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