|
Size: 3911
Comment:
|
Size: 981
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 2: | Line 2: |
'''Vorlesung mit Projekt''' === Anrechnung === ||Für Bachelor Studenten der Informatik|| Wer das Modul Kognitive Algorithmen (Vorlesung, Programmierprojekt und Mathevorkurs, 6ECTS) belegen möchte, kann eine Nachholklausur des Mathevorkurses schreiben. || ||Für alle anderen Studenten || Die Vorlesung und das Programmierprojekt wird mit 3ECTS angerechnet. Mathevorkurs ist nicht erforderlich für die Klausur.|| Relevante Prüfungsleistung ist in allen Fällen nur die benotete Klausur. Für interessierte Studenten bieten wir das begleitende Seminar [[https://wiki.ml.tu-berlin.de/wiki/Main/SS12_AKA||Anwendungen Kognitiver Algorithmen]] an (3ECTS), in dem ausgewählte Themen der Vorlesung anhand praxisrelevanter Anwendung eingehender vorgestellt werden. |
|
| Line 15: | Line 5: |
| ||<|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 18: | Line 8: |
| || '''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 24: | Line 14: |
| In der ersten Semesterhälfte werden ausgewählte Lernalgorithmen vorgestellt. In der zweiten Semesterhälfte werden die Studenten die gelernten Methoden selbständig in einer praxisrelevanten Problemstellung anwenden. | |
| Line 32: | Line 21: |
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 || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/KA/lecture2_slides.pdf| Slides Lecture 2]]|| ||'''26.04.2012'''|| Classification || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/KA/lecture3_slides.pdf| Slides Lecture 3]] || ||'''03.05.2012'''|| Regression ||[[http://www.user.tu-berlin.de/felix.biessmann/downloads/KA/lecture4_slides.pdf| Slides Lecture 4]] || ||'''10.05.2012'''|| Multilayer Neural Networks || [[http://gregoire.montavon.name/resources/2012-multilayer.pdf| Slides Lecture 5]] || ||'''17.05.2012'''|| No lecture - holiday || || ||'''24.05.2012'''|| Unsupervised Learning || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/KA/lecture6_slides.pdf| Slides Lecture 6]]|| ||'''31.05.2012'''|| Generalization and Model Selection || || === Programmierprojekt === || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/KA/algorithms.pdf| Algorithms Cheat Sheet]] || || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/KA/assignments_handout.pdf| Assignments]] || || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/KA/assignments.pdf| Assignments Slides]] || |
Kognitive Algorithmen
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.
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)