Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage:
Die Prinzipien von Deep Learning zu begreifen und Probleme zu erkennen, die damit gelöst werden können
Organisatorische Tätigkeiten die ein Data Science Projekt erfordert abzuschätzen und durchzuführen.
Mittels Deep Learning ein konkretes Problem aus einem bestimmten Fachbereich lösen zu können (z.B. Objekterkennung, Intelligente Spieleagenten oder Natural Language Processing).
Ein geeignetes Deep Learning Modell für das konkrete Problem auszuwählen und dieses effizient zu trainieren
Die gefundene Lösung zu bewerten, geeignet darzustellen und zu präsentieren
Im Mittelpunkt der Lehrveranstaltung steht ein von Studierenden gewähltes Projekt, welches mithilfe von Deep Learning gelöst werden muss. Um dieses Projekt im Rahmen der LVA umsetzen zu können, werden in wöchentlichen Vorlesungen die notwendigen Methoden vorgestellt und erklärt. Neben einem Überblick über Deep Learning und Neuronale Netzwerke widmet sich die LVA diesen fortgeschrittenen Themen, von denen zumindest eines in dem praktischen Projekt umgesetzt werden muss:
Convolutional Neural Networks zur Bildanalyse
Recurrent and Recursive Neural Networks zur Sequenzmodellierung
Deep Reinforcement Learning
Autoencoders und Deep Generative Models
Transformers
Explainable AI
Zusätzlich werden laufend praktische Aspekte behandelt, wie beispielsweise Softwarebibliotheken und Frameworks, die bei der praktischen Umsetzung hilfreich sind und es ermöglichen die Ergebnisse des Projektes zu kommunizieren und klar verständlich präsentieren.
Die wöchentliche Vorlesung vermittelt theoretischen Inhalte, Methoden, sowie praktische Tipps zur erfolgreichen Umsetzung des Projektes.
Das Projekt wird von jedem Studierenden in drei Phasen durchgeführt, die separat bewertet werden:
Selektion und Anwendung von einem geeigneten Modell zur Verarbeitung dieses Datensatzes. In dieser Phase liegt der Hauptaugenmerk auf praktischen Aspekten der Umsetzung: Welche Tools gibt es, wie nutze ich diese effizient und wie trainiere ich ein komplexes Modell?
Bewertung und Darstellung der gefundenen Lösung. Um die gefundene Lösung Bewerten zu können muss diese mit wissenschaftlichen Arbeiten die den aktuellen Stand der Technik beschreiben verglichen werden. Zuletzt soll das Projekt so aufbereitet werden, dass es ein potentieller Anwender auch nutzen kann (z.B. über eine API, oder eine mobile Applikation).
Am Ende des Projektes muss ein Endbericht verfasst werden, der die Ergebnisse der einzelnen Phasen beschreibt. Ein kurzer Überblick über das Projekt und die Ergebnisse werden vor der Gruppe präsentiert.
Die Übungsaufgaben müssen von jedem Studierenden einzeln gelöst werden.
ECTS Breakdown: 3 ECTS = 75h16h Vorlesung45h Lösung der Übungsaufgaben10h Erstellen des Abschlussberichtes und der Präsentation 4h Präsentation der Ergebnisse-------------------------------------------------------------------------------75h Gesamtaufwand
Bei Frage zur Lehrveranstaltung und zur Anmeldung kontaktieren Sie bitte Alexander Pacha.
Der Leistungsnachweis besteht aus drei Teilen. Einem praktischen Projekt, welches ein frei wählbares Problem untersucht und dieses mittels Deep Learning zu lösen versucht, sowie einem technischen Bericht und der Präsentation der Ergebnisse.
Das Projekt wird in drei Teilen abgewickelt, die separat beurteilt werden. Hierbei wird bewertet, ob der/die Studierende die zugrundeliegende Theorie verstanden hat, und ein geeignetes Problem selbstständig lösen kann.
Die Präsentation der Ergebnisse erfolgt in Form eines Vortrags in den letzten beiden Vorlesungseinheiten.
Voraussetzung für die Anmeldung ist eine Fortmeldung zu einem der folgenden Studien:
Deep Learning - Goodfellow et al.
Der Kurs Deep Learning for Visual Computing wird als vorausgehende Lehrveranstaltung empfohlen, da dort die Grundlagen des Deep Learnings (Neuronale Netzwerke, Optimierung, Backpropagation, etc.) ausführlich theoretisch behandelt, sowie an einem konkreten Problem aus dem Bereich Visual Computing praktisch angewendet werden.
