250074 VO Deep Learning (2019S)

5.00 ECTS (3.00 SWS), SPL 25 - Mathematik

Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Für diese LV an-/abmelden

Details

Sprache: Englisch

Prüfungstermine

Dienstag 02.07.2019 Dienstag 02.07.2019 Dienstag 02.07.2019 Donnerstag 24.10.2019 Montag 25.11.2019 Donnerstag 28.11.2019 Dienstag 10.12.2019 Mittwoch 11.12.2019 Donnerstag 27.08.2020 Mittwoch 24.02.2021

Lehrende

Philipp Grohs

Termine (iCal) - nächster Termin ist mit N markiert

    
    Montag
    04.03.
    11:30 - 12:15
    Seminarraum 11  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    06.03.
    11:30 - 13:00
    Hörsaal 11  Oskar-Morgenstern-Platz 1  2.Stock
    
    Montag
    11.03.
    11:30 - 12:15
    Hörsaal 11  Oskar-Morgenstern-Platz 1  2.Stock
Seminarraum 11  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    13.03.
    11:30 - 13:00
    Hörsaal 17  Oskar-Morgenstern-Platz 1  2.Stock
    
    Montag
    18.03.
    11:30 - 12:15
    Hörsaal 17  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    20.03.
    11:30 - 13:00
    Hörsaal 17  Oskar-Morgenstern-Platz 1  2.Stock
    
    Montag
    25.03.
    11:30 - 12:15
    Seminarraum 11  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    27.03.
    11:30 - 13:00
    Seminarraum 7  Oskar-Morgenstern-Platz 1  2.Stock
    
    Montag
    01.04.
    11:30 - 12:15
    Seminarraum 11  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    03.04.
    11:30 - 13:00
    Seminarraum 7  Oskar-Morgenstern-Platz 1  2.Stock
    
    Montag
    08.04.
    11:30 - 12:15
    Seminarraum 11  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    10.04.
    11:30 - 13:00
    Seminarraum 7  Oskar-Morgenstern-Platz 1  2.Stock
    
    Montag
    29.04.
    11:30 - 12:15
    Hörsaal 10  Oskar-Morgenstern-Platz 1  2.Stock
    
    Montag
    06.05.
    11:30 - 12:15
    Hörsaal 12  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    08.05.
    11:30 - 13:00
    Hörsaal 3  Oskar-Morgenstern-Platz 1  Erdgeschoß
    
    Montag
    13.05.
    11:30 - 12:15
    Hörsaal 10  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    15.05.
    11:30 - 13:00
    Hörsaal 3  Oskar-Morgenstern-Platz 1  Erdgeschoß
    
    Montag
    20.05.
    11:30 - 12:15
    Hörsaal 10  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    22.05.
    11:30 - 13:00
    Seminarraum 7  Oskar-Morgenstern-Platz 1  2.Stock
    
    Montag
    27.05.
    11:30 - 12:15
    Hörsaal 12  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    29.05.
    11:30 - 13:00
    Hörsaal 3  Oskar-Morgenstern-Platz 1  Erdgeschoß
    
    Montag
    03.06.
    11:30 - 12:15
    Hörsaal 11  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    05.06.
    11:30 - 13:00
    Hörsaal 15  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    12.06.
    11:30 - 13:00
    Hörsaal 3  Oskar-Morgenstern-Platz 1  Erdgeschoß
    
    Montag
    17.06.
    11:30 - 12:15
    Hörsaal 5  Oskar-Morgenstern-Platz 1  Erdgeschoß
    
    Mittwoch
    19.06.
    11:30 - 13:00
    Hörsaal 3  Oskar-Morgenstern-Platz 1  Erdgeschoß
    
    Montag
    24.06.
    11:30 - 12:15
    Hörsaal 15  Oskar-Morgenstern-Platz 1  2.Stock
    
    Mittwoch
    26.06.
    11:30 - 13:00
    Hörsaal 12  Oskar-Morgenstern-Platz 1  2.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Deep Learning has become the state of the art method for a large number of tasks in artificial intelligence. These methods have achieved (super) human performance on a number of problems and have a tremendous impact on many aspects of our society.
Deep Learning has become the state of the art method for a large number of tasks in artificial intelligence. These methods have achieved (super) human performance on a number of problems and have a tremendous impact on many aspects of our society.

This course will enable the students to understand and use deep learning methods.

We will focus on mathematical understanding but also cover implementation aspects using Keras and GPU computing.

Tentative Syllabus:

1. Foundations of Statistical Learning Theory
2. Classical ML Models
3. Neural Networks
4. Expressivity of Neural Networks
5. Breaking the Curse of Dimensionality with Deep Learning

Art der Leistungskontrolle und erlaubte Hilfsmittel

Oral Exam

Mindestanforderungen und Beurteilungsmaßstab

Prüfungsstoff

Literatur

I. Goodfellow, Y. Bengio and A. Courville. Deep Learning. (2016). Available from http://www.deeplearningbook.org.

L Devroye, L Györfi, G Lugosi. A Probabilistic Theory of Pattern Recognition (2013). Springer.

F. Chollet. Deep Learning with Python (2017). Manning.

P. Grohs, D. Perekrestenko, D. Elbrächter, H. Bölcskei. Deep Neural Network Approximation Theory. Available from https://arxiv.org/abs/1901.02220

J. Berner, P. Grohs, A. Jentzen. Analysis of the generalization error: Empirical risk minimization over deep artificial neural networks overcomes the curse of dimensionality in the numerical approximation of Black-Scholes partial differential equations. Available from https://arxiv.org/abs/1809.03062.

Zuordnung im Vorlesungsverzeichnis

MAMV

Letzte Änderung: Do 25.02.2021 00:23