Start my eKVV Studieninformation Lernräume Prüfungsverwaltung Anmelden

392028 Grundlagen Neuronaler Netze (V) (SoSe 2018)

Einrichtung
Technische Fakultät
Art(en) / SWS
V / 2
Zeitraum
09.04.2018-20.07.2018
Voraussichtl. Wiederholung

Lehrende

Klicken Sie auf den Namen um Kontaktdaten wie die E-Mailadresse zu sehen

Termine (Kalendersicht )

Rhythmus Tag Uhrzeit Ort Zeitraum  
wöchentlich Di 10-12 CITEC 09.04.2018-20.07.2018
nicht am: 01.05.18

Klausuren

  • Keine gefunden

Fachzuordnungen

Modul Veranstaltung Leistungen  
39-Inf-NN Grundlagen Neuronaler Netze Neuronale Netze und Lernen I unbenotete Prüfungsleistung
benotete Prüfungsleistung
Studieninformation
Neuronale Netze und Lernen I Studieninformation

Die verbindlichen Modulbeschreibungen enthalten weitere Informationen, auch zu den "Leistungen" und ihren Anforderungen. Sind mehrere "Leistungsformen" möglich, entscheiden die jeweiligen Lehrenden darüber.

Studiengang/-angebot Gültigkeit Variante Untergliederung Status Sem. LP  
Studieren ab 50    
Veranstaltungen für Schülerinnen und Schüler   Bei Gruppen ab drei Personen ist eine vorherige Anmeldung in der ZSB erforderlich.  

Allgemeine Anforderungen bei Lehrveranstaltungen:

Die Anforderungen an die aktive Teilnahme (nur gültig für Studienmodell 2002) sind hier erläutert. In den FsB und Modulhandbüchern finden sich Informationen, ob Studienleistungen (nur gültig für Studienmodell 2011)/Einzelleistungen/Modul(teil)prüfungen vorgesehen sind, und welche Anforderungen hierfür bestehen.

Konkretisierung der Anforderungen

The lecture achieves 2 CP, the corresponding exercises 2 CP, and an oral exam, which is necessary to complete the modul, adds 1 CP. The detailed schedule for the exercises is
published through moodle.

Inhalt, Kommentar

Neuronale Netze sind ein aktives Feld der Informatik und haben speziell in der Form von Deep Neural Networks in den letzten Jahren weitreichende neue Möglichkeiten in vielen Bereichen des Machine Learnings eröffnet, z.B. in der Spracherkennung und Computer Vision. Die Vorlesung vermittelt ein Verständnis der grundlegenden Konzepte neuronaler Informationsverarbeitung.

Ausgehend von Modellvorstellungen der Informationsverarbeitung in biologischen Neuronennetzen werden theoretische Grundlagen und Lernverfahren künstlicher neuronaler Netze dargestellt.
In praktischen Übungen wird das Gelernte vertieft und mit Hilfe von Simulationen in Python programmiertechnisch angewandt.

Ziel der Vorlesung: Die Studierenden ...
... verstehen Grundlagen von Lernen und Gedächtnisprozessen,
... kennen verschiedene Netzwerktypen und dazugehörende Lernverfahren,
... sind in der Lage, die Leistungsfähigkeit der besprochenen Verfahren einzuschätzen
... und können diese auf Probleme in Anwendungsdomänen erfolgreich einsetzen.

Inhaltlich führt die Veranstaltung zuerst überwachte Lernverfahren (supervised learning) ein, wie Regression und Klassifikation. Dazu werden verschiedene Neuronen-Modelle und Neuronale Netz-Modelle diskutiert (Perceptron, MLP, Deep Neural Networks, Convolutional Neural Networks). Im zweiten Teil liegt der Fokus auf unüberwachten Lernverfahren, zum Beispiel Self-Organizing Maps und Hebb-Lernen.

Neural networks have become a thriving field of computer science. In particular Deep Neural Network approaches have been quite successful over the last years in areas like computer vision or speech recognition. The lecture discusses basic notions and concepts underlying neural networks and learning of such systems, starting from supervised learning for regression and classification. It further introduces standard neural networks models, the perceptron and the multi-layer perceptron. Turning to unsupervised learning, several algorithms for vector quantization are introduced, Hebb-learning, and Self-Organizing Maps.

Learning goals: Students …
… understand basic principles of learning and memory,
… know different network types and corresponding learning methods,
… are able to assess the efficiency and effectivity of these methods,
… and can compare as well as apply different neural network models and learning approaches.

Teilnahmevoraussetzungen, notwendige Vorkenntnisse

Algorithmen und Datenstrukturen, Vertiefung Mathematik - die Theorie Neuronaler Netze ist ein Thema der angewandten Mathematik (lineare Algebra).

