UnivIS
Informationssystem der Friedrich-Alexander-Universität Erlangen-Nürnberg © Config eG 
FAU Logo
  Sammlung/Stundenplan    Modulbelegung Home  |  Rechtliches  |  Kontakt  |  Hilfe    
Suche:      Semester:   
 
 Darstellung
 
Druckansicht

 
 
Modulbeschreibung (PDF)

 
 
Informatik (Bachelor of Arts (2 Fächer)) >>

Machine Learning: Advances (SemML-II)5 ECTS
(englische Bezeichnung: Machine Learning: Advances)
(Prüfungsordnungsmodul: Machine Learning [5 ECTS])

Modulverantwortliche/r: Michael Philippsen
Lehrende: Tobias Feigl, Christoffer Löffler, Christopher Mutschler


Startsemester: WS 2022/2023Dauer: 1 SemesterTurnus: jährlich (WS)
Präsenzzeit: 30 Std.Eigenstudium: 120 Std.Sprache: Englisch

Lehrveranstaltungen:


Inhalt:

Dieses Seminar führt in das Themengebiet des tiefen Lernens ein. Tiefes Lernen ist eine der gefragtesten Fähigkeiten in der künstlichen Intelligenz. Verfahren des tiefen Lernens haben beispielswiese alle bisherigen Benchmarks für die Klassifizierung von Bildern, Text und Sprache weit übertroffen. Tiefes Lernen ermöglicht und verbessert einige der interessantesten Anwendungen der Welt, wie autonome Fahrzeuge, Genomforschung, humanoide Robotik, Echtzeitübersetzung und es besiegt die besten menschlichen Go-Spieler der Welt.

Ziel des Seminars ist eine umfassende Einführung in das tiefe Lernen. Basierend auf maschinellem Lernen wird daher erklärt, wie tiefes Lernen funktioniert, wann und warum es wichtig ist und die wesentlichen Verfahren beleuchtet.

Zu den Verfahren gehören: (1) Architektur und Hyperparameter; (2) mehrschichtiges Perzeptron; (3) Mischungen neuronaler Netze; (4) tiefes Lernen für Sequenzen (Hidden Markov-Modelle, wiederkehrende neuronale Netze, bidirektionales/Langzeit-Kurzzeitgedächtnis, Gated Recurrent Unit, Temporal Convolutional Network); (5) tiefes Lernen für Bilder (Faltungs-Neuronale Netze); (6) tiefes/verstärkendes Lernen; (7) Markov-Prozesse (Gaußsche Prozesse und Bayes'sche Optimierung, grafische Modelle und Bayes'sche Netze, Kalman- und Partikelfilter); (8) Online-Lernen und Spieltheorie; (9) unüberwachtes Repräsentationslernen und generative Methoden (allgemeine gegnerische Netzwerke, Variational Autoencoder); (10) Datenerweiterung und Transferlernen. Die genannten Themen sind an den aktuellen Forschungsstand angepasst und wechseln sich jährlich ab.

Das Seminar gibt einen Einblick in die Welt des tiefen Lernens und befähigt den Studierenden eine wissenschaftliche Präsentation und Ausarbeitung anzufertigen, um individuell erworbenes Wissen einem Fachpublikum vermitteln zu können.

Lernziele und Kompetenzen:

Die Teilnahme an diesem Seminar ermöglicht den Studierenden sich in der Kompetenz tiefes Lernen auszubilden und erlerntes Wissen in Form einer angeleiteten Präsentation und Ausarbeitung wissenschaftlich darzustellen und zu kommunizieren: 

Die Studierenden erlangen oder erweitern durch das Seminar die Kompetenz und das Wissen:

  • prinzipielle Vorgehensweisen beim tiefen Lernen zu erläutern,

  • Vor- und Nachteile einzelner Methoden zu untersuchen,

  • Chancen und Grenzen des tiefen Lernens zu erläutern,

  • Sachverhalte unter Fachleuten zu diskutieren, 

  • fachspezifische Fragen für das Gebiet zu beantworten,

  • Konzepte des tiefen Lernens im Allgemeinen und deren Anwendung in Applikationsgebieten der Industrie, Sozialwesen, Bildung und Sport zu erlernen,

  • Datenvorverarbeitung, DL-Methoden und Interpretation der Ergebnisse in konkreten Fragestellungen zu modellieren und zu adaptieren.

Weiter trainiert das Seminar die Studierenden im wissenschaftlichen Arbeiten, um selbstständig:

  • erforderliche Literatur aufzufinden, zu analysieren und zu bewerten, 

  • sich eigenständig in ein Themengebiet einzuarbeiten, 

  • Grundzüge der Präsentationstechniken anzuwenden und zu motivieren, 

  • eine Präsentation mit Begleitmaterial für ein Fachpublikum zu entwickeln, 

  • einen Vortrag passend für einen vorgegebenen Zeitrahmen durchzuführen, 

  • eine Ausarbeitung im Stil einer wissenschaftlichen Publikation mit Latex anzufertigen,

  • Sprache, Sprachangemessenheit, Inhalt sowie Aufbau und die wissenschaftliche Darstellung einer wissenschaftlichen Ausarbeitung zu verinnerlichen,

  • und die eigene Kognition und Kreativität in der Ausarbeitung zu bewerten.

Literatur:

  • G. Goodfellow und Y. Bengio und A. C. Courville: Deep Learning, mitp-Verlag, 2015
  • R. S. Sutton und A. G. Barto: Reinforcement Learning: An Introduction, MIT Press, 1998

  • F. V. Jensen: An Introduction To Bayesian Networks, Springer, 1996

  • R. Rojas: Theorie der neuronalen Netze - eine systematische Einführung, Springer, 1993

  • J. Schmidhuber: Deep learning in neural networks: An overview, J. Intl. Neural Network Society (INNS), 2015

  • D. Silver et al.: Mastering the game of Go with deep neural networks and tree search, J. Nature, 2016

  • F. Chollet: Deep Learning with Python, Manning Publications, 2017

  • A. Müller und S. Guido: Introduction to Machine Learning with Python: A Guide for Data Scientists, O'Reilly UK Ltd., 2016

  • T. J. Hastie und R. Tibshirani und J. H. Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer Series in Statistics, 2009

Bemerkung:

Für die Teilnahme ist eine Anmeldung zum zugehörigen StudOn-Kurs des jeweiligen Semesters zwingend erforderlich!

Organisatorisches:

Dieser Kurs richtet sich an Anfänger, die mit maschinellem Lernen nicht vertraut sind, oder an Studierende, die eine schnelle Auffrischung suchen.
Anmeldung via e-mail an tobias.feigl@fau.de


Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:

  1. Informatik (Bachelor of Arts (2 Fächer))
    (Po-Vers. 2013 | TechFak | Informatik (Bachelor of Arts (2 Fächer)) | Hauptseminar | Machine Learning [5 ECTS])
Dieses Modul ist daneben auch in den Studienfächern "123#67#H", "Computational Engineering (Master of Science)", "Computational Engineering (Rechnergestütztes Ingenieurwesen) (Bachelor of Science)", "Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)", "Informatik (Bachelor of Science)", "Informatik (Master of Science)", "Medizintechnik (Master of Science)", "Wirtschaftsinformatik (Bachelor of Science)" verwendbar. Details

Studien-/Prüfungsleistungen:

Machine Learning [5 ECTS] (Prüfungsnummer: 358246)

(englischer Titel: Machine Learning [5 ECTS])

Prüfungsleistung, Seminarleistung, benotet
Anteil an der Berechnung der Modulnote: 100.0 %
weitere Erläuterungen:
  • Die Gesamtnote setzt sich zu 50% aus der Bewertung des Vortrags und zu 50% aus der Bewertung der Ausarbeitung / Implementierung zusammen:
  • 45-60 Minuten Seminarvortrag.

  • Erstellung einer Ausarbeitung mit den wesentlichen Punkten des Vortrags (keine Folienkopien, ca. 6-8 Seiten im IEEE Format für Konferenzbeiträge).

  • Alternativ zur Ausarbeitung kann eine Demonstration implementiert werden. In diesem Fall umfasst die Ausarbeitung (Dokumentation der Implementierung) lediglich ca. 3-4 Seiten im IEEE Format für Konferenzbeiträge.

  • Vortrag und Ausarbeitung sollten auf Englisch erfolgen.

  • Fertigstellung der Folien bis spätestens einer Woche vor dem Vortragstermin.

  • Fertigstellung der Ausarbeitung bis zum Ende des Semesters.

  • Die Veranstaltung wird im Block an ca. 2-4 Samstagen gegen Ende der Vorlesungszeit stattfinden.

  • Anwesenheit bei den Vorträgen der anderen Teilnehmer erwünscht.

Prüfungssprache: Englisch

Erstablegung: WS 2022/2023, 1. Wdh.: SS 2023, 2. Wdh.: keine Wiederholung
1. Prüfer: Michael Philippsen

UnivIS ist ein Produkt der Config eG, Buckenhof