ASIM Fachgruppentreffen STS/GMMS
|
|
- Caroline Brinkerhoff
- vor 5 Jahren
- Abrufe
Transkript
1 ASIM Fachgruppentreffen STS/GMMS Modellbasiert lernende Steuerung für Gelenkarmroboter FG Computational Engineering and Automation Georg Kunert, M.Eng. Prof. Dr.-Ing. Thorsten Pawletta Heilbronn, 09. März 2018
2 FG CEA - HOCHSCHULE WISMAR Agenda Motivation Reinforcement Q-Learning Erweiterung zum Reinforcement Q-Learning Generierung einer Robotersteuerung aus Q-Learning Zusammenfassung/Ausblick
3 FG CEA - HOCHSCHULE WISMAR 3 Motivation Stand heute: Je Problem eine Steuerung Problem wird von Ingenieur gelöst und eine spezifische Lösung umgesetzt Ansatz: Je Problemklasse eine Steuerung
4 FG CEA - HOCHSCHULE WISMAR 4 Reinforcement Learning Zustandsänderung durch Agenten (Aktion) Rückgabe eines Folgezustandes Bewertung durch Umgebung (Belohnung)
5 FG CEA - HOCHSCHULE WISMAR Q-Learning am Beispiel Türme von Hanoi Q-Learning Lernalgorithmus: Reinforcement Q-Learning Beispielanwendung: Türme von Hanoi Anfangszustand Zielzustand Greedy-Zug: Q(s,a)=R(s,a)+ α max(q(a,:)) mit: a - Index des Folgezustandes s - Index des aktuellen Zustandes Q - Lernmatrix R - Belohnungsmatrix α Lernrate 5
6 FG CEA - HOCHSCHULE WISMAR Q-Learning am Beispiel Türme von Hanoi 6 s - Index des aktuellen Zustandes Q - Lernmatrix R - Belohnungsmatrix α - Lernrate
7 FG CEA - HOCHSCHULE WISMAR Q-Learning am Beispiel Türme von Hanoi 6
8 FG CEA - HOCHSCHULE WISMAR Q-Learning am Beispiel Türme von Hanoi 6
9 FG CEA - HOCHSCHULE WISMAR Q-Learning am Beispiel Türme von Hanoi 6
10 FG CEA - HOCHSCHULE WISMAR 7 Q-Learning am Beispiel Türme von Hanoi State Exploration
11 state FG CEA - HOCHSCHULE WISMAR Q-Learning am Beispiel Türme von Hanoi Lernphase (stochastisch) Belohungsmatrix R 8
12 state state FG CEA - HOCHSCHULE WISMAR 8 Q-Learning am Beispiel Türme von Hanoi Lernphase (stochastisch) Belohungsmatrix R Lernmatrix Q Q(s,a) = R(s,a) + alpha * max(q(a,:));
13 state state FG CEA - HOCHSCHULE WISMAR 8 Q-Learning am Beispiel Türme von Hanoi Lernphase (stochastisch) Belohungsmatrix R Lernmatrix Q Q(s,a) = R(s,a) + alpha * max(q(a,:)); Q(1,4) = * 0; Doppelpunkt entspricht der Matlab-Notaion Q(, : ) Alle Elemente der Zeile() der Q-Matrix
14 state state FG CEA - HOCHSCHULE WISMAR 8 Q-Learning am Beispiel Türme von Hanoi Lernphase (stochastisch) Belohungsmatrix R Lernmatrix Q Q(s,a) = R(s,a) + alpha * max(q(a,:)); Q(4,7) = * 0;
15 state state FG CEA - HOCHSCHULE WISMAR 8 Q-Learning am Beispiel Türme von Hanoi Lernphase (stochastisch) Belohungsmatrix R Lernmatrix Q 1 Q(s,a) = R(s,a) + alpha * max(q(a,:)); Q(7,9) = * 0;
16 state state FG CEA - HOCHSCHULE WISMAR 8 Q-Learning am Beispiel Türme von Hanoi Lernphase (stochastisch) Belohungsmatrix R Lernmatrix Q 1 Q(s,a) = R(s,a) + alpha * max(q(a,:)); Q(1,4) = * 0;
17 state state FG CEA - HOCHSCHULE WISMAR 8 Q-Learning am Beispiel Türme von Hanoi Lernphase (stochastisch) Belohungsmatrix R Lernmatrix Q 0,8 1 Q(s,a) = R(s,a) + alpha * max(q(a,:)); Q(4,7) = * 1;
18 state state FG CEA - HOCHSCHULE WISMAR 8 Q-Learning am Beispiel Türme von Hanoi Lernphase (stochastisch) Belohungsmatrix R Lernmatrix Q 0,8 1 Q(s,a) = R(s,a) + alpha * max(q(a,:)); Q(7,9) = * 0;
19 state state FG CEA - HOCHSCHULE WISMAR 8 Q-Learning am Beispiel Türme von Hanoi Lernphase (stochastisch) Belohungsmatrix R Lernmatrix Q 0,64 0,8 1 Q(s,a) = R(s,a) + alpha * max(q(a,:)); Q(1,4) = * 0.8;
20 state state FG CEA - HOCHSCHULE WISMAR 8 Q-Learning am Beispiel Türme von Hanoi Lernphase (stochastisch) Belohungsmatrix R Lernmatrix Q 0,64 0,8 1 Q(s,a) = R(s,a) + alpha * max(q(a,:)); Q(4,7) = * 1;
21 state state FG CEA - HOCHSCHULE WISMAR 8 Q-Learning am Beispiel Türme von Hanoi Lernphase (stochastisch) Belohungsmatrix R Lernmatrix Q 0,64 0,8 1 Q(s,a) = R(s,a) + alpha * max(q(a,:)); Q(7,9) = * 0;
22 FG CEA - HOCHSCHULE WISMAR 9 Erweitertes Reinforcement Q-Learning
23 FG CEA - HOCHSCHULE WISMAR 10 Erweitertes Q-Learning s - Index des aktuellen Zustandes Q - Lernmatrix R - Belohnungsmatrix α - Lernrate
