Vertiefung Neuronale Netze

Übersicht Mit der Vorlesung "Vertiefung Neuronale Netze" werden die im Modul "Neuronale Netze und Lernen" erworbenen Grundkenntnisse im Bereich neuronaler Netze und Lernalgorithmen weiter vertieft. Insbesondere werden weitere Netzmodelle wie Lokal Lineare Karten, Hyperbolische Selbstorganisierenden Karten, Growing Neural Gas, Radiale Basisfunktionen, sowie Eigenschaften und Lernverfahren für dynamische rekurrente Netze, insbesondere zur Zeitserienvorhersage behandelt. Dabei werden häufig Beispiele aus der Mustererkennung herangezogen, um praktische Aspekte wie Vorverarbeitung, Merkmalselektion, Techniken zur Konvergenzbeschleunigung und Wahl einer geeigneten Netzarchitektur zu illustrieren. Exercises

• 20.4.18 Neo/NST Intro: V2-222 (GZI)
• 27.4.18 Blatt 5: SOM / GNG
• 4.5.18 Blatt 6: ITM
• 11.5.18 Blatt 7: PSOM
• 25.5.18 Blatt 9: LLM (that's a programming task, taking more time!)
• 1.6.18 Blatt 8: PLS
• Die MatLab Einführungen (Olin, Edinburgh, Toronto) und die Online-Doku erleichtern hoffentlich den Start.
• 8.6.18 Blatt 3: Kernel
• Keras Introduction: V2-222
• MNIST Classification
• L1 cost function
• Recurrent Neural Networks (GZI)

  Literature

• Christopher Bishop, Neural Networks for Pattern Recognition
• Christopher Bishop, Pattern Recognition and Machine Learning
• Further Reading on Deep Learning
  • Lecture notes on Convolutional Networks for Vision (Stanford Univ)
  • Stanford Deep Learning Tutorial
  • Lecture notes on Neural Networks (Geoffrey Hinton, Univ. Toronto)
  • Summary of Gradient Descent Algorithms (Sebastian Ruder)
  • NIPS 2015 Deep Learning Tutorial (slides, video)
  • Intro to Theano / Keras Software Framework

 

Attachment	Size
English Script	2.43 MB
Vorlesungsskript, Vertiefung Neuronale Netze	2.05 MB
Deep Learning Intro	5.78 MB
Deep Learning Cookbook	2.38 MB
Slides Competitive Layer Model	4.34 MB
Network of Kuramoto Oscillators for Grouping	1.22 MB
Slides Learning: Gaussian Regression, Gaussian Processes, Perceptual Grouping, DMP+PI²	5.97 MB
Slides BPDC Learning for Reservoir RNNs	1.19 MB
PLS Paper	0 bytes