Neuronale Netzwerke. Niels Pieper, Daniel Janßen-Müller, Daniel Ritterskamp. Betreuer: Michael Wilczek. 7. Februar 2011
|
|
- Mathilde Lichtenberg
- vor 6 Jahren
- Abrufe
Transkript
1 Neuronale Netzwerke Niels Pieper, Daniel Janßen-Müller, Daniel Ritterskamp Betreuer: Michael Wilczek 7. Februar 2011
2 1 Wiederholung 2 Modell 3 spikeabhängige Plastizität 4 Anwendung 5 Literatur
3 Biologischer Hintergrund Abbildung: Quelle: Aufbau von Neuronen: Soma, Axon, Dendriten Axonhügel: Signalgenerierung durch Depolarisation Vernetzung von Neuronen durch Synapsen
4 Biologischer Hintergrund Abbildung: Quelle: shp.by.ru Informationsübertragung per Neurotransmitter Rezeptoren: chemisches Signal = elektrisches Signal Anzahl der Synapsen bestimmt Bindungsstärke
5 Dendritischer Strom Abbildung: Signalweg im Neuron; [1] Ψ m (t) = as(φ k (t)) γψ m (t)
6 Verwendung der Phase Φ Abbildung: Leuchtturm Quelle: shutterstock.com Spikes immer wenn Φ(t) = 2πn S(Φ(t)) = n δ(φ(t) 2πn) Φ(t n )
7 Grundgleichungen Dendritischer Strom Ψ m (t) = k a mk S k (Φ(t)) γψ m (t) Phase Φ m (t) = S Naka Rushton (cψ m (t) + p ext,m (t), Θ)
8 Motivation Abbildung: MRI-Aufnahme des Gehirns einer 10 Tage (links) bzw. 3 Monate (mitte) alten Katze Ausbildung komplexer Strukturen durch Lernen Alltagsphänomen: Ergänzen einer unterbrochenen Linie im Kopf Ziel: künstlich angelerntes Gedächtnis
9 Hebb sche Lernregel Wiederholte, dauerhafte Anregung: Wachstumsprozesse Bindungsstärkung von Neuron A zu Neuron B Gleichzeitig: Abschwächung der Bindungsstärke von Neuron B zu Neuron A
10 Kopplungsdynamik A i = (1 A i )S i A i τ A Ḃ j = (1 B j )S j B j τ B ȧ ij = A i S j ra ij B j S i [2]
11 Testsystem 2 Neuronen Spike trains S j vorgegeben Betrachte Nebendiagonalelemente der Kopplungsmatrix 1 Input Zeit t
12 1 Fall Spike trains liegen dicht beieinander 1 Input Neuron 1 Input Neuron 2 Chemikalienkonzentration Neuron 1 Chemikalienkonzentration Neuron Matrixelement a12 Matrixelement a Kopplungsstaerke Zeit t Zeit t da 12 dt = A 1 S 2 ra 12 B 2 S 1 da 21 dt = A 2 S 1 ra 21 B 1 S 2
13 2 Fall Großer Abstand zwischen spike trains S j 1 Input Neuron 1 Input Neuron 2 Chemikalienkonzentration Neuron 1 Chemikalienkonzentration Neuron Matrixelement a12 Matrixelement a Kopplungsstaerke Kopplungsstaerke Zeit t Zeit t
14 Lernen Benutztes Modell Lighthouse Modell Dynamische Kopplungsmatrix Erfolgreiches Lernen Erkennt und vervollständigt Muster Projeziert andere Signale nicht auf das Muster
15 Lernen Betrachte Gitter von Neuronen Linie von Neuronen erhält externes Signal P ext Video: Anlernen der Kopplungsmatrix
16 Lernen Eigenschaften der Kopplungsmatrix Erkennt unterbrochene Linie Erkennt bei nicht erlerntem Inputsignal keine Linie
17 Neuronen erhalten als Input das erlernte Muster Video: Gelerntes Signal Video: Unterbrochene Linie Neuronen erhalten als Input nicht das erlernte Muster Video: Vertikale Linie Video: Parallel verschobene Linie
