Lernen in kognitiven Systemen - Interaktive Studienpläne der TU Ilmenau

Die Interaktiven Studienpläne sind ein Informationsangebot zu den Studiengängen der TU Ilmenau.

Die rechtsverbindlichen Studienpläne entnehmen Sie bitte den jeweiligen Studien- und Prüfungsordnungen (Anlage Studienplan).

Alle Angaben zu geplanten Lehrveranstaltungen finden Sie im elektronischen Vorlesungsverzeichnis.

Bitte beachten Sie, dass auf dieser Seite keine Aktualisierungen mehr vorgenommen werden. Alle Module und Studienpläne ab der PO-Version 2021 (Bachelor- und Master-Studiengänge) sind ab sofort im Campus-Portal erreichbar.

Modulinformationen zu Modulnummer 182 - allgemeine Informationen
Modulnummer	182
Fakultät	Fakultät für Informatik und Automatisierung
Fachgebietsnummer	2233 (Neuroinformatik und Kognitive Robotik)
Modulverantwortliche(r)	Prof. Dr. Horst-Michael Groß
Sprache	deutsch
Turnus	Sommersemester
Vorkenntnisse	Vorlesung Neuroinformatik
Lernergebnisse und erworbene Kompetenzen	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.
Inhalt	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.
Medienformen und technische Anforderungen bei Lehr- und Abschlussleistungen in elektronischer Form	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”
Literatur	- 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
Lehrevaluation

Spezifik Referenzmodul
Modulname	Lernen in kognitiven Systemen
Prüfungsnummer	2200443
Leistungspunkte
SWS	2
Präsenzstudium (h)
Selbststudium (h)
Verpflichtung	Pflichtmodul
Abschluss	keiner
Details zum Abschluss	Besteht aus schriftlicher Prüfung 90 min (100% der Note) und zugehöriger Seminaraufgabe
Link zum Moodle-Kurs	Das Modul "Lernen in kognitiven Systemen" wird im SS 2024 nicht angeboten.
Lehrende
Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl

Spezifik im Studiengang Master Biomedizinische Technik 2014
Modulname	Lernen in kognitiven Systemen
Prüfungsnummer	2200516
Leistungspunkte	4
Präsenzstudium (h)	34
Selbststudium (h)	86
Verpflichtung	Wahlmodul
Abschluss	alternative Studienleistung
Details zum Abschluss	Besteht aus schriftlicher Prüfung 90 min (100% der Note) und zugehöriger Seminaraufgabe
Link zum Moodle-Kurs	Das Modul "Lernen in kognitiven Systemen" wird im SS 2024 nicht angeboten.
Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl

Spezifik im Studiengang Master Technische Kybernetik und Systemtheorie 2014, Master Biomedizinische Technik 2014
Modulname	Lernen in kognitiven Systemen
Prüfungsnummer	2200443
Leistungspunkte
Präsenzstudium (h)
Selbststudium (h)
Verpflichtung	Pflichtmodul
Abschluss	keiner
Details zum Abschluss	Besteht aus schriftlicher Prüfung 90 min (100% der Note) und zugehöriger Seminaraufgabe
Link zum Moodle-Kurs	Das Modul "Lernen in kognitiven Systemen" wird im SS 2024 nicht angeboten.
Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl