inf5408 Angewandtes Deep Learning (Vollständige Modulbeschreibung)

Ein grundlegendes theoretisches Verständnis des maschinellen Lernens und praktische Programmierkenntnisse in Phyton

Fachkompetenzen
Die Studierenden:

• haben einen Überblick über die Komponenten von Deep Learning Frameworks
• kennen Anwendungsbereiche von Deep Learning Methoden in verschiedenen Datenmodalitäten und gängige Lösungsstrategien und Modellarchitekturen
• können Deep Learning Methoden auf neue Problemstellungen in den jeweiligen Bereichen geeignet adaptieren und selbstständig anwenden

Methodenkompetenzen
Die Studierenden:

• erarbeiten sich selbstständig unter Zuhilfenahme von Präsenzveranstaltungen, bereitgestellten Materialien und Fachliteraturtheoretische und praktische Konzepte

Sozialkompetenzen
Die Studierenden:

können Lösungsansätze für Probleme in diesem Bereich im Plenum präsentieren und in Diskussionen verteidigen

Selbstkompetenzen
Die Studierenden:

• können ihre eigene Fach- und Methodenkompetenz einschätzen
• übernehmen die Verantwortung für ihre Kompetenzentwicklung und ihre Lernfortschritte und reflektieren diese selbstständig
• erarbeiten selbstständig die Lerninhalte und können die Inhalte kritisch reflektieren

Diese Vorlesung bietet eine allgemeine Einführung in aktuelle Deep Learning Methoden mit besonderem Fokus auf praktischer Anwendbarkeit. Zur gleichen Zeit stellt die Vorlesung eine Einführung in das beliebte Deep Learning Framework PyTorch dar und setzt dabei nur Grundkenntnissen in Python voraus. Die Veranstaltung deckt ein großes Spektrum gängiger Aufgabenstellungen des maschinellen Lernens über verschiedene Datenmodalitäten hinweg ab: von Tabellendaten über Computer Vision (Bildklassifikation & Segmentierung) bis hin zu Zeitreihen und der Verarbeitung von Textdaten (Natural Language Processing).

Dabei werden die wichtigsten aktuellen Modellarchitekturen in diesen Bereichen diskutiert, angefangen von Convolutional Neural Networks über Recurrent Neural Networks bis hin zu Transformer- Modellen. Die Vorlesung wird von Übungsgruppen begleitet in denen die Studenten praktische Erfahrungen in PyTorch und zugleich die nötigen Kenntnisse erwerben sollen, um aktuelle Deep Learning Verfahren in ihren jeweiligen Anwendungsgebieten zum Einsatz zu bringen.

• Raschka, S., Liu, Y. H., & Mirjalili, V. (2022). Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python. Packt Publishing Ltd.
• Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning. Cambridge University Press.
• Prince, S. J. (2023). Understanding deep learning. MIT press.

Aufnahmekapazität:
unbegrenzt

Lehr-/Lernform:
V+Ü

Links:

/