18 Ausblick Erlernen mehrerer Muster möglich? Kapazität des Lernens abhängig von der Systemgröße?
19 [1] : Hermann. Haken: Brain Dynamics, Springer-Verlag Berlin-Heidelberg 2002 [2] : C. Chen and D. Jasnow, Phys. Rev. E (2010)
20 Naka-Rushton-Relation Zusammenhang von Spike-Rate S und Input X Anlehnung an experimentelle Daten Φ k = S(X) = r XN Θ N + X N Abbildung: Plot Naka-Rushton; [1]
Kopplung von Neuronen
Katharina Ritter, Friedrich Bach, Felix Tabbert, Walter Tewes, Matthias Walther 12.06.2012 Inhalt Einführung Lighthouse-Modell Numerische Ergebnisse Schlussbemerkungen Unterschiede zum 1 Neuronenmodell
MehrC1/4 - Modellierung und Simulation von Neuronen
C 1 /4 - Modellierung und Simulation von Neuronen April 25, 2013 Motivation Worum geht es? Motivation Worum geht es? Um Neuronen. Motivation Worum geht es? Um Neuronen. Da ist u.a. euer Gehirn draus Motivation
MehrBACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON
BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON EINFÜHRUNG IN KÜNSTLICHE NEURONALE NETZE Modul Leitung Technischer Datenschutz und Mediensicherheit Nils Tekampe Vortrag Jasmin Sunitsch Abgabe
MehrZellen des Nervensystems, Zellbiologie von Neuronen I
Zellen des Nervensystems, Zellbiologie von Neuronen I 1. Prinzipieller Aufbau eines Nervensystems 2. Zelltypen des Nervensystems 2.1 Gliazellen 2.2 Nervenzellen 3. Zellbiologie von Neuronen 3.1 Morphologische
MehrMartin Stetter WS 03/04, 2 SWS. VL: Dienstags 8:30-10 Uhr
Statistische und neuronale Lernverfahren Martin Stetter WS 03/04, 2 SWS VL: Dienstags 8:30-0 Uhr PD Dr. Martin Stetter, Siemens AG Statistische und neuronale Lernverfahren Behandelte Themen 0. Motivation
MehrKünstliche Neuronale Netze
Künstliche Neuronale Netze als Möglichkeit, einer Maschine das Lesen beizubringen Anja Bachmann 18.12.2008 Gliederung 1. Motivation 2. Grundlagen 2.1 Biologischer Hintergrund 2.2 Künstliche neuronale Netze
MehrAufbau und Beschreibung Neuronaler Netzwerke
Aufbau und Beschreibung r 1 Inhalt Biologisches Vorbild Mathematisches Modell Grundmodelle 2 Biologisches Vorbild Das Neuron Grundkomponenten: Zellkörper (Soma) Zellkern (Nukleus) Dendriten Nervenfaser
MehrDer Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze Reinhard Eck 1
Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze 2.04.2006 Reinhard Eck Was reizt Informatiker an neuronalen Netzen? Wie funktionieren Gehirne höherer Lebewesen?
MehrNeuroinformatik II Theorie neuronaler Netze
Neuroinformati II Theorie neuronaler Netze Günther Palm und Friedhelm Schwener Institut für Neuroinformati Vorlesung (3h) Übungen (1h): Di 12.00-13.30 und Fr 10.15-11.45 Uhr H21 (1.Übung: 7.5.) Schein:
MehrBK07_Vorlesung Physiologie. 05. November 2012
BK07_Vorlesung Physiologie 05. November 2012 Stichpunkte zur Vorlesung 1 Aktionspotenziale = Spikes Im erregbaren Gewebe werden Informationen in Form von Aktions-potenzialen (Spikes) übertragen Aktionspotenziale
MehrNeuronale Netzwerke: Feed-forward versus recurrent (d.h. feed-back )
Neuronale Netzwerke: Feed-forward versus recurrent (d.h. feed-back ) A: Schrittweise vorwärts-gerichtete Abbildung: Eingangssignal (Input) r in Ausgansgsignal (Output) r out Überwachtes Lernen (wie z.b.
MehrNeuroinformatik II. Günther Palm und Friedhelm Schwenker Institut für Neuroinformatik
Neuroinformatik II Günther Palm und Friedhelm Schwenker Institut für Neuroinformatik Vorlesung (3h) Übungen (1h): Di, Fr 10-12 Uhr H21 (1.Übung: 08.05.09) Schein: 50% der Punkte (6 übungsblätter) + aktive
MehrGehirn und Lernen Prof. Dr. Christian Willems Fachhochschule Gelsenkirchen Abteilung Recklinghausen
Gehirn und Lernen Prof. Dr. Christian Willems Fachhochschule Gelsenkirchen Abteilung Recklinghausen Gehirn und Lernen Christian Willems - 25.03.2003 Seite 1 Gehirn und Lernen I Aufgaben des menschlichen
Mehr7. Vorlesung Neuronale Netze
Soft Control (AT 3, RMA) 7. Vorlesung Neuronale Netze Grundlagen 7. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrWie funktioniert unser Gehirn?
