Spezialisierungskurse

Verantwortlich: Prof. Dr. Marius Lindauer

Beschreibung: Die Studierenden lernen die grundlegenden Prinzipien des maschinellen Lernens kennen - sowohl für das traditionelle maschinelle Lernen als auch für das Deep Learning. Nach erfolgreichem Abschluss des Kurses sind die Studierenden in der Lage, Methoden der Hyperparameteroptimierung und der neuronalen Architektursuche zu erklären und auf neue Probleme (Datensätze) anzuwenden. Insbesondere werden sie in der Lage sein, diese Methoden praktisch anzuwenden, um die Leistung von Algorithmen des maschinellen Lernens auf z.B. Tabellendaten oder Bilddaten zu optimieren. Der Lehrplan umfasst: Entwurfsräume im ML, Experimentieren und Visualisierung, Hyperparameter-Optimierung (HPO), Bayes'sche Optimierung, andere Black-Box-Techniken, Beschleunigung der HPO mit Multi-Fidelity-Optimierung, Architektursuche I + II, Dynamische Ansätze, Beyond AutoML: Algorithmus-Konfiguration.

Credits: 5

Sprache: Englisch

Verantwortlich: Prof. Dr. Bodo Rosenhahn

Beschreibung: Computer Vision (oder Machine Vision) beschreibt allgemein die algorithmische Lösung von Aufgaben, die auf den Fähigkeiten des menschlichen Sehsystems basieren. Die Lehrveranstaltung Computer Vision bildet eine Schnittstelle zu den Lehrveranstaltungen Digitale Signalverarbeitung, Digitale Bildverarbeitung, Maschinelles Lernen und Computational Scene Analysis und deckt mittlere Methoden der Bildanalyse ab. Dazu gehören Segmentierungsalgorithmen (aktive Konturen, Graph-Cut), Merkmalsextraktion (Features), optischer Fluss oder Markov-Chain-Monte-Carlo-Methoden (Partikelfilter, simuliertes Annealing usw.). Außerdem wird ein Gesamtüberblick über das Forschungsgebiet gegeben. Der Stoffplan umfasst u.a. Hough-Transformation, Punktmerkmale, Segmentierung, optischer Fluss, Matching, Markov-Chain-Monte-Carlo-Methoden.

Credits: 5

Sprache: Deutsch

Verantwortlich: Prof. Dr. Avishek Anand

Beschreibung: Die Studierenden verstehen die Grundlagen des Deep Learning, in dem sie Modellierung, Training und Optimierung in der Anwendung von Texten, Bildern und Graphen beherrschen. Der Lehrplan umfasst: Grundlagen neuronaler Netze, Training, Optimierung und Regularisierung beim Deep Learning, Convolutional Neural Networks (CNNs), rekurrente neuronale Netze, tiefe generative Modellierung, Lernen von Repräsentationen in Texten, Repräsentationslernen für Graphen, Anwendung: Bildbeschriftung, Beantwortung von Fragen. Dieser Kurs behandelt sowohl die Grundlagen als auch die Implementierungsaspekte von tiefen neuronalen Netzen für eine Vielzahl von Aufgaben. Dabei wird der Schwerpunkt auf erfolgreichen Anwendungen von Deep Learning liegen und warum reichhaltige Repräsentationen für diese Anwendungen vielversprechend sind.

Credits: 5

Sprache: Englisch

Verantwortlich: Prof. Dr. Marius Lindauer

Beschreibung: In den letzten Jahren hat das Reinforcement Learning (RL) einige der beeindruckendsten Ergebnisse im Bereich des maschinellen Lernens (ML) hervorgebracht, insbesondere in Spielen (wie dem Go-Spiel) und in der Robotik (z.B. RoboCup oder autonom navigierende Roboter). Die Betrachtung des ML-Modells als einen Agenten, der in einer Umgebung agiert, ermöglicht das Lernen durch Versuch und Irrtum und damit Schlussfolgerungen, die über menschliches Expertenwissen hinausgehen. RL ist ein sich schnell entwickelnder Bereich, in dem ständig neue Algorithmen und Anwendungen entwickelt werden. Daher werden in diesem Kurs zunächst die mathematischen Grundlagen von RL vermittelt und ein Überblick über die bisherige Entwicklung dieses Bereichs gegeben. Am Ende des Kurses werden die Teilnehmer in der Lage sein, den aktuellen Stand der RL-Forschung zu verstehen und die theoretischen Grundlagen der verschiedenen RL-Ansätze zu begründen. In den begleitenden Übungen werden Sie in die Implementierung verschiedener RL-Algorithmen sowie in die allgemeine RL-Pipeline eingeführt, einschließlich Lernumgebungen, Agentenbewertung und Hyperparametereinstellungen. Am Ende des Kurses werden Sie Ihre neuen Kenntnisse in einem interessanten RL-Projekt Ihrer Wahl anwenden. Der Stoffplan umfasst u.a. Markov-Entscheidungsprozesse, Wertfunktionsapproximation, Policy Search, modellbasiertes RL, Deep RL und Meta-RL.

Credits: 5

Sprache: Englisch

Verantwortlich: Prof. Dr. Sören Auer

Beschreibung: Die Kursteilnehmer erhalten ein Verständnis für die Grundlagen des Knowledge Engineering, wie Ontologien & Wissensgraphen, Reasoning, Inferenz. Darüber hinaus werden theoretische und praktische Kenntnisse und Erfahrungen mit etablierten W3C-Standards zum Datenaustausch (RDF, SPARQL, RDFa, Microdata) und etablierten Semantic Web Technologien vermittelt. Ziel ist es, die Fähigkeit zu erwerben, Wissensmodelle und Ontologien zu verstehen, zu interpretieren und zu entwerfen. Der Lehrplan umfasst Wissensrepräsentation mit RDF, Ontologien mit RDF-S und OWL, SPARQL-Abfragesprache.

Credits: 5

Sprache: Englisch

Verantwortlich: Prof. Dr. Ralph Ewerth

Beschreibung: Visual Analytics befasst sich mit der Analyse, Aufbereitung und visuellen Darstellung großer und komplexer Datensätze mit dem Ziel, dass Menschen neue Informationen und Erkenntnisse aus den Daten gewinnen können. Zu den Lernzielen gehört, dass die Studierenden die Grundlagen der notwendigen Schritte zur Datenvorverarbeitung sowie die Grundlagen der menschlichen visuellen Wahrnehmung kennen und verstehen lernen. Darüber hinaus lernen die Studierenden Visualisierungstechniken für verschiedene Datentypen wie räumliche Daten oder Diagramme kennen und können deren Vor- und Nachteile einschätzen. Ebenso lernen die Studierenden verschiedene Konzepte und Techniken der Interaktion kennen und können deren Vor- und Nachteile einschätzen. Schließlich sollen die Studierenden in der Lage sein, interaktive Systeme zur Informationsvisualisierung insgesamt zu beurteilen und Visualisierungstechniken mit Hilfe geeigneter Softwarebibliotheken selbständig zu implementieren. Die folgenden Themen werden in der Vorlesung behandelt: Einführung in die interaktive Daten- und Informationsvisualisierung, Datentypen und grundlegende Verarbeitungsschritte, Menschliche Wahrnehmung und Informationsverarbeitung, Visualisierung von räumlichen und geographischen Daten, Visualisierung von Bäumen, Graphen und Netzwerken, Visualisierung von Texten, Dokumenten und Multimediadaten, Interaktion: Konzepte und Techniken, Entwurf effektiver Visualisierungen und Vergleich und Bewertung von Visualisierungstechniken und -systemen.

Credits: 5

Sprache: Deutsch