|
Deep Learning (DL)5 ECTS (englische Bezeichnung: Deep Learning)
Modulverantwortliche/r: Andreas Maier Lehrende:
Andreas Maier, Tobias Würfl, Vincent Christlein, Lennart Husvogt
Studienfächer/Prüfungsordnungsmodule:
Einfrieren der UnivIS-Modul-Beschreibung: 1.3.2018
Vertiefungsrichtung Mustererkennung (33600)
M2 Ingenieurwissenschaftliche Kernmodule (BDV) (42936)
Wahlpflichtbereich Informatik (43829, 1 Semester)
Startsemester: |
SS 2018 | Dauer: |
1 Semester | Turnus: |
halbjährlich (WS+SS) |
Präsenzzeit: |
60 Std. | Eigenstudium: |
90 Std. | Sprache: |
Englisch |
Lehrveranstaltungen:
Empfohlene Voraussetzungen:
Es wird empfohlen, folgende Module zu absolvieren, bevor dieses Modul belegt wird:
Introduction to Pattern Recognition (WS 2017/2018)
Pattern Analysis Deluxe (SS 2017)
Inhalt:
Deep Learning (DL) has attracted much interest in a wide range of applications such as image recognition, speech recognition and artificial intelligence, both from academia and industry.
This lecture introduces the core elements of neural networks and deep learning, it comprises:
(multilayer) perceptron, backpropagation, fully connected neural networks
loss functions and optimization strategies
convolutional neural networks (CNNs)
activation functions
regularization strategies
common practices for training and evaluating neural networks
visualization of networks and results
common architectures, such as LeNet, Alexnet, VGG, GoogleNet
recurrent neural networks (RNN, TBPTT, LSTM, GRU)
deep reinforcement learning
unsupervised learning (autoencoder, RBM, DBM, VAE)
generative adversarial networks (GANs)
weakly supervised learning
applications of deep learning (segmentation, object detection, speech recognition, ...)
The accompanying exercises will provide a deeper understanding of the workings and architecture of neural networks.
Lernziele und Kompetenzen:
The students
explain the different neural network components,
compare and analyze methods for optimization and regularization of neural networks,
compare and analyze different CNN architectures,
explain deep learning techniques for unsupervised / semi-supervised and weakly supervised learning,
explain deep reinforcement learning,
explain different deep learning applications,
implement the presented methods in Python,
autonomously design deep learning techniques and prototypically implement them,
effectively investigate raw data, intermediate results and results of Deep Learning techniques on a computer,
autonomously supplement the mathematical foundations of the presented methods by self-guided study of the literature,
discuss the social impact of applications of deep learning applications.
Literatur:
- Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning. MIT Press, 2016.
Christopher Bishop: Pattern Recognition and Machine Learning, Springer Verlag, Heidelberg, 2006
Yann LeCun, Yoshua Bengio, Geoffrey Hinton: Deep learning. Nature 521, 436–444 (28 May 2015)
Weitere Informationen:
Schlüsselwörter: deep learning; neural networks; pattern recognition; signal processing
www: http://www5.cs.fau.de/lectures/ss-18/deep-learning-dl/
Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan: Das Modul ist im Kontext der folgenden Studienfächer/Vertiefungsrichtungen verwendbar:
- Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science): ab 1. Semester
(Po-Vers. 2013 | TechFak | Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) | Wahlpflichtbereich Informatik | Wahlpflichtbereich Informatik)
Studien-/Prüfungsleistungen:
Deep Learning (Prüfungsnummer: 901895)
(englischer Titel: Deep Learning)
zugeh. "mein campus"-Prüfung: | - 38091 Mustererkennung (5 ECTS) (Informatik (Master of Science) 2010, Prüfung, Form: mehrteilige Prüfung, Zehntelnoten, Dauer: -, 5.0 ECTS, Platzhalter).
- 18012 Ingenieurwissenschaftliches Kernmodul (Medizintechnik (Master of Science) 2013, Prüfung, Form: schriftlich oder mündlich, Drittelnoten (mit 4,3), Dauer: -, Platzhalter).
- 17001 Computer Science (5 ECTS) (Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) 2013, Prüfung, Form: mehrteilige Prüfung, Zehntelnoten, Dauer: -, 5 ECTS, Platzhalter).
|
- Prüfungsleistung, mündliche Prüfung, Dauer (in Minuten): 30, benotet
- Anteil an der Berechnung der Modulnote: 100.0 %
- Prüfungssprache: Deutsch oder Englisch
- Erstablegung: SS 2018, 1. Wdh.: WS 2018/2019
1. Prüfer: | Andreas Maier (100196) |
|
![](/img/anew/void.gif) |
![](/img/anew/void.gif) |
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|