|
Seminar Medical Applications and Deep Learning (SemMADL)5 ECTS (englische Bezeichnung: Seminar Medical Applications and Deep Learning)
Modulverantwortliche/r: Andreas Maier Lehrende:
Lennart Husvogt
Startsemester: |
SS 2017 | Dauer: |
1 Semester | Turnus: |
jährlich (SS) |
Präsenzzeit: |
30 Std. | Eigenstudium: |
120 Std. | Sprache: |
Englisch |
Lehrveranstaltungen:
Inhalt:
Artificial neural networks and the area of deep learning
(https://en.wikipedia.org/wiki/Deep_learning) have recently
started to attract significant interest in the areas of
machine learning and image processing. Different types of artificial neural networks exist, such as deep neural networks, convolutional neural networks and recurrent neural networks. Current research focuses on a wide range of topics, including artificial intelligence, speech and object recognition.
Lernziele und Kompetenzen:
Students will be able to
perform their own literature research on a given subject
independently research this subject
present and introduce the subject to their student peers
give a scientific talk in English according to international conference standards
use state-of-the-art deep learning software frameworks
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
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.
Weitere Informationen:
Schlüsselwörter: deep learning; neural networks; machine learning; pattern recognition; medical applications
www: https://www5.cs.fau.de/lectures/ss-17/seminar-medical-applications-and-deep-learning-semmadl/
Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan: Das Modul ist im Kontext der folgenden Studienfächer/Vertiefungsrichtungen verwendbar:
- Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science): ab 1. Semester
(Po-Vers. 2013 | TechFak | Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) | Seminar, Masterarbeit | Seminar im Masterstudium)
- Informatik (Master of Science)
(Po-Vers. 2010 | TechFak | Informatik (Master of Science) | Seminar, Projekt, Masterarbeit | Seminar)
Studien-/Prüfungsleistungen:
Seminar Medical Applications and Deep Learning (Prüfungsnummer: 732733)
(englischer Titel: Seminar Medical Applications and Deep Learning)
- Prüfungsleistung, Seminarleistung, Dauer (in Minuten): 30, benotet, 5 ECTS
- Anteil an der Berechnung der Modulnote: 100.0 %
- weitere Erläuterungen:
Die Gesamtnote setzt sich zu 50% aus der Bewertung des Vortrags und zu 50% aus der Bewertung der Ausarbeitung / Implementierung zusammen. Ziel des Seminars ist die verständliche Aufbereitung eines Themas für andere Studierende. Die Vortragsdauer beträgt 30 Minuten. Ziel ist es, diese möglichst genau einzuhalten. Die Ausarbeitung umfasst 6 Seiten im Stil von IEEE-Konferenzbeiträgen. Vortrag und Ausarbeitung sollten auf Englisch erfolgen. Alternativ kann eine Demonstration implementiert werden. In diesem Fall umfasst die Ausarbeitung lediglich 3 Seiten.
- Prüfungssprache: Englisch
- Erstablegung: SS 20171. Wdh.: keine Wiederholung, 2. Wdh.: keine Wiederholung
|
|
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|