Wie funktioniert unser Gehirn? Wie funktioniert unser Gehirn? Was passiert, wenn wir denken? Was passiert, wenn wir unser Denken verändern? Unser Gehirn Das im Kopf liegende Gehirn steuert nahezu alle
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:
MehrNeuronale Grundlagen bei ADHD. (Attention Deficit/Hyperactivity Disorder) Mechanismen der Ritalinwirkung. Dr. Lutz Erik Koch
Neuronale Grundlagen bei ADHD (Attention Deficit/Hyperactivity Disorder) Mechanismen der Ritalinwirkung Dr. Lutz Erik Koch Die Verschreibung von Ritalin bleibt kontrovers Jeden Tag bekommen Millionen von
Mehr2.4.4 Die Fraktale Dimension
2.4.4 Die Fraktale Dimension Ausgehend vom euklidischen Dimensionsbegriff (Punkt = 0, Linie = 1, Fläche = 2...) lässt sich einem fraktalen Gebilde eine fraktale Dimension d f zuordnen. Wir verwenden die
MehrErregungsübertragung an Synapsen. 1. Einleitung. 2. Schnelle synaptische Erregung. Biopsychologie WiSe Erregungsübertragung an Synapsen
Erregungsübertragung an Synapsen 1. Einleitung 2. Schnelle synaptische Übertragung 3. Schnelle synaptische Hemmung chemische 4. Desaktivierung der synaptischen Übertragung Synapsen 5. Rezeptoren 6. Langsame
Mehr5. Lernregeln für neuronale Netze
5. Lernregeln für neuronale Netze 1. Allgemeine Lokale Lernregeln 2. Lernregeln aus Zielfunktionen: Optimierung durch Gradientenverfahren 3. Beispiel: Überwachtes Lernen im Einschicht-Netz Schwenker NI1
MehrStochastische Resonanz (SR)
Lara Sophie Hoppe Simon Nellen 4.7.2012 Inhalt 1 Rauschen vs. SR Rauschen Funktionsweise der SR 2 Anwendungen Bistabiles Klimamodel Signalverstärkung 3 SR bei Neuronen Motivation Neurophysiologischer Hintergrund
MehrGrundlagen neuronaler Aktivität
Grundlagen neuronaler Aktivität Physikalische Grundlagen der medizinischen Bildgebung Thorsten Rings Universität Bonn 23.6.2014 Thorsten Rings (Universität Bonn) Grundlagen neuronaler Aktivität 23.6.2014
MehrTopologische Objektrepräsentationen und zeitliche Korrelation
Topologische Objektrepräsentationen und zeitliche Korrelation Frank Michler Fachbereich Physik, AG NeuroPhysik Outline 1 2 Stimuli -Neuron und Architektur Lernregel 3 Selektivitäts-Karten Invariante Repräsentation
MehrFacharbeit. Ratsgymnasium Bielefeld Schuljahr 2004/2005. aus dem Fach Biologie. Thema: Künstliche neuronale Netze
Ratsgymnasium Bielefeld Schuljahr 2004/2005 Facharbeit aus dem Fach Biologie Thema: Künstliche neuronale Netze Verfasser: Joa Ebert Leistungskurs: Biologie Kursleiter: Herr Bökamp Abgabetermin: 25.02.2005
MehrPerzeptronen. Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004
Perzeptronen Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004 1/25 Gliederung Vorbilder Neuron McCulloch-Pitts-Netze Perzeptron
Mehr1. Kommunikation Informationsweiterleitung und -verarbeitung
1. Kommunikation Informationsweiterleitung und -verarbeitung Sinnesorgane, Nervenzellen, Rückenmark, Gehirn, Muskeln und Drüsen schaffen die Grundlage um Informationen aus der Umgebung aufnehmen, weiterleiten,
MehrEin selbstmodellierendes System für die Wasserwirtschaft
Ein selbstmodellierendes System für die Wasserwirtschaft Dipl.-Ing. Dr. ANDRADE-LEAL Wien, im Juli 2001 1 Einleitung, Motivation und Voraussetzungen Künstliche Intelligenz Neuronale Netze Experte Systeme
MehrAbbildungen Schandry, 2006 Quelle: www.ich-bin-einradfahrer.de Abbildungen Schandry, 2006 Informationsvermittlung im Körper Pioniere der Neurowissenschaften: Santiago Ramón y Cajal (1852-1934) Camillo
MehrSynchronisation in Natur und Technik
Am Beispiel des Kuramoto-Modells Jan Baumbach Christoph Schöler Christian Barthel 2 Inhalt 1. Einleitung 2. Kuramoto-Modell 3. Simulation und Ergebnisse 3 Die Motivation Das Phänomen Synchronisation tritt
