Inhalt
Das Computer Lab Mustererkennung soll Studierenden mit theoretischen Vorkenntnissen im Bereich Machine Learning eine praktische Einführung in den Bereich Machine Learning und insbesondere Deep Learning bieten. Es wird zunächst eine Einführung in die Programmiersprache Python geben und anschließend eine Einführung in die Deep Learning Bibliotheken PyTorch und Tensorflow geben. Danach wird anhand von konkreten Beispielen aus den Bereichen Bildverarbeitung und Sprachverarbeitung die konkrete Anwendung dieser Deep Learning Bibliotheken geübt. Das Labor besteht aus 7 Units, von denen mindestens 6 bestanden werden müssen. Die Aufgaben werden auf einem Jupyterhub stattfinden. Alle 2 Wochen wird eine Unit verfügbar gemacht, die dann bearbeitet wird und anschließend abgegeben wird. Im Detail werden die folgenden Themen in den 7 Units des Computer Labs bearbeitet:
- Interaktive Einführung in die Grundlagen von Python mit Jupyter-Notebooks, Grundlagen der Datenverarbeitung, -aufbereitung und –visualisierung
- Nutzung von Single-Layer-Machine-Learning-Modellen zur Lösung eines Zwei-Klassen-Problems: Support-Vector-Maschinen (auf Basis der libsvm) im Vergleich zu einem neuronalen Netz. Aufteilung und Nutzung von Datensätzen, Anwendung passender Metriken zur Evaluierung, Nutzung von High-Level Machine-Learning-Bibliotheken wie SciKit-Learn
- Nutzung von tiefen neuronalen Netzwerken zur Lösung eines Vielklassen-Klassifizierungs-Problems, Kennenlernen von anerkannten akademischen Datensätzen wie MNIST und CIFAR-10, Einführung in die Nutzung der Deep-Learning-Bibliotheken PyTorch und Tensorflow, Nutzung und Anpassung von vortrainierten Modellen
- Nutzung von Faltungsnetzwerken zur Lösung von anspruchsvolleren Bildverarbeitungs-Problemen wie der semantischen Segmentierung und der Tiefenschätzung, Nutzung von Regularisierungsmethoden im Training
- Nutzung von vielfältigen Kostenfunktionen zur Optimierung von neuronalen Netzwerken, Implementierung von generativen Modellen wie Generative Adversarial Networks (GANs)
- Nutzung von rekurrenten neuronalen Netzwerken zur Lösung von Problemen auf Basis von Zeitreihendaten, Anwendung von Konzepten zur Anomaliedetektion
- Nutzung von rekurrenten neuronalen Netzwerken zur Sprachverarbeitung am Beispiel der Störgeräuschreduktion, Analyse von neuronalen Netzwerken in Bezug auf ihre Komplexität (FLOPs, Anzahl Parameter)
Dozent: Prof. Dr.-Ing. Tim Fingscheidt
Assistent: Timo Bartels
Labor (PATREC Lab) (Modul-Nr.: 2424133):
Umfang (SWS): 4h = 5 LPs
Zeit: individuell gestaltbar
Ort: Online
Sprache: deutsch / englisch
Anmeldung und Ablauf
Dies ist die Website für das Sommersemester. Anmeldeinformationen für das Wintersemester finden sie hier.