Deep Learning für Visual Computing

6.612

Dozenten

Beschreibung

Methoden des Deep Learning werden mit großem Erfolg sowohl in der Forschung als auch in der Praxis eingesetzt und sind aus zahlreichen Bereichen wie z.B. der Computer Grafik oder Computer Vision nicht mehr wegzudenken. Zu Beginn des Kurses werden notwendige mathematische Grundlagen der Wahrscheinlichkeitstheorie sowie der Parameter-Optimierung mit Hilfe des Gradienten Abstieg-Verfahrens besprochen. Darauf aufbauend werden verschiedene neuronale Netzwerkarchitekturen vorgestellt. Darunter:

- Multilayer Perceptrons (MLPs)
- Convolutional Neural Networks (CNNs)
- Autoencoders
- Generative Adversarial Networks (GANs)
- Diffusion Netze
- Transformer Networks

In den begleitenden Übungen wird besprochen und geübt, wie eigene Netzwerke für verschiedene Anwendungen aus dem Bereich Visual Computing implementiert und trainiert werden können.

Studienbereiche

• Informatik > Bachelor Informatik
• Informatik > Master Lehramt an Gymnasien
• Informatik > Vorlesungen
• Informatik > Zwei-Fächer-Bachelor