• Prof. Dr. Andreas Peter Dominik

• Prof. Dr. Andreas Peter Dominik
• Prof. Dr. Seyed Eghbal Ghobadi
• Prof. Dr. Cornelia Meckbach

Keine

Hinreichende Kenntnisse in Softwareengineering; möglichst Erfahrungen in objektorientierter und funktionaler Programmierung. Grundlegendes Verständnis einfacher neuronaler Netze (MLP, CNN, RNN) z.B., aus einer KI-Grundlagenvorlesung im Bachelor oder Master.

Die Studierenden entwickeln selbst unter Anleitung aktuelle Architekturen tiefer neuronaler Netze (z.B. Transformers, WaveNets, usw.). An Beispielen der eigenen Implementierungen werden Tricks und Kniffe, sowie Lösungen allfälliger Probleme beim Design tiefer neuronaler Netze erkundet und erklärt.

• Aktuelle Architekturen künstlicher neuronaler Netze (z.B. Transformer, GANs, Single-Shot-Networks, convolutional Autoencoder, VAEs usw.)
• Anwendungen, Möglichkeiten und Grenzen von Attention-Mechanismen
• Implementierung von Algorithmen des Deep-Learning für CPU und GPU
• Optimierung von Deep-Learning-Modellen
• Fähigkeiten und Limitierungen sogenannter KI-Systeme

Fachkompetenzen

• Die Studierenden können die neuesten Entwicklungen im Bereich der Architekturen im Deep Learning beschreiben und erklären.
• Sie können geeignete Architekturen für spezifische Anwendungsbereiche auswählen.
• Sie können den Begriff KI erklären und in unterschiedlichen Anwendungsdomänen einordnen.

Methodenkompetenzen (fachlich & überfachlich)

• Die Studierenden sind in der Lage, moderne Architekturen des Deep Learning zu implementieren.
• Sie können Methoden und Experimente anwenden, um Modelle im Deep Learning zu evaluieren und zu optimieren.

Sozialkompetenzen

• Die Studierenden sind in der Lage, ihr erworbenes Spezialwissen der Gruppe weiter zu geben.
• Sie können ihre Rolle als KI-Experte gegenüber Anwendern vertreten und Eigenschaften und Limitierungen von KI-Systemen kommunizieren.

Selbstkompetenzen

• Die Studierenden können sich aktiv in die Konzeptionierung und Implementierung von Systemen der Künstlichen Intelligenz einbringen.
• Sie können realistisch die Möglichkeiten und Grenzen von KI im Anwendungskontext reflektieren.

• 6 CrP
• Arbeitsaufwand 180 Std.
• Präsenzzeit 60 Std.
• Selbststudium 120 Std.

• 4 SWS
• Praktikum 4 SWS
• Seminaristischer Unterricht

• Informatik (M.Sc. 2022)
• Ingenieur-Informatik (M.Sc. 2022)

Ja

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

Prüfungsvorleistung: Regelmäßige Teilnahme am Praktikum (mindestens 80% der Zeit)

Prüfungsleistung: Projekt (Präsentation der Ergebnisse und Abgabe der Projektdokumentation) (Art und Umfang des Leistungsnachweises wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

• Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning. MIT Press.
• Karpathy, A.: Andrejs Blog. http://karpathy.github.io/
• Olah, C.: colahs Blog. https://colah.github.io/
• Bengio, Y; LeCun, Y.; Hinton, G.: Turing Lecture. Deep Learning for AI. Comm. ACM, 2018 (64), 58-65.
• Li, F.-F.: Homepage of the Computer VisionLab. Stanford University. https://svl.stanford.edu/
• Cho, K.; Olah, C.: Transformers in Natural Language Processing. Packt Publishing.
• Foster, D.: Generative Deep Learning. O’Reilly.