Computer Lab Mustererkennung

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: Renzheng Shi

Labor (PATREC Lab) (Modul-Nr.: 2424133):
 
Umfang (SWS): 4h =  5 LPs
Zeit: individuell gestaltbar
Ort: Online
Sprache: englisch

Anmeldung und Ablauf

A kick-off event will take place at the begining og each semester. The kick-off event in SoSe 25 will take place on 08.04.2025, 10:00 at SN22.2 for maximum of 1 hour. The registration via the stud.IP event is already open and will stay open until 11.01.2025 23:59:59. A subsequent registration is not possible. All futher infromantion will be published in stud.IP and at the kick-off. Participation in the kick-off event is not a requirement - slides will afterwards be uploaded to stud.IP.

Please read the stud.IP announcement regarding the Element chat.