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