Druckansicht

Vorlesung Neuronale Netze

Sommersemester 2016

Neuigkeiten

• Die Klausureinsicht findet am 01.08.2016 von 9.30-11.00 Uhr und 12.30-15.30 Uhr im Raum G29/014 statt.
• Die Vorlesungsfolien aller Vorlesungen können nun heruntergeladen werden.

Übersicht

• Allgemeines
• Termine und Räume
• Dozenten
• Schein- und Prüfungskriterien
• Voraussetzungen
• Folien aus der Vorlesung
• Übungsblätter
• Zusätzliche Unterlagen
• Literatur
• Verweise

Allgemeines

Auf dieser Seite finden Sie verschiedene Informationen zu der Vorlesung "Neuronale Netze", die im Sommersemester 2016 von Professor Dr. Rudolf Kruse an der Otto-von-Guericke-Universität Magdeburg gehalten wird. Diese Seite wird im Laufe des Semesters aktualisiert.

Inhalte der Vorlesung

(Künstliche) Neuronale Netze werden in vielen Bereichen eingesetzt, z.B. zur Mustererkennung, Klassifikation, Diagnose, Optimierung, Steuerung und in wissensbasierten Systemen. Die wesentlichen Vorteile (Künstlicher) Neuronaler Netze sind ihre Lernfähigkeit und ihre inhärente Parallelität. Die Vorlesung führt in die Grundlagen der (Künstlichen) Neuronalen Netze aus der Sicht der Informatik ein. Lernparadigmen und -algorithmen werden ebenso behandelt wie verschiedene, auf diesen Paradigmen aufsetzende Netzmodelle, z.B.: Schwellenwertelemente, mehrschichtige Perzeptren, Radiale-Basisfunktionen-Netze, selbstorganisierende Karten, Hopfield-Netze, rückgekoppelte Netze, Support Vector Machines und Neuro-Fuzzy-Systeme, Deep-Learning.

Termine und Räume

Jede(r) Studierende, die/der an einer der Übungen teilnehmen will, muss sich über den FIN Registration Service zu einer der Übungen anmelden. Die Anmeldung ist bald bis zum Tag der ersten Übung freigeschaltet. Es wird darum gebeten, bei der Registrierung eine E-Mail-Adresse anzugeben, in dessen Posteingang man auch regelmäßig hineinschaut.

Der Termin der schriftlichen Prüfung ist am 27.07.2016 von 08:00 Uhr bis 10:00 Uhr im Hörsaal 6. Wir bitten darum, mindestens 10 Minuten vor der eigentlichen Prüfung zu erscheinen. Zugelassenes Hilfsmittel, das mitgebracht werden darf, ist ein nichtprogrammierbarer Taschenrechner. Schreibpapier wird gestellt. Außerdem mitgebracht werden muss

• ein Lichtbildausweis (Personalausweis und Studierendenausweis mit Foto),
• Schreibmaterial (Stifte/Füller, die blau oder schwarz schreiben).

Auch Studierende, die einen Leistungsnachweis in Form eines (un)benoteten Scheins benötigen, müssen an dieser Prüfung teilnehmen. Nach der Klausur wird auf dieser Webseite dann auch bekanntgegeben, an welchem Tag Studierenden die Einsicht in die Klausuren gestattet ist.

Dozenten

Wenn Sie Fragen zur Vorlesung oder zu den Übungen haben, wenden Sie sich bitte (wenn möglich, per E-mail) an:

• Prof. Dr. Rudolf Kruse, rudolf.kruse@ovgu.de
• Christoph Doell M. Sc., doell@iws.cs.uni-magdeburg.de
• Alexander Dockhorn, M. Sc., alexander.dockhorn@ovgu.de
• Marco Dankel, B. Sc., marco.dankel@st.ovgu.de
• Michelle Bieber, ibieber@iws.cs.ovgu.de

Schein- und Prüfungskriterien

Ein neues Aufgabenblatt mit schriftlichen Aufgaben und Programmieraufgaben wird jede Woche auf dieser Internetseite veröffentlicht. Die schriftlichen Aufgaben müssen am Beginn einer jeden Übung votiert werden. Durch das Votieren erklärt man, dass man gewillt und in der Lage ist, die Aufgabe und einen Lösungsvorschlag zu erklären und zu präsentieren. (Der vorgeschlagene Ansatz muss nicht vollständig richtig sein. Es muss allerdings klar werden, dass man sich gewissenhaft mit der Aufgabe auseinandergesetzt hat.)

