Neuronale Netze

Inhalte der Vorlesung:

Ein wesentliches Ziel ist die Einführung in Neuronale Netze und verwandte Techniken, wie sie in der Informationsverarbeitung benutzt werden können. D.h. neuronale Netze werden hier vom Standpunkt der Informatik aus betrachtet: welche Algorithmen können im Neurobereich für welche praktischen Aufgaben entwickelt werden und wo liegen ihre Grenzen? Da ja Informatik eine Wissenschaft ist, wird bei der Vorstellung der einzelnen Verfahren und Konzepte jeweils eine theoretische Fundierung angestrebt. Einige der theoretischen Konzepte sind dabei auch für sich genommen spannend, da sie beispielhaft zeigen, wie man umgangssprachliche Begriffe wie z.B. 'lernbar' präzise formalisieren kann.

Ein zweiter wichtiger Aspekt bei neuronalen Netzen ist die Möglichkeit, sie als Modellierung für biologische Systeme zu begreifen. Man hofft, etwas überspitzt, letztlich das menschliche Hirn als ein gigantisches neuronales Netz begreifen zu können. Fragen in diesem Bereich reichen notwendig auch in andere Disziplinen und eine eigene Vorlesung in diesem Bereich jeweils im Wintersemester angeboten. Nichtsdestotrotz soll dieser zweite Aspekt uns dazu anleiten, je auch auf die biologische Plausibilität der Algorithmen zu schauen.

Voraussetzungen:

Programmierkenntnisse (z.B. Java), Grundkenntnisse in Mathematik (z.B. Einführung in die Algebra I oder Analysis I); die Bereitschaft, sich alles andere anzueignen und bei unbekannten Sachen in der Vorlesung nachzufragen

Termine:

Vorlesung: Mo 10.15-11.45, 31/449a, Mi 8.15-9.45, 32/109
Übung: Di 12.15-13.45, 31/449a oder Fr 8.30-10.00, 31/322

Kontakt: Mittwoch 10-12 in 31/513 oder nach Vereinbarung, Tel: 969-2488, e-mail: bhammer@uos.de

.. und die Hilfskräfte: Manuel Boeck (manuel.boeck@uni-osnabrueck.de), Holger Bringmann (root@lambdabase.de), Andreas Focks (fox02@web.de) wissen immer auch Bescheid :)

Schein:

Es gibt einen mit deutscher Note benoteten Schein (nach Wunsch auch ohne Note), der problemlos in ECTS-Credits und Note umgerechnet werden kann (machen die jeweiligen Prüfungsämter...). Kriterien:

• Erfolgreiche Bearbeitung der wöchenlichen Übungszettel. Die Zettel werden wöchentlich verteilt bzw. sind im Netz erhältlich. Sie müssen in Kleingruppen von 2-3 Teilnehmer bearbeitet und im Zettelkasten im vierten Stock des AVZ (gekennzeichnet mit Neuro) abgegeben werden. Sobald insgesamt 50% der Punkte erreicht sind, gilt dieses als Klausurzulassung.

• Erfolgreiche Teilnahme an der Klausur. Die Klausur bestimmt die Endnote. Es steht jetzt die Nachklausur für Nachzügler (wer sich vorher abgemeldet hatte) und Leute, die mit der Note in der ersten Klausur nicht zufrieden sind (bitte bei mir diesbezüglich Bescheid sagen), an.
  Termin: Freitag, 19.7., 10-12 in 31/322

  Alles weitere entnehmen Sie bitte blatt10

Material

• Ein Teil der Übungsaufgaben wird mit dem Simulator SNNS gemacht, der z.B. beim Suse-Linux Paket dabei ist. Alternativ ist er im Netz erhätlich:
  • Version 4.1, Manual, Version 4.2, Manual, (Manuals evtl. zu groß zum direkten Betrachten)
  • online-SNNS-Manual
  • Hier erhalten Sie weitere insbesondere auch Windows Versionen.

• Es gibt ein Skript (ps,pdf, ps-2seitig), das aber noch ausschließlich zum Nacharbeiten, nicht zum erstmaligen Verstehen geeignet ist. Achtung: Teile des Skripts (insbesondere Beweise) werden in der Vorlesung nicht behandelt.

• Bücher (siehe auch Semesterapparat)
  • Pattern recognition and neural networks / B. D. Ripley, Cambridge Univ. Press, 1999
    
  • Introduction to the theory of neural computation / John Hertz; Anders Krogh; Richard G. Palmer, Addison-Wesley, 1991
  • Neural networks for pattern recognition / Christopher M. Bishop, Clarendon Press, 1997
  • Neural networks / Simon Haykin, Prentice Hall, 1999
  • Simulation neuronaler Netze / Andreas Zell, Oldenbourg, 1997
  • Neural network learning : theoretical foundations / Martin Anthony and Peter L. Bartlett, Cambridge Univ. Press, 1999
  • A theory of learning and generalization : with applications to neural networks and control systems / M. Vidyasagar, Springer, 1997
  • Self-organizing maps / Teuvo Kohonen, Springer, 2001
  • The nature of statistical learning theory / Vladimir N. Vapnik, Springer, 1995
  • und viele mehr ...

Übungen

Wiederholungsfolien der bisherigen Vorlesungen

Mailingliste

B.Hammer