Fakultät Wirtschaftsinformatik und Angewandte Informatik

Angewandte Informatik / Kognitive Systeme

Projekt Kognitive Systeme/Lab course Cognitive Systems

General Information

  • For a general course description please read the corresponding pages (Bachelor, Master) from the WIAI module guide.
  • You find administrative information at UnivIS.
  • To get up-to-date information you should sign up for the course in the virtual campus.
  • At the first meeting (normally, first week of the start of lectures) we will give an introduction in suggested project topics. There is no official subscription beforehand.
  • A topic is usually worked on jointly by two to four students. Groups can be and mostly are formed in the first week of the course (for example related to topics of interests, etc.). Groups are established typically in the second week via posting in the vc (names and topic).
  • We strongly recommend students interested in writing a thesis in our group to participate in a project before!
  • Project topics presuppose knowledge and skills as introduced in the lecture/practive modules of the KogSys group.

Proposed Topics

  • We have a shared pool of topics for bachelor- and master-level projects -- including 15 ECTS projects --  as well as for bachelor- and master theses, which are described in the VC-Course "KogSys: General Information": VC-Course.
  • Selection of research domains addressed in the projects: Inductive programming, applications of machine learning to image classification (e.g., pain faces, plant growth), grammar learning, Human-robot interaction with NAO, Cognitive models of analogy and inductive learning.
  • A list of past and current project topics is given below.

Current Lab Courses

WS 2017/2018

15 ECTS project: Learning Structures with Evolutionary Algorithms

Description: (supervision: Ute Schmid)

Students: Krist Fama, Daniel Schäfer, Report: [pdf]

 

SoSe2017

Topic: Relational Learning [Unvis: KogSys-Proj-B, vc-course]

Description: In the project, we want to compare classical feature-based learning (SVM) with relational learning (ILP). We will focus on domains which are more naturally modelled relationally (social networks, chemical structures, Michalski trains) and domains which can be modelled feature-based or relational (leaves of trees, lamps). For feature-based learning we will introduce methods for extracting features from relational representations. Approaches will be evaluated with respect to efficiency of learning, classification performance and comprehensibility of the learned hypotheses to humans. (Supervisor: Christina Zeller/Ute Schmid)

  • Gruppe 1: Vergleich der Güte der Klassifizierung potenziell krebserregender Moleküle durch induktiv logische und merkmalsbasierte Lernverfahren; Students: Bettina Finzel, Katrin Grabe, Martin Hillebrand, Hannes Hornig, Rosa Ricci; Report: [pdf]
  • Gruppe 2: Klassifikation von Michalski Trains mit ILP und SVM; Students: Andreas Heimann, Matthias Puchta; Report: [pdf]
  • Gruppe 3: Michalski Trains -– Learning with Relational Data; Students: Matthias Delfs, Felix Hitzler; Report: [pdf]
  • Gruppe 4: How does the Representation of Machine Learned Relational Rules Affect Human Comprehensibility?, Student: Meike Schaller; Report: [pdf]
  • Gruppe 5: Neuronale Netze zum Zählen von Objekten in Bildern; Students: Andreas Wiegand, Dennis Gross, Ludwig Schallner; Report: [pdf]

Topic: Human Robot Interaction with Pepper [Unvis: KogSys-Proj-B, vc-course]

Description: Das Ziel dieses Projekts ist es ein System zu schaffen, welches anstrebt einen
Spielenden möglichst lange dazu zu bewegen mit diesem System zu interagieren
aus reiner Interesse und Spielspaß. Dazu wird der humanoide Roboter Pepper
als Hardware genutzt auf welchem ein Programm läuft, welches mit einer Per-
son das Gesellschaftsspiel Geistesblitz spielt und dabei auf diverse Ereignisse
während dem Spielen anhand eines internen Modells reagiert. (Supervisor: Christina Zeller/Ute Schmid)

Students: Michael Groß, Adrian Schwaiger, Tim Rütermann, Sebastian Rottmann

Report: [pdf]

Topic: AI Birds [Univis: KogSys-Proj-M, vc-course]

Joint Bachelor/Master-Project with SmartEnvironments.

Description: This project is a continuation of the successful AI Birds project from summer 2016. Goal is to program an intelligent agent who can play Angry Birds. Last year, the BamBirds team became world champion! The realised approach was mainly knowledge based with a reasoning system written in Prolog at the core. This year we want to extend the BamBird agent by an online learning component. (Supervisor: Ute Schmid)

 

SS 2016

Joint Project with SmartEnvironments: [VC-Course]

Topic: AI Birds – Qualitative Physics Knowledge and Strategy Learning to Master a Strategy Game

Description: Das Computerspiel Angry Birds wurde in der Künstlichen Intelligenz Forschung als ein Maßstab ausgewählt für intelligent mit Alltagswissen agierende Software. Um nämlich im Spiel erfolgreich sein zu können, muss ein grobes Verständnis physikalischer Zusammenhänge auf ein Spiel übertragen werden und strategische Entscheidungen unter Unsicherheit getroffen werden. Das macht Angry Birds schwieriger als frühe Arcade-Spiele oder rein strategische Spiele ohne Unsicherheit, also totales Wissen über Spielzustand und Spielmechanik wie Go. (Supervisor: Ute Schmid)

