Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage Grundlagen und fortgeschrittene Konzepte des Information Retrieval zu vermitteln. Insbesondere sollten die Studenten:

• Ein grundlegendes Verständnis erhalten, wie (Web-) Suchmaschinen (wie Google, Bing, Lucene, Elasticsearch usw.) funktionieren
• Lernen wie Sie eine große Anzahl von Dokumenten effizient durchsuchen und die gefundenen Dokumente nach deren Relevanz (hinsichtlich der Suchanfrage) sortieren können.
• Lernen wie die Effektivität von verwendeten Suchmethoden evaluiert werden kann
• Lernen wie Deep Neural Networks funktionieren und wie diese zur Verbesserung von Suchergebnissen beitragen können. 
• Lernen wie mit (Deep) Neural Networks ausgeklügelte Textdarstellungen erstellen können, z. B. Word Embeddings oder Language Models (BERT)

Bei Information Retrieval (IR) handelt es sich um die Wissenschaft die sich mit Suchtechnologien beschäftigt. Ein offensichtliches Beispiel wo solche Technologien zum Einsatz kommen sind die großen Web-Suchmaschinen, wie Google und Bing. Neben der Web-Suche ist IR auch ein wichtiger Bestandteil anderer Bereiche und zwar überall dort, wo es um den Abruf von Informationen geht.

Unterschiede zum Kurs Grundlagen des IR (188.977)

• Die Grundkonzepte des IR (invertierter Index, Textvorverarbeitung usw.) werden im Grundlagenkurs ausführlich und im Detail vermittelt. Diese Konzepte werden im Advanced Kurs nur kurz angeschnitten.
• Ein wesentlicher Teil des Advanced Kurses werden die Themen Maschinelles Lernen, Deep Learning und Word Embeddings sein. Im Grundlagenkurs werden diese Themen nicht behandelt.

Our Online Format

• Communication & Materials via TUWEL
  
  
• Weekly YouTube uploads of recorded lectures
• 45min to 1 hour each
• Additionally: PDF slides + automatic closed caption text
• Flexible grading structure
  
  
• Online office hours for exercises and lectures
  
  
• 24h take home exam (2 dates offered)

ECTS-Breakdown

Vorlesungen (20 h)

• Vorbesprechung
• 2x Crash course IR
• 2x Machine learning & data annotation
• 4x NLP & Neural ranking

Übung (50 h)

• Exercise1 (Data annotation): 5 h
• Exercise2 (Neural re-ranking in Pytorch): 45 h

Prüfung (1-4 h)

• Prüfung: 1-4 h

Summe (75 h)

Programming Neural Networks in PyTorch

Übung und Prüfung (24h take-home exam)