Hasso-Plattner-InstitutSDG am HPI
Hasso-Plattner-InstitutDSG am HPI
  
Login
 

Probabilistic Models: Modeling, Learning, and Analysis (Wintersemester 2020/2021)

Dozent: Prof. Dr. Holger Giese (Systemanalyse und Modellierung) , Christian Medeiros Adriano (Systemanalyse und Modellierung) , Dr. Maria Maximova (Systemanalyse und Modellierung)

Allgemeine Information

  • Semesterwochenstunden: 4
  • ECTS: 6
  • Benotet: Ja
  • Einschreibefrist: 01.10.200-20.11.2020
  • Lehrform: Vorlesung / Projekt
  • Belegungsart: Wahlpflichtmodul
  • Lehrsprache: Englisch

Studiengänge & Module

Data Engineering MA
Digital Health MA
Cybersecurity MA
IT-Systems Engineering MA
  • OSIS-Konzepte und Methoden
  • OSIS-Techniken und Werkzeuge
  • OSIS-Spezialisierung
  • SAMT-Konzepte und Methoden
  • SAMT-Techniken und Werkzeuge
  • SAMT-Spezialisierung
  • ITSE-Analyse
  • ITSE-Entwurf

Beschreibung

Models play a major role in the development of software and systems.  They are, for example, often employed to capture the needs of the users concerning the data (database schemas), behavior (system processes), or both for an envisioned or existing system, or they are used to capturing how the system is or should be structured (e.g., architecture, classes and associations) or behave. However, the classical models employed in software engineering do not support the uncertainty of an envisioned or existing systems that can also have a probabilistic nature -- meaning that certain aspects follow given probabilities or probabilistic distributions. 

On the one hand this enables modeling how the system is or should behave including probabilistic aspects. On the other hand probabilistic models often enable  learning from observations,  which is often not feasible to the same extent for the classical counterparts. Finally, in many cases the probabilistic nature still permits an analysis of the likely behavior of the systems as predicted by the models.

In this lecture we will study how to represent various probabilistic aspects by building (learning) and analyzing (checking) different probabilistic models, for instance, discrete and continuous Markov-Chains, Hidden Markov Models, Markov Decision Processes, Semi-Markov Processes, etc.

Voraussetzungen

Grundlagenwissen zur Modellierung von Software, wie durch die Lehrveranstaltungen Modellierung I oder Modellierungssprachen und Formalismen vermittelt, wird vorausgesetzt.

Literatur

Die Folien zur Vorlesung sowie auch eine Literaturliste werden im internen Bereich zur Verfügung gestellt.

Lern- und Lehrformen

Die Vorlesung wird begleitet von einem Projekt, das die Bearbeitung von einführenden Übungsaufgaben beinhaltet.

Ankündigung bzgl. der Coronavirus-Regelungen:

Wegen der COVID-19-Pandemie werden wir alle Termine anfangs als Online-Termine gestalten und später ggf. auf Präsenztermine umstellen, wenn dies die Umstände erlauben und dies Konsens bei allen Beteiligten ist.

Leistungserfassung

Die Leistungserfassung erfolgt durch ein Projekt, das während des Semesters zu bearbeiten ist, sowie eine mündliche Prüfung am Ende des Semesters. Die Endnote ergibt sich aus dem gewichteten Durchschnitt beider Teile. Die Projektnote wird dabei zu 1/3, die Prüfungsnote zu 2/3 gewichtet. Das Bearbeiten des Projekts ist Zulassungsvoraussetzung zur mündlichen Prüfung. Das Projekt beinhaltet eine Einführungsphase, in der zunächst einige Übungsaufgaben bearbeitet werden.

Termine

Vorlesungstermine:

  • Donnerstag, 13:30 Uhr - 15:00 Uhr
  • Freitag, 14:00 Uhr - 15h30 Uhr

Die erste Vorlesung findet am Mittwoch, dem 11. November um 15:15 Uhr statt und wird als online Meeting abgehalten. Bei Interesse bitte entsprechend bis zum 10. November eine Email an christian.adriano(at)hpi.de schicken.

 

Registrierung

Bitte beachten Sie, dass Sie sich nicht beim Studienreferat registrieren müssen. Nach der ersten Vorlesung werden wir die Teilnehmer, die die Veranstaltung belegen wollen, an das Studienreferat melden. 

Falls Sie Fragen haben, wenden Sie sich bitte per Email an christian.adriano(at)hpi.de.

Zurück