Report: [pdf]

 

WS 2015/2016

Topic: Lernen von Klassifikatoren zur Unterscheidung von Ekel und Schmerz aus der Mimik

Description: In diesem Projekt soll untersucht werden, wie sich Schmerz- und Ekelgesichtsausdrücke voneinander unterscheiden. Zur Verfügung stehen Daten eines Versuches der Physiologischen Psychologie, in dem Probanden Schmerz- und Ekelmimik zeigen. Die Daten liegen bereits in symbolischer Form vor (keine Bilder/Videos). Aus diesen Daten sollen abstrakte Beschreibungen (Klassifikatoren) für Schmerz- und Ekelgesichter gelernt werden. (Supervisor: Michael Siebers)

Students: Feras Barmo, Andreas Böhler, Jan Boockmann, Mark Gromowski, Benjamin Heibel

Reports: ohne temporale Information [pdf], mit temporaler Information [pdf]

 

SS 2015

Joint Project with Mobi: Mining Vistior-Traces of Bamberg Zaubert

Es wird untersucht, wie durch die Analyse anonymer und anonymisierter Sensordaten Besucherbewegungen erfasst und vorhergesagt werden können. Hierzu sollen Verfahren des Machine Learnings eingesetzt werden, um typische Wege, Verweildauern und Geschwindigkeiten zu ermitteln; mit Hilfe dieser Information könnte dann beispielsweise vorhergesagt werden, dass in einer halben Stunde an einer gegebenen Stelle (z.B. Verpflegungstand) ein deutlicher Anstieg der Besucherzahlen zu erwarten wird. Diese Verfahren sollen mit einem Datenstrommanagementsystem kombiniert werden, um online relevante Ereignisse zu erkennen und an mögliche Adressaten (z.B. Betreiber des Verpflegungsstands) zu übermitteln.Die zentrale Frage, die mit Hilfe des Projekts beantwortet werden soll, lautet somit:Zu welchem Zeitpunkt hätte man welche Situationen bereits vorhersagen können? (Supervisors: Ute Schmid und Michael Siebers)

Reports: Visualisierung von Besucherströmen [pdf]; Vorhersage von Besucherzahlen [pdf]

 

WS 2014/2015

Topic: Complexity of Number Series Problem -- A comparison of human performance with the inductive programming systems Igor and MagicHaskeller and the special purpose system SeqSolver

Description: Based on results of a previous bachelor project and a previous bachelor thesis, given empirical results for the complexity of 20 systematically constructed number series (humans, Igor) are compared to the inductive programming system MagicHaskeller and the special purpose system SeqSolver. (Supervisor: Ute Schmid, Michael Siebers)

Participants: Barbora Hrda (CiTH), Dea Svoboda (CitH), Henrik Marquard (BA AI)

Reports:[MagicHaskeller for Number Series] [Alternating Series with IGOR]

 

WS 2014/2015

 

Topic: Impact of Communication Strategies on the Problem Solving Performance in a Multi-Agent Setting

Description: Based on a multi-agent treasure-hunt system realized in a bachelor thesis, different communication strategies between agents will be explored. (Supervisor: Michael Siebers)

Students: Daniel Bernhard, Bettina Finzel, Michael Groß, Christian Teichmann (CitH)

Report: [pdf]

 

WS 2014/2015

Topic: Designing and Implementing a Rule-Based Classifyer System

Description: A system for rule-based classification of, typically feature vector represented data, is to be designed and implemented. The rule base should be easily modifiable and exchangable. When a new entity is classified, the involved rules should be presented as explanation for the classification decision. (supervised by Michael Siebers and Ute Schmid)

Students: Philip Grandl, Johannes Hofmann, Tim Rütermann

Report: [pdf]

 

SS 2014

Topic: Enduser Programming with Igor: Learning Flashfill-Style String Transformations

Description: Enduser programming offers inductive learning systems which generalize programs from observed regularities in user behavior. For example, Flashfill offers support for complex string transformations in Excell. Flashfill is based on a domain-specific language and has an induction algorithm specifically designed for typical user tasks in Excell. Igor is a general, domain-independent inductive programming algorithm which allows to generalize recursive functional programs from input/output examples. In the project, we want to explore how to realize string transformations with Igor and compare its performance with Flashfill. (Supervisor: Ute Schmid)

Students: Peter Hohmann (BA AI), Fabian Höpfel (BA AI), Alexandra Rohm (BA AI)

Report: [pdf] Problems [maude] Sources [tar.gz]

 

SS 2014

 

Topic: Playing "I spy, with my little eye", with NAO.

Description: An autonomous gaming environment with human-machine interaction should be created. (Supervisor: Christian Reißner)

Participants: Christina Zeller, Mike Imhof

Report: [pdf]

 

Archiv:

Past Lab Courses (Master)

Past Lab Courses (Bachelor)