http://www.tu-ilmenau.de

Logo TU Ilmenau


Ansprechpartner

Univ.-Prof. Dr.-Ing. Horst-Michael Groß

Head of department

Telefon +49 3677 692858

E-Mail senden

INHALTE

NI - Neuroinformatik

Hinweise

Tragen Sie sich bitte MIT IHRER UNI-EMAILADRESSE in den Mailverteiler zu dieser Vorlesung ein, um den Einschreibeschlüssel für den moodle-Kurs sowie aktuelle Informationen zu erhalten.

Senden Sie dazu eine E-Mail mit dem Betreff:
Eintrag in die Liste NI
an folgende Adresse: ni@tu-ilmenau.de.

Sie erhalten als Antwort den Hinweis, dass Ihre Email zurückgehalten wird, bis der Moderator diese genehmigt hat. Das kann bis zu einem Tag dauern, am Wochenende auch länger. Sobald Sie in die Liste aufgenommen sind, erhalten Sie eine entsprechende Willkommensnachricht.


Lehrinhalte

Die Lehrveranstaltung vermittelt das erforderliche Methodenspektrum aus theoretischen Grundkenntnissen und praktischen Fähigkeiten zum Verständnis, zur Implementierung und zur Anwendung neuronaler und probabilistischer Techniken des Wissenserwerbs durch Lernen aus Erfahrungsbeispielen sowie zur Informations- und Wissensverarbeitung in massiv parallelen Systemen. Sie vermittelt sowohl Faktenwissen, begriffliches und algorithmisches Wissen aus folgenden Themenkomplexen:

Intro: Begriffsbestimmung, Literatur, Lernparadigmen (Unsupervised / Reinforcement / Supervised Learning), Haupteinsatzgebiete (Klassifikation, Clusterung, Regression, Ranking), Historie

Neuronale Basisoperationen und Grundstrukturen:

  • Neuronenmodelle: Biologisches Neuron, I&F Neuron, Formale Neuronen

  • Netzwerkmodelle: Grundlegende Verschaltungsprinzipien & Architekturen

Lernparadigmen und deren klassische Vertreter:

  • Unsupervised Learning: Vektorquantisierung, Self-Organizing Feature Maps , Neural Gas, k-Means Clustering

  • Reinforcement Learning: Grundbegriffe, Q-Learning

  • Supervised Learning: Perzeptron, Multi-Layer-Perzeptron & Error-Backpropagation-Lernregel, RBF-Netze, Expectation-Maximization Algorithmus, Support Vector Machines (SVM)

Moderne Verfahren für große Datensets

  • Deep Neural Networks: Grundidee, Arten, Convolutional Neural Nets (CNN)

Anwendungsbeispiele: Signal-, Sprach- und Bildverarbeitung, Robotik und autonome Systeme, Assistenzsysteme, Mensch-Maschine Interaktion

Exemplarische Software-Implementationen neuronaler Netze für unüberwachte und überwachte Lern- und Klassifikationsprobleme (Fokus auf Python)

Die Studierenden erwerben somit auch verfahrensorientiertes Wissen, indem für reale Klassifikations- und Lernprobleme verschiedene neuronale Lösungsansätze theoretisch behandelt und praktisch umgesetzt werden. Im Rahmen des Pflichtpraktikums werden die behandelten methodischen und algorithmischen Grundlagen der neuronalen und probabilistischen Informationsverarbeitungs- und Lernprozesse durch die Studierenden mittels interaktiver Demo-Applets vertieft und in Gesprächsgruppen aufgearbeitet.


Vorlesungsskript & Klausurhinweise SS 2020