Website
Modulhandbuch (ab WS 2016/17)

Modul RO5101-KP04

Probabilistisches Maschinelles Lernen (ProbRob)

Dauer:


1 Semester
Angebotsturnus:


Jedes Sommersemester
Leistungspunkte:


4
Studiengang, Fachgebiet und Fachsemester:
  • Bachelor Robotik und Autonome Systeme 2016 (Wahlpflicht), Robotik und Autonome Systeme, 5. oder 6. Fachsemester
Lehrveranstaltungen:
  • RO5101-Ü: Probabilistisches Maschinelles Lernen (Übung, 1 SWS)
  • RO5101-V: Probabilistisches Maschinelles Lernen (Vorlesung, 2 SWS)
Workload:
  • 45 Stunden Präsenzübung
  • 45 Stunden Präsenzstudium
  • 30 Stunden Selbststudium und Aufgabenbearbeitung
Lehrinhalte:
  • Einführung in statistische Methoden
  • Vermittlung der gängigsten Wahrscheinlichkeitsverteilungen (binomial, beta, gamma, normal, student's t)
  • Bayes Modelle für Regressions und Klassifikationsprobleme
  • Gaussian Processes
  • Stochastische Prozesse zur Bewegungsplanung in der Robotik
  • Graphische Modelle und Inferenzmethoden
  • Probabilistische Sensorfusion
Qualifikationsziele/Kompetenzen:
  • Die Studierenden erwerben Grundlagenwissen über statistische Methoden zur Datenanalyse und Repräsentation.
  • Die Studierenden können die Eigenschaften und Anwendungsfälle verschiedener Verteilungen angeben und selbständig auf neue Probleme anwenden.
  • Die Studierenden verstehen Algorithmen zu Bayes Regression und Klassifikation und können diese eigenständig anwenden.
  • Die Studierenden verstehen Gaussian Processes und Inferenzmethoden zur Bewegungsplanung und könne diese implementieren, erweitern und zur Sensorfusion anwenden.
Vergabe von Leistungspunkten und Benotung durch:
  • Erfolgreiche Lösung der Projektaufgabe
Setzt voraus:
Modulverantwortlicher:
  • Prof. Dr. Elmar Rückert
Lehrende:
  • Prof. Dr. Elmar Rückert
Literatur:
  • Christopher M. Bishop: Pattern Recognition and Machine Learning. - Springer Verlag. ISBN 978-0-387-31073-2
  • ROB, Prof. Rueckert, ...: Diverse aktuelle Forschungsarbeiten
Sprache:
  • Wird nur auf Englisch angeboten
Letzte Änderung:
23.10.2019