24 FG CEA - HOCHSCHULE WISMAR Erweitertes Q-Learning 11 s - Index des aktuellen Zustandes Q - Lernmatrix R - Belohnungsmatrix α - Lernrate
25 FG CEA - HOCHSCHULE WISMAR 12 Erweitertes Q-Learning Q-Matrix mit Nullen zurücksetzen for 1 to Anzahl(Zustände) for 1 to Anzahl(Zeilen der Q-Matrix) for 1 to Anzahl(Spalten der Q-Matrix) Q(state,)=R(state, ) + α max(q(, : )) end for end for end for Doppelpunkt entspricht der Matlab-Notaion Q(, : ) Alle Elemente der Zeile() der Q-Matrix
26 state state FG CEA - HOCHSCHULE WISMAR 13 Erweitertes Q-Learning Lernphase Belohungsmatrix R Lernmatrix Q
27 state state FG CEA - HOCHSCHULE WISMAR 13 Erweitertes Q-Learning Lernphase Belohungsmatrix R Lernmatrix Q
28 state state FG CEA - HOCHSCHULE WISMAR 13 Erweitertes Q-Learning Lernphase Belohungsmatrix R Lernmatrix Q
29 state state FG CEA - HOCHSCHULE WISMAR 13 Erweitertes Q-Learning Lernphase Belohungsmatrix R Lernmatrix Q
30 state state FG CEA - HOCHSCHULE WISMAR 13 Erweitertes Q-Learning Lernphase Belohungsmatrix R Lernmatrix Q
31 state state FG CEA - HOCHSCHULE WISMAR 13 Erweitertes Q-Learning Lernphase Belohungsmatrix R Lernmatrix Q
32 state state FG CEA - HOCHSCHULE WISMAR 13 Erweitertes Q-Learning Lernphase Belohungsmatrix R Lernmatrix Q
33 state state FG CEA - HOCHSCHULE WISMAR 13 Erweitertes Q-Learning Lernphase Belohungsmatrix R Lernmatrix Q
34 state state FG CEA - HOCHSCHULE WISMAR 13 Erweitertes Q-Learning Lernphase Belohungsmatrix R Lernmatrix Q
35 state state FG CEA - HOCHSCHULE WISMAR 13 Erweitertes Q-Learning Lernphase Belohungsmatrix R Lernmatrix Q
36 state state FG CEA - HOCHSCHULE WISMAR 13 Erweitertes Q-Learning Lernphase Belohungsmatrix R Lernmatrix Q
37 state FG CEA - HOCHSCHULE WISMAR 14 Erweitertes Q-Learning Lernphase Lernmatrix Q
38 FG CEA - HOCHSCHULE WISMAR 15 Generierung einer Robotersteuerung
39 FG CEA - HOCHSCHULE WISMAR Generierung einer Robotersteuerung 16
40 FG CEA - HOCHSCHULE WISMAR 17 Generierung einer Robotersteuerung Entwicklung der Datenstruktur A
41 FG CEA - HOCHSCHULE WISMAR 18 Generierung einer Robotersteuerung Entwicklung der Datenstruktur A
42 FG CEA - HOCHSCHULE WISMAR Generierung einer Robotersteuerung Rahmenprogramm der Robotersteuerung 19 Anz_Steine = 4; Trumhoehe = [Anz_Steine,0,0]; //Auf erstem Stab sind vier Steine P(:,1) = [422,211,263,-135,0-110]; // erste Ablageposition P(:,2) = [622,211,263,-135,0,-90]; // zweite Ablageposition P(:,3) = [822,211,263,-135,0,-70]; // dritte Ablageposition A = RF_QL_TvH(Anz_Steine); //Lernalgorithmus - globale Variablenübergabe Doppelpunkt entspricht der Matlab-Notaion Q(, : ) Alle Elemente der Zeile() der Q-Matrix
43 FG CEA - HOCHSCHULE WISMAR Generierung einer Robotersteuerung Rahmenprogramm der Robotersteuerung 19 for k=1 to Anzahl(Zeilen von A) if Umweg_noetig(Turmhoehe) //mittlerer Turm darf nicht umgefahren werden umwegp = Umweg_berechnen(A,k); rmove(r(1),umwegp); end //pick PickPos = P(A(k,1),:); // Pickposition wird anhand der A-Liste ermittelt rmove(r(1),pickpos); grapper( close ); //Greifer schließen Doppelpunkt entspricht der Matlab-Notaion Q(, : ) Alle Elemente der Zeile() der Q-Matrix
44 FG CEA - HOCHSCHULE WISMAR Generierung einer Robotersteuerung Rahmenprogramm der Robotersteuerung 20 end for if Umweg_noetig(Turmhoehe) //mittlerer Turm darf nicht umgefahren werden umwegp = Umweg_berechnen(A,k); rmove(r(1),umwegp); end //place PlacePos = P(A(k,2),:); // Placeposition wird anhand der A-Liste ermittelt rmove(r(1),a(k,2); grapper( open ); //Greifer oeffnen Trumhoehe = TurmhoehenBerechnung(); Doppelpunkt entspricht der Matlab-Notaion Q(, : ) Alle Elemente der Zeile() der Q-Matrix
45 FG CEA - HOCHSCHULE WISMAR 21 Generierung einer Robotersteuerung
46 FG CEA - HOCHSCHULE WISMAR 22 Zusammenfassung/Ausblick Maschinelles Lernen kann zur Generierung einer Robotersteuerung genutzt werden Lernen in der virtuellen Umgebung Anpassung in der realen Umgebung Erweiterung des Reinforcement Learning Beschleunigung von diesem Lernverfahren Ein Programm für eine Problemklasse Kombination von maschinellen Lernverfahren Anwendung von maschinellen Lernverfahren in komplexen Anwendungen
