Modulbeschreibung
- Fortgeschrittene Themen in Machine Learning
| Nummer |
fml
|
| ECTS | 2.0 |
| Anspruchsniveau | Advanced |
| Inhalt | Machine Learning und insbesondere Deep Learning haben in den letzten Jahren enorm an Aufmerksamkeit gewonnen. Signifikante Verbesserungen konnten in Anwendungsbereichen erzielt werden, die traditionell als einfach für Menschen aber schwierig für Maschinen eingestuft worden waren - insbesondere in Computer Vision Tasks (z.B. Objekt-Erkennung) und Natural Language Processing Tasks (z.B. Sprachübersetzung oder Sprachverständnis). Das Hauptziel hier ist, einige weiterführende und neuere Themen oder Fragestellungen aus der Machine-Learning und Deep Learning-Domäne zu vertiefen und die zugrundeliegenden Konzepte und Ideen zu verstehen. Die unten formulierten Lernergebnisse sind beispielhaft zu verstehen und werden je nach Aktualität ausgewählt und angepasst oder erweitert. |
| Lernergebnisse | Generative Modelle Die Studierenden kennen die Grundlagen von generativen Modellen - deren Beschreibung sowie diese trainiert und angewendet werden können. Als Beispiele von generativen Modellen kennen sie Generative Adversarial Networks (GAN), Variational Autoencoder (VAE) oder Autoregressive Generative Modelle (PixelRNN , PixelCNN), kennen deren Anwendungsbereiche, können sie in einem geeigneten Framework implementieren und verstehen die Schwierigkeiten, die beim Training auftreten können. Objekt-Erkennung in Bildern Studierende kennen die Komponenten einer Objekt-Erkennungs-Pipeline (Segmentierung, Lokalisierung, Objekt-Erkennung, ...) sowie die wichtigsten Algorithmen für deren Implementierung (z.B. Faster R-CNN, YOLO, SSD) sowie deren Funktionsweise und Performance-Charakteristiken. Ausserdem können sie diese Komponenten in Anwendungen einbinden. Attention Mechanismus Die Studierenden kennen das Konzept des Attention-Mechanismus und wie das in der Transformer-Architektur (z.B. für Sprach-Übersetzung) umgesetzt wird. Fortgeschrittene Anwendungen und Komplexe Architekturen Die Studierenden kennen einige fortgeschrittene Anwendungen von Deep Learning, insbesondere auch solche, die verschiedene Architekturen kombinieren. Beispielsweise werden für Image-Captioning CNNs und RNNs kombiniert, um zu Bildern automatisch eine Legende oder eine Beschreibung des Bildes zu generieren. |
| Modulbewertung | Note |
| Baut auf folgenden Modulen auf |
|
| Modultyp | Portfoliomodul |
Diese Seite teilen: