de | en

Introduction to Deep Learning

Modul IN2346

Dieses Modul wird durch Fakultät für Informatik bereitgestellt.

Diese Modulbeschreibung enthält neben den eigentlichen Beschreibungen der Inhalte, Lernergebnisse, Lehr- und Lernmethoden und Prüfungsformen auch Verweise auf die aktuellen Lehrveranstaltungen und Termine für die Modulprüfung in den jeweiligen Abschnitten.

Modulversion vom SS 2017

Von dieser Modulbeschreibung gibt es historische Versionen. Eine Modulbeschreibung ist immer so lange gültig, bis sie von einer neuen abgelöst wird.

verfügbare Modulversionen
SS 2018SS 2017

Basisdaten

IN2346 ist ein Semestermodul in Englisch auf Master-Niveau das im Sommersemester angeboten wird.

Das Modul ist Bestandteil der folgenden Kataloge in den Studienangeboten der Physik.

  • Allgemeiner Katalog der nichtphysikalischen Wahlfächer
GesamtaufwandPräsenzveranstaltungenUmfang (ECTS)
180 h 60 h 6 CP

Inhalte, Lernergebnisse und Voraussetzungen

Inhalt

- Einführung in Computer Vision und Geschichte des Deep Learning.
- Grundlagen maschinelles Lernen 1: Lineare Klassifikation, Maximum Likelihood
- Grundlagen maschinelles Lernen 2: Logistische Regression, Perzeptron
- Einführung in Neuronale Netze und ihre Optimierung, SGD, Back-propagation
- Trainieren von neuronalen Netzen Teil 1:
Regularisierung, Aktivierungsfunktionen, Initialisierung der Gewichte, Gradientenfluss, Batch Normalization, Optimierung der Hyperparameter
- Trainieren von neuronalen Netzen Teil 2: Parameter-Updates, Ensembles, Dropout
- Convolutional Neural Networks
- CNN zur Objekterkennung (von MNIST zu ImageNet), Visualisierung von CNNs (DeepDream)
- Rekurrente Netze und LSTMs
- Forschung 1: Am meisten Verwendete Architekturen wie GoogleNet, ResNet
- Forschung 2: Reinforcement learning
- Forschung 3: Adversarial networks

Lernergebnisse

Nach Beendigung dieses Moduls werden die Studierenden ein Verständnis der theoretischen Konzepte hinter neuronalen Netzen erlangt haben, insbesondere Convolutional Neural Networks, sowie Erfahrung im Lösen großskaliger Computer-Vision-Probleme mit Deep Learning. Sie werden in der Lage sein, Aufgaben wie Ziffernerkennung oder Bildklassifizierung zu lösen.

Voraussetzungen

Ein Interesse an Mathematik und Machine Learning um Computer Vision Problemen zu lösen. Des Weiteren sollte eine Programmiersprache – vorzugsweise Python – beherrscht werden.

Lehrveranstaltungen, Lern- und Lehrmethoden und Literaturhinweise

Lehrveranstaltungen und Termine

ArtSWSTitelDozent(en)Termine
VI 4 Introduction to Deep Learning (IN2346) Leal-Taixe, L. Lohr, Q. Nießner, M. Wagner, S. Di, 18:00–20:00, 5620.01.101
Do, 08:00–10:00, MI HS1

Lern- und Lehrmethoden

Die Vorlesungen bieten ausführliche theoretische Hintergründe zu neuronalen Netzen und insbesondere Deep-Learning-Architekturen für die Anwendung im Bereich Computer Vision.
Die praktischen Einheiten spielen eine zentrale Rolle, da die Studenten durch Trainieren und Testen mit Deep Learning vertraut werden sollen. Die Stundenten werden in Frameworks wie TensorFlow eingeführt, sodass sie am Ende des Kurses in der Lage sind, reale Computer-Vision-Probleme mit Deep Learning zu lösen.

Medienformen

Beamer, Tafel, PC

Literatur

- Folien aus der Vorlesung
- www.deeplearningbook.org

Modulprüfung

Beschreibung der Prüfungs- und Studienleistungen

- Schriftliche Prüfung von 90 Minuten am Ende der Veranstaltung
- Nach jeder praktischen Einheit ist der geschriebene funktionierende Code dem Lehrassistenten für die Bewertung zur Verfügung zu stellen. Die Studierenden bekommen einen Bonus, wenn sie alle praktischen Aufgaben erfolgreich fertigstellen.

Wiederholbarkeit

Eine Wiederholungsmöglichkeit wird am Semesterende angeboten.

Nach oben