47 FG CEA - HOCHSCHULE WISMAR 24 Quellen (1) Wojciech Samek, Thomas Wiegand, Klaus-Robert Müller: Explainable EXPLAINABLE ARTIFICAL INTELLIGENCE: UNDERSTANDING, VISUALIZING AND INTERPRETING DEEP LEARNING MODELS, ITU Journal: ICT Discoveries, Special Issue No1 (2017) Forschungsgruppe CEA ( ) Gunner Maletzki : Rapid Control Prototyping komplexer und flexibeler Robotersteuerungen auf Basis des SBC-Ansatzes; Dissertation, Universität Rostock/Hochschule Wismar (2013)
48 FG CEA - HOCHSCHULE WISMAR 25 Quellen (2) Birger Freymann, Thorsten Pawletta, Sven Pawletta: Multi-Robotersteuerung mit variablen Interaktionsprinzipien auf Basis des Simulation Based Control Frameworks an dem Discrete Event System Specification Formalismus. In: Proc. of ASIM-Treffen STS/GMMS, ARGSIM Report AR 50, ARGSIM/ASIM Pub. Vienna/Austria pp (DOI: / RG ) (2015) MathWorks: Introducing Maschine Learning ( ) Ethem Alpaydin: MACHINE LEARNING : the new AI; MIT Press essential; ISBN (2016)
49 FG CEA - HOCHSCHULE WISMAR 26 Quellen (3) Toby Segaran: Kollektive Intelligenz analysieren, programmieren und nutzen; O Reilly Verlag; ISBN (2008) Kyle I S Harrington: INTRODUCING TO MACHINE LEARNING AND DATA MINING, ( ) Oliver Kramer, Computational Intelligence - Eine Einführung; DOI / (2009)
Real-time reinforcement learning von Handlungsstrategien für humanoide Roboter
Real-time reinforcement learning von Handlungsstrategien für humanoide Roboter von Colin Christ 1 Aufgabenstellung Entwicklung einer Applikation zur Demonstration von RL für humanoide Roboter Demonstration:
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
MehrReinforcement Learning
Reinforcement Learning 1. Allgemein Reinforcement Learning 2. Neuronales Netz als Bewertungsfunktion 3. Neuronales Netz als Reinforcement Learning Nils-Olaf Bösch 1 Allgemein Reinforcement Learning Unterschied
MehrEffizienzsteigerung durch modellbasierte Optimierung und Regelung von Biogasanlagen
Fachhochschule Köln Campus Gummersbach Effizienzsteigerung durch modellbasierte und von Biogasanlagen Daniel Gaida, M.Sc. & Dipl.-Ing. Christian Wolf Offenburg, 27.10.2011 GECO C Gummersbach Environmental
MehrCombining Manual Feedback with Subsequent MDP Reward Signals for Reinforcement Learning W. Bradley Knox und Peter Stone
Combining Manual Feedback with Subsequent MDP Reward Signals for Reinforcement Learning W. Bradley Knox und Peter Stone 14.12.2012 Informatik FB 20 Knowlegde Engineering Yasmin Krahofer 1 Inhalt Problemstellung
MehrEntwicklung einer KI für Skat. Hauptseminar Erwin Lang
Entwicklung einer KI für Skat Hauptseminar Erwin Lang Inhalt Skat Forschung Eigene Arbeit Risikoanalyse Skat Entwickelte sich Anfang des 19. Jahrhunderts Kartenspiel mit Blatt aus 32 Karten 3 Spieler Trick-taking
Mehr8. Reinforcement Learning
8. Reinforcement Learning Einführung 8. Reinforcement Learning Wie können Agenten ohne Trainingsbeispiele lernen? Auch kennt der Agent zu Beginn nicht die Auswirkungen seiner Handlungen. Stattdessen erhält
MehrModellierung von Non Player Chareacters
Modellierung von Non Player Chareacters Konzeption Künstlicher Charaktere Games Summer Camp 2006 Cindy Löther Inhalt 1 Einleitung 2 Definitionen 3 Non Player Characters (NPC) 4 Modellierung von NPCs 5
MehrReinforcement Learning
Reinforcement Learning Valentin Hermann 25. Juli 2014 Inhaltsverzeichnis 1 Einführung 3 2 Wie funktioniert Reinforcement Learning? 3 2.1 Das Modell................................... 3 2.2 Exploration
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrEinsatz von Reinforcement Learning in der Modellfahrzeugnavigation
Einsatz von Reinforcement Learning in der Modellfahrzeugnavigation von Manuel Trittel Informatik HAW Hamburg Vortrag im Rahmen der Veranstaltung AW1 im Masterstudiengang, 02.12.2008 der Anwendung Themeneinordnung
MehrUse Cases vs. Funktionale Spezifikation
