Neuronale Netze und Lerntheorie

Die Studierenden sollen einen Einblick in die verschiedenen Architekturen Neuronaler Netze und deren Funktionsweisen erhalten. Dies beinhaltet das Präzisieren von Begriffen wie „künstliche Intelligenz“ oder „automatisches Lernen“. Zentrales Ziel ist das methodische Verständnis, welche mathematischen Ideen den verschiedenen Netzwerkstrukturen sowie den mit ihnen verbundenen Lernalgorithmen zugrunde liegen. Die Studierenden sollen die Möglichkeiten und Grenzen solcher Zugänge erlernen.

Mündliche Prüfung, 30-45 Minuten

• E. Alpaydin: Maschinelles Lernen, Oldenbourg Verlag München, 2008
• M. Anthony, N.Biggs: Computational Learning Theory, Cambridge University Press 1997
• N. Christiani, J. Shawe-Taylor: An Introduction to Support Vector Machines and kernel-based Learning Methods, Cambridge Univ. Press, 2003
• A.C.C Coolen, R. Kühn, P. Sollich: Theory of Neural Information Processing Systems, Oxford University Press 2005
• P. Fischer: Algorithmisches Lernen, Teubner 1999
• P. Flach: Machine Learning: The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press 2012
• F. M. Ham, I. Kostanic: Principles of Neurocomputing for Science & Engineering, McGraw Hill 2001
• S. Haykin: Neural Networks, Prentice Hall, 1999
• R. Rojas: Theorie der neuronalen Netze, Springer 1996
• S. Shalev-Shwartz, S. Ben-David: Understanding Machine Learning, Cambridge University Press 2014.

• 11847 Neural Networks and Learning Theory

Bewertungen von Studierenden

Was Studierende über dieses Modul sagen. Die BTU hat damit nichts zu tun — hier schreiben nur Studierende, und jede Bewertung ist die Meinung einer einzelnen Person.