|
Size: 4289
Comment:
|
Size: 1201
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 32: | Line 22: |
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]] || === Materialien Mathevorkurs === Bachelor Studenten der Informatik, die die vollen 6ECTS des Moduls Kognitive Algorithmen brauchen, holen die Aufgaben des Mathevorkurses nach und geben die Uebungsblaetter bei der Praesentation der Programmierprojekte ab. Die Übungsaufgaben findet Ihr hier || [[https://wiki.ml.tu-berlin.de/wiki/Main/SS12_MatheKurs|Zum Mathevorkurs]]|| |
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. 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)