12450 - Neuronale Netze und Lerntheorie Modulübersicht

Modulnummer: 12450 - Auslaufmodul
Modultitel:Neuronale Netze und Lerntheorie
  Neural Networks and Learning Theory
Einrichtung: Fakultät 1 - MINT - Mathematik, Informatik, Physik, Elektro- und Informationstechnik
Verantwortlich:
  • Prof. Dr. rer. nat. habil Meer, Klaus
Lehr- und Prüfungssprache:Deutsch
Dauer:1 Semester
Angebotsturnus: sporadisch nach Ankündigung
Leistungspunkte: 8
Lernziele:Die Studierenden sollen einen Einblick in die verschiedenen Architekturen Neuronaler Netze und deren Funktionsweisen erhalten. Dies beinhaltet das Präzisieren von Begriffen wie „künstliche Intelligenz“ oder „automatisches Lernen“. Zentrales Ziel ist das methodische Verständnis, welche mathematischen Ideen den verschiedenen Netzwerkstrukturen sowie den mit ihnen verbundenen Lernalgorithmen zugrunde liegen. Die Studierenden sollen die Möglichkeiten und Grenzen solcher Zugänge erlernen.
Inhalte:Einige der wesentlichen Netzwerkstrukturen werden behandelt. Hierzu gehört die Klassifikation bzgl. der Art der Verarbeitung von Daten in solchen Netzen, die Frage nach maschinellen Lernalgorithmen sowie die Analyse solcher Algorithmen mittels verschiedener mathematischer Methoden. Im Einzelnen behandelt werden u. a.:
  • grundlegende Aspekte bei Netzwerkstrukturen: feedforward Netze, rekurrente Netze
  • Perceptronnetz, Perceptron Lernalgorithmus
  • Backpropagation Algorithmus
  • Radiale Basisfunktionen
  • Support Vector Maschinen
  • Lerntheorie und Vapnik-Chervonenkis Dimension
  • selbstorganisierende Netzwerke
  • Hopfield-Netze
Ein Schwerpunkt der Vorlesung liegt auf der mathematischen Analyse der einzelnen Algorithmen. Hierzu ist es nötig, Aspekte sowohl der stetigen Optimierung sowie der Wahrscheinlichkeitstheorie zu behandeln.
Empfohlene Voraussetzungen:Grundlegende Kenntnisse über Optimalitätskriterien für differenzierbare Funktionen sowie elementare Wahrscheinlichkeitsrechnung sind hilfreich, werden aber auch notfalls nochmals behandelt.
Solide Kenntnis des Stoffes von Modul
  • 11213: Mathematik IT-3 (Analysis)
Zwingende Voraussetzungen:Keine erfolgreiche Teilnahme am zugehörigen Nachfolgemodul 11847 - Neural Networks and Learning Theory.
Lehrformen und Arbeitsumfang:
  • Vorlesung / 4 SWS
  • Übung / 2 SWS
  • Selbststudium / 150 Stunden
Unterrichtsmaterialien und Literaturhinweise:
  •  E. Alpaydin: Maschinelles Lernen, Oldenbourg Verlag München, 2008
  •  M. Anthony, N.Biggs: Computational Learning Theory, Cambridge University Press 1997
  •  N. Christiani, J. Shawe-Taylor: An Introduction to Support Vector Machines and kernel-based Learning Methods, Cambridge Univ. Press,  2003
  •  A.C.C Coolen, R. Kühn, P. Sollich: Theory of Neural Information Processing Systems, Oxford University Press 2005
  • P. Fischer: Algorithmisches Lernen, Teubner 1999
  • P. Flach: Machine Learning: The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press 2012
  • F. M. Ham, I. Kostanic: Principles of Neurocomputing for Science & Engineering, McGraw Hill 2001
  • S. Haykin: Neural Networks, Prentice Hall, 1999
  • R. Rojas: Theorie der neuronalen Netze, Springer 1996
  • S. Shalev-Shwartz, S. Ben-David: Understanding Machine Learning, Cambridge University Press 2014.
Modulprüfung:Modulabschlussprüfung (MAP)
Prüfungsleistung/en für Modulprüfung:
  • mündliche Prüfung, 30-45 Minuten
Bewertung der Modulprüfung:Prüfungsleistung - benotet
Teilnehmerbeschränkung:keine
Zuordnung zu Studiengängen:
  • M.Sc. / Angewandte Mathematik (universitäres Profil) / Prüfungsordnung 2008
  • M.Sc. / Angewandte Mathematik (universitäres Profil) / Prüfungsordnung 2019
  • Abschluss im Ausland / Informatik / keine Prüfungsordnung
  • M.Sc. / Informatik (universitäres Profil) / Prüfungsordnung 2008 - 2. SÄ 2017
  • M.Sc. / Informations- und Medientechnik (universitäres Profil) / Prüfungsordnung 2008
  • M.Sc. / Informations- und Medientechnik (universitäres Profil) / Prüfungsordnung 2017
  • B.Sc. / Mathematik (universitäres Profil) / Prüfungsordnung 2019
  • B.Sc. / Wirtschaftsmathematik (universitäres Profil) / Prüfungsordnung 2007
  • B.Sc. / Wirtschaftsmathematik (universitäres Profil) / Prüfungsordnung 2019 - SÄ 2021
Bemerkungen:
  • Studiengang Informatik M.Sc.: Wahlpflichtmodul im Komplex „Grundlagen der Informatik“ (Niveaustufe 400)
  • Studiengang Informations- und Medientechnik M.Sc.: Wahlpflichtmodul im Komplex „Methodische Grundlagen“
  • Studiengang Angewandte Mathematik M.Sc.: Wahlpflichtmodul im Komplex „Analysis / Algebra / Kombinatorik“
  • Studiengang Mathematik B.Sc.: Wahlpflichtmodul im Komplex „Vertiefung“, im begrenzten Umfang
  • Studiengang Wirtschaftsmathematik B.Sc.: Wahlpflichtmodul im Komplex „Vertiefung“, im begrenzten Umfang
Falls kein Bedarf am Angebot in englischer Sprache für Modul 11847 „Neural Networks and Learning Theory“ vorliegt, so kann stattdessen dieses deutschsprachige Modul 12450 angeboten werden.
Veranstaltungen zum Modul:Vorlesung: Neuronale Netze und Lerntheorie
Übung zur Vorlesung
Veranstaltungen im aktuellen Semester:
  • keine Zuordnung vorhanden
Nachfolgemodul/e: Auslaufmodul ab: 06.10.2017

