ErweiternDruck
 

Deep Learning Lab

 

Inhalt:

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 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 erarbeiten sich die Studierenden selbstständig, anhand vorgegebener Übungsaufgaben, grundlegende Kenntnisse der Programmiersprache Python und der benötigten Bibliotheken für die folgenden Aufgaben.

 

• In der zweiten Phase sollen die Studierenden Aufgaben zu einigen Methoden des Maschinellen Lernens bearbeiten, die in der Vorlesung Mustererkennung vorgestellt worden sind.

 

• In der dritten Phase, der sog. Machine Learning Challenge, sollen die erlernten Methoden selbstständig zur Lösung eines Problems angewendet werden.

 

Die Studierenden bekommen hier echte Daten (ggf. aus dem industriellen Anwendungsbereich) zur Verfügung gestellt und haben die Aufgabe mit den erlernten Methoden ein eigenes System zur Mustererkennung zu entwickeln. Die Studierenden sollen dabei im Wettbewerb untereinander eine bestmögliche Performanz ihres Systems erzielen.

 

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.

 

Vorab wird ein Besuch der Lehrveranstaltung Mustererkennung im Wintersemester (oder einer vergleichbaren Veranstaltung) als Grundlage für die Lehrveranstaltung empfohlen.

 

Die Ergebnisse der ersten beiden Phasen werden im Rahmen eines Kolloquiums mit einem Betreuer abgefragt. Die Ergebnisse der Machine Learning Challenge werden von den einzelnen Teams bei einer Abschlussveranstaltung vorgestellt.

 

Dozent: Prof. Tim Fingscheidt

Assistent: Samy Elshamy, Maximilian Strake, Jan-Aike Bolte

 

Labor (DLL Lab) (ET-NT-111):

 

Umfang (SWS): 4h =  5 LPs

Zeit: individuell gestaltbar

Ort: R 316 CIP Pool IfN

Kickoff Termin: 16.04.2018 (15:00-16:00)

Sprache: deutsch / englisch

 

 

 

 

 

Aktuelles

03.01.2018

Die Anmeldung ist nun per E-Mail an Frau Erichsen-Rua möglich. Für eine erfolgreiche Anmeldung wird Name, Vorname, Matrikelnummer, Studiengang und die E-Mail Adresse benötigt.

 

13.03.2018

Die 30 vorgesehenen Plätze sind belegt, alle neuen Anfragen werden auf einer Warteliste notiert.

 

Kickoff Termin: 16.04.2018 von 15:00-16:00 Uhr im R 316 CIP Pool IfN

Vorstellung des Ablaufs der Lehrveranstaltung.

 

 

 
 

Letzte Änderung: Donnerstag, 21. Juni 2018