Arbeitstechniken der Computerlinguistik [ATCL]

Dozent/in:

Thomas Proisl

Angaben:

Übung, 2 SWS, ECTS: 2,5, für Anfänger geeignet, Bachelor

Termine:

Mo, 14:15 - 15:45, 0.320 Bismarckstr. 12

Computerlinguistische Werkzeuge und Infrastrukturen [WUI]

Dozent/in:

Thomas Proisl

Angaben:

Übung, ECTS: 5, Master, Bachelor, Auch für EMLex-Studierende (Basismodul B3-9)

Termine:

Mi, 14:15 - 15:45, 0.320 Bismarckstr. 12

Grundlagen der Informatik [GdI]

Dozent/in:

Frank Bauer

Angaben:

Vorlesung, für Anfänger geeignet

Termine:

Do, 8:15 - 11:45, H7, H8, H10

Studienrichtungen / Studienfächer:

PF WING-BA-MB 5
PF WING-BA-IKS 5
PF WING-BA-ET 1
PF ME-BA 1
PF EEI-BA 1
PF ET-BA 1
PF BPT-BA-E 1
PF IP-BA 1
WF Ph-BA ab 1
WF Ph-MA ab 1
WF KG-SQ ab 1

Voraussetzungen / Organisatorisches:

Die Einteilung zu den Tafelübungen erfolgt zu Semesterbeginn elektronisch. Alle notwendigen Informationen dazu und zum allgemeinen Ablauf der Veranstaltung werden in der ersten Vorlesung besprochen.

HS Deep Learning for NLP [HSprakt]

Dozent/in:

Stefan Evert

Angaben:

Hauptseminar, 2 SWS, ECTS: 5, Bachelor

Termine:

Mi, 10:15 - 11:45, 01.019

Voraussetzungen / Organisatorisches:

Participants must register for the StudOn course linked below. Seminar places are assigned on a first come, first served basis.

Inhalt:

Deep neural networks – also known as deep learning – have attracted significant attention in recent years. They have had a transformative influence on natural language processing (NLP) and artificial intelligence (AI), with numerous success stories and even claims of superhuman learning performance in certain tasks. According to Young et al. (2017), more than 70% of the papers presented at recent NLP conferences made use of deep learning techniques.
This seminar will focus on the application of deep learning techniques to natural language processing tasks and on the topic "Social Bots: Danger or Myth?".

Empfohlene Literatur:

• Representation Learning: A Review and New Perspectives, Yoshua Bengio, Aaron Courville, Pascal Vincent, Arxiv, 2012.

• Deep Learning, Yoshua Bengio, Ian Goodfellow, Aaron Courville, MIT Press

• Goldberg, Yoav (2017). Neural Network Methods for Natural Language Processing. Number 37 in Synthesis Lectures on Human Language Technologies. Morgan & Claypool.

• Young, Tom; Hazarika, Devamanyu; Poria, Soujanya; Cambria, Erik (2017). Recent trends in deep learning based natural language processing. CoRR, abs/1708.02709. http://arxiv.org/abs/1708.02709

• http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial

• http://deeplearning.net/tutorial/

• Stanford University CS 224: Deep Learning for NLP (http://cs224d.stanford.edu/)

• University of Oxford: Deep Natural Language Processing (https://github.com/oxford-cs-deepnlp-2017/lectures)

Konzeptionelle Modellierung [KonzMod]

Dozent/in:

Richard Lenz

Angaben:

Vorlesung, 2 SWS, ECTS: 2,5, Frühstudium, geeignet als Schlüsselqualifikation

Termine:

Fr, 08:15 - 09:45, H11

Studienrichtungen / Studienfächer:

WPF IuK-MA-ÜTMK-INF 1-4
WPF IuK-MA-ES-INF 1-4
WPF ICT-MA-ES 1-4
WPF ICT-MA-MPS 1-4
PF WINF-BA 1
WPF IIS-MA 1
PF INF-BA 1
PF I2F-BA 1
PF INF-LAG 2
PF INF-LAG-M 2
PF INF-LAG-P 2
PF INF-LAG-E 2
PF INF-LAG-W 2
PF INF-LAR 2
PF INF-LAR-M 2
PF INF-LAR-P 2
PF INF-LAR-E 2
PF INF-LAR-W 2
PF INF-LAH 2
WPF WING-MA 1-3
WPF MB-MA-FG12 1-3
PF BPT-BA-Inf 1
WPF M-BA 2
PF TM-BA 2
WPF ICT-MA-NDC 1-4

Voraussetzungen / Organisatorisches:

• Anmeldung zur Vorlesung: nicht erforderlich; alle Lernmaterialien werden in StudOn bereitgestellt
  

• Anmeldung zur Übung: erfolgt über StudOn; Beginnzeitpunkt wird in der ersten Vorlesung bekanntgegeben

Inhalt:

siehe Modulbeschreibung

Empfohlene Literatur:

siehe Modulbeschreibung

Oberseminar Computerlinguistik [OSCL]

Dozent/in:

Stefan Evert

Angaben:

Oberseminar, Bachelor

Termine:

Mi, 16:15 - 17:45, 4.000 Bismarckstr. 6

Proseminar Computerlinguistik [PSCL]

Dozent/in:

Natalie Dykes

Angaben:

Proseminar, ECTS: 5, Bachelor

Termine:

Di, 14:15 - 15:45, 0.320 Bismarckstr. 12

Voraussetzungen / Organisatorisches:

Empfohlene Voraussetzungen: Grundlagen der Computerlinguistik I + II, Grundseminar Programmierung

Inhalt:

Lektüre und Diskussion von Originalarbeiten aus verschiedenen Gebieten der Computerlinguistik

PS Aufbaukurs Programmierung Python [GSProg]

Dozent/in:

Besim Kabashi

Angaben:

Proseminar, ECTS: 5, Bachelor

Termine:

Di, 16:15 - 17:45, 0.320 Bismarckstr. 12

Seminar Deep Learning Theory & Applications [SemDL]

Dozentinnen/Dozenten:

Vincent Christlein, Stefan Evert, Ronak Kosti

Angaben:

Seminar, 4 SWS, benoteter Schein, ECTS: 5, nur Fachstudium

Termine:

Mi, 10:15 - 11:45, 01.019

Studienrichtungen / Studienfächer:

WPF INF-MA 1
WPF MT-MA-BDV 1
WPF CE-MA-TA-MT 1

Inhalt:

Deep Neural Networks or so-called deep learning has attracted significant attention in the recent years. They have had a transformative influence on Natural Language Processing (NLP) and Artificial Intelligence (AI), with numerous success stories recent claims of superhuman learning performance in certain tasks. According to Young et al. (2017), more than 70% of the papers presented at recent NLP conferences made use of deep learning techniques. Interestingly, the concept of Neural Networks inspired researchers already over generations since Minky's famous book (cf. http://en.wikipedia.org/wiki/Society_of_Mind ). Yet again, this technology brings researchers to the believe that Neural Networks will eventually be able to learn everything (cf. http://www.ted.com/talks/jeremy_howard_the_wonderful_and_terrifying_implications_of_computers_that_can_learn ).

This year's main topic is: „Social Bots: Danger or Myth?".

Empfohlene Literatur:

• Representation Learning: A Review and New Perspectives, Yoshua Bengio, Aaron Courville, Pascal Vincent, Arxiv, 2012.

• Deep Learning, Yoshua Bengio, Ian Goodfellow, Aaron Courville, MIT Press

• Goldberg, Yoav (2017). Neural Network Methods for Natural Language Processing. Number 37 in Synthesis Lectures on Human Language Technologies. Morgan & Claypool.

• Young, Tom; Hazarika, Devamanyu; Poria, Soujanya; Cambria, Erik (2017). Recent trends in deep learning based natural language processing. CoRR, abs/1708.02709. http://arxiv.org/abs/1708.02709

• Gradient-Based Learning Applied to Document Recognition, Yann Lecun, 1998

• Dropout: A Simple Way to Prevent Neural Networks from Overfitting, Srivastava et al. 2014

• Greedy layer-wise training of deep networks, Bengio, Yoshua, et al. Advances in neural information processing systems 19 (2007): 153.

• Reducing the dimensionality of data with neural networks, Hinton et al. Science 313.5786 (2006): 504-507.

• Training Deep and Recurrent Neural Networks with Hessian-Free Optimization, James Martens and Ilya Sutskever, Neural Networks: Tricks of the Trade, 2012.

• Deep Boltzmann machines, Hinton et al.

• Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion, Pascal Vincent et al.

• A fast learning algorithm for deep belief nets, Hinton et al., 2006

• ImageNet Classification with Deep Convolutional Neural Networks, Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, NIPS 2012

• Regularization of Neural Networks using DropConnect, Wan et al., ICML

• OverFeat: Integrated recognition, localization and detection using convolutional networks. Computing Research Repository, abs/1312.6229, 2013.

• http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial

• http://deeplearning.net/tutorial/

• Deep Learning Course on Coursera by Hinton

• DL platform with GPU support: caffe, lasagne, torch etc.

• Stanford University CS 224: Deep Learning for NLP (http://cs224d.stanford.edu )

• University of Oxford: Deep Natural Language Processing (https://github.com/oxford-cs-deepnlp-2017/lectures )

Schlagwörter:

deep learning; neural networks; machine learning; pattern recognition; natural language processing

Tafelübung zu Grundlagen der Informatik [TÜGdI]

Dozent/in:

Frank Bauer

Angaben:

Übung, 2 SWS, Schein, für Anfänger geeignet, Frühstudium, geeignet als Schlüsselqualifikation

Studienrichtungen / Studienfächer:

PF ME-BA 1
WF Ph-BA ab 1
PF WING-BA-MB 5
PF WING-BA-IKS 5
PF WING-BA-ET 1
PF IP-BA 1
WF Ph-MA ab 1
PF BPT-BA-E 1
PF EEI-BA 1
PF ET-BA 1
WPF KG-SQ 1

Voraussetzungen / Organisatorisches:

In diesem Semester findet eine große Hörsaal Tafelübung im Rahmen der Vorlesung statt. Die Tutorien wurden in die Tutorensprechstunden verlagert.

Tutorensprechstunde zu Grundlagen der Informatik [RÜGdI]

Dozentinnen/Dozenten:

Frank Bauer, Vanessa Lange

Angaben:

Übung, 1 SWS, für Anfänger geeignet, Frühstudium, geeignet als Schlüsselqualifikation

Studienrichtungen / Studienfächer:

PF EEI-BA 1
WF Ph-BA ab 1
WF Ph-MA ab 1
PF IP-BA 1
PF BPT-BA-E 1
PF WING-BA-MB 5
PF WING-BA-IKS 5
PF WING-BA-ET 1
PF ET-BA 1
PF ME-BA 1
WPF KG-SQ 1

Voraussetzungen / Organisatorisches:

Die Tutorensprechstunde ist ein Angebot an alle Studierende, die Fragen zum Stoff oder zu den Hausaufgaben in GdI haben. Es wird erwartet, dass sich ausreichend mit der Problemstellung beschäftigt wurde, bevor die Sprechstunde besucht wird. Die Tutorensprechstunde ersetzt nicht den Besuch der Vorlesung.
Die verbindliche Einteilung zu den Sprechstunden erfolgt zu Semesterbeginn elektronisch. Alle notwendigen Informationen dazu und zum allgemeinen Ablauf der Veranstaltung werden in der ersten Vorlesung besprochen.

Übungen zu Konzeptionelle Modellierung [UeKonzMod]

Dozent/in:

David Haller

Angaben:

Übung, 2 SWS, ECTS: 2,5, Frühstudium

Studienrichtungen / Studienfächer:

WPF IuK-MA-ÜTMK-INF 1-4
WPF ICT-MA-ES 1-4
WPF ICT-MA-MPS 1-4
WPF IIS-MA 1
PF INF-BA 1
PF I2F-BA 1
PF INF-LAG 2
PF INF-LAG-M 2
PF INF-LAG-P 2
PF INF-LAG-E 2
PF INF-LAG-W 2
PF INF-LAR 2
PF INF-LAR-M 2
PF INF-LAR-P 2
PF INF-LAR-E 2
PF INF-LAR-W 2
PF INF-LAH 2
PF WINF-BA 1
WPF WING-MA 1-3
WPF MB-MA-FG12 1-3
PF BPT-BA-Inf 1
WPF M-BA 2
PF TM-BA 2
WPF ICT-MA-NDC 1-4

Voraussetzungen / Organisatorisches:

• Anmeldung zur Übung: erfolgt über StudOn; Beginnzeitpunkt wird in der ersten Vorlesung bekanntgegeben
  

• Lernmaterialien: werden über StudOn veröffentlicht

Vorlesung Grundlagen der Computerlinguistik 1 [VLCL1]

Dozent/in:

Besim Kabashi

Angaben:

Vorlesung, ECTS: 2, für Anfänger geeignet, Bachelor

Termine:

Mo, 16:15 - 17:45, 0.320 Bismarckstr. 12

Übung Grundlagen der Computerlinguistik 1 [UECL1]

Dozent/in:

Philipp Heinrich

Angaben:

Übung, ECTS: 3, für Anfänger geeignet, Bachelor

Termine:

Do, 12:15 - 13:45, 0.320 Bismarckstr. 12