Nummer ML-4103 |
Titel Deep Learning (ehemals: Tiefe Neuronale Netze; INFO-4182) |
Lehrform(en) Vorlesung, Übung |
---|---|---|
ECTS | 6 | |
Arbeitsaufwand - Kontaktzeit - Selbststudium |
Arbeitsaufwand:
180 h Kontaktzeit:
60 h / 4 SWS Selbststudium:
120 h |
|
Veranstaltungsdauer | 1 Semester | |
Häufigkeit des Angebots | Im Wintersemester | |
Unterrichtssprache | Englisch | |
Prüfungsform | Klausur |
|
Inhalt | In den letzten zehn Jahren haben sich tiefe neuronale Netze zu einem unverzichtbaren Werkzeug in vielen Bereichen der künstlichen Intelligenz entwickelt, darunter Computer Vision, Computergrafik, natürliche Sprachverarbeitung, Spracherkennung und Robotik. Dieser Kurs führt in die (praktischen und theoretischen) Grundlagen von tiefen neuronalen Netzen ein und gibt einen Überblick über die gängigsten Trainings- und Regularisierungstechniken. In der Vorlesung werden außerdem die wichtigsten Netzwerkvarianten besprochen, darunter Faltungsneuronale Netze, Generative Neuronale Netze, Rekurrente Neuronale Netze und Deep Reinforcement Learning. Darüber hinaus gibt der Kurs einen Überblick über die wichtigsten Architekturen (Sanduhrnetze, Skip-Verbindungen, dichte Verbindungen, dilatierte Faltungen, permutationsinvariante Netze, siamesische Netze, usw.). Darüber hinaus werden im Laufe des Kurses Anwendungen aus verschiedenen Bereichen vorgestellt. Die Tutorien vertiefen das Verständnis für tiefe neuronale Netze durch deren Implementierung, Training und Anwendung mit modernen Deep Learning Frameworks. Kurs Webseite: https://uni-tuebingen.de/de/175884 |
|
Qualifikationsziele | Die Studierenden erhalten ein Verständnis der theoretischen und praktischen Konzepte tiefer neuronaler Netze, einschließlich Optimierung, Inferenz, Architekturen und Anwendungen. Nach diesem Kurs sollten die Studierenden in der Lage sein, tiefe neuronale Netze zu entwickeln und zu trainieren, Forschungsergebnisse zu reproduzieren und eigene Forschung in diesem Bereich zu betreiben. |
|
Vergabe von Leistungspunkten/Benotung |
Lehrform
Status
SWS
LP
Prüfungsform
Prüfungsdauer
Benotung
Berechnung
Modulnote (%)
Vorlesung
V
o
2
3.0
K
90
b
100
Übung
Ü
o
2
3.0
|
|
Teilnahmevoraussetzungen | Es gibt keine besonderen Voraussetzungen. | |
Dozent/in | Geiger, Zell | |
Literatur / Sonstiges | Related literature will be listed throughout the lecture. |
|
Zuletzt angeboten | Wintersemester 2022 | |
Geplant für | Wintersemester 2024 | |
Zugeordnete Studienbereiche | INFO-INFO, INFO-PRAK, MEDI-APPL, MEDI-INFO, ML-CS, ML-DIV, ML-FOUND |