Aktuelles

Studiengang

Master-Studiengang Informatik

Leistungspunkte

5 LP

Lehrveranstaltungen

• Vorlesung „Unsupervised Deep Learning with applications in image analysis",  2 SWS, Mo. 12:30 - 14 Uhr, Seminarraum HS 5A
• Übung, 2 SWS, Mo. 14:30 - 16 Uhr, HS 5G

Kurssprache

Englisch

Inhalte

Algorithmen des maschinellen Lernens zeichnen sich durch ihre Fähigkeit aus, Lösungen für bestimmte Probleme anhand von Daten zu lernen, ohne dass eine explizite Programmierung der Rechenschritte erforderlich ist. Das gebräuchlichste Paradigma ist das überwachte Lernen aus annotierten Beispieldaten, wobei Fehler bei der Verarbeitung der Beispieldaten quantifiziert und zur Steuerung des Lernprozesses verwendet werden. Bei vielen Anwendungen ist es jedoch aufwändig oder sogar unmöglich, ausreichend annotierte Daten für das Lernen zu erstellen, obwohl oft große Mengen an nicht annotierten Daten verfügbar sind. Unüberwachtes Lernen löst dieses Problem, indem es lernt, Muster in nicht annotierten Daten zu finden. Dies impliziert in der Regel weniger klar definierte Lernziele und erfordert die Ableitung robuster und effizienter Merkmalsrepräsentationen für die gegebenen Daten. In dieser Veranstaltung konzentrieren wir uns auf unüberwachte Methoden für Deep Learning Modelle, mit Anwendungen in der Bildanalyse.

• Kurze Einführung in die grundlegenden Architekturen neuronaler Netze für die Bildanalyse und damit verbundene Trainingstechniken
• Überblick über ausgewählte klassische Ansätze zur Dichteschätzung als mathematische Grundlage
•  Verschiedene Formen von tiefen generativen Modellen, einschließlich Autoencoder, Generative Adversarial Networks und Normalizing Flows
• Spezifische Betrachtung des Teilgebiets „self-supervised learning“, bei dem Lernsignale auf der Grundlage selbst definierter Ziele aus den Trainingsdaten abgeleitet werden, einschließlich aktueller Methoden wie „contrastive learning“ und „twin networks“
• Anwendung der genannten Ansätze auf reale Probleme in den Übungen, mit einem Schwerpunkt auf Bildanalyseproblemen

Lernergebnisse/Kompetenzen

Nach erfolgreicher Teilnahme an den Veranstaltungen dieses Moduls können die Studierenden

• wesentliche Strategien für das Lernen von Repräsentationen in Abwesenheit von Trainingsbeispielen beschreiben,
• die mathematische Motivation von Autoencodern, GANs und Flow Networks erklären,
• Stärken und Schwächen der verschiedenen Ansätze abwägen, um praktikable Lösungen für ein gegebenes Problem zu identifizieren, und
• selbständig ein geeignetes Modell implementieren und trainieren, um grundlegende Probleme der Bildanalyse zu lösen.

Verwendbarkeit des Moduls

• Wahlpflichtbereich Praktische oder Technische Informatik
• Schwerpunktbereich
• Individuelle Ergänzung
• Anwendungsfach für den Ergänzungsbereich im Master-Studiengang Mathematik
• Wahlbereich im Master-Studiengang Artificial Intelligence and Data Science

Teilnahmevoraussetzungen

• Formal: Bachelor-Studierende müssen die Voraussetzungen für den Vorgriff auf Mastermodule erfüllen.
• Inhaltlich: Inhalte der Module Deep Learning (empfohlen) und Machine Learning

Modulbeauftragte und hauptamtliche Lehrende

Prof. Dr. Timo Dickscheid