LFU:online

Institut für Informatik Institut für Informatik

Univ.-Prof. Justus Piater, PhD Univ.-Prof. Justus Piater, PhD, +43 512 507 53264

703644

Probabilistische Modelle und Inferenz

VO 1

2

wöch.

jährlich

Englisch

Probabilistische Modelle und maschinelles Lernen werden in einer Vielzahl von Anwendungen eingesetzt. Dieser Kurs stellt einige solcher Anwendungen vor, beispielsweise aus der Computer Vision, Robotik und künstlichen Intelligenz, und führt bewährte, vielseitig einsetzbare Methoden der probabilistischen Modellierung und maschinellen Lernens ein, die ihnen zugrunde liegen. Absolventinnen und Absolventen sind in der Lage, diese und ähnliche Methoden zu verstehen und fachgerecht anzuwenden.

Mögliche Beispielanwendungen sind Objektverfolgung in Video, strukturierte, probabilistische Objekterkennung, Simultaneous Localization and Mapping (SLAM), Empfehlungssysteme, motorisches Lernen in der Robotik, Analyse natürlicher Sprache. Beispielmethoden sind Kalman Filter, Partikelfilter, teilweise observierbare Markov-Modelle (POMDP), versteckte Markov-Modelle (HMM), Policy-Search Reinforcement Learning, inverses Reinforcement Learning.

Motiviert durch praktische Anwendungen vermittelt die Vorlesung theoretisches Wissen, das im Rahmen des zugehörigen Proseminars in mündlichen und schriftlichen Übungen sowie Programmierprojekten zur Anwendung gebracht und vertieft wird.

Mündliche Prüfung

Siehe Link.

Die Lehrveranstaltung ist als VO+PS konzipiert. Es wird davon ausgegangen, dass alle Teilnehmer an beiden Teilen der Lehrveranstaltung teilnehmen. Teile dieser Lehrveranstaltung bauen auf Konzepten auf, wie sie in der Lehrveranstaltung Fortgeschrittenes maschinelles Lernen (703642) vermittelt wurden.
Beginn: siehe Termine