Mehr1 Bau von Nervenzellen
Neurophysiologie 1 Bau von Nervenzellen Die funktionelle Einheit des Nervensystems bezeichnet man als Nervenzelle. Dendrit Zellkörper = Soma Zelllkern Axon Ranvier scher Schnürring Schwann sche Hüllzelle
MehrAdaptive Systeme. Neuronale Netze: Neuronen, Perzeptron und Adaline. Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Neuronale Netze: Neuronen, Perzeptron und Adaline Prof. Dr. rer. nat. Nikolaus Wulff Neuronale Netze Das (menschliche) Gehirn ist ein Musterbeispiel für ein adaptives System, dass sich
MehrAutomatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten
Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten Dipl.-Ing. Daniel Tantinger Fraunhofer Institut für Integrierte Schaltungen IIS, Erlangen, Deutschland Automatische Erkennung
MehrKönnen neuronale Netze Vorhersagen treffen? Eine Anwendung aus der Stahlindustrie
Können neuronale Netze Vorhersagen treffen? Eine Anwendung aus der Stahlindustrie 1. Erzeugung von Stahl im Lichtbogenofen 2. Biologische neuronale Netze 3. Künstliche neuronale Netze 4. Anwendung neuronaler
MehrDynamische Systeme in der Biologie: Beispiel Neurobiologie
Dynamische Systeme in der Biologie: Beispiel Neurobiologie Caroline Geisler geisler@lmu.de April 18, 2018 Elektrische Ersatzschaltkreise und Messmethoden Wiederholung: Membranpotential Exkursion in die
MehrGliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron
Neuronale Netzwerke Gliederung Biologische Motivation Künstliche neuronale Netzwerke Das Perzeptron Aufbau Lernen und Verallgemeinern Anwendung Testergebnis Anwendungsbeispiele Zusammenfassung Biologische
MehrAdaptive Resonance Theory
Adaptive Resonance Theory Jonas Jacobi, Felix J. Oppermann C.v.O. Universität Oldenburg Adaptive Resonance Theory p.1/27 Gliederung 1. Neuronale Netze 2. Stabilität - Plastizität 3. ART-1 4. ART-2 5. ARTMAP
MehrAufbau und Funktionweise der Nervenzelle - Wiederholung Vorlesung -
Aufbau und Funktionweise der Nervenzelle - Wiederholung Vorlesung - Fragen zur Vorlesung: Welche Zellen können im Nervensystem unterschieden werden? Aus welchen Teilstrukturen bestehen Neuronen? Welche
MehrSeminarvortrag: Visual Cortex
Seminarvortrag: Visual Cortex Sören Schwenker 13. Januar 2013 Visual Cortex Inhaltsverzeichnis 13. Januar 2013 Inhaltsverzeichnis 1 Einleitung 2 2 Conductance based models 2 3 Rate-based neural network
MehrNatürliche und künstliche neuronale Netze
Kapitel 2 Natürliche und künstliche neuronale Netze 2.1 Informationsverarbeitung im Gehirn In diesem Abschnitt soll ein sehr knapper und durchaus unvollständiger Überblick gegeben werden, um den Bezug
MehrTeaching a Foreign Language at. Prof. Elfriede Steiner, MA BEd. Primary Level 1
Teaching a Foreign Language at Primary Level 1 6 Termine/12 SE Inhalt: Curriculum Note: Kolloquium Hörsaal Curriculum für PB12LF03 15W 0,75SSt SE Teaching a Foreign language at Primary Level 1 Das Gehirn
MehrBestehend aus Gehirn und Rückenmark. Bestehend aus den Gegenspielern (Antagonisten) Sympathikus und Parasympathikus;
Neuron 9 1 9 1 kleinstes Bauelement des ZNS dient der Aufnahme, gerichteten Weiterleitung und Verarbeitung von Informationen Bestandteile: Dendriten, Soma, Axon, Endknöpfchen 9 2 9 2 Zentrales Nervensystem
MehrP.H.Lindsay D.A.Norman. Psychologie. Informationsaufnahme und -Verarbeitung beim Menschen
P.H.Lindsay D.A.Norman Einführung in die Psychologie Informationsaufnahme und -Verarbeitung beim Menschen Übersetzt von H.-D. Dumpert F. Schmidt M. Schuster M. Steeger Mit 309 Abbildungen Springer-Verlag
MehrDatenorientierte SA. Aufbau und Grundlagen. Aufbau und Grundlagen. Aufbau und Grundlagen. Was sind neuronale Netze?
