inf5400 - Fortgeschrittene Themen des angewandten Deep Learnings (Veranstaltungsübersicht)

inf5400 - Fortgeschrittene Themen des angewandten Deep Learnings (Veranstaltungsübersicht)

Department für Informatik 6 KP
Modulteile Semesterveranstaltungen Wintersemester 2024/2025 Prüfungsleistung
Vorlesung
  • Uneingeschränkter Zugang 2.01.5400 - Deep Unsupervised Learning Lehrende anzeigen
    • Prof. Dr. Nils Strodthoff
    • Juan Lopez Alcaraz
    • Tiezhi Wang

    Donnerstag: 08:00 - 10:00, wöchentlich (ab 17.10.2024)
    Freitag: 14:00 - 16:00, wöchentlich (ab 18.10.2024)
    This lecture encompasses two primary subjects: self-supervised learning and modern generative models. In the first part, we will examine the fundamental design principles (contrastive versus non-contrastive) underlying self-supervised learning algorithms. In the second part, we will explore applications of these principles to specific data modalities such as computer vision, natural language processing (including an extensive coverage of large language models) and audio/time series. Finally, the third part will focus on generative models, where we will cover a wide array of models, ranging from autoregressive models, variational autoencoders, and normalizing flows, to generative adversarial networks and (latent) diffusion models.
Übung
  • Uneingeschränkter Zugang 2.01.5400 - Deep Unsupervised Learning Lehrende anzeigen
    • Prof. Dr. Nils Strodthoff
    • Juan Lopez Alcaraz
    • Tiezhi Wang

    Donnerstag: 08:00 - 10:00, wöchentlich (ab 17.10.2024)
    Freitag: 14:00 - 16:00, wöchentlich (ab 18.10.2024)
    This lecture encompasses two primary subjects: self-supervised learning and modern generative models. In the first part, we will examine the fundamental design principles (contrastive versus non-contrastive) underlying self-supervised learning algorithms. In the second part, we will explore applications of these principles to specific data modalities such as computer vision, natural language processing (including an extensive coverage of large language models) and audio/time series. Finally, the third part will focus on generative models, where we will cover a wide array of models, ranging from autoregressive models, variational autoencoders, and normalizing flows, to generative adversarial networks and (latent) diffusion models.
Hinweise zum Modul
Teilnahmevoraussetzungen

Dieses Modul richtet sich an ein fortgeschrittenes Publikum und setzt ein solides Verständnis der Grundlagen des Machinellen Lernens voraus. Dabei sind Erfahrungen im Training von tiefen neuronalen Netzwerken essentiell.
Prüfungszeiten

Am Ende der Vorlesungszeit
Prüfungsleistung Modul

Klausur / mündliche Prüfung / Projektarbeit
Kompetenzziele

Fachkompetenzen
Die Studierenden

  • haben vertiefte Kenntnisse über ausgewählte Anwendungsbereiche des Deep Learnings. Sie kennen verschiedene Lösungsmöglichkeiten für Probleme in diesen Bereichen, kennen deren Vor- und Nachteile und können diese praktisch implementieren und auf eigene Problemstellungen adaptieren.

Methodenkompetenzen
Die Studierenden

  • erarbeiten sich selbstständig unter Zuhilfenahme von Präsenzveranstaltungen, bereitgestellten Materialien und Fachliteratur theoretische 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. Sie übernehmen die Verantwortung für ihre Kompetenzentwicklung und ihre Lernfortschritte und reflektieren diese selbstständig. Zudem erarbeiten sie selbstständig die Lerninhalte und können die Inhalte kritisch reflektieren