Seminar Biologisch motiviertes und maschinelles Lernen

   
Arbeitsbereich Technische Informatik
Dozent Bogdan
Umfang 2 SWS
Bereiche Diplom, Master und Bachelor (Semester: 6ff)
Pr√ľfungsf√§cher Technische Informatik
Raum A 104, Sand
Vorbesprechung 10h00, 18. April 2008, Raum A 104, Sand
Termin 9 Uhr, 4. Juli 2008, Raum A 104, Sand
Sprechstunde nach Vereinbarung mit Betreuer

Beschreibung

Inspiriert durch die Prinzipien nat√ľrlicher Intelligenz stellen Neuronale Netze vielversprechende Ans√§tze zur rechnergest√ľtzten L√∂sung komplexer Fragen der Datenverarbeitung und -auswertung dar. Insbesondere Eigenschaften wie Lernf√§higkeit, Parallelisierbarkeit, Fehlertoleranz, Adaptionsf√§higkeit und Nichtlinerarit√§t machen den Einsatz konnektionistischer Verfahren sehr interessant. Im Gegensatz dazu erfreuen sich auf statistischer Lerntheorie basierte Methoden des maschinellen Lernens immer gr√∂√üerer Beliebtheit. Durch die Bearbeitung konkreter Unterthemen soll ein Einblick in rechnergest√ľtztes Lernen gegeben werden, wobei sich die Frage der Gemeinsamkeiten und Unterschiede zwischen biologisch motivierten und statistisch motivierten Lernmethoden wie ein roter Faden durch das Seminar ziehen wird.

Ziel

Das Seminar bietet Euch Gelegenheit, im NeuroTeam des Arbeitsbereichs Technische Informatik ein wenig hinter die Kulissen zu blicken. Ausserdem bereitet Euch das Seminar auf einige Aufgaben vor, die in Zukunft noch häufiger auf Euch zukommen werden.

  • Wissenschaftliche Literatur zu bestimmten Themen zu suchen
  • Sich in die Terminologie eines Themengebiets einzulesen
  • Einen gut strukturierten und informativen Vortrag zu erarbeiten
  • Diesen Vortrag sicher und f√ľr die Zuh√∂rer interessant vorzutragen
  • Einen eng begrenzten Zeitrahmen f√ľr einen Vortrag einzuhalten
  • Konstruktive Kritik zu einem Vortragsstil zu geben und selbst zu bekommen
  • Eine wissenschaftliche Ausarbeitung zu schreiben
  • Wichtig f√ľr das Seminar: Den Inhalt verstehen und an die Zuh√∂rer weitergeben

Vorträge am 4.7.2008 in A104

Eine √Ąnderung der Reihenfolge kann noch stattfinden.
Uhrzeit Titel Vortragende(r) Betreuer  
09:00 Multi Agenten Systeme B. Kn√∂pfle Blaschke  
09:40 SVM als Regression und Klassifikation G. Andreeva Mielenz  
10:20 M√∂glichkeiten der Hardware-nahen Implementierung von SVM: Vor- und Nachteile in der industriellen Anwendung S. Rei√üer Mielenz  
11:00 Maschinelle Wahrnehmung bei Fahrerassistenzsystemen J. Negerisa Mielenz  
11:40 Pause bis 12:00      
12:00 Hebb'sches Lernen in biologisch motivierten k√ľnstlichen neuronalen Netzen L. Veit Bogdan  
12:40 Analyse und Modellierung neuronaler Spike-Aktivit√§t J. Kneslova Brugger  

Vortrag und Ausarbeitung

Der Vortrag sollte im Idealfall genau 30 Minuten dauern, nicht l√§nger. An diese Redezeit schlie√üt sich eine kurze Diskussion √ľber sowohl den Inhalt als auch den Vortragsstil an, soda√ü insgesamt 35-40 Minuten pro Beitrag zur Verf√ľgung stehen. Damit ein Vortrag f√ľr die √ľbrigen Zuh√∂rer informativ und interessant ist, mu√ü er einer gewissen Form gen√ľgen. Jeder Teilnehmer sollte deshalb fr√ľhzeitig mit seinem Betreuer in Kontakt treten.

Es wird regelmäßige Treffen mit dem Betreuer geben, um die aktuelle Tätigkeit zu besprechen. Deadlines:

4.6.08 : Abgabe der Gliederung des Vortrags und der Ausarbeitung.
27.6.08 : Abgabe der Ausarbeitung.
Ggf. ein Probevortrag ca. eine Woche vor dem Seminartermin.

4.7.08 : Vortrag

Zusätzliche Literatur zu Eurem Thema sollte eigenständig recherchiert und aufbereitet werden, Einstiegspunkte werden von den Betreuern vorgeschlagen.

Die Ausarbeitung sollte 15-20 Seiten umfassen, in Latex erstellt werden, und im Format einer wissenschaftlichen Veröffentlichung vorgelegt werden (Beispiel) Weitere Hinweise zur Ausarbeitung finden sich hier.

 

 

Themen

Thema Vergeben an Betreuer  
Multi Agenten Systeme B. Kn√∂pfle Blaschke  
Maschinelle Wahrnehmung bei Fahrerassistenzsystemen J. Negerisa Mielenz  
SVM als Regression und Klassifikation G. Andreeva Mielenz  
Analyse und Modellierung neuronaler Spike-Aktivit√§t J. Kneslova Brugger  
Hebb'sches Lernen in biologisch motivierten k√ľnstlichen neuronalen Netzen L. Veit Bogdan  
Ensemble Learning   Bensch  
Algebraische dynamische Programmierung   Brugger  
Optimierungsverfahren zu den SVM   Mielenz  
M√∂glichkeiten der Hardware-nahen Implementierung von SVM: Vor- und Nachteile in der industriellen Anwendung S. Reisser Mielenz