Technische Universität Ilmenau

Neural Computing - Modultafeln of TU Ilmenau

The module lists provide information on the degree programmes offered by the TU Ilmenau.

Please refer to the respective study and examination rules and regulations for the legally binding curricula (Annex Curriculum).

You can find all details on planned lectures and classes in the electronic university catalogue.

Information and guidance on the maintenance of module descriptions by the module officers are provided at Module maintenance.

Please send information on missing or incorrect module descriptions directly to modulkatalog@tu-ilmenau.de.

module properties Neural Computing in degree program Bachelor Informatik 2010
module number1389
examination number2200046
departmentDepartment of Computer Science and Automation
ID of group 2233 (Neuroinformatics and Cognitive Robotics)
module leaderProf. Dr. Horst-Michael Groß
term summer term only
languageDeutsch
credit points3
on-campus program (h)34
self-study (h)56
obligationobligatory module
examwritten examination performance, 90 minutes
details of the certificate
signup details for alternative examinations
maximum number of participants
previous knowledge and experience

Keine

learning outcome

In der Vorlesung "Neuroinformatik und Maschinelles Lernen" lernen die Studierenden die konzeptionellen, methodischen und algorithmischen Grundlagen der Neuroinformatik und des Maschinellen Lernens kennen. Ein Sie verstehen die grundsätzliche Herangehensweise dieser Form des Wissenserwerbs, der Generierung von Wissen aus Beobachtungen und Erfahrungen. Sie verstehen, wie ein künstliches System aus Trainingsbeispielen lernt und diese nach Beendigung der Lernphase verallgemeinern kann. Dabei werden die Beispiele nicht einfach auswendig gelernt, sondern das System „erkennt“ Muster und Gesetzmäßigkeiten in den Lerndaten. Die Studierenden lernen die wesentlichen Konzepte, Lösungsansätze sowie Modellierungs- und Implementierungstechniken beim Einsatz von neuronalen und probabilistischen Methoden der Informations- und Wissensverarbeitung kennen. Die Studierenden sind in der Lage, praxisorientierte Fragestellungen aus dem o. g. Problemkreis zu analysieren, durch Anwendung des behandelten Methodenspektrums auf Fragestellungen aus den behandelten Bereichen (Signal-, Sprach- und Bildverarbeitung, Robotik und autonome Systeme, Assistenzsysteme, Mensch-Maschine Interaktion) neue Lösungskonzepte zu entwerfen und algorithmisch (Fokus auf Python) umzusetzen sowie bestehende Lösungen zu bewerten.

content

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. Ethische, soziale und rechtliche Aspekte beim Einsatz von Techniken des Maschinelles Lernens im Allgemeinen sowie wesentliche datenschutzrechtliche Randbedingungen werden diskutiert. 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.

 

media of instruction

Powerpoint-Folien (als Papierkopie oder PDF), Demo-Apps, Videos, Python Demo Code

 

https://moodle2.tu-ilmenau.de/enrol/index.php?id=3305

literature / references

 

- Zell, A.: Simulation Neuronaler Netzwerke, Addison-Wesley 1997

- Bishop, Ch.: Pattern Recognition and Machine Learning, Springer 2006

- Alpaydin, Ethem: Maschinelles Lernen, Oldenbourg Verlag 2008

- Murphy, K. : Machine Learning – A Probabilistic Perspective, MIT Press 2012

- Goodfellow, I. et al.: Deep Learning, MIT Press 2016

evaluation of teaching

Pflichtevaluation:

SS 2012 (Fach)

Freiwillige Evaluation:

SS 2008 (Vorlesung, Übung)

SS 2010 (Vorlesung, Übung)

SS 2011 (Vorlesung, Übung)

SS 2012 (Übung)

SS 2013 (Vorlesung, Übung)

SS 2014 (Vorlesung, Übung)

SS 2015 (Vorlesung, Seminar)

SS 2016 (Vorlesung, Seminar)

SS 2017 (Vorlesung, Seminar)

SS 2018 (Vorlesung, Übung)

SS 2019 (Vorlesung, Übung)

Hospitation:

SS 2012