Learning in Cognitve Systems - Interactive curriculae of TU Ilmenau

The interactive curriculae provide information on the degree programmes offered by the TU Ilmenau.

Please refer to the respective study and examination rules and regulations for the legally binding curricula (Annex Curriculum).

You can find all details on planned lectures and classes in the course catalogue.

Please note that this page is no longer updated. All modules and study plans from PO version 2021 onwards (Bachelor and Master study programs) are now available on the Campus Portal.

module properties module number 182 - common information
module number	182
department	Department of Computer Science and Automation
ID of group	2233 (Neuroinformatics and Cognitive Robotics)
module leader	Prof. Dr. Horst-Michael Groß
language	deutsch
term	Sommersemester
previous knowledge and experience	Vorlesung Neuroinformatik
learning outcome	In der Vorlesung "Lernen in Kognitiven Systemen" lernen die Studierenden aufbauend auf der Vorlesung „Neuroinformatik und Maschinelles Lernen” die konzeptionellen, methodischen und algorithmischen Grundlagen des Maschinellen Lernens zum Erwerb komplexer Verhaltensleistungen in kognitiven Systemen (Autonome Systeme, Roboter, Prozessteuerungen, Spiele) durch Lernen aus Erfahrungen kennen. Sie verstehen die grundsätzliche Herangehensweise dieser Form des Wissenserwerbs, der Generierung von handlungsorientiertem Wissen aus Beobachtungen und Erfahrungen. Die Studierenden lernen die wesentlichen Konzepte, Lösungsansätze sowie Modellierungs- und Implementierungstechniken beim Einsatz von Verfahren des Reinforcement Learnings und dessen Spielarten kennen. Sie sind in der Lage, praxisorientierte Fragestellungen aus dem o. g. Problemkreis zu analysieren, durch Anwendung des behandelten Methodenspektrums auf Fragestellungen aus den behandelten Bereichen neue Lösungskonzepte zu entwerfen und algorithmisch umzusetzen sowie bestehende Lösungen zu bewerten. Vor- und Nachteile der Komponenten und Verfahren im Kontext praktischer Anwendungen sind den Studierenden bekannt.
content	Die Lehrveranstaltung vermittelt das erforderliche Methodenspektrum aus theoretischen Grundkenntnissen und praktischen Fähigkeiten zum Verständnis, zur Implementierung und zur Anwendung neuronaler und probabilistischer Techniken des Erwerbs von Handlungswissen durch Lernen aus evaluativ bewerteten Erfahrungsbeispielen. Sie vermittelt sowohl Faktenwissen, begriffliches und algorithmisches Wissen aus folgenden Themenkomplexen: Begriffliche Grundlagen: Verhalten; Agent; Zweck und Bedeutung von Lernprozessen; Stability-Plasticity Dilemma; Exploration-Exploitation Dilemma Reinforcement Learning (RL): Grundidee des RL; General RL-Task; Schwache und starke RL-Verfahren, RL als Markov Decision Process (MDP); Basiskomponenten eines RL-Agenten; Value/Action-Value Iteration und das Bellman´sche Optimalitätsprinzip; Q-Learning, Boltzmann-Aktionsauswahl; SARSA-Learning; On-policy und off-policy Verfahren; Eligibility Traces; RL und teilweise Beobachtbarkeit; Lösungsansätze zur Behandlung von POMDP Neuronale Umsetzung von RL-Agenten: Value Approximation am Beispiel TD-Gammon; NFQ-Verfahren; ADHDP-Verfahren; Grundidee von Policy Search Algorithmen Deep Reinforcement Learning (DRL) als Form des End-to-End Learnings: Atari Deep RL; AlphaGo Learning Classifier Systems (LCS) Imitation Learning Multi-Agenten Systeme (MAS); Motivation und Arten von Multi-Agentensystemen; Konzepte zur Koordinierung von Agenten; Koordination mittels W-Lernen, Reward-Decomposition Inverse Reinforcement Learning (IRL) Exemplarische Software-Implementierungen von RL-Verfahren für Navigationsaufgaben, Spiele, Prozesssteuerungen Im Rahmen des Pflichtpraktikums sollen in C++ und Python eigene Plugins zur Anwendung des Reinforcement Learnings am Beispiel der Roboternavigation im Simulator erstellt und experimentell untersucht werden. Das Modul "Lernen in kognitiven Systemen" wird im SS 2024 nicht angeboten.
media of instruction and technical requirements for education and examination in case of online participation	Präsenzvorlesung mit Powerpoint, Lectures on demand mit Erläuterungsvideos zu Vorlesungs-, Übungs- und Praktikumsinhalten, Arbeitsblätter zur Vorlesung, Übungsaufgaben, Python Apps, studentische Demo-Programme, e-Learning mittels „Jupyter Notebook”
literature / references	- Sutton, R., Barto, A. Reinforcement Learning – An Introduction. MIT Press 1998 - Bishop, Ch.: Pattern Recognition and Machine Learning, Springer 2006 - Alpaydin, Ethem: Maschinelles Lernen, Oldenbourg Verlag 2008 - Murphy, K.: Machine Learning – A Probabilistic Perspective, MIT Press 2012 - Goodfellow, I. et al.: Deep Learning, MIT Press 2016
evaluation of teaching

Details reference subject
module name	Learning in Cognitve Systems
examination number	2200443
credit points
SWS	2
on-campus program (h)
self-study (h)
obligation	obligatory module
exam	none
details of the certificate	Besteht aus schriftlicher Prüfung 90 min (100% der Note) und zugehöriger Seminaraufgabe
link to Moodle course	Das Modul "Lernen in kognitiven Systemen" wird im SS 2024 nicht angeboten.
teacher
signup details for alternative examinations
maximum number of participants

Details in degree program Master Biomedizinische Technik 2014
module name	Learning in Cognitve Systems
examination number	2200516
credit points	4
on-campus program (h)	34
self-study (h)	86
obligation	elective module
exam	alternative pass-fail certificate
details of the certificate	Besteht aus schriftlicher Prüfung 90 min (100% der Note) und zugehöriger Seminaraufgabe
link to Moodle course	Das Modul "Lernen in kognitiven Systemen" wird im SS 2024 nicht angeboten.
signup details for alternative examinations
maximum number of participants

Details in degree program Master Technische Kybernetik und Systemtheorie 2014, Master Biomedizinische Technik 2014
module name	Learning in Cognitve Systems
examination number	2200443
credit points
on-campus program (h)
self-study (h)
obligation	obligatory module
exam	none
details of the certificate	Besteht aus schriftlicher Prüfung 90 min (100% der Note) und zugehöriger Seminaraufgabe
link to Moodle course	Das Modul "Lernen in kognitiven Systemen" wird im SS 2024 nicht angeboten.
signup details for alternative examinations
maximum number of participants