Studierende, die den Kurs mit einer Prüfung oder einem benoteten Schein beenden wollen, müssen

• regelmäßig und gut in den Übungen mitarbeiten,
• mindestens die Hälfte der schriftlichen Aufgaben votieren,
• mindestens zweimal eine Lösung zu einer schriftlichen Aufgabe während der Übung präsentieren,
• schließlich eine schriftliche Prüfung nach dem Kurs bestehen.

Das Bestehen der schriftlichen Prüfung ermöglicht ebenfalls den Erhalt eines unbenoteten Scheines falls ein solcher von einer/einem Studierenden anstatt der Prüfung erwünscht wird.

Studierende der Philosophie-Neurowissenschaften-Kognition, die den Kurs mit einer Prüfung oder einem benoteten Schein beenden wollen, müssen zusätzlich zum oben erwähntem Pensum aktiv an einer zusätzlichen Übung teilnehmen.

Voraussetzungen

Sie müssen nicht, aber Sie sollten Hintergrundwissen verfügen über

• Algorithmen und Datenstrukturen,
• Programmierung und Modellierung,
• Mathematik I bis III.

Folien aus der Vorlesung

Die Folien der Vorlesung werden rechtzeitig hochgeladen so wie der Kurs fortschreitet.

• 14. KW: 04.04.2016: Vorlesungsteil 01 (Einleitung, Schwellenwertelemente)
• 15. KW: 11.04.2016: Vorlesungsteil 02 (Allgemeine Neuronale Netze) Vorlesungsteil 03 (Mehrschichtige Perzeptren)
• 16. KW: 18.04.2016: Vorlesungsteil 04 (Training von MLPs)
• 17. KW: 25.04.2016: Vorlesungsteil 05 (Radiale-Basis-Funktions-Netze)
• 18. KW: 02.05.2016: Abschließen des Vorlesungsteils 05
• 19. KW: 09.05.2016: Vorlesungsteil 06 (Lernende Vektorquantisierung, Selbstorganisierende Karten)
• 20. KW: 16.05.2016: Die Vorlesung fällt aus wegen Pfingstmontag.
• 21. KW: 23.05.2016: Vorlesungsteil 11 (Spiking Neural Networks)
• 22. KW: 30.05.2016: Vorlesungsteil 07 (Hopfield-Netze)
• 23. KW: 06.06.2016: Vorlesungsteil 08 (Rekurrente Neuronale Netze)
• 24. KW: 13.06.2016: Vorlesungsteil 09 (Support-Vektor-Maschine) Vorlesungsteil 10 (Neuro-Fuzzy-Systeme)
• 25. KW: 20.06.2016: Vorlesungsteil 13 (Deep Learning)
• 26. KW: 27.06.2016: Diese Vorlesung fällt aus.
• 27. KW: 04.07.2016: Fragenvorlesung. Größere Fragen senden Sie bitte vorher per Mail an einen der Übungsleiter.

Übungsblätter

Die Sammlung von Übungsblättern wird hier wöchentlich erweitert.

• allgemeine Hinweise zu den Übungsblättern und zum Ablauf der Übungen
• 15. KW: 01. Übungsblatt zum 14./15.04.2016 (grundlegende Mathematik)
• 16. KW: 02. Übungsblatt zum 21./22.04.2016 (Schwellenwertelemente)
• 17. KW: 03. Übungsblatt zum 28./29.04.2016 (Netze von Schwellenwertelementen)
• 19. KW: 04. Übungsblatt zum 12./13.05.2016 (Aktualisierungsreihenfolge, Funktionsapproximation)
• 20. KW: 05. Übungsblatt zum 19./20.05.2016 (Regression)
• 21. KW: 06. Übungsblatt zum 26./27.05.2016 (Gradientenabstieg)
• 22. KW: 07. Übungsblatt zum 02.06./03.06.2016 (Radiale Basisfunktionen-Netze)
• 23. KW: 08. Übungsblatt zum 09./10.06.2016 (Radiale Basisfunktionen-Netze)
• 24. KW: 09. Übungsblatt zum 16./17.06.2016 (Wettbewerbslernen / Lernende Vektorquantisierung, Selbstorganisierende Karten, Hopfield-Netze)
• 25. KW: 10.Übungsblatt zum 23./24.06.2016 (Mustererkennung, Dropout)
• 26. KW: 11.Übungsblatt zum 30.06./01.07.2016 (Convolution, VC-Dimension, Kernel-Trick)

