Lifelong Learning in the Real World.

Autor/in	Bechtle, Sarah Maria Elisabeth
Titel	Lifelong Learning in the Real World.
Quelle	Tübingen: Universitätsbibliothek Tübingen (2022), 138 S. PDF als Volltext kostenfreie Datei (1); PDF als Volltext kostenfreie Datei (2); PDF als Volltext kostenfreie Datei (3); PDF als Volltext kostenfreie Datei (4); PDF als Volltext kostenfreie Datei (5) Link als defekt meldenVerfügbarkeit Dissertation, Eberhard Karls Universität Tübingen, 2022.
Beigaben	Literaturangaben
Sprache	englisch
Dokumenttyp	online; Monographie
URN	urn:nbn:de:bsz:21-dspace-1290301
Schlagwörter	Künstliche Intelligenz; Lernen; Algorithmus; Robotik; Dissertation
Abstract	Damit Roboter uns Menschen in unserem täglichen Leben unterstützen können, müssen sie von unserer Welt lernen und sich ihr anpassen. Die Anwendung des maschinellen Lernens auf reale Probleme stellt immer noch eine große Herausforderung dar. Die reale Welt ist voller Ungewissheiten und verändert sich ständig, wodurch sich die Verteilung der Beobachtungen ständig verschiebt. Dies bedeutet, dass ein statischer Datensatz die reale Welt nicht lange darstellt. Außerdem ist die Datenerfassung schwieriger und meistens kann immer nur eine kleine Menge an Daten für eine Aufgabe gesammelt werden. Aus diesem Grund lassen sich Algorithmen, die für einen statischen Problembereich und mithilfe große Datensätze entwickelt wurden, nicht gut auf diese Probleme übertragen, auch wenn sie an den jüngsten Erfolgsgeschichten des maschinellen Lernens beteiligt waren. Diese Arbeit befasst sich mit einer speziellen Art von Anwendung des maschinellen Lernens in der realen Welt und zwar Roboter mit der Fähigkeit auszustatten, in der realen Welt zu lernen. Dazu muss der Roboter durch Interaktionen mit der Umgebung die zum Lernen notwendigen Daten sammeln. Diese Arbeit befasst sich mit der Frage, wie Repräsentationen erlernt werden können, die eine schnelle Generalisierung und Anpassung an neue Aufgaben ermöglichen. Wie kann der Roboter auf bereits Erlerntes aufbauen, um während seiner gesamten Lebenszeit weiter aus Erfahrungen zu lernen? Dies würde dem Roboter eine Fähigkeit verleihen, die auch wir Menschen haben: schnell zuvor erlernte Fähigkeiten an neue Aufgaben anzupassen. Ich möchte verstehen, wie lebenslanges Lernen in diesem Rahmen möglich ist: Der Roboter muss entscheiden, was er wann und wie lernen will.Insbesondere beschäftigt sich die Arbeit mit der Frage, wie man Repräsentationen lernt, die zu schneller Generalisierung führen und dadurch ein schnelles Erlernen neuer Aufgaben ermöglichen. Ich stütze meine Forschung auf Erkenntnisse aus den Neuro- und Kognitionswissenschaften sowie der Entwicklungspsychologie und basiere meine Ansätze auf diesen Erkenntnissen, um Lernalgorithmen für Roboter zu entwickeln. [...]. (Orig.).
Erfasst von	Deutsche Nationalbibliothek, Frankfurt am Main
Update	2023/1