Datenorientierte SA Was sind neuronale Netze? Neuronale Netze: Grundlagen und Anwendungen Neuronale Netze bilden die Struktur eines Gehirns oder eines Nervensystems ab Andreas Rauscher 0651993 Damir Dudakovic
Mehrpostsynaptische Potentiale graduierte Potentiale
postsynaptische Potentiale graduierte Potentiale Postsynaptische Potentiale veraendern graduierte Potentiale aund, wenn diese Aenderungen das Ruhepotential zum Schwellenpotential hin anheben, dann entsteht
MehrZentrales Nervensystem
Zentrales Nervensystem Funktionelle Neuroanatomie (Struktur und Aufbau des Nervensystems) Neurophysiologie (Ruhe- und Aktionspotenial, synaptische Übertragung) Fakten und Zahlen (funktionelle Auswirkungen)
MehrSimulation komplexer Prozesse am Beispiel Verbundguss Cu-Al
04.11.2016 Optimierungsaufgabe Beispiel: Sheldons Platz Im Winter ist der Platz nah genug an der Heizung, damit mir warm ist und dennoch nicht zu dicht, um ins schwitzen zu kommen. Im Sommer liegt er in
MehrVorlesung Neurophysiologie
Vorlesung Neurophysiologie Detlev Schild Abt. Neurophysiologie und zelluläre Biophysik dschild@gwdg.de Vorlesung Neurophysiologie Detlev Schild Abt. Neurophysiologie und zelluläre Biophysik dschild@gwdg.de
MehrNetzwerktreffen. Give me Oberschule Dresden Thomas Lorenz 128.Oberschule Dresden
Netzwerktreffen Give me 5 128.Oberschule 08.05.14 1 Tagesordnung 9.00 Uhr Begrüßung 9.10 Uhr Kurzer Input Wie lernt das Gehirn? 9.30 Uhr 1.Arbeitsphase (mit ind.pausen) 12.15 Uhr Mittagessen 13.00 Uhr
MehrM 3. Informationsübermittlung im Körper. D i e N e r v e n z e l l e a l s B a s i s e i n h e i t. im Überblick
M 3 Informationsübermittlung im Körper D i e N e r v e n z e l l e a l s B a s i s e i n h e i t im Überblick Beabeablog 2010 N e r v e n z e l l e n ( = Neurone ) sind auf die Weiterleitung von Informationen
MehrKonstruktivistische Didaktik Übergänge von alten zu neuen Lehr-/Lernmodellen
Kersten Reich Konstruktivistische Didaktik Übergänge von alten zu neuen Lehr-/Lernmodellen innerhalb von 50 Jahren Konstruktivistische Didaktik 1 Experiment Lesen Sie bitte für 3 Sekunden die nachfolgende
MehrUnterrichtsvorhaben I: Bau, Funktion, Lage und Verlauf von Nervenzellen
Inhaltsverzeichnis Gk Qualifikationsphase Inhaltsfeld 4: Neurobiologie... 1 Unterrichtsvorhaben I: Bau, Funktion, Lage und Verlauf von Nervenzellen... 1 24 Unterrichtsstunden=8 Wochen Kontext: Vom Reiz
MehrMechanismen der synaptischen Plastizitaet. Andreas Frick MPI fuer Medizinische Forschung Heidelberg
Mechanismen der synaptischen Plastizitaet Andreas Frick MPI fuer Medizinische Forschung Heidelberg Hippocampus - deklaratives Gedaechtnis Hebbsche Synapse Donald Hebb (1949): "When an axon of cell A is
MehrUniversität Klagenfurt
Universität Klagenfurt Neuronale Netze Carmen Hafner Elisabeth Stefan Raphael Wigoutschnigg Seminar in Intelligent Management Models in Transportation und Logistics 623.900, WS 05 Univ.-Prof. Dr.-Ing.
