MIN-Fakultät
Fachbereich Informatik
TAMS

64.360 Vorlesung: Algorithmisches Lernen

Raum F-334
Zeit ab 1.04.2010
Mittwochs je 08:15-09:45 und 10:15 - 11:45 Uhr
Veranstalter Stefan Wermter, Jianwei Zhang, Norman Hendrich
Sprechstunde Jianwei Zhang: Donnerstag 15:00 - 16:00, F 308
Inhalt Die Vorlesung stellt die wichtigsten Grundkonzepte und Verfahren des maschinellen Lernens vor.
Lernziele Kenntnisse über:
  • Verarbeitungsaufgaben für lernende Systeme
  • Klassen lernender Systeme
  • Lernverfahren
  • Daten- und Dimensionsreduktion
  • Entwurfsmethodik für lernende Verfahren
  • Evaluation der Systemleistung
Fähigkeiten zur:
  • Beurteilung des Schwierigkeitsgrades einer gegebenen Aufgabe
  • Leistungsbeurteilung von Lernverfahren
  • Erkennen grundlegender Beschränkungen von Lernverfahren
  • Vergleichende Bewertung alternativer Lösungsansätze
Voraussetzungen Grundkenntnisse der Informatik, Mathematik und Physik
Vorgehen Vorlesung mit Übungen
Literatur Marsland: Machine Learning - an Algorithmic Perspective, CRC Press, 2010
Rojas: Neural networks - a systematic introduction, Springer, 1996
Mitchell, T.M.: Machine learning, McGraw-Hill, 1997
Sutton and Barto: Reinforcement Learning - an introduction, MIT Press 1998
Weitere aktuelle Bücher und technische Beiträge werden bekanntgegeben.

Folien zur Vorlesung Part 1: Introduction and Neural Networks
Hinweis: Die Folien zum ersten Themenkomplex der Vorlesung (1-5) sind über das FB-Commsy verfügbar.
1: Introduction, Perceptron
2: Multi-Layer Perceptron
3: Unsupervised Learning
4: Recurrent Architectures
5: Decision Trees and Genetic Algorithms
6: Support Vector Machines (1)
7: Support Vector Machines (2)

Part 2: Symbolic Approaches
8: Learning of symbolic structures
9: Probabilistic Methods (1)
10: Probabilistic Methods (2)
11: Dimensionality reduction (Principal component analysis)

Part 3: Reinforcement Learning
12: Function Approximation
13: Reinforcement Learning 1
14: Reinforcement Learning 2 / Applications in Robotics


Übungen Web-Seite zu der Übung
Periodizität regelmäßig
Stichworte Machine Learning, Bayesian Learning, Connectionist Learning, Dimensionality Reduction, Neural Networks, Function Approximation, Reinforcement Learning, Support Vector Machines