direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

Lehrveranstaltungen im Wintersemester 2021/22

Bitte beachten Sie, dass aufgrund des IT-Angriffs auf die TU Berlin zur Zeit kein Zugriff auf IT-Systeme möglich ist, die für die Pflege dieser Webseite notwendig sind, daher sind leider nicht alle Angaben aktuell gehalten.

Unser Lehrangebot im Wintersemester 2021/22 finden Sie daher gesammelt unter diesem Link.

Reduziertes Lehrangebot wegen COVID-19 Pandemie

Aufgrund der aktuellen Lage wird das Fachgebiet Neuronale Informationsverarbeitung folgende Veranstaltungen im SoSe 2021 anbieten. Weitere Informationen zum Ablauf der Veranstaltung finden Sie auf den ISIS-Seiten.

Sicher stattfinden werden die Kurse:

- Praktisches Programmieren und Rechneraufbau 

- Machine intelligence II 

- Einführung in die Informatik . Vertiefung 

- NI-Projekt

Eventuell stattfinden werden die Kurse (noch nicht entschieden):

- Advanced topics in reinforcement learning

Neuronale Informationsverarbeitung

Wir beschäftigen uns mit den Grundlagen der Informationsverarbeitung in biologischen Systemen. Einerseits möchten wir die Funktionsmechanismen unseres Gehirns verstehen, andererseits machen wir uns die Strategien biologischer Systeme in Anwendungen maschinellen Lernens zu Nutze. Unsere Forschungsinteressen sind thematisch in drei Bereiche unterteilt.

Modelle neuronaler Systeme:

Lupe

In Zusammenarbeit mit Neurobiologen und Klinikern erforschen wir die Mechanismen der Informationsverarbeitung im visuellen System. Die Forschungsthemen behinhalten: Kortikale Dynamik, die Repräsentation visueller Information, Adaptation und Plastizität, sowie die Rolle von Rückkopplung. Seit jüngerer Zeit beschäftigen wir uns mit dem Zusammenhang von Wahrnehmung und kognitiven Funktionen. Hier untersuchen wir mathematische Modelle der Entscheidungsfindung in unbekannten Umgebungen hinsichtlich der Frage, wie die zugrunde liegenden Prozesse mit Wahrnehmung und Gedächtnis wechselwirken.

Maschinelles Lernen und neuronale Netze:

Lupe

Hier befassen wir uns mit dem künstlichen Erlernen von Zusammenhängen anhand von Beispielen, um Vorhersagen und Entscheidungen zu treffen. Die Forschungsthemen umfassen: Lernen geeigneter Darstellungen/Abbildungen, aktive und halbüberwachte Lernverfahren, sowie Prototyp-bezogene Methoden. Inspiriert durch die Modell-basierte Erforschung jener Vorgänge, welche für die Entscheidungsfindung eine zentrale Rolle spielen, haben wir begonnen Belohnungs- bzw. Bestrafungs-Lernen zu untersuchen und erweitern. Zusammen mit Spezialisten aus verschiedenen Anwendungsbereichen setzen wir maschinelles Lernen etwa zur Wiedergewinnung von Informationen ein, für maschinelles Sehen oder in der Chemoinformatik.

Analyse neuronaler Daten:

Lupe

Hier wenden wir maschinelles Lernen und statistische Verfahren zur Analyse multivariater biometrischer Daten an, insbesondere Daten, welche eine Grundlage für unsere computergestützten Studien neuronaler Systeme bilden. Die Forschungsthemen variieren und beinhalten gegenwärtig Spike-sorting und die Analyse von Multi-Tetroden Aufnahmen, Konfokalmikroskopie und 3D-Rekonstruktionsmethoden, sowie die Analyse von Daten bildgebender Verfahren. Seit Kurzem beschäftigen wir uns mit der Analyse multimodaler Daten und korrelieren beispielsweise anatomische, genetische, und Bilddatensätze.

Ausgewählte Publikationen

The effect of novelty on reinforcement learning
Zitatschlüssel Houillon2013
Autor Houillon, A. and Lorenz, R. C. and Boehmer, W. and Rapp, M. A. and Heinz, A. and Gallinat, J. and Obermayer, K.
Seiten 415–439
Jahr 2013
DOI 10.1016/B978-0-444-62604-2.00021-6
Journal Progress in brain research
Jahrgang 202
Verlag Elsevier
Zusammenfassung Recent research suggests that novelty has an influence on reward-related learning. Here, we showed that novel stimuli presented from a pre-familiarized category can accelerate or decelerate learning of the most rewarding category, depending on the condition. The extent of this influence depended on the individual trait of novelty seeking. Different reinforcement learning models were developed to quantify subjects' choices. We introduced a bias parameter to model explorative behavior toward novel stimuli and characterize individual variation in novelty response. The theoretical framework allowed us to test different assumptions, concerning the motivational value of novelty. The best fitting-model combined all novelty components and had a significant positive correlation with both the experimentally measured novelty bias and the independent novelty-seeking trait. Altogether, we have not only shown that novelty by itself enhances behavioral responses underlying reward processing, but also that novelty has a direct influence on reward-dependent learning processes, consistently with computational predictions.
Typ der Publikation Selected:main selected:decision selected:publications
Link zur Originalpublikation Download Bibtex Eintrag

Nach oben

Zusatzinformationen / Extras

Direktzugang:

Schnellnavigation zur Seite über Nummerneingabe

Leiter
Prof. Dr. rer. nat. Klaus Obermayer
Raum MAR 5043


virtuelle Sprechzeiten:
Mi. 12:00 - 13:00
Anmeldung per email

Während der Covid-19 bedingten Zugangsbeschränkungen zu den Gebäuden der TU Berlin, ist es erforderlich dass Sie sich per email zu einer Sprechstunde mit Prof. Obermayer anmelden.

Bitte schicken Sie dazu zunächst einige Tage im Voraus eine email, in der Sie Ihr Anliegen möglichst genau schildern. Sollte es sich nicht per email erledigen lassen, erhalten Sie zur Zeit der Sprechstunde (Mi 12 Uhr-13.00 Uhr) einen link per email, der Sie an einer entsprechenden Video Konferenz teilnehmen lässt.

Die Anfragen werden nach dem FIFO Prinzip bearbeitet. Bitte halten Sie sich dann während der gesamten Sprechstunde, beginnend um 12.00 Uhr zur Verfügung.

Sekretariat
Groiß, Camilla
Raum MAR 5042
Tel: +49 30 314 73442
Fax: +49 30 314 73121


Sprechzeiten:
Mi 9:00 - 11:00