|
Size: 2303
Comment:
|
Size: 1232
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 7: | Line 7: |
| ||<|2> '''Termin:''' || Vorlesung: Do 14:00 - 16:00 Uhr, Beginn 12.04.2012, Vorbesprechung Projekt 31.05.2012 || || '''Raum:''' FR 3001 || |
||<|2> '''Termin:''' || Vorlesung: Mi 12:00 - 14:00 Uhr, Beginn 17.10.2012 || || '''Raum:''' FR 3002 || |
| Line 10: | Line 10: |
| || '''Betreuer:''' || [[mailto:felix.biessmann@tu-berlin.de|Dr. Felix Bießmann]], [[mailto:irene.winkler@tu-berlin.de|Irene Winkler]] || | || '''Betreuer:''' || [[mailto:felix.biessmann@tu-berlin.de|Dr. Felix Bießmann]] || |
| Line 21: | Line 21: |
| * Künstliche Neuronale Netze (Reichardt Korrelator, Perzeptron Algorithmus, Deep Belief Networks) | * Künstliche Neuronale Netze (Reichardt Korrelator, Perzeptron Algorithmus, Multilayer Neural Networks) |
| Line 24: | Line 24: |
Beispiele für im Projekt zu bearbeitenden Problemstellungen sind: * Automatisierte Schrifterkennung * Intelligentes Filtern von E-Mail Spam * Extraktion von semantischer Information aus Textdaten im Internet === Voraussetzungen === Kenntnisse grundlegender Konzepte der Wahrscheinlichkeitsrechnung, Statistik und Linearer Algebra. === Vorlesungsplan === Vorläufige Planung der Vorlesunge || '''Termin''' || '''Thema''' || '''Materialien''' || ||'''12.04.2012'''|| Introduction and some Cybernetics ||[[http://www.user.tu-berlin.de/felix.biessmann/downloads/KA/lecture1_slides.pdf| Slides Lecture 1]] || ||'''19.04.2012'''|| Neurons – computational units of cognition || || ||'''12.04.2012'''|| Classification || || ||'''12.04.2012'''|| Deep belief networks || || ||'''12.04.2012'''|| Regression || || ||'''12.04.2012'''|| Factor Analyses || || ||'''12.04.2012'''|| Clustering || || ||'''12.04.2012'''|| Generalization and Model Selection || || |
Kognitive Algorithmen
Vorlesung mit Projekt
Termine und Dozenten
Termin: |
Vorlesung: Mi 12:00 - 14:00 Uhr, Beginn 17.10.2012 |
Raum: FR 3002 |
|
Verantwortlicher: |
|
Betreuer: |
Themen
Computerprogramme können nützliche kognitive Fähigkeiten lernen. Diese Veranstaltung vermittelt ein intuitives Verständnis elementarer Konzepte des Maschinellen Lernens, deren Entstehung und ihrer Anwendung. In der ersten Semesterhälfte werden ausgewählte Lernalgorithmen vorgestellt. In der zweiten Semesterhälfte werden die Studenten die gelernten Methoden selbständig in einer praxisrelevanten Problemstellung anwenden.
Vorgestellt werden unter anderem:
- Überwachte Lernmethoden (lineare Regression, naive Bayes Klassifikation)
- Künstliche Neuronale Netze (Reichardt Korrelator, Perzeptron Algorithmus, Multilayer Neural Networks)
- Dimensionsreduktion mit Faktoranalysen (Principal Component Analysis, Canonical Correlation Analysis)
- Clustering (k-Means, Spectral Clustering)