• Prof. Dr. Andreas Peter Dominik

• Prof. Dr. Franz Cemic
• Prof. Dr. Andreas Peter Dominik
• Prof. Dr. Cornelia Sigges

Für Bachelor Applied Data Science

DS1006 Data Science Projekt

Für Bachelor Informatik:

Keine

II2520 Einführung in Deep Learning oder gleichwertige Kenntnisse

Der Kurs bietet eine Einführung in fortgeschrittene Deep-Learning-Techniken, wie beispielsweise Transfer Learning, semi-supervised Learning oder Reinforcement Learning sowie in aktuelle Entwicklungen.

• Erweiterte Architekturen und Techniken:
  • Erweiterungen von CNNs (Attention, ResNet, WaveNet, und weitere)
  • Transformer
  • Large Language Models (LLMs)

• Transfer Learning:
  • Pre-trained Models
  • Fine-Tuning von LLMs

• Generative Modelle:
  • Variational Autoencoders
  • GANs, VAE-GANs
  • Diffusion
  • Sequence-to-Sequence Networks

• Reinforcement Learning:
  • Einführung und Grundlagen
  • Erste Einführung in Deep Q- und Policy Gradient Networks

• Anwendung:
  • Datenvorbereitung und Augmentation
  • Modellevaluation und Optimierung:
  • Hyperparameter Tuning
  • Modellinterpretation
  • Erklärbarkeit

• Aktuelle Entwicklungen und Forschung:
  • Erarbeitung neuer Ergebnisse anhand von Originalliteratur
  • Diskussion von State-of-the-Art-Techniken.

Fachkompetenzen

• Die Studierenden können fortgeschrittene Deep-Learning-Architekturen beschreiben sowie ihre Funktionsweise und Implementation erklären. Die Studierenden sind dadurch in der Lage, ein tiefgreifendes Verständnis solcher Architekturen zu demonstrieren.
• Sie können die aktuelle Forschung und den aktuellen Stand in der Entwicklung des Deep Learning benennen.
• Sie können Möglichkeiten und Grenzen des Deep Learning in unterschiedlichen Anwendungsdomänen benennen und erläutern.
• Sie können für verschiedene Anwendungsfälle die geeignetste Architektur und Technik des Deep-Learnings auswählen

Methodenkompetenzen (fachlich & überfachlich)

• Die Studierenden können eigene Deep-Learning-Modelle mit Hilfe von Frameworks erstellen und anwenden.
• Sie können Techniken zur Datenvorbereitung gezielt anwenden.
• Sie können Ergebnisse und ihre Relevanz für eine Anwendung beurteilen.

Sozialkompetenzen

• Die Studierenden können effektiv in Teams arbeiten, um gemeinsame Ziele zu erreichen und Projekte erfolgreich abzuschließen.
• Sie können konstruktives Feedback zur Verbesserung der eigenen Arbeit geben und annehmen.

Selbstkompetenzen

• Die Studierenden können eigenständig ihre Lern- und Arbeitsprozesse organisieren sowie effektiv ihre Zeit managen.
• Sie erkennen die Notwendigkeit und haben die Bereitschaft, kontinuierlich neues Wissen zu erwerben und sich selbstständig in neue Themengebiete einzuarbeiten.

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

• 4 SWS
• Seminaristischer Unterricht 2 SWS
• Praktikum 2 SWS

• Bioinformatik (B.Sc. 2022)
• Informatik (B.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:

Übungsaufgaben (75% der Aufgaben)

(Aufgabe gilt nur bei Anwesenheit als erbracht)

(Anzahl der Übungsaufgaben wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

Prüfungsleistung:

Klausur oder Projekt oder mündliche Prüfung

(Art des Leistungsnachweises wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

• Goodfellow, I.; Bengio, J; Courville, A.: Deep Learning. MIT Press.
• Chollet, F.: Deep Learning with Python. Manning.
• Sutton, R.S.; Barto, A.G.: Reinforcement Learning. An Introduction. MIT Press.
• Aktuelle wissenschaftliche Paper und Artikel (werden während des Kurses bekannt gegeben)