MehrDenken, Lernen, Vergessen? Was Pädagogik von Hirnforschung lernen kann
Denken, Lernen, Vergessen? Was Pädagogik von Hirnforschung lernen kann Dipl.-Päd. Kajsa Johansson Systemische Therapeutin Objektive Wahrnehmung? Der Neokortex Die Großhirnrinde Bildquelle: Rose, C. (2004):
MehrZwei Modelle retinaler Verarbeitung
Zwei Modelle retinaler Verarbeitung 8.1.2006 http://www.uni-oldenburg.de/sinnesphysiologie/15247.html Vorlesungsprogramm 17.10.05 Motivation 24.10.05 Passive Eigenschaften von Neuronen 31.10.05 Räumliche
MehrStrukturen für neuronale Netze in der Tageslicht-/ Kunstlichtregelung. 1 Vom biologischen zum künstlichen neuronalen Netz
Strukturen für neuronale Netze in der Tageslicht-/ Kunstlichtregelung - zur Veröffentlichung bei LuxJunior 2003 - Krzyzanowski, J., Rosemann, A., Kaase, H. Technische Universität Berlin Fachgebiet Lichttechnik,
MehrNeuronale Netze. Gehirn: ca Neuronen. stark vernetzt. Schaltzeit ca. 1 ms (relativ langsam, vgl. Prozessor)
29 Neuronale Netze Gehirn: ca. 10 11 Neuronen stark vernetzt Schaltzeit ca. 1 ms (relativ langsam, vgl. Prozessor) Mustererkennung in 0.1s 100 Schritte Regel 30 Was ist ein künstl. neuronales Netz? Ein
MehrKURS 3: NEUROBIOLOGIE
Inhalt 1 KURS 3: NEUROBIOLOGIE Allgemeines - eine kleine Zusammenfassung der Neurobiologie Das Gehirn Der Cortex Das Kleinhirn Neurogenese - Der Hippocampus Neurodegenera@on - Morbus Alzheimer Berit Jungnickel
MehrPraktikum Simulationstechnik Rene Schneider, Benjamin Zaiser
Praktikum Simulationstechnik Rene Schneider, Benjamin Zaiser 11.11.2008 CSM Master: Praktikum Simulationstechnik, rs034, bz003 2 Befehlsübersicht Begriffsdefinition / Neuronale Netze: / / 11.11.2008 CSM
MehrGehirn, Computer, Komplexität
Gehirn, Computer, Komplexität Springer Berlin Heidelberg NewYork Barcelona Budapest Hongkong London Mailand Paris SantaCIara Singapur Tokio Klaus Mainzer Gehirn,Computer, Komplexität Mit 73 Abbildungen
MehrVersuch 3 Das Trägheitsmoment
Physikalisches A-Praktikum Versuch 3 Das Trägheitsmoment Praktikanten: Julius Strake Niklas Bölter Gruppe: 17 Betreuer: Hendrik Schmidt Durchgeführt: 10.07.2012 Unterschrift: Inhaltsverzeichnis 1 Einleitung
MehrDie Nervenzelle Funktioneller Aufbau
Neuronale Plastizität Aspekte der Hirnforschung, die für das ZRM wichtig sind (Entwurf von Annette Diedrichs, ZRM-Ausbildungstrainerin) 1. Nervenzelle: Aufbau und Reizübertragung Eine Nervenzelle hat viele
MehrWie und wo lernen Kinder am besten welche Bedingungen brauchen sie?
Experimentelle HNO-Heilkunde Wie und wo lernen Kinder am besten welche Bedingungen brauchen sie? Prof. Dr. Holger Schulze Einführung Einige Grundlagen aus der Neurobiologie Verschiedene Hirnregionen haben
MehrZur Konstruktion künstlicher Gehirne
Ulrich Ramacher Christoph von der Malsburg (Hrsg.) Zur Konstruktion künstlicher Gehirne 4y Springer Inhaltsverzeichnis Vorwort 1 0.1 Hauptergebnisse 2 0.2 Vorgeschichte 6 0.3 Danksagung 8 Problematik der
MehrEntdeckungen unter der Schädeldecke. Jean-Marc Fritschy Institut für Pharmakologie und Toxikologie
Entdeckungen unter der Schädeldecke Jean-Marc Fritschy Institut für Pharmakologie und Toxikologie Inhalt 1. GFP, das Wunderprotein 2. Die Nervenzellen bei der Arbeit beobachten 3. Nervenzellen mit Licht
MehrProseminar Machine Learning. Neuronale Netze: mehrschichtige Perzeptrone. Christina Schmiedl Betreuer: Christian Spieth, Andreas Dräger
Proseminar Machine Learning Neuronale Netze: mehrschichtige Perzeptrone Christina Schmiedl Betreuer: Christian Spieth, Andreas Dräger 27.Mai 2006 Inhaltsverzeichnis 1 Biologische Motivation 2 2 Neuronale
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Eigenschaften neuronaler Netze: hohe Arbeitsgeschwindigkeit durch Parallelität, Funktionsfähigkeit auch nach Ausfall von Teilen des Netzes, Lernfähigkeit, Möglichkeit zur Generalisierung
MehrBielefeld Graphics & Geometry Group. Brain Machine Interfaces Reaching and Grasping by Primates
Reaching and Grasping by Primates + 1 Reaching and Grasping by Primates Inhalt Einführung Theoretischer Hintergrund Design Grundlagen Experiment Ausblick Diskussion 2 Reaching and Grasping by Primates
MehrNeuronale Netze. Tilo Buschmann 5. März 2003
Neuronale Netze Tilo Buschmann 5. März 2003 1 1 Grenzen herkömmlicher Programmiermethoden bisher kennen und benutzen wir nur herkömmliche Algorithmen hauptsächlich binär orientiert eingeschränkt in Programmiersprachen
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Übersicht Neuronale Netze Motivation Perzeptron Grundlagen für praktische Übungen
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrAnalogie als Kern der Kognition
17. Januar 2008 Betreuerin: Prof. Dr. Ute Schmid Professur für Angewandte Informatik / Kognitive Systeme Otto-Friedrich-Universität Bamberg Analogie von griechischen: ana(anˆ) auseinander, zusammen, wieder,
MehrNeuronale. Netze. Henrik Voigt. Neuronale. Netze in der Biologie Aufbau Funktion. Neuronale. Aufbau Netzarten und Topologien
in der Seminar Literaturarbeit und Präsentation 17.01.2019 in der Was können leisten und was nicht? Entschlüsseln von Texten??? Bilderkennung??? in der in der Quelle: justetf.com Quelle: zeit.de Spracherkennung???
