Vor- und Nachbearbeitung der o.g. Termine: 6 mal 4 SWS: 18 Zeitstunden
Vertiefung eines ausgewählten Deep Learning Themas und Präsentation:
120 Zeitstunden
Gesamt: 147 Zeitstunden
Inhaltliche Verbindung zu anderen Lehrveranstaltungen im Modul:
Dieses Seminar vertieft die in den Vorlesungen Machine-Learning und Objekterkennung vermittelten Kenntnisse. Der erfolgreiche Abschluss einer dieser beiden Vorlesungen ist Voraussetzung für die Teilnahme an diesem Seminar.
Prüfungsform:
Beschreibung:
****** Wichtiger Hinweis zum
Sommersemester 2020 *****
Die Veranstaltung wird während der SARS-CoV-2-bedingten Beschränkungen
im Sommersemester 2020 zunächst als synchroner Distance-Learning-Kurs
angeboten. Den zugehörige Zoom-Link werde ich vor dem 20.04. in die Gruppe der online registrierten User im persönlichen Stundenplan posten. Es gilt der Stundenplan laut Starplan. Neuigkeiten zur Vorlesung finden Sie auch unter Homepage der Vorlesung
Falls oder wenn wir
uns wieder in Hörsälen treffen dürfen, gilt der jeweils in Starplan
angegebene Raum.
********************************************************************** Structure:
In the first lesson a bunch of currently hot Deep Learning topics is proposed
Student-groups (2-4 students per group) select one of these topics. They can also propose own topics
Each group studies the selected topic during the term. This study includes the following:
Literature Research:
Determine the most important papers and approaches for the selected topic
Which approaches do they apply? How do they differ and how are they related to each other?
What is the impact of the paper (on other scientific work or applications)
Presentation of literature-research
Select a main paper for the topic:
Understand and investigate the approach of the selected paper in detail
Presentation of the technique (in detail) at the end of this course
Reimplement the experiment of the selected paper and reconstruct its result
Suggest modificications and improvements, implement and validate/evaluate them
Final Presentation
List of potential topics to investigate
Deep Neural Networks for Language Understanding: LSTMs, Hierarchical LSTMs (with attention), Transformers, BERT
Explainable AI and Causality
Style Transfer Networks
Automatic Content Generation
Low-Resource-Learning / Transfer Learning / Active Learning