Use Cases vs. Funktionale Spezifikation Ein experimenteller Vergleich zweier Methoden zur Anforderungsspezifikation Fraunhofer IESE: Anne Groß (Anne.Gross@iese.fraunhofer.de) & Jörg Dörr (Joerg.Doerr@iese.fraunhofer.de)
MehrModulliste. für den Masterstudiengang. Informatik. an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Informatik an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2016 Der Masterstudiengang Informatik (INF) Dieser Masterstudiengang
MehrTeil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung
Teil VIII Weiterführende Veranstaltungen im FG Wissensverarbeitung Überblick 1 Zusammenfassung AlgoDS 2 Datenbanken 3 Internet-Suchmaschinen 4 Knowledge Discovery 5 Künstliche Intelligenz 6 Seminare &
MehrReinforcement learning
Reinforcement learning Erfolgsgeschichten... Quelle: twitter.com/ai memes Q-Learning als Art von Reinforcement learning Paul Kahlmeyer February 5, 2019 1 Einführung 2 Q-Learning Begriffe Algorithmus 3
MehrBusiness Intelligence & Machine Learning
AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester
MehrReinforcement-Learning
Reinforcement-Learning Vortrag von: Fabien Lapok Betreuer: Prof. Dr. Meisel 1 Agenda Motivation Überblick und Probleme von RL Aktuelle Forschung Mein Vorgehen Konferenzen und Quellen 2 Reinforcement Learning
MehrReinforcement Learning
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Reinforcement Learning Uwe Dick Inhalt Problemstellungen Beispiele Markov Decision Processes Planen vollständige MDPs Lernen unbekannte
MehrModulliste. für den Masterstudiengang. Ingenieurinformatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Ingenieurinformatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Sommersemester 2017 Der Masterstudiengang Ingenieurinformatik (IngINF)
MehrDeep Learning im gesellschaftlichen Kontext. Grundseminar WS18 Jerom Schult
Deep Learning im gesellschaftlichen Kontext Grndseminar WS18 Jerom Schlt Gliederng Motivation Reinforcement Learning mit KNN Deep Learning in der Gesellschaft Asblick Masterstdim Konferenzen Motivation
Mehr2. Beispiel: n-armiger Bandit
2. Beispiel: n-armiger Bandit 1. Das Problem des n-armigen Banditen 2. Methoden zur Berechung von Wert-Funktionen 3. Softmax-Auswahl von Aktionen 4. Inkrementelle Schätzverfahren 5. Nichtstationärer n-armiger
MehrLOG AND SECURITY INTELLIGENCE PLATFORM
TIBCO LOGLOGIC LOG AND SECURITY INTELLIGENCE PLATFORM Security Information Management Logmanagement Data-Analytics Matthias Maier Solution Architect Central Europe, Eastern Europe, BeNeLux MMaier@Tibco.com
MehrEmotion Recognition of Call Center Conversations Robert Bosch Engineering and Business Solutions Private Limited
Emotion Recognition of Call Center Conversations Robert Bosch Engineering and Business Solutions Private Limited 1 Agenda 1 Introduction 2 Problem Definition 3 Solution Overview 4 Why Consider Emotions
Mehrin der Versorgungstechnik? Prof. Dr. Michael Krödel
Künstliche Intelligenz (KI) in der Versorgungstechnik? g Was ist KI? Künstliche Intelligenz (KI; engl. artificial i intelligence, AI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung
MehrBalanced Manufacturing: Datenbasierte Modellbildung mittels Machine Learning
Balanced Manufacturing: Datenbasierte Modellbildung mittels Machine Learning IFT - Institute for Production Engineering and Laser Technology DI Benjamin Mörzinger Energieeffizienz: Motivation Quelle: science.sciencemag.org
MehrModulliste. für den Masterstudiengang. Wirtschaftsinformatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Wirtschaftsinformatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Wintersemester 2016/2017 Der Masterstudiengang Wirtschaftsinformatik
Mehr2 Interaktionen zwischen Industrierobotern. 2.1 Kommunikationsmodelle. 2.2 Interaktionsprinzipien
&*VI]QERR84E[PIXXEERH74E[PIXXE 1YPXM6SFSXIVWXIYIVYRKIRQMXZEVMEFPIR-RXIVEOXMSRWTVMR^MTMIREYJ&EWMWHIW7MQYPEXMSR&EWIH SRXVSP *VEQI[SVOWERHHIQ(MWGVIXI)ZIRX7]WXIQ7TIGMGEXMSR*SVQEPMWQYW -R4VSGSJ%7-18VIIR787+1177XVEPWYRH
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrDigitalisierung im Service Management - Was bringen AI, Chatbots und Co.?
