Inhalt

Die Studierenden sollen die grundlegenden überwachten und unüberwachten Lernverfahren und Algorithmen der Künstlichen Neuronalen Netze und des Maschinellen Lernens verstehen und die wesentlichen Lösungsansätze auf Problemstellung der Daten- und Signalverarbeitung anwenden können.

Nach der aktiven Teilnahme am Modul Künstliche Neuronale Netze und Maschinelles Lernen sind die Studierenden in der Lage

• grundlegende Begriffe der Künstlichen Neuronalen Netze und des Maschinellen Lernens zu definieren
• ausgewählte Verfahren und Algorithmen zu beschreiben und zu analysieren
• algorithmische Lösungsansätze zu erklären und diese selbstständig auf Problemstellungen der Daten- und Signalverarbeitung anzuwenden
• einen wissenschaftlichen Vortrag zu halten
• eine wissenschaftliche Veröffentlichung zu erstellen

Materialien

Das vorläufige Skript KNN&ML Wintersemester 22/23

Der neue Zusatz „Reinforcment Learning & Kommentare zu Deep Learning“

Das gesamte Skript KNN&ML Stand 2.2.2023

Literatur

Vorläufige Liste:

• „Simulation künstlicher neuronaler Netze“, Andreas Zell; Oldenbourg Verlag, 2000
• „Theorie der neuronalen Netze“, Raúl Rojas: Springer, 1996
• „Neuronale Netze“, Helge Ritter, Thomas Martinetz, Kalus Schulten; Addison-Wesley, 1994
• „Maschinelles Lernen“, Ethem Alpaydin; Oldenbourg Verlag, 2008
• „Deep Learning“, I. Goodfellow, Y. Bengio, A. Courville; MIT Press, http://www.deeplearningbook.org, 2016
• „Introduction to Deep Learning“, Sandro Skansi, ISBN 978-3-319-73003-5, 2018
• „Deep learning in neural networks“, Schmidhuber http://dx.doi.org/10.1016/j.neunet.2014.09.003, 2015
• „Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position“, Biol. Cybernetics 36, 193 202, 1980