Neuronale Netze werden in unterschiedlichen Bereichen eingesetzt, u.a. zur Diagnose, Mustererkennung, Klassifikation, Optimierung, Steuerung und in wissensbasierten Systemen. Die wesentlichen Vorteile (künstlicher) neuronaler Netze sind ihre Lernfähigkeit und ihre inhärente Parallelität.

Im Seminar werden nach einer kurzen Einführung in die biologischen Grundlagen die wichtigsten Architekturen künstlicher neuronaler Netze sowie die grundlegenden überwachten und unüberwachten Lernverfahren vermittelt. Es werden unterschiedliche Netzmodelle wie Schwellenwertelemente, mehrschichtige Perzeptren, Radiale-Basisfunktionen-Netze, selbstorganisierende Karten, Hopfield-Netze und rückgekoppelte Netze näher erläutert. In der Übung werden die erworbenen theoretischen Kenntnisse durch Lösung praktischer Aufgaben, u. a. mit dem Simulationsprogramm Matlab, vertieft.