Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage folgende Kompetenzen zu beherschen. 

Fachliche und methodische Kompetenzen: Stochastic foundations of cyber-physical systems, artificial intelligence, and robotics. 

Kognitive und praktische Kompetenzen:

• Ability to learn stochastic models of CPS.
• Ability to perform stochastic analysis of CPS
• Ability to design optimal controllers for CPS.

Soziale Kompetenzen und Selbstkompetenzen: Apprehension of and experience in applying theory for solving practical problems. 

• Probabilistic interpretation of uncertainty.
• Rational agents as smart cyber-physical systems (CPS).
• Static (sBN) and dynamic (dBN) Bayesian networks (BN).
• Uncertain environments as sBN and dBN.
• Exact and approximate inference in BN.
• Machine learning (supervised) of sBN and dBN.
• Decision making and optimal control for Markov Decision Processes.
• Supervised (sML) and reinforcement (rML) learning.
• Machine learning (sML and rML) with deep neural networks.
• Speech-recognition and robotics.

Didaktisches Vorgehen: Die Themen werden in der Vorlesung vermittelt und mit Übungs- und Programmierbeispielen (in Simulation und Anwendung an realen mobilen Robotern) gefestigt.

Weekly lecture with continually accompanying home-work assignments, deepening the understanding of the module content and increasing the individual problem-solving competence in CPS modelling, analysis, and control. Hand-written or Latex solutions, possibly their mutual peer reviewing, accompanying reading of a book

Vorlesungen beginnen s.t.

ECTS-Breakdown 3 ECTS = 150 Stunden:

Vorlesungsanteil:

• 0.5h  Vorbesprechung
• 54h (18 Vorlesungen, 2h pro Vorlesung + 1h Vor-/Nachbereitung)
• 20h Prüfungsvorbereitung
• 0.5h  Prüfung
  ----
  75h

Übungsanteil:

• 72h Rechenbeispiele und Implementierung
• 3h Diskussion der Beispiele / Abgabegespräche
  ----
  75h

Homework/project assignments and oral examination.

Anmeldung zur LVA über TISS. Sie werden dann automatisch zum TUWEL-Kurs hinzugefügt, wo der Rest der LVA abgewickelt wird.

S. Russel and P. Norvig, Artificial Intelligence - A Modern Approach, 3rd ed., Upper Saddle River, New Jersey: Pearson Education, 2010.

R.S. Sutton and A.G. Barto - Reinforcement Learning An Introduction second edition. The MIT Press Cambridge, Massachusetts London,  England, 2018.

Verpflichtende Voraussetzungen: Keine. Die folgende Kompetenzen sind nützlich aber nicht verpflichtend.

Fachliche und methodische Kompetenzen: Probability theory, stochastic signals, control theory, discrete mathematics.

Kognitive und praktische Kompetenzen: Mathematical reasoning and implementation skills.

Soziale Kompetenzen und Selbstkompetenzen: Independent work, interest in combining theory and practice. 

These prerequisites are provided in the following modules: Wahrscheinlichkeitstheorie und Stochastische Prozesse, Signale und Systeme, Modellbildung und Regelungstechnik, Discrete Mathematics