Vorlesung Maschinelles Lernen
Die Vorlesung widmet sich klassischen wie
aktuellen Paradigmen des maschinellen Lernens unter Betonung moderner
Entwicklungslinien in Richtung ''soft computing'' und ''artificial life''.
Zunächst werden klassische daten- bzw. modellgetriebene Methoden zum
Erlernen eines Konzeptes aus Beispielen studiert, insbesondere die Weiterentwicklungen
(C4.5) von Quinlans ID3. Danach werden on-line
lernende Systeme dargestellt, die in der Lage sind,
mit unscharfem und unsicherem
Wissen und mit unvollständigen Sensorinformationen zu lernen. Beispiele
sind Parameterlernverfahren für adaptive Kontrolle und adaptive Filterung,
lernende Klassifikatoren und Mustererkenner.
Ausführlich diskutiert werden
Methoden des reinforcement Lernens zur Planung und Steuerung von Handlungen.
Im zweiten Teil der Vorlesung sollen Methoden des ''soft computing'' und
des ''artificial life'' anhand von ausgewählten Beispielen dargestellt
werden. Hierzu gehören genetische Algorithmen, die genetische und
evolutionäre Programmierung als neue Paradigmen des Maschinellen Lernens
und Emergenz-Phänomene in Multiagentensystemen.
Literatur:
P. R. Cohen, E. W. Feigenbaum eds.: The Handbook of Artificial Intelligence,
Vol. 3. Addison Wesley, 1986
J. R. Quinlan: C4.5: Programs for Machine Learning. Morgan Kaufman 1993
D. E. Goldberg: Genetic Algorithms in Search, Optimization, and Machine
Learning. Addison Wesley, 1989
J. R. Koza: Genetic Programming: On the Programming of Computers by Means of
Natural Selection. MIT Press 1992, 2. Auflage 1993.
I. Rechenberg: Evolutionsstrategie: Optimierung technischer Systeme nach den
Prinzipien der biologischen Evolution. Fromman-Holzbog Verlag, Stuttgart.
H.-P. Schwefel: Evolution and Optimum Seeking, Wiley, New York, 1995
C. Jakob: Principia Evolvica - Simulierte Evolution mit
Mathematica. dpunkt.verlag 1997
Interessante Links
- Lernen allgemein:
- Genetische Algorithmen
- Artificial-Life Methoden: