EL500: Maschinelles Lernen und Deep Learning

Die Studierenden besitzen einen Überblick über neuronale Netze und deren Algorithmen für supervised und unsupervised Anwendungen. Sie kennen die wichtigsten Deep Learning Netzstrukturen und Lernverfahren. Sie können Deep Learning Systeme erstellen und anwenden sowie die Lernperformance bewerten. Sie können Datenpipelines für einfache Anwendungen erstellen. Sie besitzen Kenntnisse in der Verarbeitung von sequentiellen Daten. Die Studierenden können ein Deep Learning System mit einem Framework programmieren.

Die Studierenden können konkrete Aufgabenstellungen in eine für Maschinelle-Lernen-Anwendungen geeignete mathematische Problemstellung transformieren. Die Studierenden können die Ergebnisse von Maschinellen-Lern-Methoden interpretieren.

Die Studierenden werden befähigt, den eigenen Wissensstand einzuschätzen, Lücken zu erkennen und aufzuarbeiten. Sie lernen verschiedene Methoden der Erarbeitung eines neuen Stoffs kennen und sich eigenständig zu organisieren.

Die Studierenden erlernen, die Fachinhalte in Gruppen zu diskutieren und Wissenslücken gegenseitig zu schließen.

• Grundlagen künstlicher neuronaler Netze
• Deep Learning Netzstrukturen
• Deep Convolutional Netze
• Rekurrente Netze mit LSTM Einheiten
• Attention und Transformer
• Generative Modelle
• Anwendungen in verschiedenen Domänen
• Nutzung von Programmierframeworks

Erforderlich: Kenntnisse zu Programmieren in Python. Wünschenswert: Grundkenntnisse in Bildverarbeitung und Statistik

• Ethem Alpaydin: Introduction to Machine Learning. MIT Press 2010.
• Christipher M. Bishop: Pattern Recognition and Machine Learning, Springer Verlag 2006.
• Christipher M. Bishop: Neural Networks for Pattern Recognition. Clarendon Press 1996.
• Trevor Hastie, Robert Tibshirani, Jerome Friedman: The Elements of Statistical Learning. Springer Verlag 2011.
• Daphne Koller, Nir Friedman: Probabilistic Graphical Models. MIT Press 2010.
• Kevin P. Murphy: Machine Learning: A Probabilistic Perspective. MIT Press 2012.