Home | english  | Impressum | Sitemap | KIT

Maschinelles Lernen

Maschinelles Lernen
Typ: Vorlesung (V) Links:
Semester: WS 10/11
Zeit: 19.10.2010
09:45-11:15
50.34 Raum -101


26.10.2010
09:45-11:15
50.34 Raum -101

02.11.2010
09:45-11:15
50.34 Raum -101

09.11.2010
09:45-11:15
50.34 Raum -101

16.11.2010
09:45-11:15
50.34 Raum -101

23.11.2010
09:45-11:15
50.34 Raum -101

30.11.2010
09:45-11:15
50.34 Raum -101

07.12.2010
09:45-11:15
50.34 Raum -101

14.12.2010
09:45-11:15
50.34 Raum -101

21.12.2010
09:45-11:15
50.34 Raum -101

11.01.2011
09:45-11:15
50.34 Raum -101

18.01.2011
09:45-11:15
50.34 Raum -101

25.01.2011
09:45-11:15
50.34 Raum -101

01.02.2011
09:45-11:15
50.34 Raum -101

08.02.2011
09:45-11:15
50.34 Raum -101

Dozent: Prof. Dr. Rüdiger Dillmann
Martin Lösch
Prof. Dr.-Ing. Johann Marius Zöllner
Tobias Bär
SWS: 2
LVNr.: 24150

Bemerkungen:

Ansprechpartner: M. Zöllner, email: zoellner@fzi.de

Vortragssprache:

Deutsch

Beschreibung:

Das Themenfeld Wissensakquisition und Maschinelles Lernen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben. Der Wissenserwerb kann dabei auf unterschiedliche Weise erfolgen. So kann ein System Nutzen aus bereits gemachten Erfahrungen ziehen, es kann trainiert werden, oder es zieht Schlüsse aus umfangreichem Hintergrundwissen.


Die Vorlesung behandelt sowohl symbolische Lernverfahren, wie induktives Lernen (Lernen aus Beispielen, Lernen durch Beobachtung), deduktives Lernen (Erklärungsbasiertes Lernen) und Lernen aus Analogien, als auch subsymbolische Techniken wie Neuronale Netze, Support Vektor-Maschinen und Genetische Algorithmen. Die Vorlesung führt in die Grundprinzipien sowie Grundstrukturen lernender Systeme ein und untersucht die bisher entwickelten Algorithmen. Der Aufbau sowie die Arbeitsweise lernender Systeme wird an einigen Beispielen, insbesondere aus den Gebieten Robotik und Bildverarbeitung, vorgestellt und erläutert.

Literaturhinweise:

Foliensätze sind als PDF verfügbar.

Weiterführende Literatur

Tom Mitchell. ' Machine Learning', McGraw Hill, 1997

Duda, Hart, Stork: 'Pattern Classification', 2nd Ed., John Wiley & Sons, 2001

Berthold, Hand: 'Intelligent Data Analysis', 2nd Ed., Springer, 2003

Michalski et al.. 'Mshine Learning - An Artificial Intelligence Approch', Vol. 1-4, Morgen Kaufmann, 1983-1994

 

Weitere (spezifische) Literatur zu einzelnen Themen wird in der Vorlesung angegeben.

Lehrinhalt:

  • Der Studierende soll Kenntnis der Standardmethoden im Bereich des Maschinellen Lernens erlangen.
  • Die Fähigkeit zur Einordnung und Bewertung von Methoden zum Maschinellen Lernen soll erworben werden.
  • Darüberhinaus soll der Studierende ausreichend Wissen im Bereich des Maschinellen Lernens erwerben zur Auswahl geeigneter Modelle und Methoden für vorliegende Probleme.