Universität Wien FIND

Kehren Sie für das Sommersemester 2022 nach Wien zurück. Wir planen Lehre überwiegend vor Ort, um den persönlichen Austausch zu fördern. Digitale und gemischte Lehrveranstaltungen haben wir für Sie in u:find gekennzeichnet.

Es kann COVID-19-bedingt kurzfristig zu Änderungen kommen (z.B. einzelne Termine digital). Informieren Sie sich laufend in u:find und checken Sie regelmäßig Ihre E-Mails.

Lesen Sie bitte die Informationen auf https://studieren.univie.ac.at/info.

250144 VO Neural Network Theory (2019W)

3.00 ECTS (2.00 SWS), SPL 25 - Mathematik

An/Abmeldung

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

Details

Sprache: Englisch

Prüfungstermine

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Montag 07.10. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 14.10. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 21.10. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 28.10. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 04.11. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 11.11. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 18.11. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 25.11. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 02.12. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 09.12. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 16.12. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 13.01. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 20.01. 13:15 - 14:45 Seminarraum 7 Oskar-Morgenstern-Platz 1 2.Stock
Montag 27.01. 13:15 - 14:45 Seminarraum 7 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 developed during the semester.

This class will _not_ discuss algorithms to train deep neural networks for various specific applications.

Art der Leistungskontrolle und erlaubte Hilfsmittel

There will be an 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,1999
The lecture notes (http://pc-petersen.eu/Neural_Network_Theory.pdf )

Zuordnung im Vorlesungsverzeichnis

MAMV; MSTV;

Letzte Änderung: Do 11.02.2021 00:25