Zusätzliche Unterlagen

An dieser Stelle finden Sie zusätzliche Unterlagen zur Vorlesung und zu den Übungen.

• 4-dimensionales Zweiklassenproblem
• Die Iris-Daten
• Programme zur Visualisierung des Trainings von mehrschichtigen Perzeptren durch Fehlerrückpropagation: xmlp/wmlp
• Programme zur Visualisierung der lernenden Vektorquantisierung: xlvq/wlvq
• Programme zur Visualisierung des Trainings selbstorganisierender Karten: xsom/wsom
• Programme zur Visualisierung von Hopfield-Netzen als assoziativer Speicher: xhopf/whopf

Literatur

• R. Kruse, C. Borgelt, F. Klawonn, C. Moewes, M. Steinbrecher und P. Held. (2013). Computational Intelligence: A Methodological Introduction. Springer-Verlag, Berlin/Heidelberg. (Buch bei Springer, Buch bei amazon.de)
• R. Kruse, C. Borgelt, C. Braune, F. Klawonn, C. Moewes und M. Steinbrecher (2015). Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze (2. Auflage). Springer+Vieweg-Verlag, Wiesbaden. (, Buch bei amazon.de)
• D. Nauck, C. Borgelt, F. Klawonn und R. Kruse (2003). Neuro-Fuzzy-Systeme: Von den Grundlagen Neuronaler Netze zu modernen Fuzzy-Systemen. 3. Aufl., Vieweg-Verlag, Wiesbaden. (Buch bei amazon.de)
• FAQ der Newsgroup comp.ai.neural-nets: ftp://ftp.sas.com/pub/neural/FAQ.html
• D. Kriesel (2007). Ein kleiner Überblick über Neuronale Netze. Erhältlich auf http://www.dkriesel.com.

Support Vector Machines und Kernel Methods:

• N. Cristianini und J. Shawe-Taylor (2000). An Introduction to Support Vector Machines. Cambridge University Press, Cambridge, UK. (führt kurz und gut in die Theorie und Optimierungsalgorithmen der SVMs ein, beschreibt weitere Kernel-Methoden, diskutiert praktische Anwendungen, ideal für Anfänger)
• J. Shawe-Taylor und N. Cristianini (2004). Kernel Methods for Pattern Analysis. Cambridge University Press, Cambridge, UK. (Fokus dieses Buches der selben Autoren: Kernel-Methoden, Anwendung des Kernel-Tricks und deren Implementierung, nichts für Laien)
• B. Schölkopf und A. J. Smola (2002). Learning with Kernels. MIT Press, Cambridge, MA, USA. (Die Bibel der Kernel-Methoden, teilweise auch als Einstieg nützlich)

Statistische Lerntheorie:

• T. Hastie, R. Tibshirani und J. Friedman (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2. Aufl., Springer, New York City, NY, USA. (diskutiert eine sehr große Bandbreite an Statistischen Lernmethoden, Übungsaufgaben inklusive, ideal für verschiedenste Vorlesungen in den Bereichen Data Mining, Machine Learning und Intelligent Data Analysis, Buch frei als PDF von der Website erhältlich)

Spiking Neural Networks:

• W. Gerstner und W. Kistler (2002). Spiking Neuron Models. Cambridge University Press, Cambridge, UK. (sehr gute Einführung in die Modellierung und Analyse von Spiking Neural Networks)

Verweise auf andere Webseiten

• Otto-von-Guericke-Universität Magdeburg
• Fakultät für Informatik
• Institut für Wissens- und Sprachverarbeitung
• Arbeitsgruppe Computational Intelligence
• Andere Lehrveranstaltungen unserer Arbeitsgruppe