Lehre/Vorlesung Maschinelles Lernen 2 – Fortgeschrittene Verfahren: Unterschied zwischen den Versionen
Co1539 (Diskussion | Beiträge) |
Vy9905 (Diskussion | Beiträge) |
||
| Zeile 13: | Zeile 13: | ||
|Inhalt=Das Themenfeld Maschinelle Intelligenz und speziell Maschinelles Lernen unter Berücksichtigung realer Herausforderungen komplexer Anwendungsdomänen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben. | |Inhalt=Das Themenfeld Maschinelle Intelligenz und speziell Maschinelles Lernen unter Berücksichtigung realer Herausforderungen komplexer Anwendungsdomänen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben. | ||
| − | Die Vorlesung behandelt erweiterte Methoden des Maschinellen Lernens wie semi-überwachtes und aktives Lernen, tiefe Neuronale Netze (deep learning), gepulste Netze, | + | Die Vorlesung behandelt erweiterte moderne Methoden des Maschinellen Lernens wie semi-überwachtes und aktives Lernen, tiefe Neuronale Netze (deep learning), gepulste Netze, Model-based Reinforcement Learning und Transformer. Ein weiterer Schwerpunkt liegt in der Einbettung und Anwendung von maschinell lernenden Verfahren in realen Systemen. |
| − | Die Vorlesung führt in die neusten Grundprinzipien sowie erweiterte Grundstrukturen ein und erläutert bisher entwickelte Algorithmen. Der Aufbau sowie die Arbeitsweise der Verfahren und Methoden werden anhand einiger Anwendungsszenarien, insbesondere aus dem Gebiet technischer (teil-)autonomer Systeme (Robotik | + | Die Vorlesung führt in die neusten Grundprinzipien sowie erweiterte Grundstrukturen ein und erläutert bisher entwickelte Algorithmen. Der Aufbau sowie die Arbeitsweise der Verfahren und Methoden werden anhand einiger Anwendungsszenarien, insbesondere aus dem Gebiet technischer (teil-)autonomer Systeme (Fahrzeuge, Robotik, Bildverarbeitung etc.) vorgestellt und erläutert. |
|Literatur=Die Foliensätze sind als PDF verfügbar. | |Literatur=Die Foliensätze sind als PDF verfügbar. | ||
| − | + | ||
| − | + | Spezifische Literatur zu einzelnen Themen wird in der Vorlesung angegeben. | |
| − | |||
|Anmerkungen=Empfehlungen: | |Anmerkungen=Empfehlungen: | ||
Der Besuch der Vorlesung Maschinelles Lernen 1 oder einer vergleichbaren Vorlesung ist sehr hilfreich beim Verständnis der Vorlesung. | Der Besuch der Vorlesung Maschinelles Lernen 1 oder einer vergleichbaren Vorlesung ist sehr hilfreich beim Verständnis der Vorlesung. | ||
Version vom 24. August 2022, 08:21 Uhr
Vorlesung Maschinelles Lernen 2 – Fortgeschrittene Verfahren
| Dozent(en) | J. Marius Zöllner |
| Übungsleiter | Mohammd Karam Daaboul |
| Fach (Gebiet) | Informatik, Maschinelles Lernen, Künstliche Intelligenz |
| Leistungspunkte | ECTS |
| Erfolgskontrolle | Klausur |
| Semester | SS |
Aktuelle und ergänzende Informationen, sowie Zeiten und Räume der Lehrveranstaltung finden Sie im Vorlesungsverzeichnis der Universität.
Link zum Vorlesungsverzeichnis
Link zum Studierendenportal
Das Themenfeld Maschinelle Intelligenz und speziell Maschinelles Lernen unter Berücksichtigung realer Herausforderungen komplexer Anwendungsdomänen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben.
Die Vorlesung behandelt erweiterte moderne Methoden des Maschinellen Lernens wie semi-überwachtes und aktives Lernen, tiefe Neuronale Netze (deep learning), gepulste Netze, Model-based Reinforcement Learning und Transformer. Ein weiterer Schwerpunkt liegt in der Einbettung und Anwendung von maschinell lernenden Verfahren in realen Systemen.
Die Vorlesung führt in die neusten Grundprinzipien sowie erweiterte Grundstrukturen ein und erläutert bisher entwickelte Algorithmen. Der Aufbau sowie die Arbeitsweise der Verfahren und Methoden werden anhand einiger Anwendungsszenarien, insbesondere aus dem Gebiet technischer (teil-)autonomer Systeme (Fahrzeuge, Robotik, Bildverarbeitung etc.) vorgestellt und erläutert.
Die Foliensätze sind als PDF verfügbar.
Spezifische Literatur zu einzelnen Themen wird in der Vorlesung angegeben.
Empfehlungen: Der Besuch der Vorlesung Maschinelles Lernen 1 oder einer vergleichbaren Vorlesung ist sehr hilfreich beim Verständnis der Vorlesung.
Für Studierende anderer Fakultäten ist die Anrechenbarkeit zu prüfen.