MehrGlia- sowie Nervenzellen (= Neuronen) sind die Bausteine des Nervensystems. Beide Zellarten unterscheiden sich vorwiegend in ihren Aufgaben.
(C) 2014 - SchulLV 1 von 5 Einleitung Du stehst auf dem Fußballfeld und dein Mitspieler spielt dir den Ball zu. Du beginnst loszurennen, denn du möchtest diesen Ball auf keinen Fall verpassen. Dann triffst
MehrNeurobiologische Erkenntnisse und ihre Bedeutung für die pflegerisch-pädagogische Arbeit im Rahmen der Soziomilieugestaltung
Neurobiologische Erkenntnisse und ihre Bedeutung für die pflegerisch-pädagogische Arbeit im Rahmen der Soziomilieugestaltung 1 Melitta Hofer seit 1997 Krankenschwester seit 2001in der Klinik Nette-Gut
MehrSpektralanalyse physiologischer Signale
Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 1 III. Zeit-Frequenz Analyse Short-time Fourier Transform Gabor Transformation Lineare Filter Wavelet Transformation Konzept des
MehrWissen. Demenz Was ist das?
19 Wissen Demenz Was ist das? Demenz Wie häufig tritt sie auf? Demenz Welche Formen sind bekannt? Demenz Welche Phasen gibt es? Demenz Wie kommt der Arzt zu einer Diagnose? Demenz Welche Therapien gibt
MehrPassive und aktive elektrische Membraneigenschaften
Aktionspotential Passive und aktive elektrische Membraneigenschaften V m (mv) 20 Overshoot Aktionspotential (Spike) V m Membran potential 0-20 -40 Anstiegsphase (Depolarisation) aktive Antwort t (ms) Repolarisation
MehrMatthias Birnstiel Modul Nervensystem Medizinisch wissenschaftlicher Lehrgang Wissenschaftliche Lehrmittel, Medien, Aus- und Weiterbildung
Matthias Birnstiel Modul Nervensystem Medizinisch wissenschaftlicher Lehrgang CHRISANA Wissenschaftliche Lehrmittel, Medien, Aus- und Weiterbildung Inhaltsverzeichnis des Moduls Nervensystem Anatomie des
MehrExzitatorische (erregende) Synapsen
Exzitatorische (erregende) Synapsen Exzitatorische Neurotransmitter z.b. Glutamat Öffnung von Na+/K+ Kanälen Membran- Potential (mv) -70 Graduierte Depolarisation der subsynaptischen Membran = Erregendes
MehrDynamische Systeme in der Biologie: Beispiel Neurobiologie
Dynamische Systeme in der Biologie: Beispiel Neurobiologie Dr. Caroline Geisler geisler@lmu.de April 11, 2018 Veranstaltungszeiten und -räume Mittwoch 13:00-14:30 G00.031 Vorlesung Mittwoch 15:00-16:30
MehrWiederholung: Dendriten
Wiederholung: Dendriten Neurone erhalten am Dendriten und am Zellkörper viele erregende und hemmende Eingangssignale (Spannungsänderungen) Die Signale werden über Dendrit und Zellkörper elektrisch weitergeleitet.
