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

2020W, VU, 2.0h, 3.0EC

Merkmale

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

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. Dies beinhaltet insbesondere das Erfassen, Bereinigen und Verwalten von Daten.

  • Mittels Deep Learning ein konkretes Problem aus einem bestimmten Fachbereich lösen zu können (z.B. das Erkennen von Autos in Bildern).

  • 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

  • Übersicht über Artificial Intelligence, Machine Learning und Deep Learning

  • Neuronale Netzwerke, Optimierung und Backpropagation

  • Convolutional Neural Networks zur Bildanalyse

  • Recurrent and Recursive Neural Networks zur Sequenzmodellierung

  • Autoencoders, Transformers und Deep Generative Models

  • Softwarebibliotheken und praktische Aspekte

  • Vorverarbeitung, Data Augmentation, Regularisierung, Visualisierung

  • Explainable AI

Methoden

Die theoretischen Grundlagen des Deep Learning, sowie praktische Tipps zur erfolgreichen Umsetzung des Projektes werden im Rahmen von wöchentlichen Vorlesungen vermittelt. 

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

  1. Auswahl und Formulierung eines geeigneten Problems. 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, Maschinenübersetzung oder Audioverarbeitung.

  2. Bereitstellung eines passenden Datensatzes. Ist das Problem geeignet formuliert, muss ein passender Datensatz zusammengestellt werden. Je nach Fragestellung kann man auf bestehende Datensätze zugreifen oder muss diese selbst erstellen. 

  3. 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 optimiere ich ein komplexes Modell?

  4. 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.

Bitte beachten Sie, dass die Lehrveranstaltung dieses Semester mittels E-Learning durchgeführt wird.

Prüfungsmodus

Prüfungsimmanent

Weitere Informationen

Die Übungsaufgaben müssen von jedem Studenten 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 

Bei Frage zur Lehrveranstaltung und zur Anmeldung kontaktieren Sie bitte Alexander Pacha.

Vortragende

Institut

Leistungsnachweis

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

Das Projekt wird in vier Teilen abgewickelt, die separat beurteilt werden. Hierbei wird bewertet, ob der/die Studierende die Grundlagen von Deep Learning verstanden hat, und ein geeignetes Problem selbstständig lösen kann.

Die Präsentation der Ergebnisse erfolgt in Form eines Vortrags in den letzten beiden Vorlesungseinheiten, sowie durch einen schriftlichen Bericht.

LVA-Anmeldung

Von Bis Abmeldung bis
31.08.2020 09:00 09.10.2020 09:00 16.10.2020 09:00

Zulassungsbedingung

Voraussetzung für die Anmeldung ist eine Fortmeldung zu einem der folgenden Studien:

Curricula

Literatur

Deep Learning - Goodfellow et al.

Vorkenntnisse

Nur für Studierende in einem Informatik-Masterstudium

Sprache

Englisch