Advanced Deep Learning - Interaktive Studienpläne der TU Ilmenau

Die Interaktiven Studienpläne sind ein Informationsangebot zu den Studiengängen der TU Ilmenau.

Die rechtsverbindlichen Studienpläne entnehmen Sie bitte den jeweiligen Studien- und Prüfungsordnungen (Anlage Studienplan).

Alle Angaben zu geplanten Lehrveranstaltungen finden Sie im elektronischen Vorlesungsverzeichnis.

Bitte beachten Sie, dass auf dieser Seite keine Aktualisierungen mehr vorgenommen werden. Alle Module und Studienpläne ab der PO-Version 2021 (Bachelor- und Master-Studiengänge) sind ab sofort im Campus-Portal erreichbar.

Modulinformationen zu Advanced Deep Learning im Studiengang Master Informatik 2021
Modulnummer	201314
Prüfungsnummer	220507
Fakultät	Fakultät für Informatik und Automatisierung
Fachgebietsnummer	2252 (Data-intensive Systems and Visualization)
Modulverantwortliche(r)	Prof. Dr. Patrick Mäder
Turnus	Sommersemester
Sprache	Englisch
Leistungspunkte	5
Präsenzstudium (h)	45
Selbststudium (h)	105
Verpflichtung	Wahlmodul
Abschluss	Prüfungsleistung mit mehreren Teilleistungen
Details zum Abschluss	Das Modul Advanced Deep Learning mit der Prüfungsnummer 220507 schließt mit folgenden Leistungen ab: alternative semesterbegleitende Prüfungsleistung mit einer Wichtung von 50% (Prüfungsnummer: 2200902) alternative semesterbegleitende Prüfungsleistung mit einer Wichtung von 50% (Prüfungsnummer: 2200903) Details zum Abschluss Teilleistung 1: one or multiple written tests consisting of multiple-choice and free-form questions evaluating the professional competence in the course's topics preferably conducted digitally via Moodle and on the students' personal devices final results may be scaled or individual questions may be excluded depending on statistical analysis of the results Details zum Abschluss Teilleistung 2: examination via practical, e.g. coding, assignments to be conducted in person in class or at home evaluating methodological and practical competence potentially presenting the results in class
Link zum Moodle-Kurs
Lehrende	Prof. Mäder
Anmeldemodalitäten für alternative PL oder SL	Dieses Modul enthält mindestens eine alternative semesterbegleitende Abschlussleistung. Bitte beachten Sie, dass diese in der Regel schon zu Beginn des Semesters, in dem diese angeboten wird, angemeldet werden muss. Über die Details und Zeiträume dazu werden Sie vom Lehrenden und/oder dem Prüfungsamt informiert. Fragen Sie gegebenenfalls unbedingt beim Lehrenden nach.
max. Teilnehmerzahl
Vorkenntnisse	. Theoretical foundations of deep neural networks . Programming knowledge (Python) . Deep Learning frameworks (TensorFlow or PyTorch) . Fundamentals of mathematics (linear algebra, analysis)
Lernergebnisse und erworbene Kompetenzen	Professional competence gained through lectures and examined through written exams: Students have gainedacquired and can demonstrate the knowledge into . - understand advanced concepts of deep learning, with a focus on Transformers and Recurrent Neural Networks (RNNs) - analyzinge and implementing models for unsupervised and self-supervised learning such as Generative Adversarial Networks (GANs), autoencoders, and diffusion models - critically comparinge different deep learning architectures and evaluate their strengths and weaknesses for specific problems - be able to applying deep learning models to real-world applications in various fields such as computer vision, natural language processing, graph analysis Methodological competence gained through seminars and examined through practical evaluation: Students gained acquired the ability . - to implement and apply a variety of advanced deep learning algorithms with TensorFlow or PyTorch - to evaluate, optimize and troubleshoot advanced deep learning models - to use computational resources for training and application of advanced deep learning models Social competence gained through lectures and seminars: - Students gained insights in ethical aspects of machine learning (e.g., bias, autonomous driving) through discussions in lectures and seminars. - Students can discuss advantages and disadvantages of different deep learning approaches among each other and with their lecturers and gained professionality in mastering discussions beyond their mother tongue.
Inhalt	The topics covered include: . Deep neural networks for processing sequential data. Review of Convolutional Neural Networks (CNNs), introduction to Recurrent Neural Networks (RNNs), Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRUs) and their applications in speech (NLP) and image processing. . Representations of natural language in isolated, embedded and contextual form. . Transformer architectures for NLP and image processing . Generative models: Generative Adversarial Networks (GANs), Variational Autoencoders (VAEs) and Diffusion Models. Understanding the mathematical foundations and implementation of these models to generate new data. . Introduction of graph representations and corresponding architectures . Distributed and federated learning, aspects of data security
Medienformen und technische Anforderungen bei Lehr- und Abschlussleistungen in elektronischer Form	Beamer Presentations, Homework task sets as PDF, Assignments including code stubs, Jupyter notebooks
Literatur	"Deep Learning" von Ian Goodfellow, Yoshua Bengio und Aaron Courville "Machine Learning with PyTorch and Scikit-Learn" von S. Raschka "Generative Deep Learning" von David Foster
Lehrevaluation