Digitalisierung im Service Management - Was bringen AI, Chatbots und Co.? Agenda AI, Chatbot, KI, machine learning Stopp.wie bitte? Künstliche Intelligenz Ein Blick aus der Vergangenheit Status quo KI
MehrLernen von optimalen Strategien
Lernen von optimalen Strategien Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 13.01.2010 Dr.-Ing. Bernd Ludwig (FAU ER) Q-Learning 13.01.2010
MehrReinforcement Learning mit Wissenstransfer am BRIO Labyrinth Fabian Müller
7. Juni 2010 Vorschlag für eine Masterarbeit im Studiengang Systems Engineering Reinforcement Learning mit Wissenstransfer am BRIO Labyrinth Fabian Müller mailto:fmueller@informatik.uni-bremen.de Betreuer:
MehrKürzere Entwicklungszeiten durch Virtuelle Inbetriebnahme mit Model-Based Design
Kürzere Entwicklungszeiten durch Virtuelle Inbetriebnahme mit Model-Based Design Jens Lerche, Application Engineer Philipp Wallner, Industry Manager 2015 The MathWorks, Inc. 1 manroland Develops High-Precision
MehrMotoLogix. Roboterprogrammierung über SPS. Robotics Division YASKAWA Europe GmbH. All Rights Reserved.
MotoLogix Roboterprogrammierung über SPS Robotics Division 2016 2016 YASKAWA Europe GmbH. All Rights Reserved. Überblick: - Programmiersprachen in der Produktionszelle - MotoLogix - Komponenten - Kundenvorteile
MehrSeminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen
Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen Michael Groß mdgrosse@sbox.tugraz.at 20. Januar 2003 0-0 Matrixspiel Matrix Game, Strategic Game, Spiel in strategischer Form.
MehrÜbersicht. Künstliche Intelligenz: 21. Verstärkungslernen Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI Lernen 18. Lernen aus Beobachtungen 19. Wissen beim Lernen 20. Statistische
MehrAdaptives maschinelles Lernen
Vortrag: Adaptives maschinelles Lernen Eric Winter Universität Koblenz-Landau Fachbereich Informatik - Institut für Softwaretechnik Seminar Software-Adaptivität - Sommersemester 2011 ericwinter@uni-koblenz.de
MehrVerknüpfung von virtueller und realer Welt durch Open Core Engineering
Bosch Rexroth. The Drive & Control Company Verknüpfung von virtueller und realer Welt durch Open Core Engineering MATLAB Expo Thomas Ehehalt München, 10.05.2016 1 Focus on industry Smart Home / Smart Building
MehrModellbasierte Softwareentwicklung
In der Automatisierungstechnik versteht man unter dem Begriff Modellbasierte Softwareentwicklung (MBSE) die automatische Erzeugung der Steuergerätecode (C/C++ Code, SPS-Code, HDL-Code) aus dem Modell der
MehrEffzienzsteigerung durch intelligentes Datenmanagement
Effzienzsteigerung durch intelligentes Datenmanagement Analyse, Optimierung, Steuerung und Prognose von Prozessen Dr. Thomas Natschläger +43 7236 3343 868 thomas.natschlaeger@scch.at www.scch.at Das SCCH
MehrOptimale Regelung der Substratzufuhr von landwirtschaftlichen Biogasanlagen
Fachhochschule Köln Campus Gummersbach ifak Workshop: Steuerung, und Simulation von Biogasanlagen Optimale der Substratzufuhr von landwirtschaftlichen Biogasanlagen Daniel Gaida, M.Sc. & Dipl.-Ing. Christian
MehrArtificial Intelligence
Artificial Intelligence AI Hype meets Business Reality Dr. Stefan Wess CEO Empolis Information Management GmbH Unternehmen in Kaiserslautern UND TEIL UNSERES KULTURELLEN ERBES. KÜNSTLICHE INTELLIGENZ
MehrReinforcement Learning. Volker Tresp
Reinforcement Learning Volker Tresp 1 Überwachtes und unüberwachtes Lernen Überwachtes Lernen: Zielgrößen sind im Trainingsdatensatz bekannt; Ziel ist die Verallgemeinerung auf neue Daten Unüberwachtes
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrSeminar. Knowledge Engineering und Lernen in Spielen. Reinforcement Learning to Play Tetris. TU - Darmstadt Mustafa Gökhan Sögüt, Harald Matussek 1
Seminar Knowledge Engineering und Lernen in Spielen Reinforcement Learning to Play Tetris 1 Überblick Allgemeines zu Tetris Tetris ist NP-vollständig Reinforcement Learning Anwendung auf Tetris Repräsentationen
MehrComputergestützte Mathematik zur Linearen Algebra
Computergestützte Mathematik zur Linearen Algebra Erste Schritte am Rechner Christiane Helzel Übungsleiter: Pawel Buchmüller Tutoren: Valdrin Bajrami, Janka Heyer, Niclas Janssen, David Kerkmann, Tran
MehrGliederung. Projektübersicht. Gliederung. Projektgruppen-Übersicht. Schlag- und Robotersteuerung. Bildverarbeitung und Schlagplanung.
