Die Vorlesung gibt eine Einführung in Algorithmen, deren Arbeitsweise sich an Modellvorstellungen zur Informationsverarbeitung in biologischen neuronalen Netzwerken orientiert. Wesentliches Merkmal solcher neuronaler Algorithmen ist die Beteiligung einer großen Anzahl relativ langsamer, oft einfacher und wenig zuverlässiger, jedoch meist adaptiver und dicht miteinander vernetzter Einheiten (Neuronen) am Verarbeitungsprozess. Diese bilden eine fehlertolerante und in der Regel über viele Systemkomponenten verteilte Repräsentation von Information. Die eigentliche Komplexität neuronaler Netze liegt dabei in ihrer Verschaltungsstruktur, welche mit Hilfe adaptiver Lernalgorithmen aufgabenspezifisch ausgeprägt werden muß. Vorgesehene Themen der Vorlesung sind u.a.: Modelle zum Einzelneuron, Netzwerkarchitekturen, Lernen in neuronalen Netzen, kompetitive Netzwerke, Multilagen-Perzeptron, sowie Theorie des Lernens.
1. Einführung
2. Neuronen und Neuronenmodelle
3.Fähigkeiten abstrakter Neuronen
4. Klassifikation: Die Perzeptron-Lernregel
5. Unüberwachtes Lernen: Die Hebb-Regel
6. Überwachtes Lernen: Das Multilagen-Perzeptron
7. Theorie des Lernens
Rhythmus | Tag | Uhrzeit | Format / Ort | Zeitraum |
---|
Studiengang/-angebot | Gültigkeit | Variante | Untergliederung | Status | Sem. | LP | |
---|---|---|---|---|---|---|---|
Bioinformatik und Genomforschung / Bachelor | (Einschreibung bis SoSe 2011) | Modul 11 | Wahlpflicht | 5. | 4.5 | benotet | |
Naturwissenschaftliche Informatik / Diplom | (Einschreibung bis SoSe 2004) | Robotik; Biologie | HS | ||||
Naturwissenschaftliche Informatik / Diplom | (Einschreibung bis SoSe 2004) | CM; CV; MMK; ME; NNet | HS |