Neuroinformatik und Organic Computing

Organisation und Durchführung im SS 2021

Im Sommersemester 2021 wird das Modul zunächst ausschließlich im E-Learning-Format angeboten. Bitte belegen Sie das Modul im LSF (falls noch nicht erfolgt). Es besteht keine Belegungsbeschränkung. Sie erhalten dann eine E-Mail mit dem Einschreibeschlüssel. Und Sie schreiben sich dann in den Moodle Kurs ein (falls noch nicht erfolgt).

Die für Vorlesung und Übung geplanten Räume sind zunächst obsolet.

Bezüglich der Vorlesung (Dozent J. Pauli) werden zusätzlich zu den üblichen Materialien regelmäßig auch Videos hochgeladen. Es gibt kein Live-Streaming der Vorlesung, und somit ist der geplante, wöchentliche Termin zunächst auch obsolet. Sie können den Termin, montags 12 Uhr, aber beispielhaft in Ihrem Selbststudium beibehalten, weil dieser nützlich ist für das Zeitmanagement zusammen mit der Übung. Via Email wird regelmäßig informiert, welches neue Material jeweils hochgeladen wurde, und wieviel davon bis zu welchem Zeitpunkt mindestens durchgearbeitet werden soll.

Bezüglich der Übung (Dozent D.D. Pham) werden wöchentlich praktische Aufgaben hochgeladen, die zu Hause bearbeitet werden können. Es wird wöchentlich (nur) einen Termin geben, nämlich mittwochs um 16 Uhr, an dem der Übungsinhalt gestreamt und aufgenommen wird.

Die erste Übung findet am 14.04.2021 um 16 Uhr statt.

Der Zugang zum Stream wird über den Moodle Kurs bekannt gegeben.

Fragen zum Inhalt der Vorlesung sowie zu den Übungsaufgaben und Lösungen können auch im Moodle Diskussionsforum gestellt werden. Kommilitonen können Antwortvorschläge machen oder/und die Lehrenden werden die Antworten geben. Wichtige Aspekte werden ggf. in der nächsten Übung aufgegriffen und detailliert besprochen.

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 Adaline, Mehrschicht-Perzeptron, Radiale Basisfunktionen Netze, und Support Vektor Netzen, sowie rekurrente, dynamische Netztypen wie Selbstorganisierende Karten und Dynamische Zellstrukturen. Ein besonderer Wert wird hierbei darauf gelegt, einen Zusammenhang zu grundlegenden Methodologien aus anderen Disziplinen herzustellen, wie Gradientenabstieg, lineare und quadratische Optimierung, statistische Entscheidungstheorie, Bayes Netze, Fuzzy-Reasoning und Dynamische Systeme. Typische Anwendungen werden exemplarisch behandelt wie Signalfilterung, Mustererkennung, Roboterkontrolle. Abschliessend erfolgen Beiträge von neuronalen Netzen für Organic Computing (Systeme mit self-x-Eigenschaften wie selbstkonfigurierend, selbstoptimierend, selbstheilend, selbsterklärend). Inhalte im Einzelnen:

  • Einführung
  • McCulloch-Pitts Zelle, Perzeptron, Adaline
  • Statistische Entscheidungstheorie
  • Mehrschichtnetze
  • Netze radialer Basisfunktionen
  • Selbstorganisierende Karten
  • Neuronale, dynamische Zellstrukturen
  • Netze von Support Vektoren
  • Organic Computing (Systeme mit self-x-Eigenschaften).

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