Projektgruppen - Vorinformation, 03.03.2008 ROSI meets Golf Prof. Dr.-Ing. Prof. h.c. Torsten Bertram Lehrstuhl für Regelungssystemtechnik Projektübersicht - Drei Kleingruppen für die einzelnen Arbeitspakete
MehrComputational Intelligence und. Prof. Dr. Günter Rudolph Dipl.-Inform. Igor Vatolkin
Computational Intelligence und Musikinformatik Prof. Dr. Günter Rudolph Dipl.-Inform. Igor Vatolkin Übersicht Seminarinfo Scheinanforderungen Literaturrecherche & Literaturverwaltung Vortrag Ausarbeitung
MehrEffiziente Absicherung mit System-HiLs in der Elektronikintegration
Effiziente Absicherung mit System-HiLs in der Elektronikintegration ASIM STS/GMMS Workshop 2017 Agenda 2 1 Einleitung und Motivation 2 Mechatronische Entwurfsmethodik 3 Konzeption der System-HiLs 4 Ergebnisse
MehrNachstehende Studien- und Prüfungsordnung wurde geprüft und in der 363. Sitzung des Senats am verabschiedet.
Nachstehende Studien- und Prüfungsordnung wurde geprüft und in der 363. Sitzung des Senats am 18.1.2017 verabschiedet. Nur diese Studien- und Prüfungsordnung ist daher verbindlich! Prof. Dr. Ulrich Brecht
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
MehrNachstehende Studien- und Prüfungsordnung wurde geprüft und in der 363. Sitzung des Senats am verabschiedet.
Nachstehende Studien- und Prüfungsordnung wurde geprüft und in der 363. Sitzung des Senats am 18.1.2017 verabschiedet. Nur diese Studien- und Prüfungsordnung ist daher verbindlich! Prof. Dr. Ulrich Brecht
MehrModulliste. für den Masterstudiengang. Computervisualistik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Computervisualistik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Sommersemester 2016 Der Masterstudiengang Computervisualistik (CV) Der
Mehrscitis.io the production knowledge cloud
scitis.io the production knowledge cloud Mission Maschinen, Prozess und Produktionswissen generieren, um die Produktivität zu steigern Welches Problem lösen wir? scitis.io schlägt die Brücke zwischen Fertigung
MehrVom virtuellen Prototyp zum digitalen Zwilling
Vom virtuellen Prototyp zum digitalen Zwilling Dr. Markus Schörgenhumer Area Mechanics and Control markus.schoergenhumer@lcm.at Seite 1 Inhaltsüberblick Einführung Modellbasierte Entwicklung und virtuelle
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Aufgaben der letzten Stunde Übersicht Neuronale Netze Motivation Perzeptron Multilayer
MehrKapitel LF: I. Beispiele für Lernaufgaben. Beispiele für Lernaufgaben. LF: I Introduction c STEIN
Kapitel LF: I I. Einführung in das Maschinelle Lernen Bemerkungen: Dieses Kapitel orientiert sich an dem Buch Machine Learning von Tom Mitchell. http://www.cs.cmu.edu/ tom/mlbook.html 1 Autoeinkaufsberater?
MehrProgrammieren. Aufgabe 1 (Eine erste Datenstruktur)
Prof. Dr. S.-J. Kimmerle (Vorlesung) Dipl.-Ing. (FH) V. Habiyambere (Übung) Institut BAU-1 Fakultät für Bauingenieurwesen und Umweltwissenschaften Herbsttrimester 2016 Aufgabe 1 (Eine erste Datenstruktur)
MehrDigitale Fabrik mit Siemes PLM
Digitale Fabrik mit Siemes PLM Der Weg zur Digitalen Fabrik von digitalen Möglichkeiten bis zur realen Umsetzung Fertigungs- und Logistikplanung Dipl.-Ing. Andreas Madlencnik Solution Consultant Digital
MehrModulliste. für den Bachelorstudiengang. Wirtschaftsinformatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Wirtschaftsinformatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Sommersemester 2017 Der Bachelorstudiengang Wirtschaftsinformatik
MehrBewegungsplanung für den vierbeinigen Roboter AMEE. Björn Bettzüche
Bewegungsplanung für den vierbeinigen Roboter AMEE Einleitung Vergleichbare Arbeiten Zusammenfassung Referenzen Projekt AMEE SAR 4 intelligente Beine SLAM Sicheres Navigieren 4 [5] 5 Bildbasiert zu ungenau
MehrMulti-Agent Systems. Expertenforum Agenten im Umfeld von Industrie 4.0. Industry 4.0 Machine Learning. Energy and Smart Grids.
Multi-Agent Systems Veranstaltung Expertenforum Agenten im Umfeld von Industrie 4.0 Industry 4.0 Machine Learning Material Handling Energy and Smart Grids Energy Management Production Control Operations
MehrBackgammon. Tobias Krönke. Technische Universität Darmstadt Fachbereich Informatik Fachgebiet Knowledge Engineering
Technische Universität Darmstadt Fachbereich Informatik Fachgebiet Knowledge Engineering Seminar zu Knowledge Engineering und Lernen in Spielen, 2010 Gliederung Gliederung Startaufstellung Abbildung: GNU
MehrTeaching at the Institute for Artificial Intelligence SS see also:
Teaching at the Institute for Artificial Intelligence SS 2015 see also: http://ai.uni-bremen.de/teaching Research Area: AI (Cognition-enabled Technical Systems) Artificial Intelligence, but System view
MehrAlgorithmen und Datenstrukturen II
Algorithmen und Datenstrukturen II D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Sommer 2009, 26. März 2009, c 2009 D.Rösner D.
