| Inhalt |
Einführung:
Klassifikation und Regression
Künstliche Neuronale Netze:
- Perceptron und Adaline mit Lernregeln
- Delta-Regel
- Feedforward Netze und Backpropagation
- quadratischer Abstand und Cross-Entropy
- Faltungsnetzwerke
- Underfitting, Overfitting
- Anwendungen MNIST und CIFAR-10 Daten in MATLAB
Support Vector Maschinen:
- Funktionsweise der SVM (Hard Margin und Soft Margin)
- Multiklassen-Klassifikation mit one vs one oder one vs all
- Kernel-Trick
- Support Vector Regression
- Anwendungen in MATLAB
|
| Literatur |
•Goodfellow, Bengio, Courville (2016): Deep Learning, MIT Press
•Paluszek, Thomas (2020): Practical Matlab Deep Learning. A Project-Based Approach. Apress
•Hastie, Tibshirani, Friedman (2017): The Elements of Statistical Learning. Data Mining, Inference, and Prediction, 2nd edition, Springer
•Géron (2017):Hands-On Machine Learning with Scikit-Learn & TensorFlow. Concepts, Tools, and Techniques to Build Intelligent Systems, O‘Reilly
•Jo (2021): Machine Learning Foundations. Supervised, Unsupervised, and Advanced Learning, Springer
•Awad, Khanna (2015): Efficient Learning Machines. Theories, Concepts, and Applications for Engineers and System Designers, Apress
•Choo et al. (2020): Machine Learning kompakt. Ein Einstieg für Studierende der Naturwissenschaften, Springer Spektrum
•Rashid (2017): Neuronale Netze selbst programmieren. O‘Reilly |
