05: Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2017, 07.07.2017

Autor

Jacques Kaiser

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Anthropomatik und Robotik (IAR)

Genre

Vorlesung

Beschreibung

05 |
0:00:00 Starten
0:00:21 Motivation Video: SPAUN
0:03:27 Overview
0:04:27 Neurons anatomy
0:05:35 Neurons in action
0:07:42 Modelling Neurons
0:09:04 Synaptic plasticity
0:11:41 Coding information
0:14:06 Why not backpropagation in spiking networks?
0:17:05 Os backpropagation biologically possible
0:21:43 Synaptic plasticity as learning
0:23:41 Different types of long-term synaptic plasticity
0:24:18 Formalization of precise spiketime plasticity rules
0:27:23 Example: Hebbian and anti-hebbian learning rules
0:28:55 Formalization of rate-based plasticity rules
0:32:56 Formalization of reward-based plasticity rules
0:34:50 Other neuromodulators
0:36:32 Structural plasticity - rewiring synapses
0:40:14 Unsupervised learning with STDP
0:42:43 Supervised learning with STDP - Associative learning
0:44:18 SPORE - Synaptic Plasticity with Online Reinforcement learning
0:45:45 SPORE in action - Binary classification
0:47:08 Spiking Networks as kernel methods
0:48:44 Linear reression on rates - Neural Engineeering Framework
0:52:13 Regression on Post-Synaptic Potentials - Liquid State Machines
0:54:07 Liquid State Machines in real life
0:56:21 Neuromorphic chips - spiking network
1:01:52 Neuromorphic sensors -Silicon retina (DVS)
1:03:54 Short-term visual prediction of address events
1:04:36 Connecting robots to spiking networks
1:05:41 Grasping motions with spiking networks
1:06:37 End-to-end robot control - Braitenberg vehicles
1:09:44 mBuilding Braitenberg vehicles in simulation
1:11:53 Where to o next?

Sprache: Deutsch

Empfehlungen:
Der Besuch der Vorlesung Maschinelles Lernen 1 oder einer vergleichbaren Vorlesung ist sehr hilfreich beim Verständnis der Vorlesung.

Beschreibung: Das Themenfeld maschineller Entscheidungs- und Inferenzverfahren unter Berücksichtigung von Unsicherheiten bzw. unvollständiger Wissen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben.

Der Schwerpunkt dieser Vorlesung liegt in der Einbettung und Anwendung von maschinell lernenden Verfahren in Entscheidungs- und Inferenzsystemen beginnend bei Methoden der Dimensionsreduktion, Merkmalsselektion/-bewertung über semi-überwachtes Lernen (semi-supervised learning) hin zu Methoden der probabilistischen Inferenz (wie z.B. Dempster Shafer Informationsfusion, Dynamischen und objektorientierte Bayessche Netze, POMDP, etc).

Die Vorlesung führt in die Grundprinzipien sowie 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 vorgestellt und erläutert.
Literaturhinweise: Die Foliensätze sind als PDF verfügbar.

Weiterführende Literatur
Stuart J. Russell, Peter Norvig: 'Künstliche Intelligenz: Ein moderner Ansatz', Pearson Studium, 2004
Weitere (spezifische) Literatur zu einzelnen Themen wird in der Vorlesung angegeben.

Lehrinhalt:
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, hierarchische Ansätze z.B. beim Reinforcement Learning sowie dynamische, probabilistisch relationale Methoden. 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, Neurorobotik, Bildverarbeitung etc.) vorgestellt und erläutert.

Laufzeit (hh:mm:ss)

01:12:49

Serie

Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2017

Publiziert am

11.07.2017

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz