623.625 (21W) Machine Learning and Deep Learning

Wintersemester 2021/22

Anmeldefrist abgelaufen.

Erster Termin der LV
08.11.2021 12:00 - 14:00 HS 10 On Campus
... keine weiteren Termine bekannt

Überblick

Bedingt durch die COVID-19-Pandemie können kurzfristige Änderungen bei Lehrveranstaltungen und Prüfungen (z.B. Absage von Präsenz-Lehreveranstaltungen und Umstellung auf Online-Prüfungen) erforderlich sein.

Weitere Informationen zum Lehrbetrieb vor Ort finden Sie unter: https://www.aau.at/corona.
Lehrende/r
LV-Titel englisch Machine Learning and Deep Learning
LV-Art Praktikum (prüfungsimmanente LV )
LV-Modell Präsenzlehrveranstaltung
Semesterstunde/n 2.0
ECTS-Anrechnungspunkte 4.0
Anmeldungen 29 (15 max.)
Organisationseinheit
Unterrichtssprache Englisch
LV-Beginn 08.11.2021
eLearning zum Moodle-Kurs

Zeit und Ort

Beachten Sie bitte, dass sich aufgrund von COVID-19-Maßnahmen die derzeit angezeigten Termine noch ändern können.
Liste der Termine wird geladen...

LV-Beschreibung

Intendierte Lernergebnisse

The course offers an introduction to practical deep learning.
This includes teaching you important concepts about deep learning and how to implement them using Pytorch framework.

Through this course, you will learn theoretical concepts and apply them to solve real practical problems.

Lehrmethodik

Theoretical concepts about deep learning will be explained and discussed along with how to implement them.

Solution proposed by students for each homework will be presented and discussed.
As deep learning is an empirical science , there will be plenty of room for discussion of your observations.

Inhalt/e

  • Linear Algebra/Calculus/Probability
  • Linear Regression
  • Multi Layers Perceptrons
  • Convolutional Neural Network
  • Recurrent Neural Networks
  • Computer Visions
  • Natural Language Processing


Erwartete Vorkenntnisse

Python 3

Prüfungsinformationen

Im Fall von online durchgeführten Prüfungen sind die Standards zu beachten, die die technischen Geräte der Studierenden erfüllen müssen, um an diesen Prüfungen teilnehmen zu können.

Prüfungsmethode/n

During the semester, multiple at-home mini-projects will be given to the students. One student will then be randomly selected to present his solution to the classroom, following a discussion session.

Grades will be composed of the quality of the solutions proposed.

Prüfungsinhalt/e

Deep Learning with Pytorch.
Propose a Deep Learning solution to a Kaggle problem.

Beurteilungskriterien/-maßstäbe

At home + oral presentation

Beurteilungsschema

Note Benotungsschema

Position im Curriculum

  • Masterstudium Informatics (SKZ: 911, Version: 19W.2)
    • Fach: Artificial Intelligence (Wahlfach)
      • Weitere LVen aus dem gewählten Spezialisierungsfach ( 0.0h XX / 12.0 ECTS)
        • 623.625 Machine Learning and Deep Learning (2.0h PR / 4.0 ECTS)
          Absolvierung im 1., 2. Semester empfohlen
  • Masterstudium Artificial Intelligence and Cybersecurity (SKZ: 993, Version: 20W.1)
    • Fach: Specialisation in Artificial Intelligence and Cybersecurity (Wahlfach)
      • Fachlich relevante Lehrveranstaltungen ( 0.0h XX / 34.0 ECTS)
        • 623.625 Machine Learning and Deep Learning (2.0h PR / 4.0 ECTS)
          Absolvierung im 2., 3. Semester empfohlen

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Wintersemester 2023/24
  • 623.625 PR Machine Learning and Deep Learning (2.0h / 4.0ECTS)
Wintersemester 2022/23
  • 623.625 PR Machine Learning and Deep Learning (2.0h / 4.0ECTS)