Deep Learning is one of the most vibrant areas of modern machine learning, offering one of the most promising routes to advancing Artificial Intelligence (AI). Deep Learning systems are reshaping the AI landscape across various fields, including language comprehension, speech and image recognition, and autonomous driving. This seminar covers deep neural networks basics and their applications in various AI tasks. We will explore several key paradigms related to expressivity, optimization and generalization properties of modern deep learning systems. Students will gain proficiency in Deep Learning, enabling them to apply it to different scenarios and comprehend current literature in the field.
TeilnehmerInnen:
This seminar is aimed at all Bachelor- and Master- level students in the Informatik and the Techno-Mathematik courses. A maximum of 12 students can participate in the seminar.
Voraussetzungen:
As a prerequisite, this seminar will assume familiarity with basic calculus, linear algebra, and probability. Familiarity with a programming language such as Python is desirable.
Lernorganisation:
The seminar is divided into six blocks (following an introductory session), each lasting two weeks. Every block consists of the following components:
* Week 1: Preparation of a presentation using prescribed sources (book chapters, video lectures, scientific articles).
* Week 2: Presentations by 2 participants, each lasting 25 minutes based on a topic assigned to each participant in the first session of the seminar.
Bereichseinordnung:
Studiendekanat Elektrotechnik, Informatik und Mathematik
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Studiendekanat Elektrotechnik, Informatik und Mathematik (E)
beteiligte Institute: Institut für Data Science Foundations (E-21)
In Stud.IP angemeldete Teilnehmer: 9
Anzahl der Dokumente im Stud.IP-Downloadbereich: 5
Betreute Abschlussarbeiten
laufende
2023
Erxleben, J. (2023). Entwicklung eines Algorithmus zur Identifikation und Klassifizierung relevanter Arbeitspunkte eines elektrischen Systems aus Momentanwert-Datensätzen.
beendete
2023
Engemann, T. (2023). Entwicklung einer Methodik zur automatischen Identifizierung, Klassifizierung und Modellierung betriebsrelevanter Arbeitspunkte eines elektrischen Netzes aus Echtzeitmesswerten.
Herzberg, M. (2023). Entwicklung eines echtzeitfähigen Photovoltaiksimulators auf Basis historischer Strahlungsdaten für einen Power Hardware-in-the-Loop Aufbau mit einem PV-Wechselrichter.
Heunda, J.E.W. (2023). Entwicklung, Optimierung und Vergleich von Methoden zur Erzeugung passiver Ersatzschaltbilder aus Messwerten einer Impedanzspektroskopie.
2022
Becker, H. C. (2022). Entwicklung, Implementierung und Verifizierung einer Schnittstellensynchronisation für die Kopplung von in Echtzeit simulierten Anlagen und Komponenten an einen PHiL Laboraufbau.
Hinzke, M. (2022). Untersuchung der Stabilität eines Power Hardware-in-the-Loop Teststandes unter der Verwendung eines Synchrongenerators als Schnittstelle zwischen Simulation und Hardware.
Landenfeld, Jakob (2022). Implementierung und Validierung einer Methode zur Stabilisierung von Power Hardware-in-the-Loop Simulationen mittels einer online-Impedanzmessung auf einem FPGA.
Landenfeld, Jakob (2022). Bestimmung der Stabilitätskriterien eines DC Power Hardware-in-the-Loop Aufbaus zur Untersuchung von Rippelstrom in Gleichstromsystemen.
Müller, E. (2022). Evaluation of different modelling approaches for battery aging to predict capacity fade for optimization of battery operation.
von Krosigk, J. (2022). Analyse und Bewertung einer Einsatzoptimierung für erneuerbare Energieanlagen in Kombination mit Batteriespeichersystemen im Multi-Use Betrieb.
2021
Erxleben, J. (2021). Untersuchung der Performance eines Pools aus Erneuerbaren Energien für die Erbringung von frequenzstützenden Maßnahmen.
von Krosigk, J. (2021). Untersuchung eines neuartigen Ansatzes zur kurz- und mittelfristigen Vorhersage der Netzfrequenz unter der Verwendung künstlicher neuronaler Netze.