MehrRealtime Analytics im Bereich IoT Masterstudiengang Data Science, TU Chemnitz, Michael Thess
Realtime Analytics im Bereich IoT Masterstudiengang Data Science, TU Chemnitz, 2018 Michael Thess Signal Cruncher GmbH Background 2016 in Berlin als Spin-off der prudsys AG gegründet Gründung: Fokus: Produkt:
MehrDatenstrukturen und Algorithmen
Datenstrukturen und Algorithmen VO 708.031 robert.legenstein@igi.tugraz.at 1 Kapitel 2 Algorithmische robert.legenstein@igi.tugraz.at 2 2. Algorithmische 1) Iterative Algorithmen 2) Rekursive Algorithmen
MehrModel-based Design für medizintechnische Anwendungen
Model-based Design für medizintechnische Anwendungen Dr. Momme Winkelnkemper Projektumfeld Entwicklungsdienstleister Algorithmen Datenanalyse U.a. für Messgeräte- Entwicklung 2 Projektumfeld Entwicklungsdienstleister
MehrQUNIS 360 was war, was wird? BI, Big Data, Cloud, Predictive & Advanced Analytics, Streaming. Referent: Steffen Vierkorn
QUNIS 360 was war, was wird? BI, Big Data, Cloud, Predictive & Advanced Analytics, Streaming Referent: Steffen Vierkorn Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.30 11.00 11.00
MehrMaschinelles Lernen Entwicklung und aktuelle Anwendungen
Maschinelles Lernen Entwicklung und aktuelle Anwendungen martin.loesch@kit.edu (0721) 608 45944 Forschungsrichtungen des ML Praxisorientiert Aufgabenorientierte, lernende Systeme Wissenserwerb (Knowledge
MehrEmotionserkennung: Frameworkdesign
Willkommen 1 / 27 Emotionserkennung: Frameworkdesign Oliver Steenbuck 07. Juni 2012 2 / 27 Inhalt 1 Interactive Surfaces 2 Ansprüche an ein Framework im Emotionberreich 3 Social Signal Interpretation Framework
MehrSOFTWAREENTWICKLER AUTOMOTIVE (M/W)
SOFTWAREENTWICKLER AUTOMOTIVE (M/W) E1129-3-SHE-HS INGOLSTADT, STUTTGART, MÜNCHEN, WOLFSBURG AB SOFORT Konzeption einer modularen Software Entwicklung von Softwarearchitektur und -Design Software-Design
MehrVertiefte Themen in Mobilen und Verteilten Systemen
Seminar Vertiefte Themen in Mobilen und Verteilten Systemen Veranstalter: Prof. Dr. Linnhoff-Popien Durchführung: Marie Kiermeier, Sebastian Feld Seminar Vertiefte Themen in Mobilen und Verteilten Systemen
MehrSo lösen Sie das multivariate lineare Regressionsproblem von Christian Herta
Multivariate Lineare Regression Christian Herta Oktober, 2013 1 von 34 Christian Herta Multivariate Lineare Regression Lernziele Multivariate Lineare Regression Konzepte des Maschinellen Lernens: Kostenfunktion
MehrVergleich von SVM und Regel- und Entscheidungsbaum-Lernern
Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern Chahine Abid Bachelor Arbeit Betreuer: Prof. Johannes Fürnkranz Frederik Janssen 28. November 2013 Fachbereich Informatik Fachgebiet Knowledge
MehrEinführung in die Artificial Intelligence
Einführung in die Artificial Intelligence Institut für Computertechnik ICT Institute of Computer Technology Roland Lang mailto:langr@ict.tuwien.ac.at Definition: Was ist AI? ISO 4177: Artificial Intelligence
MehrSimulation of malware propagation
Simulation of malware propagation a multi-agent approach André Harms HAW Hochschule für Angewandte Wissenschaften Hamburg Hamburg University of Applied Sciences Inhalt Rückblick Projekt 1 Aktuell Projekt
MehrLearning Human Body Movement
Learning Human Body Movement 22. Januar 2018 Seminar Neueste Trends in Big Data Analytics Betreuer: Christian Hovy Gliederung 1. Motivation 2. Rückblick auf Machine Learning 3. Terminologie 4. Überblick
MehrZweite Satzung zur Änderung der Bachelor-/ Master-Prüfungsordnung für den Studiengang Angewandte Informatik an der Ruhr-Universität Bochum
Nr. 670 14. November 2006 Zweite Satzung zur Änderung der Bachelor-/ Master-Prüfungsordnung für den Studiengang Angewandte Informatik an der Ruhr-Universität Bochum vom 30. Oktober 2006 Zweite Satzung
MehrParallele und verteilte Simulation von diskret-ereignisorientierten Systemen in ingenieurtechnischen Anwendungen
0 / 16 Arbeitstitel: Parallele und verteilte Simulation von diskret-ereignisorientierten Systemen in ingenieurtechnischen Anwendungen Christian Stenzel Hochschule Wismar, FG CEA Zulassungskolloq. 7/2009
MehrArtificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
MehrFuture Network-based Semantic Technologies FUNSET Science
