Zusammenfassung
Kognitive Systeme können komplexe Prozesse überwachen, analysieren und gewinnen daraus auch die Fähigkeit, in ungeplanten oder unbekannten Situationen richtig zu entscheiden. Fraunhofer-Experten setzen Verfahren des maschinellen Lernens ein, um neue kognitive Funktionen für Roboter und Automatisierungslösungen zu nutzen. Dazu statten sie Systeme mit Technologien aus, die von menschlichen Fähigkeiten inspiriert sind bzw. diese imitieren und optimieren. Der Bericht beschreibt diese Technologien, erläutert aktuelle Anwendungsbeispiele und entwirft Szenarien für zukünftige Anwendungsfelder.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Quellen und Literatur
Bengio Y (2009) Learning Deep Architectures for AI, Foundations and Trends in Machine Learning 2 (1) 1-127
Krizhevsky A, Sutskever I, Hinton G (2012) ImageNet Classification with Deep Convolutional Neural Networks, in Proc. NIPS
Hinton G, Deng L, Yu D, Dahl G, Mohamed A and Jaitly N (2012) Deep Neural Networks for Acoustic Modeling in Speech Recognition: The Shared Views of Four Research Groups, IEEE Signal Processing Magazine 29 (6) 82-97
Mikolov T, Sutskever I, Chen K, Corrado G and Dean J (2013) Distributed Representations of Words and Phrases and their Compositionality in Proc. NIPS
Levine S, Wagener N, Abbeel P (2015) Learning Contact-Rich Manipulation Skills with Guided Policy Search, Proc. IEEE ICRA
Esteva A, Kuprel B, Novoa R, Ko J, Swetter S, Blau H, Thrun S (2017) Dermatologistlevel Classification of Skin Cancer with Deep Neural Networks, Nature 542 (7639) 115-118
Silver D, Huang A, Maddison C, Guez A, Sifre L, van den Driesche G, Schrittwieser J (2016) „Mastering the Game of Go with Deep Neural Networks and Tree Search“ Nature 529 (7587) 484-489
Moracik M, Schmidt M, Burch N, Lisy V, Morrill D, Bard N, Davis T, Waugh K, Johanson M and Bowling M (2017) DeepStack: Expert-level Artificial Intelligence in Heads-up No-limit Poker, Science 356 (6337) 508-513
Hornik K, Stinchcombe M, White H (1989) Multilayer Feedforward Networks Are Universal Approximators, Neural Networks 2 (5) 359-366
Cybenko G (1989) Approximation by Superpositions of a Sigmoidal Function, Mathematics of Control, Signals and Systems 2 (4) 303-314
Rumelhart D, Hinton G and Williams R (1986) Learning Representations by Backpropagating Errors, Nature 323 (9) 533-536
V. Vapnik and A. Chervonenkis (1971) On the Uniform Convergence of Relative Frequencies of Events to Their Probabilities, Theory of Probability and its Applications 16 (2) 264-280
Barker J, Bulin J, Hamaekers J, Mathias S, LC-GAP (2017) Localized Coulomb Descriptors for the Gaussian Approximation Potential, in Scientific Computing and Algorithms in Industrial Simulations, Griebel, Michael, Schüller, Anton, Schweitzer, Marc Alexander (eds.), Springer
Garcke J, Iza-Teran R, Prabakaran N (2016) Datenanalysemethoden zur Auswertung von Simulationsergebnissen im Crash und deren Abgleich mit dem Experiment, VDI-Tagung SIMVEC 2016.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2018 Springer-Verlag GmbH Deutschland
About this chapter
Cite this chapter
Bauckhage, C., Bauernhansl, T., Beyerer, J., Garcke, J. (2018). Kognitive Systeme und Robotik. In: Neugebauer, R. (eds) Digitalisierung. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-55890-4_14
Download citation
DOI: https://doi.org/10.1007/978-3-662-55890-4_14
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-55889-8
Online ISBN: 978-3-662-55890-4
eBook Packages: Computer Science and Engineering (German Language)