Deep Learning

Dozent:innen: Univ.-Prof. Dr. Andreas Hildebrandt
Kurzname: 08.079.20599
Kurs-Nr.: 08.079.20599
Kurstyp: Vorlesung/Übung

Voraussetzungen / Organisatorisches

Grundkenntnisse in:
- Maschinellem Lernen
- lineare Algebra
- Wahrscheinlichkeitstheorie 

Programmierkenntnisse in Python
Verwendung von Jupyter Notebooks

Digitale Lehre

Die Veranstaltung ist in Präsenz geplant. 

Empfohlene Literatur

- Understanding Deep Learning von Simon J.D. Prince
- Dive into Deep Learning von Aston Zhang, Zachary C. Lipton, Mu Li and Alexander J. Smola

Inhalt

Deep Learning - Praxis und Theorie

Was genau sind Neuronale Netze und wie trainiert man diese Modelle? Wie kann man die Performance messen und verbessern?
Die Ergebnisse von Deep Learning sind längst ein fester Teil unserer Lebensrealität geworden. Ein Beispiel für das Ergebnis ist die folgende Veranstaltungsbeschreibung (in kursiv, generiert mit Chat-GPT 3):

Die Lehrveranstaltung "Deep Learning" bietet Studierenden eine tiefgehende Einführung in die Grundlagen und fortgeschrittenen Konzepte des Deep Learning. Sie basiert auf den Erkenntnissen aus "Understanding Deep Learning" und "Dive into Deep Learning" und ermöglicht es den Teilnehmern, die Theorie hinter neuronalen Netzen sowie deren praktische Anwendung zu verstehen und zu vertiefen.
 
Der Kurs beginnt mit den grundlegenden Konzepten des Deep Learning, wie dem Aufbau von neuronalen Netzen, Aktivierungsfunktionen und Optimierungsmethoden. Schritt für Schritt werden die Teilnehmer in tiefere Themen wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und den Einsatz von Transfer Learning eingeführt.
 
Zudem lernen die Studierenden, wie Deep Learning in verschiedenen Bereichen wie Bildverarbeitung, Sprachverarbeitung und generativen Modellen (z.B. GANs) angewendet wird. Durch eine praxisnahe Einführung in moderne Bibliotheken wie TensorFlow und PyTorch wird die theoretische Grundlage mit praktischen Übungen ergänzt, die das Gelernte festigen.
 
Lernziele:
 
Verständnis der mathematischen und konzeptionellen Grundlagen von Deep Learning.
 
Fähigkeit, einfache und komplexe neuronale Netze zu implementieren und zu trainieren.
 
Kenntnis über moderne Deep-Learning-Architekturen und deren Anwendung.
 
Fähigkeit, Deep-Learning-Modelle auf reale Probleme anzuwenden und deren Leistung zu evaluieren.
 
Nutzung von Frameworks wie TensorFlow und PyTorch zur Implementierung von Deep-Learning-Modellen.
 

Hinweis:
Es gibt dieses Wintersemester eine weitere Vorlesung "Deep Learning - Theorie und Praxis", die von Prof. Wand angeboten wird (Jogustine Veranstaltungsbeschreibung).
Der Schwerpunkt seiner Lehrveranstaltung liegt in der Theorie und der Analyse bzw. er wird der Frage nachgehen, wie und warum tiefe Netze funktionieren.

Zusätzliche Informationen

Sprache: Deutsch (Vorlesung), Englisch (Lehrbücher und evtl. Übungen)

Digitale Lehre

Kurzbeschreibung :
recommended books

Beschreibung:
- Understanding Deep Learning von Simon J.D. Prince https://udlbook.github.io/udlbook/ - Dive into Deep Learning von Aston Zhang, Zachary C. Lipton, Mu Li and Alexander J. Smola https://d2l.ai

Zusatzinformationen

Termine

Datum (Wochentag) Zeit Ort
30.10.2025 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
06.11.2025 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
13.11.2025 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
20.11.2025 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
27.11.2025 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
04.12.2025 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
11.12.2025 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
18.12.2025 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
08.01.2026 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
15.01.2026 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
22.01.2026 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
29.01.2026 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
05.02.2026 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik
12.02.2026 (Donnerstag) 12:00 - 14:00 03 428
2413 - Neubau Physik/Mathematik