Requirements for the Lecture
Algorithmen und Datenstrukturen, Vertiefung Mathematik. Neural Networks is an applied math topic - make sure that you recall the necessary basic math.

The lecture achieves 2 CP, the corresponding exercises 2 CP, and an oral exam, which is necessary to complete the module, adds 1 CP.

Literaturangaben

Literatur
- Deep Learning by I. Goodfellow, Y. Bengio and A.Courville, MIT Press, 2016
- C. Bishop, Pattern Recognition and Machine Learning, Springer 2006, in particular Chap. 1, Chap. 3.1-3.3 (linear models für regression), Chap 4.1. /4.2. (für classification) , Chap 5. (feedforward neural networks).
Darüber hinaus englischsprachiges Skript.

Part of the lecture is based on the book on Deep Learning by I. Goodfellow, Y. Bengio and A.Courville, MIT Press, 2016. Part of the lecture will lean on C. Bishop, Pattern Recognition and Machine Learning, Springer 2006, in particular Chap. 1, Chap. 3.1-3.3 (linear models für regression), Chap 4.1. /4.2. (für classification) , Chap 5. (feedforward neural networks).
Furthermore, lecture notes (in English) are available.

Lernraum (E-Learning)

Zu dieser Veranstaltung existiert ein Lernraum im E-Learning System. Lehrende können dort Materialien zu dieser Lehrveranstaltung bereitstellen:

TeilnehmerInnen
registrierte Anzahl : 210 (1)
Dies ist die Anzahl der Studierenden, die die Veranstaltung im Stundenplan gespeichert haben. In Klammern die Anzahl der über Gastaccounts angemeldeten Benutzer/innen.
Abruf der Liste der Teilnehmer/innen :
Lehrende und ihre Sekretariate können sich die Liste der im eKVV registrierten Teilnehmer/innen über die passwortgeschützen eKVV Seiten abrufen: Meine Veranstaltungen
Falls Sie noch keinen BIS Zugang besitzen oder generelle Hinweise zum Abrufen und zum Umgang mit den Teilnehmerlisten suchen nutzen Sie unsere Hilfeseite
Dort finden Sie auch Informationen dazu, wie Sie aus einer Teilnehmerliste die Ergebnisliste für die Prüfungsdokumentation erstellen und wie Sie diese an die Prüfungsämter übermitteln können.
Automatischer E-Mailverteiler der Veranstaltung
Adresse :
SS2018_392028@ekvv.uni-bielefeld.de
Lehrende, ihre Sekretariate sowie für die Pflege der Veranstaltungsdaten zuständige Personen können über diese Adresse E-Mails an die VeranstaltungsteilnehmerInnen verschicken. WICHTIG: Sie müssen verschickte E-Mails jeweils freischalten. Warten Sie die Freischaltungs-E-Mail ab und folgen Sie den darin enthaltenen Hinweisen.
Falls die Belegnummer mehrfach im Semester verwendet wird können Sie die folgende alternative Verteileradresse nutzen, um die TeilnehmerInnen genau dieser Veranstaltung zu erreichen: VST_121336693@ekvv.uni-bielefeld.de
Reichweite :
207 Studierende direkt per E-Mail erreichbar
Hinweise :
Weitere Hinweise zu den E-Mailverteilern
E-Mailarchiv
Anzahl der Archiveinträge: 2
E-Mailarchiv öffnen
Änderungen/Aktualität der Veranstaltungsdaten
Letzte Änderung Grunddaten/Lehrende :
Freitag, 12. Januar 2018 
Letzte Änderung Zeiten :
Donnerstag, 18. Januar 2018 
Letzte Änderung Räume :
Donnerstag, 18. Januar 2018 
Sonstiges
Link auf diese Veranstaltung
Wenn Sie diese Veranstaltungsseite verlinken wollen, so können Sie einen der folgenden Links verwenden. Verwenden Sie nicht den Link, der Ihnen in Ihrem Webbrowser angezeigt wird!
Der folgende Link verwendet die Veranstaltungs-ID und ist immer eindeutig:
https://ekvv.uni-bielefeld.de/kvv_publ/publ/vd?id=121336693
Interwiki Link
Kopieren Sie diesen Link, um im BISWiki auf diese Veranstaltung zu verweisen.
[[ Veranstaltung: 121336693 | SS2018_392028 ]]
Planungshilfen
Terminüberschneidungen für diese Veranstaltung
ID
121336693
Seite zum Handy schicken
Klicken Sie hier, um den QR Code zu zeigen
Scannen Sie den QR-Code: QR-Code vergrößern