AI Research: Bayesian ML, Causal ML, RL, Graph ML

Über den Kurs

Der Kurs führt in vier Forschungsrichtungen ein, die sich in der modernen AI aktiv weiterentwickeln: Bayesian ML, Causal ML, Reinforcement Learning und Graph ML. Jede Richtung wird hinsichtlich ihrer theoretischen Grundlagen, aktueller offener Fragen und ihres Bezugs zu realen Anwendungsfällen betrachtet. Der Kurs bildet die Grundlage für die Wahl des Themas der Masterarbeit.

Was Sie lernen

✓Die ELBO herleiten und einen Variational Autoencoder (VAE) für eine Generierungsaufgabe implementieren

✓Einen kausalen Graphen erstellen und do-calculus zur Bewertung von Interventionseffekten anwenden

✓Einen RL-Agenten mit PPO auf einer Kontrollaufgabe trainieren und die Konvergenz analysieren

✓Ein GNN mit Message Passing implementieren und dessen Ausdruckskraft bewerten

Kernthemen

•Bayesian ML: Variational Inference (VI), MCMC, tiefe bayes'sche Modelle (BNN, VAE)

•Causal ML: kausale Graphen (DAG), do-calculus, Counterfactual Reasoning

•Causal Inference aus Beobachtungsdaten: Propensity Score, Instrumentalvariablen

•Reinforcement Learning: MDP, Policy Gradient (REINFORCE, PPO), Q-Learning (DQN)

•RL in LLMs: RLHF, GRPO, Reward Hacking

•Graph Neural Networks: GCN, GAT, Message Passing, Ausdruckskraft (WL-Test)

•Geometric Deep Learning: Invarianz und Äquivarianz

•Verbindungen zwischen den Richtungen: Bayesian RL, Causal Representation Learning

Die Beschreibung wurde automatisch generiert und wurde noch nicht von der Lehrperson geprüft – dies ist ein Entwurf zur Diskussion.

Über den Kurs

Was Sie lernen

Kernthemen

Feedback