Automatisches und Paralleles Deep Learning
| Typ | Seminar |
| Dozent | Torsten Bosse, Alexander Breuer, H. Martin Bücker |
| Credit points | 3 ECTS = 2 SWS |
| Friedolin | Search in Friedolin |
Beschreibung
Unter dem Begriff «Deep Learning» fasst man einen Teilbereich des maschinellen Lernens zusammen, bei dem die zugrundeliegenden Algorithmen durch die Struktur von neuronalen Netzen inspiriert sind. In letzter Zeit sind Deep-Learning-Verfahren besonders stark in den Mittelpunkt des Interesses getreten, da sie maschinelles Lernen im Vergleich zu anderen Verfahren nicht nur besonders einfach benutzbar machen, sondern auch verbesserte Ergebnisse erzielen können. Eine wichtige Eigenschaft in diesem Kontext ist ihre Skalierbarkeit, worunter man eine weitere Verbesserung der mit Ihnen erzielten Ergebnisse bei Hinzunahme von mehr und mehr Daten und damit zunehmender Rechenzeit versteht. Zudem basieren Deep-Learning-Verfahren im Kern auf einer Hierarchie von unterschiedlichen Stufen von Abstraktionen. In diesem Seminar werden unterschiedliche Themen behandelt, die diese mehrstufigen Strukturen gezielt ausnutzen, um Rechenzeiten von Deep-Learning-Verfahren zu reduzieren. Dabei stehen insbesondere automatisierte und parallele Vorgehensweisen im Mittelpunkt des Seminars. Vorkenntnisse in parallelem Rechnen wie beispielsweise aus der gleichnamigen Vorlesung aus dem vorherigen Semester sind hilfreich, aber nicht unbedingt notwendig.
Organisation
Das Seminar findet als Blockveranstaltung statt. Vorbesprechung: Aufgrund der Corona-Krise per Videokonferenz am 2.11.2020 um 12:00 Uhr. Der Link zur Videokonferenz wird in dem zugehörigen Moodle-Lernraum hinterlegt.
Es sind noch Plätze frei. Wer noch teilnehmen möchte, wendet sich bitte an einen der Dozenten.
Studiengänge
Es handelt sich um ein Seminar für interessierte Studierende im Masterbereich von Informatik, Computational und Data Science, Mathematik und naturwissenschaftlichen Studiengängen. Seminar Technische Informatik (FMI-IN0093) sowie Seminar Computational and Data Science (FMI-IN0142).
| Master Computational and Data Science | Wahlpflichtbereich Informatik |
| Master Informatik | Wahlpflichtbereich Informatik und Vertiefung Technische Informatik |
Die Veranstaltung ist auch geeignet für Studierende aus Mathematik und anderen naturwissenschaftlichen Fachrichtungen.