Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Fortgeschrittene ANN-Themen. Zunächst eine Wiederholung von Backpropagation und Backpropagation im Laufe der Zeit; dann: Fortgeschrittene rekurrente neuronale Netze (LSTM, GRU); Very Deep Learning und generative adversarische Netze; räumliche und zeitliche Faltung; Reservoir Computing; Neuroevolution; Aufmerksamkeits- und Routing-Netze; Autoencoder und eingeschränkte Boltzmann-Maschinen; Verstärkungsfelder und Schaltnetze; Techniken zur Visualisierung des latenten Raums; generative Inferenz

Die Studierenden kennen generative und typischerweise rekurrente künstliche neuronale Netze und können diese in verschiedenen Bereichen anwenden, z.B. Datenklassifikation, Bilderkennung, Sprachverarbeitung, räumlich-invariante Erkennung, räumliche Transformationen und räumliche Mappings. Sie können komplexe, generative künstliche neuronale Netze sowohl von Grund auf als auch mit vorhandenen Werkzeugen anwenden. Sie wissen, wie man Gewichte und Netzstrukturen mit Hilfe des Gradientenabstiegs sowie alternativer Methoden optimiert. Sie können komplexe rekurrente Netzstrukturen einsetzen, um Aspekte der Daten selektiv zu verarbeiten. Sie wissen, wie man generative Netze als modellprädiktive neuronale Regler und auch als weitreichende zeitliche Prädiktoren einsetzt. Sie können retrospektive latente Zustands- und Motorinferenztechniken mit prospektiver Motorsteuerung kombinieren.

Literatur / Literature:
Wird in der Veranstaltung ausgegeben (Buchkapitel und Artikel in Englisch). / Will be supplied (book chapters and papers in English).

Voraussetzungen / Prerequisites:
Vorkenntnisse in maschinellem Lernen, Künstlichen Neuronalen Netzen, Deep Learning oder Künstlicher Intelligenz sind notwenig. / Knowledge about machine learning, artificial neural networks, deep learning, or artificial intelligence is required.