- Einführung
- Was sind neuronale Netze?
- Biologische Motivation
- Eigenschaften biologischer Systeme, die man gerne übernehmen möchte
- Merkmale biologischer Netze, welche übernommen wurden
- Hauptkategorien
- Drei Arten des Lernens
- Einsatzbereich neuronaler Netze
- ADALINE
- Perzeptron
- MLP (Multilayer-Perzeptron)
- Lernen
- MLPs als universelle Funktionsapproximatoren
- Lernen an Beispielen
- Ziel des Lernens
- Hebbsche Lernregel
- Delta-Regel (Widrow-Hoff-Regel)
- Backpropagation of Error
- Lernkurve
- Hinzunahme von Neuronen
- Codierung des Outputs
- Momentum-Term
- Verfahren höherer Ordnung
- Optimal Brain Damage
- RBF-Netze
- Aufbau
- RBF-Netze sind unverselle Funktionsapproximatoren
- Einstellen der Gewichte
- Anpassen bzw. Wahl der Zentren und Breiten
- Probleme
- Der entscheidende Unterschied zwischen RBF-Netzen und MLPs
- SOMs (Self Organizing Maps)
- Idee
- Abstand
- Nachbarschaftsfunktion am RBF-Netz visualisiert
- Lernregel
- SOMs visualisiert
- Anwendungen von SOMs
- Neuronales Gas
- LVQ (Learning Vector Quantisation)
- Hopfield Netze
- Aufbau
- Lernen der Muster
- Asynchrone und synchrone Aktivierung
- Aufnahmekapazität
- Energieoberfläche
- Konvergenz
- Unsymmetrische Gewichte
- Spezialhardware
- Jordan & Elmannetze
- Reinforcement Learning (Bestärkendes Lernen)
- Idee bzw. Aufgabe
- Value Function
- Greedy-Policy vs. Optimal Policy
- Lernen der Value Function (Temporal Difference Learning)
- Reinforcment Learning mit (adaptive) Critic
- SARO (Sensor Driven Random Optimisation)
- ASE - ACE
- SVMs (Support Vector Machines)
