Am 30. Juli 2024 wird es aufgrund einer wichtigen Datenbankaktualisierung zwischen 8 und 11 Uhr zu Serviceunterbrechungen in den Bereichen Student-Self-Service und Personalbedarf kommen. Vielen Dank für Ihr Verständnis.

192.032 Applied Deep Learning
Diese Lehrveranstaltung ist in allen zugeordneten Curricula Teil der STEOP.
Diese Lehrveranstaltung ist in mindestens einem zugeordneten Curriculum Teil der STEOP.

2024S, VU, 2.0h, 3.0EC

Merkmale

  • Semesterwochenstunden: 2.0
  • ECTS: 3.0
  • Typ: VU Vorlesung mit Übung
  • Format der Abhaltung: Blended Learning

Lernergebnisse

Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage:

  • Die Prinzipien von Deep Learning zu begreifen und Probleme zu erkennen, die damit gelöst werden können

  • Organisatorische Tätigkeiten die ein Data Science Projekt erfordert abzuschätzen und durchzuführen.

  • Mittels Deep Learning ein konkretes Problem aus einem bestimmten Fachbereich lösen zu können (z.B. Objekterkennung, Intelligente Spieleagenten oder Natural Language Processing).

  • Ein geeignetes Deep Learning Modell für das konkrete Problem auszuwählen und dieses effizient zu trainieren

  • Die gefundene Lösung zu bewerten, geeignet darzustellen und zu präsentieren

Inhalt der Lehrveranstaltung

Im Mittelpunkt der Lehrveranstaltung steht ein von Studierenden gewähltes Projekt, welches mithilfe von Deep Learning gelöst werden muss. Um dieses Projekt im Rahmen der LVA umsetzen zu können, werden in wöchentlichen Vorlesungen die notwendigen Methoden vorgestellt und erklärt. Neben einem Überblick über Deep Learning und Neuronale Netzwerke widmet sich die LVA diesen fortgeschrittenen Themen, von denen zumindest eines in dem praktischen Projekt umgesetzt werden muss: 

  • Convolutional Neural Networks zur Bildanalyse

  • Recurrent and Recursive Neural Networks zur Sequenzmodellierung

  • Deep Reinforcement Learning

  • Autoencoders und Deep Generative Models

  • Transformers

  • Graph Neural Networks

  • Explainable AI

Zusätzlich werden laufend praktische Aspekte behandelt, wie beispielsweise Softwarebibliotheken und Frameworks, die bei der praktischen Umsetzung hilfreich sind und es ermöglichen die Ergebnisse des Projektes zu kommunizieren und klar verständlich präsentieren.

Methoden

Die wöchentliche Vorlesung vermittelt theoretischen Inhalte, Methoden, sowie praktische Tipps zur erfolgreichen Umsetzung des Projektes. 

Das Projekt wird von jedem Studierenden in drei Phasen durchgeführt, die separat bewertet werden:

  1. Auswahl und Formulierung eines geeigneten Problems sowie Bereitstellung eines passenden Datensatzes. Ziel ist es ein interessantes und herausforderndes Problem zu untersuchen, welches durch andere Verfahren nur unzureichend gelöst werden könnte. Die Studierenden können das Problem frei wählen, z.B. aus den Bereichen der Bildverarbeitung, Intelligente Agentensysteme, Maschinenübersetzung oder Audioverarbeitung. Ist das Problem geeignet formuliert, muss ein passender Datensatz zusammengestellt werden. Je nach Fragestellung kann man auf bestehende Datensätze zugreifen, oder muss diesen selbst erstellen.
  2. Selektion und Anwendung von einem geeigneten Modell zur Verarbeitung dieses Datensatzes. In dieser Phase liegt der Hauptaugenmerk auf praktischen Aspekten der Umsetzung: Welche Tools gibt es, wie nutze ich diese effizient und wie trainiere ich ein komplexes Modell?
  3. Bewertung und Darstellung der gefundenen Lösung. Um die gefundene Lösung Bewerten zu können muss diese mit wissenschaftlichen Arbeiten die den aktuellen Stand der Technik beschreiben verglichen werden. Zuletzt soll das Projekt so aufbereitet werden, dass es ein potentieller Anwender auch nutzen kann (z.B. über eine API, oder eine mobile Applikation).

Am Ende des Projektes muss ein Endbericht verfasst werden, der die Ergebnisse der einzelnen Phasen beschreibt. Ein kurzer Überblick über das Projekt und die Ergebnisse werden vor der Gruppe präsentiert.

Prüfungsmodus

Prüfungsimmanent

Weitere Informationen

Die Übungsaufgaben müssen von jedem Studierenden einzeln gelöst werden.

