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:
|
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 |