Teaching
Lecture: Algorithmic Learning /Algorithmisches Lernen
Summer Semester 2010
News/Aktuelles
NEU: Weiterführende Seite zur Fortsetzung der Vorlesung bei TAMS
Information/Allgemeine Informationen |
| LV-Nummer: |
64-360 |
| Lecturer: |
Norman Hendrich, Prof. Stefan Wermter, Jianwei Zhang; |
| Period: |
4 UE / Wöchentlich 2 UE Mi 8:15-9:45 07.04.10; 2 UE Mi 10:15-11:45 ab 07.04.10 |
| Room: |
F-009 |
| Credit Hours |
4 SWS |
| Language: |
Deutsch/Englisch |
| Module: |
WPM6-AL |
Contents/Inhalte
Zahlreiche anspruchsvolle Problemstellungen im Bereich der wissensbasierten Systeme und der qualitativen Datenanalyse entziehen sich dem traditionellen Lösungsansatz, bei dem die gesamte zur Problemlösung erforderliche Information von menschlichen Experten im Verlauf der Softwareentwicklung bereitgestellt werden muss. Die Gründe hierfür können vielfältig sein: Zum einen ist oftmals das erforderliche Wissen gar nicht verfügbar, etwa weil zwar das Ziel der Verarbeitung klar umrissen ist, nicht jedoch der Weg dorthin (z.B. bei Klassifikations- und Steuerungsaufgaben im Bereich der Bild- und Sprachverarbeitung, sowie der Robotik). In anderen Fällen, ist das Wissen über die vorliegenden Daten selbst das Ziel der Verarbeitung (z.B. Data Mining zur Entscheidungsunterstützung und Informationserschließung). In beiden Fällen kann versucht werden, ein generisches Verfahren zu realisieren, in dem wichtige Parameter zum Entwurfszeitpunkt noch unbekannt sind und erst in einem nachfolgenden Lernprozess aufgrund von Beispieldaten geeignet bestimmt werden müssen.
Die Veranstaltung behandelt sowohl Lernverfahren für diskrete als auch für kontinuierliche Beschreibungen (Klassifikation bzw. Funktionsapproximation) aus den Bereichen der instanzen-basierten bzw. stochastischen Verfahren, sowie konnektionistische Ansätze. Schwerpunkte sind dabei die Bedingungen für ein erfolgreiches Training der Systemparameter auch unter realistischen Bedingungen (verrauschte und inkonsistente Daten), der Prozess der Datengewinnung selbst, sowie die Methodik der Systemevaluation.
|
|
Objective/Lernziel
Vermittlung von Kenntnissen über
- Verarbeitungsaufgaben für lernende Systeme
- Klassen lernender Systeme
- Lernverfahren
- Daten- und Dimensionsreduktion
- Entwurfsmethodik für lernende Verfahren
- Methodik zur systematischen Evaluation der Systemleistung
Entwicklung der Fähigkeit zur
- Beurteilen des Schwierigkeitsgrades einer gegebenen Verarbeitungsaufgabe
- Beurteilen der Leistungsfähigkeit von Lernverfahren im Hinblick auf Modellstruktur und -komplexität
- Erkennen grundlegender Beschränkungen von gegebenen Lernverfahren
- vergleichenden Bewertung alternativer Lösungsansätze
Procedure/Vorgehen
Geeignet für Bachelor-, Master- und Diplomstudenten der Informatik sowie für Masterstudenten der Bioinformatik. Vorlesung mit Kleingruppenübungen (64-361 übungen zu Algorithmisches Lernen).
Literature/Literatur
- R. Rojas. Neural networks: a systematic introduction. Springer, 1996.
- S. Marsland. Machine Learning: An Algorithmic Perspective. CRC Press, 2009.
- T.M. Mitchell. Machine learning. Boston, Mass. [u.a.] : McGraw-Hill, 1997.
- S. Haykin. Neural networks and learning machines. Prentice Hall, 2008.
- R.S. Sutton, and A.G. Barto. Reinforcement Learning: An Introduction. MIT Press, 1998.
