250106 VO Neural Network Theory (2021W)
Labels
GEMISCHT
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
Details
Sprache: Englisch
Prüfungstermine
- Montag 07.02.2022
- Dienstag 08.02.2022
- Mittwoch 09.02.2022
- Donnerstag 10.02.2022
- Freitag 11.02.2022
- Montag 28.02.2022
- Dienstag 01.03.2022
- Donnerstag 03.03.2022
- Freitag 04.03.2022
- Montag 07.03.2022
- Dienstag 08.03.2022
- Mittwoch 27.04.2022
- Montag 18.07.2022
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- Montag 04.10. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 11.10. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 18.10. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 25.10. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 08.11. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 15.11. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 22.11. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 29.11. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 06.12. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 13.12. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 10.01. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 17.01. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 24.01. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 31.01. 16:45 - 18:15 Seminarraum 10 Oskar-Morgenstern-Platz 1 2.Stock
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Deep neural networks form the backbone of most modern machine learning algorithms. Additionally, neural networks are mathematical objects that can be theoretically analysed to obtain profound insights explaining many phenomena that are observed in applications. In this lecture series, we present a comprehensive collection of such results.Lecture notes will be supplied.This class will _not_ discuss algorithms to train deep neural networks for various specific applications.
Art der Leistungskontrolle und erlaubte Hilfsmittel
There will be a written or oral exam at the end of the semester.
Mindestanforderungen und Beurteilungsmaßstab
The lecture can be followed best with a working knowledge of basic concepts of functional analysis and Fourier analysis.
Prüfungsstoff
Everything covered in the course.
Literatur
Peter L. Bartlett, Martin Anthony, Neural Network Learning: Theoretical Foundations, Cambridge University Press,1999The lecture notes (http://pc-petersen.eu/Neural_Network_Theory.pdf )
Zuordnung im Vorlesungsverzeichnis
MAMV; MSTV
Letzte Änderung: Mo 25.07.2022 13:28