AUTOMATION & CONTROL INSTITUTE INSTITUT FÜR AUTOMATISIERUNGS- & REGELUNGSTECHNIK Future Network-based Semantic Technologies FUNSET Science Munir Merdan und Reinhard Grabler Sparkling Science Kongress Workshop
MehrModell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen
Modell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen Roland Koppe, Stefan Häusler, Axel Hahn 2 Übersicht Einleitung und Motivation Ansatz und Methodik
MehrUniversität Ulm CS5900 Hauptseminar Neuroinformatik Dozenten: Palm, Schwenker, Oubatti
Verfasst von Nenad Marjanovic Betreut von Dr. Friedhelm Schwenker Universität Ulm - CS5900 Hauptseminar Neuroinformatik 1. Einleitung Dieses Arbeit befasst sich mit dem Maschinellen Lernen eines Agenten
MehrEinführung in die AI
1 Einführung in die AI Prof. Georg Gottlob Institut für Informationssysteme Technische Universität Wien Folien zur Vorlesung Konzepte der Artificial Intelligence 3 Zum Begriff Artificial Intelligence AI:
MehrTowards a Collaborative Working Environment to Support Model-Based Systems Engineering
Towards a Collaborative Working Environment to Support Model-Based Systems Engineering Matthias Merk, matthias.merk@reutlingen-university.de, Reutlingen Research Institute, Hochschule Reutlingen, Alteburgstraße
MehrDigital Customer Engagement im Marketing
Digital Customer Engagement im Marketing You are what you share! Digital Customer Engagement im Marketing. Prof. Dalla Vecchia, FHNW Digitale Transformation Digital Customer Engagement im Marketing. Prof.
MehrVernetzte Industrie Vernetzte Systeme: Position, Strategie und Lösungen PLM Future 2016 Kaiserslautern Matthias Schmich Siemens Industry Software
Vernetzte Industrie Vernetzte Systeme: Position, Strategie und Lösungen PLM Future 2016 Kaiserslautern Matthias Schmich Siemens Industry Software Siemens AG 2016 Was wird die Zukunft bringen? Wandel in
MehrAI JOURNEY Vom Hype zu echten industriellen Anwendungen und Mehrwerten für Kunden und Mitarbeiter.
AI JOURNEY Vom Hype zu echten industriellen Anwendungen und Mehrwerten für Kunden und Mitarbeiter. AIM KOMPETENZEN & PORTFLIO Artificial Intelligence / Machine Learning Agile & DevOps Beratung Atlassian
MehrInstitut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
MehrKünstliche Intelligenz
Künstliche Intelligenz Bearbeitet von Uwe Lämmel, Jürgen Cleve 4., aktualisierte Auflage 2012. Buch. 336 S. ISBN 978 3 446 42758 7 Format (B x L): 18 x 24,5 cm Gewicht: 717 g Weitere Fachgebiete > EDV,
MehrExample Ptolemy Model of Comp.: Synchronous Reactive
Prinzip: Example Ptolemy Model of Comp.: Synchronous Reactive Annahme: unendlich schnelle Maschine Diskrete Ereignisse (DE) werden zyklisch verarbeitet (Ereignisse müssen nicht jede Runde eintreffen) Pro
MehrPrüfungsleistung. Modul Modulname / Lehrveranstaltung MSE01 Entwicklungsmanagement. SWS Eigenstudium. Dozent(in) Modulziel / Lerninhalte BM/BMP
01 Entwicklungsmanagement 01.1 Kommunikation und Strategie 01.2 01.3 02 02.1 02.2 Personalführung und Psychologie Operations Management Methoden Mathematik Mechanik Selbst- & Zeitmanagement, Präsentation,
MehrReinforcement Learning
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Reinforcement Learning Uwe Dick Inhalt Problemstellungen Beispiele Markov Decision Processes Planen vollständige MDPs Lernen unbekannte
MehrAutomatische Analyse und Exploration von Mediendaten. Prof. Dr. Ralph Ewerth Technische Informationsbibliothek (TIB)
Automatische Analyse und Exploration von Mediendaten Prof. Dr. Ralph Ewerth Technische Informationsbibliothek (TIB) Relevante Forschungsthemen Automatische Annotation & semantische Suche (Bilder, Video,
MehrIn 30 Minuten zur BI-Lösung in der Cloud Aufbau einer BI-Infrastruktur & Entwicklung von Reports Live. Referent: Patrick Eisner & Ronja Schermer
In 30 Minuten zur BI-Lösung in der Cloud Aufbau einer BI-Infrastruktur & Entwicklung von Reports Live Referent: Patrick Eisner & Ronja Schermer Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei
MehrARENA OF INTEGRATION 2019 LANDESNETZWERK MECHATRONIK BW PARTNERING
ARENA OF INTEGRATION 2019 LANDESNETZWERK MECHATRONIK BW PARTNERING DIE MESSE MOTEK IN KOOPERATION MIT DER ARENA OF INTEGRATION 07. 10. Oktober 2019 Smart Solutions in Production and Assembly Eine Kompetenzarena
Mehr