DE
Event
Introduction to Neural Networks and Genetic Algorithms [SS242540541]
Lecturers
Organisation
- KIT-Fakultät für Wirtschaftswissenschaften
Part of
- Brick Introduction to Neural Networks and Genetic Algorithms | Industrial Engineering and Management (B.Sc.)
- Brick Introduction to Neural Networks and Genetic Algorithms | Economics Engineering (B.Sc.)
- Brick Introduction to Neural Networks and Genetic Algorithms | Digital Economics (B.Sc.)
- Brick Introduction to Neural Networks and Genetic Algorithms | Information Systems (B.Sc.)
Literature
- Goldberg, David E. (2001)
Genetic Algorithms in Search, Optimization and Machine Learning.
Addison-Wesley, New York. - Bishop, Christopher M. (2006)
Pattern Recognition and Machine Learning.
Springer, New York. - Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016)
Deep Learning.
MIT Press. Cambridge.
Appointments
- 16.04.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 23.04.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 30.04.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 07.05.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 14.05.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 28.05.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 04.06.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 11.06.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 18.06.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 25.06.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 02.07.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 09.07.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 16.07.2024 15:45 - 17:15 - Room: 05.20 1C-01
- 23.07.2024 15:45 - 17:15 - Room: 05.20 1C-01
Note
Die Lehrveranstaltung besteht aus einer kurzen Einleitung und zwei Teilen:
- In der Einleitung werden die biologischen Mechanismen
von neuronalen und genetischen Verfahren vorgestellt.
Außerdem wird ein gemeinsamer Rahmen für die Evaluation
des Lernerfolges der Verfahren in Anwendungen eingeführt. - Im Bereich der genetischen Verfahren werden einfache genetische
Algorithmen und ihre Varianten vorgestellt, analysiert und angewendet. - Im Bereich der neuronalen Verfahren werden die Basisalgorithmen
(z.B. Backpropagation) und ihre Anwendungen im Data Science
vorgestellt.
Lernziele:
Der Student kennt die wesentlichen Algorithmen und Lernverfahren
für neuronale Netze und genetische Algorithmen und er kann diese
Verfahren (z.B. in R) praktisch anwenden und ihre Qualität
beurteilen.