Neuroinformatik und Organic Computing

Unterlagen für Vorlesung/Übung

Die Unterlagen zu Vorlesung/Übung werden über den entsprechenden Moodle-Bereich zur Verfügung gestellt. Die Zugangsdaten für den Kurs erhalten Sie in der ersten Vorlesung/Übung.

Termine der Vorlesung

Beginn Tag Zeit Raum Dozent
04.04.2022 Montag 12:15 - 13:45 BA 127 Pauli

Termine der Übung

Beginn Tag Zeit Raum Dozent
06.04.2022 Mittwoch 10:15 - 11:45 BC 523 Moder
07.04.2022 Donnerstag 14:15 - 15:45 BC 523 Moder

Organisatorisches bezüglich der Übung

Hinweis zu den Übungen:

Es werden wöchentlich Übungsblätter hochgeladen die wir in der Übungsstunde anfangen werden und in der Woche darauf werden die Lösungen besprochen. Wir empfehlen die Mitnahme eines persöhnlichen Laptops, da es sich um Programmierungsaufgaben handelt.

Außerdem bieten wir zu jedem Übungstermin eine Videoaufzeichnung aus dem vorherigen SS 2021 von Herrn Pham an. Sowohl die Themen als auch die Folien sind identisch mit der Präsenzveranstaltung. Kleine Änderungen werden natürlich mitgeteilt.

Die erste Übung findet bereits am Donnerstag, den 7.4. ausnahmsweise online in dem BBB-Raum des  Moodle-Kurses statt.
Notes for the exercises:

There will be weekly uploaded exercise sheets that we will work on in the exercise lesson and the solutions will be discussed the following week. We recommend that you bring a personal laptop, as the exercises are programming exercises.

In addition, we offer a video recording from the previous SS 2021 by Mr. Pham for each exercise session. Both the topics and the slides are identical to the presence session. Small changes will of course be notified.

The first exercise will take place already on Thursday, 7.4. exceptionally online in the BBB room of the Moodle course.

Übersicht

Im Sommersemester wird die Vorlesung "Neuroinformatik und Organic Computing" (2 SWS), zusammen mit einer Übung (2 SWS), angeboten.

Beschreibung: Die Veranstaltung behandelt einige wichtige Typen von vorwärts gerichteten Neuronalen Netzen, wie Mehrschicht-Perzeptron, Radiale Basisfunktionen Netze, Tiefe Faltungsnetze und Support Vektor Maschinen. Übergreifend werden das grundlegende Problem des algorithmischen Lernens vorgestellt, nämlich das Bias-Varianz-Dilemma, sowie Lösungen diskutiert. Bezug nehmend auf Organic Computing werden self-X Fähigkeiten untersucht. Ein besonderer Wert wird darauf gelegt, einen Zusammenhang zu grundlegenden Techniken aus anderen Disziplinen herzustellen, wie Gradientenabstieg, lineare und quadratische Optimierung, statistische Entscheidungstheorie. Typische Anwendungen werden exemplarisch behandelt wie Signalfilterung, Mustererkennung, Roboterkontrolle. Inhalte im Einzelnen:

  • Einführung
  • McCulloch-Pitts Zelle, Perzeptron, Adaline
  • Statistische Entscheidungstheorie
  • Mehrschichtnetze, Tiefe Faltungsnetze
  • Netze radialer Basisfunktionen
  • Bias-Varianz-Dilemma
  • Netze von Support Vektoren
  • Organic Computing.

Lernziele: Die Studierenden sollen für ausgewählte Typen von Neuronalen Netzen deren Struktur und Lernmethodik verstehen, die grundlegende mathematische Fundierung nachvollziehen können, die prinzipielle Wirkung und die mögliche Anwendbarkeit kennen. Sie sollen für ausgewählte Problemstellungen sinnvolle Netztypen und Lernverfahren vorschlagen können.

Studiengänge: Master Angewandte Informatik, Master ISE (Computer Engineering, Computer Science and Communications Engineering, Automation and Control Engineering), Master Elektro- und Informationstechnik, Master Komedia u.a.

Sprache: Deutsch oder Englisch

Druckversion
© Universität Duisburg-Essen, Lehrstuhl Intelligente SystemeLogin