64-416 Vorlesung Neural Networks

Lehrende: Prof. Dr. Stefan Wermter

Veranstaltungsart: Vorlesung

Anzeige im Stundenplan: NN - VL

Semesterwochenstunden: 2

Credits: 3,0

Unterrichtssprache: Englisch

Min. | Max. Teilnehmerzahl: - | 60

Weitere Informationen:
Dear Students, due to the coronavirus the seminar (lecture) will NOT be held on campus.

Seminar material (The lecture) will be provided online (via script and video). Please check STiNE for further announcements from the first lecture date, Thursday 8. April, onwards.

Kommentare/ Inhalte:
Neuronale Netzwerke im Gehirn sind die wichtigste natürliche Basis für die Verarbeitung von Wissen beim Menschen. Neuronale Netzwerke ermöglichen nicht nur eine beeindruckende Vielfalt von neurokognitivem Verhalten sondern auch eine beindruckende Systemperformanz basierend auf neuronalen Computermodellen. Wie ist dies möglich und was können wir von neuronalen Netzwerken lernen für die Entwicklung von innovativen lernenden und robusten Informatiksystemen. Diese Vorlesung behandelt diese aktuelle und spannende Fragestellung und  liefert einen umfassenden Einblick in künstliche neuronale Netzwerke und deren Verwendung und Integration in hybride neuronale/symbolische wissensbasierte Systeme.
Indikative Themen sind:

• Neuronale Architekturen
  
• Deep Learning
  
• Subkortikale und Kortikale Architekturen
  
• Neuro-inspirierte Robotik
  
• Multimodale neuronale Integration
  
• Integration von symbolischen, neuronalen und statistischen Ansätzen
  

Lernziel:
Ein vertieftes Verständnis künstlicher neuronaler Netzwerke und deren Integration in Informatikarchitekturen.

Vorgehen:
Vorlesung mit Diskussionen ergänzt durch das integrierte Seminar. Optional können wir zusätzlich eine neuronale Simulationsumgebung oder eine neue Robotersimulationsumgebung zur Verfügung stellen.

Literatur:

• Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.
  
• Haykin S. Neural networks and learning machines. Prentice Hall, 2008.
  
• Wermter S., Sun R. Hybrid Neural Systems. Springer Verlag, Heidelberg, 2000.
  

Zusätzliche Hinweise zu Prüfungen:
Verbindliche Vorrausetzung: Vorlesung und Seminar ‚Knowledge Processing with Neural Networks‘ können entweder als Modul InfM-NN oder als Teil des Moduls Integriertes Anwendungsfach Neuroinformatik gewählt werden (Doppelverwendung nicht möglich).