Praktikum - Deep Learning für Computer Vision und Biomedizin (IN0012, IN2106, IN4204)
Practical Course - Hands-on Deep Learning for Computer Vision and Biomedicine (IN0012, IN2106, IN4204)
Lehrveranstaltung 0000003678 im SS 2019
Basisdaten
LV-Art | Praktikum |
---|---|
Umfang | 6 SWS |
betreuende Organisation | Informatik 9 - Lehrstuhl für Computer Vision and Artificial Intelligence (Prof. Cremers) |
Dozent(inn)en |
Vladimir Golkov Leitung/Koordination: Daniel Cremers |
Termine |
Di, 14:00–16:00, MI 01.09.014 Di, 14:00–16:00, MI 02.09.023 Di, 14:00–16:00, MI 02.09.023 |
Zuordnung zu Modulen
-
IN2106: Master-Praktikum / Advanced Practical Course
Dieses Modul ist in den folgenden Katalogen enthalten:- weitere Module aus anderen Fachrichtungen
weitere Informationen
Lehrveranstaltungen sind neben Prüfungen Bausteine von Modulen. Beachten Sie daher, dass Sie Informationen zu den Lehrinhalten und insbesondere zu Prüfungs- und Studienleistungen in der Regel nur auf Modulebene erhalten können (siehe Abschnitt "Zuordnung zu Modulen" oben).
ergänzende Hinweise | BITTE LESEN SIE DIE GESAMTE KURSBESCHREIBUNG UND BEWERBEN SIE SICH PER EMAIL. In diesem Praktikum werden wir Deep-Learning-Algorithmen für konkrete Anwendungen aus den Bereichen Computer Vision und Biomedizin entwickeln und implementieren. Das Hauptziel des Praktikums ist es, praktische Erfahrung zu sammeln mit dem erfolgreichsten Machine-Learning-Verfahren in Computer Vision seit 2012, und seine Vorteile und Nachteile in der Anwendung auf konkrete, relevante Probleme zu lernen. Die Themen umfassen: - Grundlagen von maschinellem Lernen und tiefen neuronalen Netzen - Standard- und fortgeschrittene Architekturen - Aufgaben jenseits des überwachten Lernens - Entwurf von Architekturen, Wahl der Kostenfunktion, Justierung von Hyperparametern Die Projekte werden auf die Entwicklung neuartiger Lösungen für ECHTE OFFENE PROBLEME abzielen. Projekte mit unterschiedlichen interessanten Problemen und Datenrepräsentationen werden zur Auswahl gestellt. https://vision.in.tum.de/teaching/ss2019/dlpractice_ss2019 |
---|---|
Links |
Zusatzinformationen TUMonline-Eintrag |