Modulcode:	MS1203
Englische Bezeichnung:	Neural Computation
Modulverantwortliche(r):	Prof. Dr.-Ing. Gerald Sommer
Turnus:	unregelmäßig (SS07 SS09 SS10)
Präsenzzeiten:	4V 2Ü
ECTS:	8
Workload:	240 Std.
Dauer:	ein Semester
Modulkategorien:	IG (MSc Inf) IS (MSc Inf) MV (MSc Inf)
Lehrsprache:	Deutsch
Voraussetzungen:

Kurzfassung:

Es werden die Grundlagen neuronaler Informationsverarbeitung und deren Bezüge zur statistischen Entscheidungstheorie behandelt. Nach einer Einführung in die Problematik werden das Perzeptron und das Adaline vorgestellt und überwachtes Lernen beschrieben. Die statistische Entscheidungstheorie liefert systematische Zugänge zur Entscheidungsfindung auf der Grundlage statistischer Beschreibung von Datenmengen. Hierfür werden verschiedene Entscheidungsstrategien vorgestellt. Zur Behandlung nichtlineare Probleme werden Wege gezeigt. Von besonderen Interesse ist das Multilayer-Perzeptronmodell. Nach der Einführung in das Training eines solchen künstlichen neuronalen Netzes werden Methoden zur Absicherung insbesondere der Generalisierungsfähigkeit dargestellt. Schließlich wird als weiteres typisches neuronales Netz das RBF-Netz (Netz radialer Basisfunktionen) behandelt. Beide, RBF- und MLP-Netz werden aus statistischer Sicht bzgl. ihrer Funktionalität erläutert.

Lernziele:

Die Studenten sollen Grundkonzepte neuronaler Informationsverarbeitung und der statistischen Entscheidungstheorie kennen lernen. Dies wird die Studenten befähigen, Entscheidungsprozesse aus unsicheren Daten für lernende Systeme zu entwerfen und zu bewerten.

Lehrinhalte:

Die Vorlesung gliedert sich in die vier Kapitel Berechenbarkeitsproblem und Charakterisierung neuronaler Netze, einfache Neuronenmodelle und nichtlineare Entscheidungsprobleme, Grundlagen der statistischen Entscheidungstheorie und Mehrschichtnetze.

Weitere Voraussetzungen:

keine

Prüfungsleistung:

Übungen, Endklausur

Lehr- und Lernmethoden:

Verwendbarkeit:

Literatur:

• Vorlesungsskript
• C. Bishop. Neural Networks for Pattern Recognition, Clarendon Press, 1996.
• R. Rojas. Neural Networks, Springer, 1996.
• C. Bishop. Pattern Recognition and Machine Learning, Springer, 2006.

Verweise:

Kommentar: