|
Seminar Deep Learning Theory & Applications (SemDL)5 ECTS (englische Bezeichnung: Seminar Deep Learning Theory & Applications)
Modulverantwortliche/r: Andreas Maier Lehrende:
Vincent Christlein, Florin Cristian Ghesu, Lennart Husvogt
Startsemester: |
SS 2016 | Dauer: |
1 Semester | Turnus: |
jährlich (WS) |
Präsenzzeit: |
30 Std. | Eigenstudium: |
120 Std. | Sprache: |
Englisch |
Lehrveranstaltungen:
Inhalt:
Deep Neural Networks or so-called deep learning has attracted significant attention in the recent years. Interestingly the concept of Neural Networks inspired researchers already over generations since Minky's famous book (cf. http://en.wikipedia.org/wiki/Society_of_Mind ).
Yet again, this technology brings researchers to the believe that Neural Networks will eventually be able to learn everything. (cf. http://www.ted.com/talks/jeremy_howard_the_wonderful_and_terrifying_implications_of_computers_that_can_learn ).
In this seminar, we will investigate the basics of neural networks as already found in Minsky's design and expand on this on the advances to modern deep convolutional neural networks. In addition, we will also investigate open-source deep learning libraries and look into the newest results in literature.
Lernziele und Kompetenzen:
The students
perform literature research based on a given scientific article
independently study the topic based on the found literature
present the given topic in a manner that is understandable for their peers
get to know the requirements of a scientific talk at an international conference
give a talk in English and gain language competence
investigate state-of-the-art deep neural network libraries
Literatur:
- Representation Learning: A Review and New Perspectives, Yoshua Bengio, Aaron Courville, Pascal Vincent, Arxiv, 2012.
Deep Learning, Yoshua Bengio, Ian Goodfellow, Aaron Courville, MIT Press
Gradient-Based Learning Applied to Document Recognition, Yann Lecun, 1998
Dropout: A Simple Way to Prevent Neural Networks from Overfitting, Srivastava et. al. 2014
Greedy layer-wise training of deep networks, Bengio, Yoshua, et al. Advances in neural information processing systems 19 (2007): 153.
Reducing the dimensionality of data with neural networks, Hinton et al. Science 313.5786 (2006): 504-507.
Training Deep and Recurrent Neural Networks with Hessian-Free Optimization, James Martens and Ilya Sutskever, Neural Networks: Tricks of the Trade, 2012.
Deep boltzmann machines, Hinton et al.
Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion, Pascal Vincent et al.
A fast learning algorithm for deep belief nets, Hinton et. al., 2006
ImageNet Classification with Deep Convolutional Neural Networks, Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, NIPS 2012
Regularization of Neural Networks using DropConnect, Wan et. al., ICML
OverFeat: Integrated recognition, localization and detection using convolutional networks. Computing Research Repository, abs/1312.6229, 2013.
http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial
http://deeplearning.net/tutorial/
Deep Learning Course on Coursera by Hinton
DL platform with GPU support: caffe, lasagne, torch etc.
Weitere Informationen:
Schlüsselwörter: deep learning; neural networks; machine learning; pattern recognition
www: http://www5.cs.fau.de/lectures/ws-1516/semdl/
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) | Seminar, Masterarbeit | Seminar im Masterstudium)
Studien-/Prüfungsleistungen:
Seminar Deep Learning (Prüfungsnummer: 514944)
(englischer Titel: Seminar Deep Learning)
- Prüfungsleistung, Seminarleistung, Dauer (in Minuten): 30, benotet, 5 ECTS
- 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. Ziel des Seminars ist die verständliche Aufbereitung eines Themas für andere Studierende. Die Vortragsdauer beträgt 30 Minuten. Ziel ist es, diese möglichst genau einzuhalten. Die Ausarbeitung umfasst 6 Seiten im Stil von IEEE-Konferenzbeiträgen. Vortrag und Ausarbeitung sollten auf Englisch erfolgen. Alternativ kann eine Demonstration implementiert werden. In diesem Fall umfasst die Ausarbeitung lediglich 3 Seiten.
- Prüfungssprache: Englisch
- Erstablegung: SS 2016, 1. Wdh.: WS 2016/2017
|
![](/img/anew/void.gif) |
![](/img/anew/void.gif) |
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|