buch: Stuart J. Russel and Peter Norvig: Artificial Intelligence: A modern Approach; 3rd Edition; Pearson Studium, (auch auf Deutsch erhältlich), link
Ergänzende Literatur: Pattern Recognition and Machine Learning, Christopher M. Bishop, Springer (2006), link
News:

05.09.2016: Herzlich willkommen! Auf dieser Seite werden im Laufe des Semesters alle benötigten Informationen zur Verfügung gestellt – Skripten, Aufgabenstellungen, Literaturhinweise, aktuelle Infos, Termine, Meldungen etc.
Skripten:
Vorlesungen:

14.12 : Introduction, Probability Theory
21.12 : Statistical Machine Learning
04.01 : Directed Graphical Models
11.01 : Undirected Graphical Models
18.01 : Neural Networks
25.01 : Reinforcement Learning: ppsx pdf
01.02 : Recent Trends in AI

 Aufgabenstellungen für Seminare:

14.-20.12 : Probability Theory; Sam Roweis’ slides on “Probability and Statistics”
04.-10.01 : Statistical Machine Learning
11.-17.01 : Directed Graphical Models
18.-24.01 : Undirected Graphical Models
25.-31.01 : Neural Networks
01.-03.02 : Reinforcement Learning