Unsere Webseite verwendet Cookies. Diese haben zwei Funktionen: Zum einen sind sie erforderlich für die grundlegende Funktionalität unserer Website. Zum anderen können wir mit Hilfe der Cookies unsere Inhalte für Sie immer weiter verbessern. Hierzu werden pseudonymisierte Daten von Website-Besuchern gesammelt und ausgewertet. Das Einverständnis in die Verwendung der technisch nicht notwendigen Cookies können Sie jeder Zeit wiederrufen. Weitere Informationen erhalten Sie auf unseren Seiten zum Datenschutz.

Erforderlich

Diese Cookies werden für eine reibungslose Funktion unserer Website benötigt.

Statistik

Für den Zweck der Statistik betreiben wir die Plattform Matomo, auf der mittels pseudonymisierter Daten von Websitenutzern der Nutzerfluss analysiert und beurteilt werden kann. Dies gibt uns die Möglichkeit Websiteinhalte zu optimieren.

Name Zweck Ablauf Typ Anbieter
_pk_id Wird verwendet, um ein paar Details über den Benutzer wie die eindeutige Besucher-ID zu speichern. 13 Monate HTML Matomo
_pk_ref Wird benutzt, um die Informationen der Herkunftswebsite des Benutzers zu speichern. 6 Monate HTML Matomo
_pk_ses Kurzzeitiges Cookie, um vorübergehende Daten des Besuchs zu speichern. 30 Minuten HTML Matomo