Modultitel

  • Probabilistische Graphische Modelle

Modultitel (Englisch)

  • Probabilistic Graphical Models

Lehrveranstaltungen des Moduls

  • Einführung in Probabilistische Graphische Modelle (Vorlesung und Übung)

Lehrinhalte

Probabilistische Graphische Modelle oder engl. Probabilistic Graphical Models (PGMs) sind eine Mischung aus Wahrscheinlichkeitstheorie und Graphentheorie. In den letzten Jahren hat sich herauskristallisiert, dass diese einen sehr natürlichen Zugang zu Umgang mit Unsicherheit und Komplexität in vielen Problemfeldern bieten. Einsatzgebiete erstrecken sich von Mustererkennung (Sprache, Bilder, Bioinformatik, etc.), über medizinische Anwendungen (Diagnose) bis zu Hilfeassistenten in Betriebsystemen (Welches Ziel verfolgt der Benutzer?).
In dem Modul werden zunächst die Grundlagen erarbeitet, auf denen die verschiedenen Ausprägungen von PGMs (Hidden-Markov-Modelle, Bayes’sche Netzwerke, Markov-Random-Fields, etc.) basieren. Dabei liefert die Theorie der PGMs eine einheitliche Betrachtungsweise auf die Probleme der Inferenz (Schlussfolgern) und des Parameterlernens, die teilweise auch auf (teil-) kontinuierliche Modelle, wie z.B. PCA oder Kalman-Filter, ausgedehnt werden kann. Auf das Lernen der Struktur wird am Beispiel der Bayes’schen Netzwerke eingegangen.
Ein weiterer Schwerpunkt der Vorlesung liegt darin, die Art und Weise der Problemmodellierung mit PGMs zu verstehen. Dies wird anhand von verschiedenen Beispielen aus den Gebieten Computer-Sehen, Spracherkennung, Bioinformatik und Diagnose diskutiert. In der Blockübung am Ende der Vorlesung wird der praktische Umgang mit PGMs anhand einer ausgewählten Problemstellung vertieft.

Kompetenzen

Es wird der systematische Umgang mit Problemstellungen vermittelt, die durch unsicheres Wissen gekennzeichnet sind, d.h. es sind nicht alle Fakten bekannt, Messungen können nur ungenau durchgeführt werden oder nicht alle Zusammenhänge sind bekannt. Dies ist in sehr vielen praktischen Problemen und Forschungsfeldern der Fall, in denen Daten interpretiert werden müssen, wie z.B. in den Naturwissenschaften oder im Bereich kognitive Systeme.

Anzahl Einzelleistungen (benotet und unbenotet)

eine benotete oder unbenotete Einzelleistung

Prüfungsformen

mündliche Prüfung (benotet) oder Kolloquium (unbenotet)

Voraussetzungen für die Vergabe von Leistungspunkten

Bestehen der mündlichen Prüfung (benotet) oder des Kolloquiums (unbenotet) über die Vorlesung und Übung ergibt 5 LP.

Arbeitsaufwand und Leistungspunkte

Einführung in Probabilistische
Graphische Modelle:
Vorlesung
Nachbereitung der Vorlesung
Übung
Vorbereitung der Übung
Vorbereitung auf die Modulprüfung:
gesamt: 150h = 5 LP
2 SWS x 16 Wochen
2h/Woche x 16 Wochen
2h/Woche x 16 Wochen
1h/Woche x 16 Wochen


 = 30h
= 30h
= 30h
= 15h
= 45h

Teilnahmevoraussetzungen und Vorkenntnisse

keine

Modultyp und Verwendbarkeit

Wahlpflichtmodul für die Bachelorstudiengänge

  • Naturwissenschaftliche Informatik (WP Vertiefung Informatik)
  • Kognitive Informatik (WP Intelligente Systeme)
  • Bioinformatik und Genomforschung (WP Bioinformatik und Genomforschung)
  • Nebenfach Informatik (WP Vertiefung Informatik)

Wahlpflichtmodul für die Masterstudiengänge

  • Naturwissenschaftliche Informatik (Grundlagen Ergänzung)
  • Intelligente Systeme (Grundlagen Ergänzung)

Dauer des Moduls / Angebotsturnus

Wintersemester: Einführung in Probabilistische Graphische Modelle
jährlich