Allgemeine Informationen
| Veranstaltungsname | Vorlesung + Übung: Agentenbasierte Simulation und künstliche Intelligenz |
| Veranstaltungsnummer | S 6704 |
| Semester | SS 2024 |
| Aktuelle Anzahl der Teilnehmenden | 15 |
| Heimat-Einrichtung | Institut für Wirtschaftswissenschaft |
| Veranstaltungstyp | Vorlesung + Übung in der Kategorie Lehre |
| Erster Termin | Mittwoch, 29.05.2024 14:00 - 17:00, Ort: (D2-029 Raum 029) |
| Voraussetzungen |
Pflicht: Keine Kenntnisse der Linearen Algebra, insbesondere Tensorrechnung, werden vorausgesetzt |
| Lernorganisation |
Einführung in Deep Learning: Die Studierenden … * … überblicken das Themengebiet Künstliche Intelligenz. * … können Deep Learning in den Gesamtkontext der Künstlichen Intelligenz einordnen. * … kennen den Aufbau Neuronaler Netze und beherrschen die zugehörigen mathematischen Grundlagen und deren Anwendung. * … sind in der Lage Neuronale Netze auf Problemstellungen anzuwenden und mit Keras sowie Python zu implementieren. * … kennen grundlegende und weiterführende Netzarchitekturen und sind in der Lage diese mit Keras und Python zu implementieren. * … kennen die Eigenschaften sowie Vor- und Nachteile gängiger Netzarchitekturen. * … kennen die typischen Anwendungsgebiete der jeweiligen Netzarchitekturen. * … kennen Deep Reinforcement Learning sowie dessen Anwendungsgebiete. Einführung in Agentenbasierte Simulation: Die Studierenden … * … kennen die Grundbestandteile Agentenbasierter Modelle. * … sind in der Lage eine Problemstellung in ein Agentenbasiertes Modell zu überführen. * … können Agentenbasierte Modelle mit Python implementieren. * … kennen typische Anwendungsgebiete der Agentenbasierten Simulation. * … kennen ausgewählte Agentenbasierte Modelle. * … können komplexe Verhaltensweisen von Agenten konzipieren und kennen die Schwierigkeiten komplexer und dynamischer Systeme. * … kennen Heuristiken, einfache und fortgeschrittene Lernalgorithmen sowie Algorithmen der Künstlichen Intelligenz und sind in der Lage diese in Agentenbasierte Modelle zu integrieren. * … sind in der Lage Agentenbasierte Modelle zu verifizieren und zu validieren. * … können einen Versuchsplan zur systematischen Analyse Agentenbasierter Modelle konzipieren und durchführen. |
| Leistungsnachweis | Praktische Arbeit |
| Literatur |
* Goodfellow I, Bengio Y und Courville A (2016). Deep Learning, MIT Press, Cambridge (Mass.) London. * Brenner T (2006). Agent Learning Representation: Advice on Modelling Economic Learning. In: Tesfatsion L und Judd KL (Hrsg.) Handbook of Computational Economics, North-Holland, Amsterdam, Seiten 895–947. * Norvig P und Russell S (2012). Künstliche Intelligenz, Pearson Studium - IT, Pearson, München, 3 Auflage. * Weiss G (Hrsg.) (2013). Multiagent Systems, Intelligent robotics and autonomous agents, MIT Press, Cambridge (Mass.), 2. Auflage. |
| Medienformen | Vorlesung, Skript, Programmcodes, Praktische Übungen |
| SWS | 4 |
