392140 Neuronale Netze und Lernen I (V) (WiSe 2009/2010)

Die Vorlesung Neuronale Netze und Lernen I beschäftigt sich schwerpunktmäßig mit Grundfragen des künstlichen Lernens und Standardalgorithmen der Neuronalen Netze. Dabei werden sowohl überwachtes als auch unüberwachtes Lernen u.a. mit folgenden Themen behandelt: Allgemeines Lernszenario und wahrscheinlichkeitsbasierte Modellierung (Bayes-Regel, Likelihood), lineare Modelle für Regression und Klassifikation incl. Perzeptron, verschiende Algorithmen zum Multi-Lagen-Perzeptron (MLP), Hebb-Regel, Self-Organizing-Map, Hopfield-Netze.

Requirements for participation, required level

Algorithmen und Datenstrukturen, Vertiefung Mathematik

Bibliography

Im Vergleich zu vorherigen Vorlesungen wird es einige substantielle Änderungen geben.
Der erste Teil wird sich zunächst am Buch
C. Bishop, Pattern Recognition and Machine Learning, Springer 2006
orientieren. Die Einführung basiert auf Kapitel 1, dann Kap. 3.1-3.3 (linear Models für Regression), dann Kap 4.1. /4.2. (für Klassifikation) , Kap 5. (feedforward neural networks), und vertieft Verfahren zur Verbesserung/Beschleunigung des Lernens (nicht im Bishop ehandelt). Es wird empfohlen, das (recht preiswerte) Buch anzuschaffen, insbesondere für diejenigen, die planen im Master weiter zu studieren.