|
Size: 2071
Comment:
|
Size: 1201
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 2: | Line 2: |
'''Vorlesung mit Projekt''' |
|
| Line 7: | Line 5: |
| ||<|2> '''Termin:''' || Vorlesung: Do, 10:00 - 12:00 Uhr, Beginn 12.04.2012, Ende 24.04.2012 || || '''Raum:''' FR 3003 || |
||<|2> '''Termin:''' || Vorlesung: Mi 12:00 - 14:00 Uhr, Beginn 17.10.2012 || || '''Raum:''' FR 3002 || |
| Line 10: | 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 21: | Line 19: |
| * Künstliche Neuronale Netze (Reichardt Korrelator, Perzeptron Algorithmus, Deep Belief Networks) | * Künstliche Neuronale Netze (Reichardt Korrelator, Perzeptron Algorithmus, Multilayer Neural Networks) |
| Line 24: | 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 === Vorausgesetzt ist die bestandene Prüfung des Vorkurses [[Main/SS12_MatheKurs]], in dem grundlegende Konzepte der Wahrscheinlichkeitsrechnung, Statistik und Linearer Algebra wiederholt werden. Zur Bearbeitung der Projektarbeit sind Programmierkenntnisse in Matlab erforderlich, die im Kurs [[Main/SS11_MatlabKurs|Einführung in die computergestützte Datenanalyse mit Matlab]] vermittelt werden. === Vorlesungsplan === Vorläufige Planung der Vorlesunge || '''Termin''' || '''Thema''' || '''Materialien''' || |
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)