Neuronale Netze I: Architekturen

Lehrinhalte

Bereich 1: Grundlagen und Werkzeuge
- Wiederholung natürlicher neuronaler Netze
- Perzeptron und lineare Separabilität
- Grundstrukturen künstlicher neuronaler Netze
- Multilayered Perceptron und Error Backpropagation
- Hopfield-Netze
- Markow-Chain-Monte-Carlo-Methoden
- Tensoren und Tensorrechnung
- Vorstellung gängiger Frameworks für künstliche neuronale Netze
Bereich 2: Einfache Anwendungsgebiete
- Vorhersage einfacher Zeitreihen
- Handschriftenerkennung
- Assoziative Mustererkennung
Bereich 3: Weiterführende Architekturen
- Boltzmann-Maschinen
- Selbstorganisierende Karten
- Autoencoder
- Grundlagen von Convolutional Neural Networks
- Grundlagen von Recurrent Neural Networks

Lernergebnisse der LV

Die Studierenden kennen und verstehen wichtige Grundlagen im Bereich der künstlichen neuronalen Netze. Zudem sind sie mit einfachen Anwendungsgebieten, mit weiterführenden Architekturen sowie mit wichtigen Frameworks vertraut.

Empfohlene oder verpflichtende Fachliteratur und andere Lernressourcen bzw. –instrumente

Empfohlene Literatur bzw. Bücher:
- Aggarwal, C. (2018). Neural Networks and Deep Learning: A Textbook. Springer, 1. Auflage.
- Bishop, C. M. (2011). Pattern Recognition and Machine Learning, Springer, 1. Auflage.
- Engelbrecht, A. P. (2007). Computational Intelligence: An Introduction. Wiley, 2. Auflage.
- Ertel, W. (2016). Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung. Springer, 4. Auflage.
- Kruse, R., Borgelt, C.m et al. (2015). Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. Springer-Vieweg, 2. Auflage.
Empfohlene Fachzeitschriften bzw. ausgewählte Artikel:
Relevante Fachzeitschriften bzw. Artikel werden in der Lehrveranstaltung bekannt gegeben.

Typische Software für dieses Modul:
Python/Spyder/PyCharm/Scikit-learn/TensorFlow/Keras/PyTorch etc.

Art der Vermittlung

2,5 ECTS Vorlesung, 2,5 ECTS Übung

Voraussetzungen und Begleitbedingungen

Module 1 und 5

Prüfungsmethode und Beurteilungskriterien

VO: LV-abschließende Prüfung; UE: LV-immanenter Prüfungscharakter