Artificial Neural Networks

NUMMER: 310002
KÜRZEL: ANN
MODULBEAUFTRAGTE:R: Prof. Dr. Sen Cheng
DOZENT:IN: Prof. Dr. Sen Cheng
FAKULTÄT: Fakultät für Informatik
SPRACHE: Englisch
SWS: 4
CREDITS: 6
WORKLOAD: 180h
ANGEBOTEN IM: jedes Wintersemester

BESTANDTEILE UND VERANSTALTUNGSART

PRÜFUNGEN

FORM: schriftlich
ANMELDUNG:
DATUM: 0000-00-00
BEGINN: 00:00:00
DAUER: 120 Min
RAUM:

LERNFORM

Vorlesung, Hausaufgaben, angeleitete Übungen am Computer

LERNZIELE

Die mathematischen Grundlagen, Möglichkeiten und Beschränkungen überwachter Lernver- fahren für Regression und Klassifikation mit künstlichen neuronalen Netzen (KNN), sowie für deren Anwendung erforderliche praktische Kenntnisse werden vermittelt. Nach dem er- folgreichen Abschluss des Moduls
∙ verstehen Studierende die theoretisch-mathematischen Grundlagen von KNN im Kon- text des überwachten Lernens.
∙ können Studierende selbstständig zwischen verschiedenen KNN unterscheiden und in einer Anwendungssituation das geeignete Verfahren auswählen.
∙ können Studierende grundlegende Verfahren selbstständig in einer höheren Program- miersprache implementieren, sowie ihre eigene Implementierung und Standard- Imple- mentierung anderer auf Daten anwenden.
∙ können Studierende Ergebnis der KNN selbstständig interpretieren, insbesondere erken- nen, wann sie unrealistisch sind.

INHALT

Verfahren: Struktur von Optimierungsproblemen, Regression, logistische Regression, biologi- sche neuronal Netze, Modellselektion, universelle Approximationstheorem, Perzeptron, mehr- schichtiges Perzeptron, Backpropagation, tiefe neuronale Netze, rekurrente neuronale Netze, Long-Short Term Memory, Hopfield Netze, Botzmann-Machine
Software: python, numpy, matplotlib, scikit-learn, tensorflow

VORAUSSETZUNGEN

Mathematik 1 und 2, Statistik, Programmieren

VORAUSSETZUNGEN CREDITS

Bestandene Modulabschlussprüfung

EMPFOHLENE VORKENNTNISSE

Grundkenntnisse in der Infinitesimalrechnung, linearen Alge- bra, Statistik und Informatik. Erfahrung mit einer höheren Programmiersprache.

LITERATUR

∙ Charu C. Aggarwal: “Neural Networks and Deep Learning”, Springer
– Aurélien Géron: “Hands-On Machine Learning with Scikit-Learn and Ten- sorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems”, O’Reilly
– Skript

AKTUELLE INFORMATIONEN

SONSTIGE INFORMATIONEN