Einführung in Tiefe Lernverfahren
Semester

jedes Wintersemester

Inhalte

Die Vorlesung gibt einen grundlegenden Überblick zu Grundlagen, Methoden und Anwendungen tiefer Lernverfahren. Der Studierende wird einen allgemeinen Überblick über maschinelles Lernen und tiefe Lernverfahren erhalten, mit zahlreichen Beispielanwendungen und Hinweisen für die Praxis. In den Details werden sowohl Methoden und Modelle vorgestellt, verfügbarer Framworks diskutiert, und anhand von kleinen Beispielen erste praktische Arbeiten mit tiefen Lernverfahren in Tensorflow durchgeführt.

  • Geschichtliches und Hintergrund
  • Mathematische Grundlagen
  • Grundlegende Konzepte des maschinellen Lernens
  • Multi-Layer-Perzeptron und deren grundlegenden Elemente
  • Techniken des erfolgreichen Trainings
  • Convolutional Neural Networks
  • Rekurrente und rekursive Netze
  • Softwareumgebungen und Bibliotheken
  • Aktuelle Entwicklungen und ungelöste Probleme

Lern- und Qualifikationsziele: Überblick über die Möglichkeiten und Grenzen tiefer Lernverfahren, Grundkenntnisse der zugrundeliegenden mathematischen Konzepte, praktische Arbeit mit verfügbaren Frameworks. Am Ende der Vorlesung soll der Studierende in der Lage sein, klassische Probleme des maschinellen Lernens zu analysieren, entsprechend geeignete Modelle auszuwählen und anhand eines existierenden Frameworks, wie Tensorflow, zu lösen.

Grundlage der Vorlesung ist das Lehrbuch von Goodfellow et al., das als Textbuch dringend empfohlen wird. Das Buch ist derzeit noch online verfügbar. Die Folien der Vorlesung werden ergänzend als Skript zur Verfügung gestellt.

Moduldaten

Wahlpflichtmodul für den M.Sc. Bioinformatik
Wahlpflichtmodul “Maschinelles Lernen” (3LP) für den M.Sc. Informatik
Wahlpflichtmodul für den M.Sc. Computational and Data Science