MehrAufbau und Funktion von Neuronen Neuronale Informationsverarbeitung und Grundlagen der Wahrnehmung Plastizität und Lernen
Grundkurs Q 2: Inhaltsfeld: IF 4 (Neurobiologie) Unterrichtsvorhaben V: Molekulare und zellbiologische Grundlagen der neuronalen Informationsverarbeitung Wie ist das Nervensystem des Menschen aufgebaut
MehrComputational Neuroscience 2. Neuronenmodelle
Computational Neuroscience 2. Neuronenmodelle Jutta Kretzberg Master-Grundmodul 2009 Download der pdf Version: http://www.uni-oldenburg.de/sinnesphysiologie/ 40426.html Nachtrag: Literatur pdf-version
MehrMustererkennung: Neuronale Netze. D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12
Mustererkennung: Neuronale Netze D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12 Feed-Forward Netze y 1 y 2 y m...... x 1 x 2 x n Output Schicht i max... Zwischenschicht i... Zwischenschicht 1
MehrJuliamengen und Mandelbrotmenge
Xin Xu Florian Pausinger 18. Januar 2008 Inhaltsverzeichnis 1 Mathematische Grundlagen Komplexe Zahlen Über Iterationen und beschränkte Folgen 2 Quadratische Familie Bildbeispiele 3 Charakterisierung Über
MehrSelbstorganisierende Karten
Selbstorganisierende Karten Proseminar Ausgewählte Themen über Agentensysteme 11.07.2017 Institut für Informatik Selbstorganisierende Karten 1 Übersicht Motivation Selbstorganisierende Karten Aufbau &
MehrEinstieg: Drogen und Glück
Einstieg: Drogen und Glück Heroin ist ein synthetisches Morphin. Morphin ist Bestandteil von Opium, welches aus Schlafmohn gewonnen wird. Die euphorisierende und schmerzlindernde Wirkung beruht auf dem
MehrSynaptische Übertragung und Neurotransmitter
Proseminar Chemie der Psyche Synaptische Übertragung und Neurotransmitter Referent: Daniel Richter 1 Überblick Synapsen: - Typen / Arten - Struktur / Aufbau - Grundprinzipien / Prozesse Neurotransmitter:
MehrMarius Sparn. 28. Oktober 2016
Marius Sparn Ruprecht-Karls-Universität Heidelberg Fakultät für Physik und Astronomie Seminar: Quantenmechanik Wintersemester 2016/17 Prof. Dr. Wolschin 28. Oktober 2016 Inhaltsverzeichnis Einleitung Niederdimensionale
MehrChern-Simons Theorie. Thomas Unden, Sabrina Kröner 01. Feb Theorie der kondensierten Materie. Fraktionaler Quanten-Hall-Effekt
Chern-Simons Theorie Thomas Unden, Sabrina Kröner 01. Feb. 2012 Theorie der kondensierten Materie Fraktionaler Quanten-Hall-Effekt Seite 2 Chern-Simons Theorie Thomas Unden, Sabrina Kröner 01. Feb. 2012
MehrPS II - Verständnistest
Grundlagen der Elektrotechnik PS II - Verständnistest 01.03.2011 Name, Vorname Matr. Nr. Aufgabe 1 2 3 4 5 6 7 Punkte 4 2 2 5 3 4 4 erreicht Aufgabe 8 9 10 11 Summe Punkte 3 3 3 2 35 erreicht Hinweise:
MehrGehirn & Bewegung. Lass dein Gehirn nicht sitzen! unter geschlechtsspezifischer Fragestellung
Gehirn & Bewegung unter geschlechtsspezifischer Fragestellung Lass dein Gehirn nicht sitzen! Erik Scherrer: Lass dein Gehirn nicht sitzen. CH Beck 2016 Was ist die Natur des menschlichen Verhaltens? Biologie
Mehr2 Das elektrostatische Feld
Das elektrostatische Feld Das elektrostatische Feld wird durch ruhende elektrische Ladungen verursacht, d.h. es fließt kein Strom. Auf die ruhenden Ladungen wirken Coulomb-Kräfte, die über das Coulombsche
MehrÜbertragung zwischen einzelnen Nervenzellen: Synapsen
Übertragung zwischen einzelnen Nervenzellen: Synapsen Kontaktpunkt zwischen zwei Nervenzellen oder zwischen Nervenzelle und Zielzelle (z.b. Muskelfaser) Synapse besteht aus präsynaptischen Anteil (sendendes
MehrH ± Das Higgs-Teilchen. Manuel Hohmann Universität Hamburg. 11. Januar 2005
H 0 Das Higgs-Teilchen Manuel Hohmann Universität Hamburg 11. Januar 2005 H 0 Inhaltsverzeichnis 1 Der Higgs-Mechanismus 3 2 Das Higgs im Standardmodell 11 3 Das Higgs und die Neutrinos 19 H 0 1. Der Higgs-Mechanismus
MehrLeibniz Online 3/2007
Leibniz Online 3/2007 www.ls-journal.de ISSN 1863-3285 Christian Zylka Über eine neue Halbordnung Gewidmet der ehemaligen Leipziger Gruppe um Armin Uhlmann Zusammenfassung Ziel unserer Arbeit ist es, eine
Mehr6 Neuronale Modellierung: Der STAA-Ansatz
Bernd J. Kröger: Neuronale Sprachverarbeitung (Version 1.0.4) Seite 150 6 Neuronale Modellierung: Der STAA-Ansatz 6.1 Knoten: die STAA-Neuronensembles 6.1.1 Aktivierungslevel, Aktivierungsfunktion und
Mehr