Künstliche neuronale Netze: Lösung einer Fragestellung aus der Praxis
Die Veranstaltung wird aus zwei Teilen bestehen. Im ersten Teil wird der Einsatz von künstlichen neuronalen Netzen motiviert, indem verschiedene Methoden des Machine Learning bearbeitet werden. Hierzu wird es notwendig sein, einige Konzepte aus der u. a. Quellen im Selbststudium zu erschließen.
Das zweite Teil ist anders konzipiert: Den Studierenden werden konkrete Daten aus der Praxis zur Verfügung gestellt, damit konkrete neuronale Netze in einer Programmiersprache (Python oder R) konstruiert und getestet werden können. Für die Tests der Güte werden bei Bedarf Rechenkapazitäten zur Verfügung stehen.
Insofern eignet sich das Seminar vorrangig für Studierende, die gerne Probleme im Code lösen und eine hohe IT-Afinität aufweisen. Zudem werden Kenntnisse der Wahrscheinlichkeitstheorie, Interesse an finanzmathematischen Fragestellungen sowie Vertrautheit mit zentralen algebraischen Begriflichkeiten für dieses Seminar vorausgesetzt.
Anmeldung erfolgt per E-Mail, diese ist unter https://www.mi.uni-koeln.de/wp-znikolic/kontakt/ zu finden.
Bitte melden Sie sich mit einer aussagekräftigen Bewerbung an, welche u. a. folgende Angaben enthalten soll:
- Ihre bisher besuchten Veranstaltungen,
- relevante Vorkenntnisse (Mathematik & Informatik)
- weshalb Sie sich für dieses Thema interessieren,
- ob Sie das Seminar im Rahmen des Versicherungsmoduls mit 3 Leistungspunkten oder als Seminar mit 6 Leistungspunkten belegen möchten.
Gerne können Sie Ihre Bewerbung um weitere Punkte ergänzen. Die Bewerbung soll vor allem glaubhaft vermitteln, dass Sie sich für das behandelte Thema interessieren und mehr darüber lernen möchten.
Literatur:
- Haykin, S. S.: Neural networks and learning machines. Upper Saddle River, NJ: Pearson Education (2009).
Zur Einarbeitung eignen sich die folgenden Quellen:
- https://www-bcf.usc.edu/~gareth/ISL/ (Verlinkung auf PDF oben rechts auf der Seite). Die Einführung und Kapitel 2 enthalten grundsätzliche Überlegungen im Bereich Machine Learning. Der Abschnitt 2.2 ist z. B. lehrreich und wichtig. Im Kapitel 3 wird die klassische lineare Regression beschrieben, ich empfehle Ihnen, die Abschnitte 3.1-3.3 zu lesen. Der Text liest sich sehr gut und ist verständlich geschrieben.
- https://www.deeplearningbook.org/ . Zum grundsätzlichen Kennenlernen des Themas neuronale Netze empfiehlt sich das Kapitel 5. Die Kapitel 2-4 enthalten mathematische Grundlagen und sind somit empfehlenswert, sofern Sie die dort genannten Themen im Studium noch nicht kennengelernt haben.
Übersicht der Vorträge:
| Name | Datum | Vortragsthema |
|---|---|---|
| Zoran Nikolić | 02.11.18 | Einführung und Motivation Neuronale Netze |
| Linda Schmeißer | 09.11.18 | Lineare Regression |
| Marina Klein | 09.11.18 | Polynomiale Regression |
| Steve Finger | 16.11.18 | Regularisierung (Shrinkage Methods) |
| Ina Geller | 16.11.18 | Entscheidungsbäume |
| Lars Langen | 16.11.18 | Bagging, Random Forests, Boosting |
| Rudolf Born | 30.11.18 | Künstliche neuronale Netze in der Risikokapitalberechnung |
| Tom Schelthoff | 30.11.18 | Weitere Untersuchungen für Solvency 2 Anwendungen |