Spezialisierungskurse

Verantwortlich: Prof. Dr. rer. nat. Marius Lindauer
Institut für Künstliche Intelligenz

Beschreibung: Die Studierenden lernen die grundlegenden Prinzipien des maschinellen Lernens kennen, sowohl im Bereich des klassischen maschinellen Lernens als auch des Deep Learnings. Nach erfolgreichem Abschluss des Kurses sind sie in der Lage, Methoden der Hyperparameteroptimierung und der neuronalen Architektursuche zu erklären und auf neue Problemstellungen beziehungsweise Datensätze anzuwenden. Insbesondere werden sie befähigt, diese Verfahren praktisch einzusetzen, um die Leistung von Algorithmen des maschinellen Lernens auf beispielsweise Tabellendaten oder Bilddaten gezielt zu verbessern.
Der Lehrplan umfasst folgende Inhalte: Entwurfsräume im maschinellen Lernen, Experimentieren und Visualisierung, Hyperparameteroptimierung (HPO), Bayes'sche Optimierung, weitere Black-Box-Verfahren, Beschleunigung der HPO durch Multi-Fidelity-Optimierung, Architektursuche I und II, dynamische Ansätze sowie Beyond AutoML: Algorithmuskonfiguration.

Leistungspunkte: 5

Sprache: Englisch

Verantwortlich: Prof. Dr.-Ing. Bodo Rosenhahn
Institut für Informationsverarbeitung

Beschreibung: Computer Vision (auch Machine Vision genannt) bezeichnet allgemein die algorithmische Lösung von Aufgaben, die auf den Fähigkeiten des menschlichen Sehsystems basieren. Die Lehrveranstaltung „Computer Vision“ bildet eine Schnittstelle zu den Modulen Digitale Signalverarbeitung, Digitale Bildverarbeitung, Maschinelles Lernen und Computational Scene Analysis und behandelt fortgeschrittene Methoden der Bildanalyse.
Zu den behandelten Verfahren zählen unter anderem Segmentierungsalgorithmen (aktive Konturen, Graph-Cut), Merkmalsextraktion (Features), optischer Fluss sowie Markov-Chain-Monte-Carlo-Methoden (z. B. Partikelfilter, simuliertes Annealing). Darüber hinaus erhalten die Teilnehmenden einen umfassenden Überblick über das Forschungsgebiet.
Der Lehrplan umfasst unter anderem: Hough-Transformation, Punktmerkmale, Segmentierung, optischen Fluss, Matching und Markov-Chain-Monte-Carlo-Verfahren.

Leistungspunkte: 5

Sprache: Deutsch

Verantwortlich: Dr. Sandipan Sikdar
Institut für Data Science

Beschreibung: Die Studierenden erwerben ein fundiertes Verständnis der Grundlagen des Deep Learning, indem sie Modellierung, Training und Optimierung in der Anwendung auf Texte, Bilder und Graphen beherrschen.
Der Lehrplan umfasst unter anderem: Grundlagen neuronaler Netze, Training, Optimierung und Regularisierung im Deep Learning, Convolutional Neural Networks (CNNs), rekurrente neuronale Netze, tiefe generative Modelle, Repräsentationslernen in Texten, Repräsentationslernen für Graphen sowie Anwendungen wie Bildbeschreibung und Fragebeantwortung.
Der Kurs behandelt sowohl die theoretischen Grundlagen als auch praktische Implementierungsaspekte tiefer neuronaler Netze für eine Vielzahl von Anwendungsfeldern. Ein besonderer Schwerpunkt liegt auf erfolgreichen Einsatzszenarien des Deep Learning und der
Rolle reichhaltiger Repräsentationen, die solche Anwendungen ermöglichen und verbessern.








 

Leistungspunkte: 5

Sprache: Englisch

Verantwortlich: Prof. Dr. rer. nat. Marius Lindauer
Institut für Künstliche Intelligenz

Beschreibung: In den letzten Jahren hat das Reinforcement Learning (RL) einige der beeindruckendsten Fortschritte im Bereich des maschinellen Lernens (ML) erzielt – insbesondere in Spielen (wie dem Go-Spiel) und in der Robotik (z. B. RoboCup oder autonom navigierende Roboter). Die Modellierung des Lernsystems als Agent in einer Umgebung ermöglicht Lernen durch Versuch und Irrtum und erlaubt Schlussfolgerungen, die über menschliches Expertenwissen hinausgehen.
RL ist ein dynamisch wachsender Forschungsbereich, in dem kontinuierlich neue Algorithmen und Anwendungen entstehen. In diesem Kurs werden zunächst die mathematischen Grundlagen des Reinforcement Learning vermittelt sowie ein Überblick über die historische und aktuelle Entwicklung des Feldes gegeben.
Nach erfolgreichem Abschluss des Kurses sind die Teilnehmenden in der Lage, die theoretischen Grundlagen zentraler RL-Ansätze zu erläutern und den aktuellen Stand der Forschung zu verstehen. In den begleitenden Übungen erarbeiten sie sich praktische Kompetenzen zur Implementierung verschiedener RL-Algorithmen und lernen die typische RL-Pipeline kennen – einschließlich Lernumgebungen, Agentenbewertung und Hyperparameterkonfiguration.
Zum Abschluss des Kurses wenden die Studierenden ihre Kenntnisse eigenständig in einem RL-Projekt ihrer Wahl an.
Der Lehrplan umfasst unter anderem: Markov-Entscheidungsprozesse, Wertfunktionsapproximation, Policy Search, modellbasiertes Reinforcement Learning, Deep RL und Meta-RL.

Leistungspunkte: 5

Sprache: Englisch

Verantwortlich: Prof. Dr. Sören Auer
Institut für Data Science

Beschreibung: Die Teilnehmenden erwerben ein grundlegendes Verständnis des Knowledge Engineering, einschließlich Ontologien, Wissensgraphen, Reasoning und Inferenz. Darüber hinaus erlangen sie theoretische und praktische Kenntnisse im Umgang mit etablierten W3C-Standards für den Datenaustausch (RDF, SPARQL, RDFa, Microdata) sowie mit zentralen Technologien des Semantic Web.
Ziel des Kurses ist es, die Fähigkeit zu entwickeln, Wissensmodelle und Ontologien zu verstehen, zu analysieren und eigenständig zu entwerfen.
Der Lehrplan umfasst unter anderem: Wissensrepräsentation mit RDF, Ontologiebeschreibung mittels RDF Schema (RDFS) und OWL sowie die Abfragesprache SPARQL.















 

Leistungspunkte: 5

Sprache: Englisch