263-5210-00L  Probabilistic Artificial Intelligence

SemesterHerbstsemester 2023
DozierendeA. Krause
Periodizitätjährlich wiederkehrende Veranstaltung


263-5210-00 VProbabilistic Artificial Intelligence
Fr 10-12 und 13-14 im ETA F5 mit Videoübertragung ins ETF E1
3 Std.
Fr10:15-12:00ETA F 5 »
10:15-12:00ETF E 1 »
13:15-14:00ETA F 5 »
13:15-14:00ETF E 1 »
A. Krause
263-5210-00 UProbabilistic Artificial Intelligence
Q&A session via zoom
2 Std.
Do16:15-18:00CHN C 14 »
16:15-18:00HG F 7 »
A. Krause
263-5210-00 AProbabilistic Artificial Intelligence2 Std.A. Krause


KurzbeschreibungThis course introduces core modeling techniques and algorithms from machine learning, optimization and control for reasoning and decision making under uncertainty, and study applications in areas such as robotics.
LernzielHow can we build systems that perform well in uncertain environments? How can we develop systems that exhibit "intelligent" behavior, without prescribing explicit rules? How can we build systems that learn from experience in order to improve their performance? We will study core modeling techniques and algorithms from statistics, optimization, planning, and control and study applications in areas such as robotics. The course is designed for graduate students.
InhaltTopics covered:
- Probability
- Probabilistic inference (variational inference, MCMC)
- Bayesian learning (Gaussian processes, Bayesian deep learning)
- Probabilistic planning (MDPs, POMPDPs)
- Multi-armed bandits and Bayesian optimization
- Reinforcement learning
Voraussetzungen / BesonderesSolid basic knowledge in statistics, algorithms and programming.
The material covered in the course "Introduction to Machine Learning" is considered as a prerequisite.


Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird)
Leistungskontrolle als Semesterkurs
ECTS Kreditpunkte8 KP
PrüfendeA. Krause
RepetitionDie Leistungskontrolle wird nur in der Session nach der Lerneinheit angeboten. Die Repetition ist nur nach erneuter Belegung möglich.
Prüfungsmodusschriftlich 120 Minuten
Zusatzinformation zum Prüfungsmodus70% session examination, 30% project; the final grade will be calculated as weighted average of both these elements. As a compulsory continuous performance assessment task, the project must be passed on its own and has a bonus/penalty function.

The practical projects are an integral part (60 hours of work, 2 credits) of the course. Participation is mandatory.
Failing the project results in a failing grade for the overall examination of Probabilistic Artificial Intelligence (263-5210-00L).
Students who do not pass the project are required to de-register from the exam and will otherwise be treated as a no show.

Due to the number of registered students, the exam may be paper-based and will most likely take place on a Saturday. The mode of the exam (computer-based or paper-based) will be finalized in end of October, and the exam date will be announced in December.
Hilfsmittel schriftlichTwo A4-pages (i.e. one A4-sheet of paper), either handwritten or 11 point minimum font size. Simple non-programmable calculator.
Online-PrüfungDie Prüfung kann am Computer stattfinden.
Diese Angaben können noch zu Semesterbeginn aktualisiert werden; verbindlich sind die Angaben auf dem Prüfungsplan.


Es werden nur die öffentlichen Lernmaterialien aufgeführt.


Keine Informationen zu Gruppen vorhanden.


PlätzeMaximal 900
WartelisteBis 02.10.2023

Angeboten in

CAS in InformatikVertiefungsfächer und WahlfächerWInformation
Computational Biology and Bioinformatics MasterTheorieWInformation
Cyber Security MasterKernfächerWInformation
DAS in Data ScienceMachine Learning and Artificial IntelligenceWInformation
DAS in Data ScienceBig Data SystemsWInformation
Data Science MasterDatenanalyseWInformation
Data Science MasterWählbare KernfächerWInformation
Doktorat BiosystemeVertiefung FachwissenWInformation
Elektrotechnik und Informationstechnologie MasterEmpfohlene FächerWInformation
Elektrotechnik und Informationstechnologie MasterVertiefungsfächerWInformation
Informatik MasterKernfächerWInformation
Informatik MasterErgänzung in Machine LearningWInformation
Maschineningenieurwissenschaften MasterRobotics, Systems and ControlWInformation
Mathematik MasterAuswahl: Weitere Gebiete sowie einige Kurse der UZHWInformation
Mathematik MasterMachine LearningWInformation
Rechnergestützte Wissenschaften BachelorRobotik (fortgesetzt)WInformation
Rechnergestützte Wissenschaften MasterKernfächer (fortgesetzt)WInformation
Rechnergestützte Wissenschaften MasterRobotik (fortgesetzt)WInformation
Robotics, Systems and Control MasterKernfächerWInformation
Statistik MasterFachbezogene WahlfächerWInformation