ECTS Breakdown: 3 ECTS = 75h
16h Vorlesung
45h Lösung der Übungsaufgaben
10h Erstellen des Abschlussberichtes und der Präsentation
  4h Präsentation der Ergebnisse
-------------------------------------------------------------------------------
75h Gesamtaufwand 

Vortragende Personen

Institut

LVA Termine

TagZeitDatumOrtBeschreibung
Di.15:00 - 17:0016.04.2024FAV Hörsaal 2 Vorlesung und Übung
Fr.15:00 - 17:0019.04.2024 - 21.06.2024FAV Hörsaal 1 Helmut Veith - INF Vorlesung und Übung
Mo.15:00 - 17:0024.06.2024FAV Hörsaal 3 Zemanek (Seminarraum Zemanek) Vorlesung und Übung
Mo.17:00 - 19:0024.06.2024FAV Hörsaal 3 Zemanek (Seminarraum Zemanek) Presentations
Fr.12:00 - 14:0028.06.2024FAV Hörsaal 1 Helmut Veith - INF Presentations
Applied Deep Learning - Einzeltermine
TagDatumZeitOrtBeschreibung
Di.16.04.202415:00 - 17:00FAV Hörsaal 2 Vorlesung und Übung
Fr.19.04.202415:00 - 17:00FAV Hörsaal 1 Helmut Veith - INF Vorlesung und Übung
Fr.26.04.202415:00 - 17:00FAV Hörsaal 1 Helmut Veith - INF Vorlesung und Übung
Fr.03.05.202415:00 - 17:00FAV Hörsaal 1 Helmut Veith - INF Vorlesung und Übung
Fr.17.05.202415:00 - 17:00FAV Hörsaal 1 Helmut Veith - INF Vorlesung und Übung
Fr.24.05.202415:00 - 17:00FAV Hörsaal 1 Helmut Veith - INF Vorlesung und Übung
Fr.31.05.202415:00 - 17:00FAV Hörsaal 1 Helmut Veith - INF Vorlesung und Übung
Fr.07.06.202415:00 - 17:00FAV Hörsaal 1 Helmut Veith - INF Vorlesung und Übung
Fr.14.06.202415:00 - 17:00FAV Hörsaal 1 Helmut Veith - INF Vorlesung und Übung
Fr.21.06.202415:00 - 17:00FAV Hörsaal 1 Helmut Veith - INF Vorlesung und Übung
Mo.24.06.202415:00 - 17:00FAV Hörsaal 3 Zemanek (Seminarraum Zemanek) Vorlesung und Übung
Mo.24.06.202417:00 - 19:00FAV Hörsaal 3 Zemanek (Seminarraum Zemanek) Presentations
Fr.28.06.202412:00 - 14:00FAV Hörsaal 1 Helmut Veith - INF Presentations

Leistungsnachweis

Der Leistungsnachweis besteht aus drei Teilen. Einem praktischen Projekt, welches ein frei wählbares Problem untersucht und dieses mittels Deep Learning zu lösen versucht, sowie einem technischen Bericht und der Präsentation der Ergebnisse.

Das Projekt wird in drei Teilen abgewickelt, die separat beurteilt werden. Hierbei wird bewertet, ob der/die Studierende die zugrundeliegende Theorie verstanden hat, und ein geeignetes Problem selbstständig lösen kann.

Die Präsentation der Ergebnisse erfolgt in Form eines Vortrags in den letzten beiden Vorlesungseinheiten.

LVA-Anmeldung

Von Bis Abmeldung bis
11.02.2024 10:00 11.03.2024 22:00 08.03.2024 22:00

Anmeldemodalitäten

The final registration takes place during the first lecture: Places will be allocated among those present in the order of the initial registration in TISS.

Curricula

StudienkennzahlVerbindlichkeitSemesterAnm.Bed.Info
066 645 Data Science Gebundenes Wahlfach
066 932 Visual Computing Keine Angabe
175 FW Freie Wahlfächer - Wirtschaftsinformatik Freifach
880 FW Freie Wahlfächer - Informatik Freifach

Literatur

Deep Learning - Goodfellow et al.

Vorkenntnisse

Der Kurs Deep Learning for Visual Computing wird als vorausgehende Lehrveranstaltung empfohlen, da dort die Grundlagen des Deep Learnings (Neuronale Netzwerke, Optimierung, Backpropagation, etc.) ausführlich theoretisch behandelt, sowie an einem konkreten Problem aus dem Bereich Visual Computing praktisch angewendet werden.

Vorausgehende Lehrveranstaltungen

Sprache

Englisch