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-MAILADRESSE in den Mailverteiler zu dieser Vorlesung ein, um die Zugangsdaten für die Vorlesungs-Unterlagen sowie aktuelle Informationen zu erhalten.

Senden Sie dazu eine Email 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.


Die Unterlagen, die auf dieser Seite zur Verfügung gestellt werden, sind passwortgeschützt.
Die Zugangsdaten werden Ihnen nach Eintrag in den o.g. Mailverteiler zugesandt.


Lehrinhalte

Die Lehrveranstaltung vermittelt das erforderliche Methodenspektrum aus theoretischen Grundkenntnissen und praktischen Fähigkeiten zum Verständnis, zur Implementierung und zur Anwendung neuronaler und probabilistischer Techniken der Informations- und Wissensverarbeitung in massiv parallelen Systemen mit den Schwerpunkten Datenanalyse, Signalverarbeitung, Mustererkennung und Optimierung für verschiedene Ingenieursdisziplinen. Sie vermittelt sowohl Faktenwissen als auch begriffliches Wissen aus folgenden Themenbereichen:
-    Informationsverarbeitung und Lernen in biologischen neuronalen Systemen
-    Wichtige Neuronenmodelle (Biologisches Neuron, I&F Neuron, Formale Neuronen)
-    Netzwerkmodelle - grundlegende Verschaltungsprinzipien & Architekturen
-    Lernen in Neuronalen Netzen: wesentliche Arten des Lernens, wesentliche Lernparadigmen (Supervised / Unsupervised / Reinforcement Learning)
-    Grundprinzip des überwachten Lernens: Multi-Layer-Perzeptron & Error-Backpropagation (EBP)-Lernregel
-    Grundprinzip des unüberwachten Lernens: Self-Organizing Feature Maps (SOFM), Neural Gas, Growing Neural Gas ? als adaptive Vektorquantisierer
-    Weitere wichtige Entwicklungen: Erweiterungen zum EBP-Algorithmus; Netzwerke mit Radialen Basisfunktionen, Support Vector Machines (SVM), Neuro-Fuzzy-Systeme, aktuelle Entwicklungen
-    Anwendungsbeispiele aus den Bereichen Mustererkennung, Signal-/Bildverarbeitung, Biomedizin, Robotik, Neuro-Control
-    exemplarische Software-Implementationen neuronaler Netze für nichtlineare Klassifikationsprobleme
Die Studierenden erwerben auch verfahrensorientiertes Wissen, indem für reale Klassifikations- und Approximationsprobleme verschiedene neuronale und probabilistische Lösungsansätze theoretisch behandelt und praktisch umgesetzt werden. Dies ist auch Bestandteil des NI-Contests, der die softwaretechnische Implementierung eines Funktionsapproximators mittels eines überwacht trainierten Neuronalen Netzes zum Gegenstand hat.
SG BA-BMT: Im Rahmen des NI-Praktikums (0.5 SWS) werden die behandelten methodischen und technischen Grundlagen der neuronalen und probabilistischen Informationsverarbeitungs- und Lernprozesse  durch die Studierenden mittels interaktiver Demo-Applets vertieft und in Gesprächsgruppen aufgearbeitet.


Begleitende Programmbeispiele

Im Rahmen der Lehrveranstaltung werden Vorlesungs- und Übungsinhalte durch kleine Programmbeispiele vertieft. Zum Betrachten und Ausführen der Beispiele benötigen Sie eine lauffähige Python-Umgebung. Die nachfolgenden Links helfen Ihnen bei der Einrichtung der Python-Umgebung und erleichtern Ihnen den Einstieg in die Programmierung mit Python:


Übungsaufgaben SS 2018

ÜbungAufgabenErgänzungen
11.04.18

Aufgaben Teil 1
(bearbeitete Aufgaben: 1)

Intro-Folien
Jupyter Notebook Regression*
Juypter Notebook Clusterung*
Jupyter Notebook Klassifikation*

22.05.18

Aufgaben Teil 2
(bearbeitete Aufgaben: 2, 3)

Jupyter Notebook RBF-Neuron*

23.05.18

Aufgaben Teil 2
(bearbeitete Aufgaben: 4, 5, 6, 7,8 )

Jupyter Notebook Neural Gas*

30.05.18

Aufgaben Teil 2
(bearbeitete Aufgaben: 9,10, 11)

 

27.06.18

Aufgaben Teil 3
(bearbeitete Aufgaben: 12)

Jupyter Notebook Separierung

03.07.18

Aufgaben Teil 3
(bearbeitete Aufgaben: 12, 13, 14, 15)

 Jupyter Notebook Mehrschichtige Netzwerke

04.07.18

Aufgaben Teil 3
(bearbeitete Aufgaben: 15, 16)
Aufgaben Teil 4
(bearbeitete Aufgaben: 19)

zusätzliche Ergebnisse Aufgabe 16

11.07.18

Aufgaben Teil 4
(bearbeitete Aufgaben: 17, 18)

 

*Download über Rechtsklick -> Link speichern unter


Zusatzaufgaben SS 2018

Zum Bearbeiten der Zusatzaufgaben benötigen Sie eine eingerichtete Python-Umgebung:
Hinweise zur Installation von Python und der verwendeten graphischen Oberfläche

AufgabeJupyter-Notebook
1Notebook*
(Bearbeitungszeitraum: bis 10.06.2018 9:00 Uhr)
2Notebook*
(Bearbeitungszeitraum: bis 01.08.2018 9:00 Uhr)

*Download über Rechtsklick -> Link speichern unter


Bonuspunkte SS 2018