UnivIS
Information system of Friedrich-Alexander-University Erlangen-Nuremberg © Config eG 
FAU Logo
  Collection/class schedule    module collection Home  |  Legal Matters  |  Contact  |  Help    
search:      semester:   
ACHTUNG: seit 15.06.2022 werden Lecture list nur noch über Campo verwaltet. Diese Daten in UnivIS sind nicht mehr auf aktuellem Stand!
 
 Layout
 
printable version

 
 
Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) >>

  Machine Learning: Advances

Lecturers
Dr.-Ing. Tobias Feigl, M. Sc., Christoffer Löffler, M. Sc., Dr.-Ing. Christopher Mutschler

Details
Seminar
Präsenz
2 cred.h, ECTS studies, ECTS credits: 5, Sprache Deutsch oder Englisch, Anmeldung mit Themenanfrage per E-Mail vor Beginn des Seminars; Die Themen werden nach dem Prinzip "Wer zuerst kommt, mahlt zuerst" verteilt.
Time and place: n.V.; comments on time and place: Findet teilweise als Blockveranstaltung statt. Weitere Informationen finden Sie im StudOn-Kurs.

Fields of study
WF MT-MA ab 1 (ECTS-Credits: 5)
WF MT-MA-BDV ab 1 (ECTS-Credits: 5)
WF MT-MA-IDP ab 1 (ECTS-Credits: 5)
WPF CE-MA-SEM ab 1 (ECTS-Credits: 5)
WPF INF-MA 3 (ECTS-Credits: 5)
WF ICT-MA ab 1 (ECTS-Credits: 5)

Prerequisites / Organisational information
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

Contents
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 beispielsweise 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.¹

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.

¹ Die Themen sind an den aktuellen Forschungsstand angepasst und wechseln sich jährlich ab. (erwartete Hörerzahl original: 0, fixe Veranstaltung: nein)

Recommended literature
  • 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

ECTS information:
Credits: 5

Additional information
www: https://www.studon.fau.de/crs4533481.html
Registration is required for this lecture.
Die Registration via: persönlich beim Dozenten

Verwendung in folgenden UnivIS-Modulen
Startsemester WS 2022/2023:
Biomedizin und Hauptseminar Medizintechnik (BuHSMT)
Biomedizin und Technik (BuT)
Machine Learning: Advances (SemML-II)

Department: Chair of Computer Science 2 (Programming Systems)
UnivIS is a product of Config eG, Buckenhof