Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden    Semester: WiSe 2020/21      Switch to english language    Hilfe    Sitemap
Logout in [min] [minutetext]

Info zur Überschrift : Deep Learning Lab (Modulnr.: ET-NT-59)

Hinweis :
Leistungspunkte:

5

Workload:

150 h

SWS:

4

Anzahl Semester:

1

Qualifikationsziele:

Das Deep Learning Lab soll dazu dienen, die Fachkenntnisse der Studierenden im Bereich der Mustererkennung bzw. des Machine Learnings mittels praktischer Anwendung zu vertiefen. Durch Implementierung und Parametrierung wichtiger Klassifikationsalgorithmen wie linearer Trennfunktionen, Support-Vektor-Maschinen und neuronaler Netze sollen wichtige Methodenkompetenzen erlangt werden. Auch moderne und neuartige Methoden des Lernens besonderer tiefer neuronaler Netze sind Bestandteil dieses Praktikums. Als Motivation zum weiterführenden Selbststudium arbeiten die Studierenden ausschließlich mit frei verfügbaren Datensätzen, der freien Programmiersprache Python und Open-Source-Software-Bibliotheken. Für die aufwendigen Berechnungen der dazugehörigen Trainingsalgorithmen wird den Studierenden aktuelle zentralisierte GPU-Hardware zur Verfügung gestellt. Das Deep Learning Lab unterteilt sich in 3 Praxisphasen:  In der ersten Phase bekommen die Studierenden eine interaktive Einführung in die Programmiersprache Python und die benötigten Bibliotheken.  In der zweiten angeleiteten Praxisphase sollen die Studierenden Aufgaben zu den genannten Methoden bearbeiten.  In der dritten Praxisphase, der sog. Deep Learning Challenge werden die vermittelten Methoden dann selbständig angewandt. Die Studierenden bekommen hier echte Daten aus dem industriellen Anwendungsbereich zur Verfügung gestellt und haben die Aufgabe mit den gelernten Methoden ein eigenes System zur Mustererkennung zu entwickeln. Die Studierenden sollen dabei im Wettbewerb untereinander eine bestmögliche Erkennungsgenauigkeit mit ihrem System erreichen. Zur Förderung der Teamfähigkeit werden das Praktikum und der anschließende Wettbewerb in kleinen Gruppen von 2-3 Personen durchgeführt. Die maximale Anzahl der Teilnehmer ist auf 30 begrenzt. Ein Besuch der Lehrveranstaltung Mustererkennung im Wintersemester für eine Vertiefung der Lehrinhalte wird empfohlen. Die Ergebnisse der ersten und zweiten Praxisphase des Deep Learning Labs werden in einem Kolloquium mit den betreuenden Mitarbeitern besprochen. Die Systeme der Deep Learning Challenge werden in kurzen Präsentationen vor den anderen Gruppen und ggfs. Vertretern der datengebenden Unternehmen in einer Abschlussveranstaltung vorgestellt.

Inhalte:

 Qualitätsmaße der Mustererkennung  Lineare Trennfunktionen, einschichtiges Perzeptron  Support-Vektor-Maschinen (SVMs)  Neuronale Netze (NNs)  Methoden des tiefen Lernens neuronaler Netze

Lernformen:

Praktikum und Kolloquium

Prüfungsmodalitäten:

Studienleistung: Erfolgreiche Bearbeitung der Praktikumsaufgaben und Kolloquium zum Inhalt der Aufgaben, Präsentation der Ergebnisse der Deep Learning Challenge

Literatur:

- R.O. Duda, P.E. Hart, D.G. Stork: Pattern Classification, Wiley, 2001 - C.M. Bishop: Pattern Recognition and Machine Learning, Springer, 2006 - I. Goodfellow, Y. Bengio, A. Courville: Deep Learning, MIT Press, 2016

Modulverantwortlicher:

Fingscheidt, Tim, Prof. Dr.-Ing.

Einrichtungen Institut für Nachrichtentechnik

Server: LSF35 Impressum & Datenschutz            Erklärung zur Barrierefreiheit