Künstliche Neuronale Netze

NUMMER:	212006
KÜRZEL:	KNN
MODULBEAUFTRAGTE:R:	Prof. Dr. Sen Cheng
DOZENT:IN:	Prof. Dr. Sen Cheng
FAKULTÄT:	Fakultät für Informatik
SPRACHE:	Englisch
SWS:	4
CREDITS:	6
ANGEBOTEN IM:	jedes Wintersemester

LINK ZUM VORLESUNGSVERZEICHNIS

Hier entlang.

VERANSTALTUNGSART

Folien
rechnerbasierte Präsentation
Tafelanschrieb

PRÜFUNGEN

FORM:	schriftlich
TERMIN:	Siehe Prüfungsamt.

LERNFORM

Vorlesungen und Übungen

LERNZIELE

In dieser Veranstaltung werden die mathematischen Grundlagen, Möglichkeiten und Beschränkungen überwachter Lernverfahren für Regression und Klassifikation mit künstlichen neuronalen Netzen (KNN) sowie praktische Kenntnisse, die für deren Anwendung erforderlich sind, vermittelt. Nach dem erfolgreichen Abschluss des Moduls können Studierende
• die theoretisch-mathematischen Grundlagen von KNN im Kontext des überwachten ¨
Lernens verstehen und erläutern.
• selbstständig zwischen verschiedenen KNN unterscheiden und in einer Anwendungssituation entscheiden, welche Verfahren geeignet sind.
• grundlegende Verfahren selbstständig in einer höheren Programmiersprache implementieren, sowie ihre eigene Implementierung und Standard-Implementierung anderer auf Daten anwenden.
• Ergebnis der KNN selbstständig interpretieren, insbesondere beurteilen, wann aufgrund der Limitationen der gewählten Methode Vorsicht geboten ist.

INHALT

• Struktur von Optimierungsproblemen
• Regression
• logistische Regression
• biologische neuronal Netze
• Modellselektion
• universelle Approximationstheorem
• Perzeptron
• mehrschichtiges Perzeptron
• Backpropagation
• tiefe neuronale Netze 50
KAPITEL 2 - VERANSTALTUNGEN
• rekurrente neuronale Netze
• Long-Short Term Memory
• Hopfield Netze
• Botzmann-Machine

VORAUSSETZUNGEN CREDITS

Bestandene Modulabschlussprüfung

EMPFOHLENE VORKENNTNISSE

Grundkenntnisse in der Infinitesimalrechnung, linearen Algebra, Statistik und Informatik. Erfahrung mit einer höheren Programmiersprache

LITERATUR

[1] Géron, Aurélien ”Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems”,
None, None
[2] Aggarwal, Charu C. ”Neural Networks and Deep Learning”, Springer Verlag, None