Google Search
Univ.-Prof. Dr.-Ing. Horst-Michael Groß
Head of Department
e-mail: fg-nikr@tu-ilmenau.de
phone: +49 3677 692858
Postal address:
Ilmenau University of Technology
Faculty of Computer Science and Automation
Neuroinformatics and Cognitive Robotics Lab
P.O. Box 10 05 65
98684 Ilmenau
Visiting address:
Helmholtzplatz 5 (Zusebau)
Room 3060
98693 Ilmenau
Site plan
Please register WITH YOUR UNI-EMAILADDRESS in the mail distribution list for this lecture in order to receive the enrollment key for the moodle course as well as current information.
To do so, send an e-mail with the subject: Entry in the list NI to the following address: ni@tu-ilmenau.de.
In response, you will receive a notice that your email is being held until the moderator approves it. This may take up to a day, or longer on weekends. Once you are added to the list, you will receive a welcome message.
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.
Current Modultafel
Course material is available in moodle course Neuroinformatik und Maschinelles Lernen SS 2023