Verwaltungsinformationen
| Titel | Entscheidungstheorie |
| Dauer | 60 |
| Modulen | A |
| Unterrichtstyp | Vortrag |
| Fokussierung | Technische – Grundlagen der KI |
| Themenbereich | Grundlagen der KI |
Suchbegriffe
Konsequenzialismus, Subjektivismus, Wahrscheinlichkeitstheorie, Nützlichkeitstheorie, Entscheidungstheorie, optimale Entscheidung, begrenzte Rationalität, Befriedigung, kognitive Voreingenommenheit, effektiver Altruismus, Off-Switch-Spiel, sequentielle Entscheidungen, Informationswert, multi-armed bandit, Exploration-Exploitation Dilemma,
Lernziele
- Der Lernende lernt nicht-quantitative und quantitative Ansätze zur Ethik kennen
- Studierende können optimale Entscheidungen mithilfe univariater Verteilungen und Utility/Loss-Funktionen definieren und berechnen
- die Studierenden können die Elemente von Entscheidungsnetzwerken kennen: stochastische/Aktions-/Utility-Knoten
- Studenten können Bayes’ Regel kennen und anwenden (multivariate)
- Studierende können ein Naive Bayesian Network (NBN) Modell konstruieren
- Studierende können NBN zu einem NBN-basierten Entscheidungsnetzwerk erweitern
- Schüler können den Wert perfekter Informationen berechnen
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Wahrscheinlichkeitsverteilung, bedingte Wahrscheinlichkeit, Erwartungswert (z. B. aus AIMA4e oder Wikipedia)
- Einflussdiagramm
Optional für Studenten
- Künstliche Intelligenz: Ein moderner Ansatz, 4. Global ed. von Stuart Russell und Peter Norvig, Pearson (AIMA4e):ch12-18
Referenzen und Hintergründe für Studierende
- AIMA4e:ch12-18
Empfohlen für Lehrer
- AIMA4e:ch12-18
- Naive Bayes Klassifikator
Unterrichtsmaterialien
Anleitung für Lehrer
- Anpassung des grundlegenden Dreifachknoten-Entscheidungsnetzes
- Finden Sie die besten und schlechtesten Entscheidungen
- Passen Sie das naive Bayes Netz an
- Finden Sie die wertvollsten Beweise (Feature)
- Bitten Sie die Schüler während der Unterrichtsaktivitäten, optimale Entscheidungen zu erraten
Gliederung/Zeitplan
| Dauer | Beschreibung | Konzepte | Aktivität | Werkstoffe |
|---|---|---|---|---|
| 5 | Unsicherheitsquellen und Wahrscheinlichkeitsinterpretationen | Ungewissheit | ||
| 5 | Bernoulli und Multinomialverteilungen | univariate Verteilungen | ||
| 5 | Axiome der Wahrscheinlichkeitstheorie (Additivität) | Wahrscheinlichkeitstheorie | ||
| 5 | Elemente und grafische Notation eines einstufigen Entscheidungsproblems: das Entscheidungsnetzwerk von stochastischen→Utility/loss←aktionsknoten | Entscheidungsproblem | ||
| 5 | Gebrauchs- und Verlustfunktionen, gemeinsame Verlustfunktionen und Matrizen | Präferenzen | ||
| 5 | Erwartungswert, das maximal erwartete Nutzenprinzip | optimale Entscheidung | ||
| 5 | Bedingte Wahrscheinlichkeit und Bayes’ Theorem (für zwei Variablen und mit Bedingung) | bedingte Wahrscheinlichkeit | ||
| 5 | Unabhängigkeit und bedingte Unabhängigkeit | Unabhängigkeit | ||
| 5 | Beispiel für ein Naive Bayesian Netzwerk | Naive Bayes Netz | ||
| 5 | Beispiel eines Entscheidungsnetzwerks auf Basis eines naive bayesischen Netzes | |||
| 5 | Hintere Schlußfolgerung und Auswahl der optimalen Entscheidung | hintere Inferenz | ||
| 5 | Zwischen Evidenzschluss und Berechnung des Informationswerts | Wert der Informationen |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.