Veranstaltung: Künstliche Neuronale Netze

Nummer:
310002
Lehrform:
Vorlesung und Übungen
Medienform:
Folien, rechnerbasierte Präsentation, Tafelanschrieb
Verantwortlicher:
Priv.-Doz. Dr. Rolf P. Würtz
Dozent:
Priv.-Doz. Dr. Rolf P. Würtz (Neuroinformatik)
Sprache:
Deutsch
SWS:
2
LP:
5
Angeboten im:
Wintersemester

Termine

Termine bitte im Vorlesungsverzeichnis nachschlagen.

Prüfung

Projektarbeit

studienbegleitend
Prüfungsanmeldung: Direkt bei der Dozentin bzw. dem Dozenten

Ziele

Die Studierenden beherrschen eine Reihe von Standardverfahren sowie neuerer Entwicklungen aus dem Bereich der künstlichen neuronalen Netze, die Funktionsweise und Anwendungsmöglichkeiten der behandelten Modelle sowie ihr Zusammenhang mit konventionellen mathematischen Methoden. Sie kennen Möglichkeiten und Grenzen der einzelnen Verfahren, sowohl für unüberwachtes als auch für überwachtes Lernen. Die Studierenden haben ein Verständnis der Technik künstlicher neuronaler Netzwerke zur Mustererkennung und Funktionsapproximation, sowie Stärken und Schwächen für praktische Anwendungen.

Inhalt

  • Problem Mustererkennung
  • Problem Regression
  • Kleinste Quadrate
  • Lineare Diskriminanten
  • Einschichtennetzwerke
  • Limitierung von Einschichtennetzwerken
  • Perzeptron Konvergenztheorem
  • Mehrschichtennetzwerke
  • Backpropagation
  • Approximationstheorie für Zweischichtennetzwerke
  • Perzeptron Konvergenztheorem
  • RBF-Netzwerke
  • Neuronale Karten

Voraussetzungen

keine

Empfohlene Vorkenntnisse

  • Lineare Algebra
  • Differentialrechnung
  • Wahrscheinlichkeitsrechnung

Literatur

  1. C. M., Bishop "Pattern Recognition and Machine Learning", Springer Verlag, 2006