250074 VO Deep Learning (2019S)
Labels
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
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
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
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
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/1901.02220J. 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
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