Seminar Medical Applications and Deep Learning (SemMADL)5 ECTS
(englische Bezeichnung: Seminar Medical Applications and Deep Learning)
(Prüfungsordnungsmodul: Seminar im Masterstudium)

Lehrveranstaltungen:

• • Seminar Medical Applications and Deep Learning
    (Seminar, 4 SWS, Andreas Maier et al., Mo, 8:15 - 9:45, KH 1.021)

Inhalt:

Artificial neural networks and the area of deep learning (https://en.wikipedia.org/wiki/Deep_learning) have recently started to attract significant interest in the areas of machine learning and image processing. Different types of artificial neural networks exist, such as deep neural networks, convolutional neural networks and recurrent neural networks. Current research focuses on a wide range of topics, including artificial intelligence, speech and object recognition.

Lernziele und Kompetenzen:

Students will be able to

• perform their own literature research on a given subject

• independently research this subject

• present and introduce the subject to their student peers

• give a scientific talk in English according to international conference standards

• use state-of-the-art deep learning software frameworks

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:

Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:

1. 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 Medical Applications and Deep Learning (Prüfungsnummer: 732733)

(englischer Titel: Seminar Medical Applications and 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 20171. Wdh.: keine Wiederholung, 2. Wdh.: keine Wiederholung

1. Prüfer:

Andreas Maier