Modul 39-Inf-AKS Anwendungen Kognitiver Systeme

Die Studierenden sollen aktuelle Methoden der Cognitive Science kennenlernen und praktische Erfahrung sammeln, wie diese für komplexere Anwendungsgebiete eingesetzt werden. Dieses umfasst die mathematische Formalisierung der zugrundeliegenden Sachverhalte, die Kenntnis spezieller Algorithmen, als auch deren konkrete Umsetzung und Einbindung in Verfahrensketten. Die Veranstaltung wird von einem praktischen Teil begleitet, in dem die Studierenden die Verfahren konkret ausprobieren sollen.

The students get knowledge about recent methods in cognitive science, and they acquire expertise how to use these methods in complex application domains. These competences cover mathematical formalization of the fundamental settings, knowledge about specific relevant algorithms, as well as its adaptation in concrete applications and typical work flows. The lecture is accompanied by practical exercises where the students experiment with the algorithms in concrete applications.

In diesem Modul soll exemplarisch an einem Anwendungsgebiet wie dem Web demonstriert werden, wie effiziente Verfahren des maschinellen Lernens zur Strukturierung der vorhandenen Information dienen kann. Behandelte Thematiken sind: Graphanalyse mit Pagerank, Dimensionsreduktion und Visualisierung (etwa ICA, MDS, Isomap, LLE, t-SNE, Laplacian Eigenmaps und Erweiterungen, Evaluationsverfahren), Clustering (etwa Spectral Clustering, Affinity Propagation, Relational Clustering, Evaluationen), Prototypen-basierte Klassifikation (GLVQ, Matrix Lernen, Relational LVQ), Deep Learning. Ein Schwerpunkt liegt dabei auf Verfahren für nicht-vektorielle Daten sowie Effizienzüberlegungen.

In the module, relevant techniques of cognitive science are considered as regards their applicability in an exemplary domain such as the web to efficiently structure the available information. Topics which are covered include the following: graph analysis with Pagerank, dimensionality reduction and data visualisation (e.g. ICA, MDS, Isomap, LLE, t-SNE, Laplacian Eigenmaps and extensions, evaluation), clustering (e.g. spectral clustering, affinity propagation, relational clustering, evaluation), prototype-based classification (GLVQ, matrix learning, relational LVQ), deep learning). Thereby, the focus lies on methods which are suited for non-vectorial data and efficient realisations.

Grundkenntnisse in Algorithmen und Datenstrukturen oder vergleichbare Kenntnisse, Mathematik

Introduction to computer science (such as algorithms and data structures), introduction to mathematics

—