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: Lehrende: |
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 |
für die Ukraine