Kognitive Systeme

In diesem Seminar werden ausgewählte Bereiche des Machine Learnings – vor allem des Deep Learnings – in technischen und nicht-technischen Kontexten anwendungsorientiert behandelt und aus biologischer/kognitiver Perspektive motiviert. Neben der methodischen Einführung und der praxisorientierten Anwendung mittels Übungsaufgaben und Mini-Projekten, wird auch der theoretische Hintergrund verschiedener Algorithmen bzw. Modellen vermittelt.

Konkrete Inhalte:

• Möglichkeiten der Übertragung kognitiver Fähigkeiten auf technische Systeme
• Verstehen von Eigenschaften kognitiver Systeme: z.B. Trainierbarkeit, Generalisierungsfähigkeit, Reproduzierbarkeit
• Fokus auf und Vertiefung in spezifische Aspekte des Machine Learning und Deep Learning
• Aufbau und Eigenschaften verschiedener Arten lernfähiger Systeme: Varianten künstlicher neuronaler Netze (z.B. CNN, RNN, LSTM, Auto-Encoder, GANs), Reinforcement Learning, Matrix Factorization, usw.
• Validierung von Machine Learning Modellen: z.B. Signalentdeckungstheorie als kognitive Grundlage einer Confusion Matrix und von ROC Kurven
• Verständnis von Algorithmen zum Trainieren lernfähiger Strukturen: z.B. Gradientenabstieg, Back-Propagation
• Verbesserung des Trainings durch künstliche Augmentierung von Trainingsdaten
• Verständnis typischer Probleme bei Training und Betrieb kognitiver Systeme: z.B. Overfitting, Erklärbarkeit des erlernten Verhaltens
• Anwendung technisch repräsentierter kognitiver Eigenschaften in verschiedenen Disziplinen
• Motivation verschiedener Algorithmen durch deren biologische/kognitive Grundlagen

Das Arbeitsmedium ist die Programmiersprache Python und JupyterLab/JupyterNotebook. In Python kann sich in den ersten Wochen der Veranstaltung mittels Tutorials eingearbeitet werden und weiteres Python-Wissen wird on-the-fly parallel zu den inhaltlichen Themen vermittelt.