Teaching
Praktikum: Neuronale Netze/Neural Networks
Winter Semester 2014/2015
News/Aktuelles
- Erste Anmeldephase/First registration period (STiNE): 01.09.2014 - 18.09.2014 (13:00h)
- Erstes Treffen/First meeting: 13.10.2014 14h ct, F-235
- Für diese Veranstaltung nutzen wir das MIN-CommSy - alle weiteren Informationen und Materialien zur Veranstaltung sind dort zu finden. Der CommSy Raum wird zu Beginn des Semesters eröffnet.
General Information/Allgemeine Informationen |
| LV-Nummer: |
64-150 |
| Lecturer: |
Cornelius Weber; Stefan Wermter |
| Period: |
Mo/Mon 14-18 |
| Room: |
F-234/F-235 |
| Credit Hours |
4 SWS, 6 ETCS |
| Language: |
Deutsch/English |
| Module: |
IP11-Prak/InfB-Prak |
Contents/Inhalte
Durch Programmierung einfacher neuronaler Netzwerkarchitekturen untersuchen wir, wie ein neuronales Netz lernt, Daten verarbeitet, und Ausgaben generiert. Die Studierenden wählen eine Fragestellung aus sowie eine passende Programmierungsform und lösen die Aufgabe in Kleingruppen. Eine Einführung in Python wird gegeben, jedoch sind alle Programmiersprachen, Neuro-Simulator, Libraries, etc. möglich.
Verschiedene neuronale Netztypen und Lernparadigmen werden getestet werden, wie z.B. das multi-layer Perzeptron (überwachtes Lernen), selbstorganisierendes Netz (unüberwachtes Lernen) und Netze, die einen Aktor in der Umwelt steuern (Verstärkungslernen). Anwendungsbeispiel kann z.B. in einem 3D Robotersimulator (Webots / V-REP) ein Staubsaugroboter sein, der mit einer Kamera ausgestattet auf dem Boden Schmutz erkennt (überwachtes und unüberwachtes Lernen) und aufsammelt (per Verstärkungslernen).
How does a neural net encode input data? How does it process them to generate output? These questions will be investigated by programming simple neural network architectures. The students will choose a problem as well as a suitable programming form and realize their solution in a team. An introduction to Python will be given, but any programming language, neural simulator, libraries, etc. are welcome.
We will explore several types of neural networks, such as the multi-layer perceptron (supervised learning), self-organizing networks (unsupervised learning) and networks that decide about actions in an environment (reinforcement learning). An application may run in a 3D robot simulator (Webots or V-REP): e.g. a robotic vacuum cleaner with an attached camera detects dust (via unsupervised and supervised learning) and collects it (via reinforcement learning).
Objective/Lernziel
Es soll vermittelt werden, wie das Gehirn sensorische Daten in abstrakte Repräsentationen transformiert, aufgrund derer wir handeln. Diese Prinzipien werden verstärkt in der Programmierung biologisch inspirierter, intelligenter Roboter eingesetzt. Programmiertechnisch werden der Umgang mit Daten, die Programmierung und Visualisierung von Matrizen und neuronaler Architekturen und das Arbeiten im Team erlernt. Um verschiedene Lernregeln und Daten einsetzen zu können, wird auf modulare und flexible Programmierung Wert gelegt.
It shall be conveyed how the brain transforms sensory data into abstract representations based on which we act. These principles are increasingly employed in the programming of biologically inspired intelligent robots. With regard to the programming techniques, dealing with data, programming, visualization of matrices and neural architectures, and working in a team will be learned. To facilitate the implementation of various learning rules with varying data, emphasis is placed on modular und flexible programming.
Procedure/Vorgehen
Nach einer Einführung durch die Veranstalter werden in Kleingruppen Konzepte zur Programmierung unter Berücksichtigung existierender Softwarepakete erarbeitet. Am Ende der Veranstaltung werden die verschiedenen Lösungswege der einzelnen Gruppen vorgestellt und kritisch miteinander verglichen.
After an introduction by the lecturers, programming concepts with regard to existing software packages will be worked out in small groups. At the end of the course the various group solutions will be presented and critically analysed.
Literature/Literatur
- Marsland S. Machine Learning - An Algorithmic Perspective, Kapitel 1-3,9,16. CRC Press, 2009
- http://seat.massey.ac.nz/personal/s.r.marsland/MLBook.html
- http://sourceforge.net/projects/joone/
- http://www.petercorke.com/Robotics_Toolbox.html
- http://www.cyberbotics.com/
- http://www.v-rep.eu/
Material
Das Material für diese Veranstaltung ist innerhalb des CommSy Portals zu finden:
Informatik-CommSy: WTM: Praktikum Neuronale Netze WS2014/15
