Lehrveranstaltungen

Deep Learning

Lecturers

• Prof. Dr.-Ing. habil. Andreas Maier

Details

Time and place

Information regarding the online teaching will be added to the studon course

• Fr 8:15-9:45, Room H7 (exclude vac) .ics: Termin Fr 8:15-9:45 in den Kalender importieren

The following lectures are recommended:

• Introduction to Pattern Recognition (IntroPR)
• Pattern Recognition (PR)

Application via https://www.studon.fau.de/crs3888652.html

Content

Deep Learning (DL) has attracted much interest in a wide range of applications such as image recognition, speech recognition and artificial intelligence, both from academia and industry.
This lecture introduces the core elements of neural networks and deep learning, it comprises:
- (multilayer) perceptron, backpropagation, fully connected neural networks
- loss functions and optimization strategies
- convolutional neural networks (CNNs)
- activation functions
- regularization strategies
- common practices for training and evaluating neural networks
- visualization of networks and results
- common architectures, such as LeNet, Alexnet, VGG, GoogleNet
- recurrent neural networks (RNN, TBPTT, LSTM, GRU)
- deep reinforcement learning
- unsupervised learning (autoencoder, RBM, DBM, VAE)
- generative adversarial networks (GANs)
- weakly supervised learning
- applications of deep learning (segmentation, object detection, speech recognition, ...)

The accompanying exercises will provide a deeper understanding of the workings and architecture of neural networks.

Additional information

Keywords: deep learning; machine learning

Expected participants: 400

www: https://www.studon.fau.de/crs3888652.html

Research Data Skills

Lecturers

• Dr. Marcus Walther
• Prof. Dr. Richard Lenz
• Prof. Dr. Klaus Meyer-Wegener
• Prof. Dr. Michael Kohlhase

Details

Time and place

• Mi 16:00-17:30, Room 08.130 (exclude vac) .ics: Termin Mi 16:00-17:30 in den Kalender importieren

Content

Einstieg in Elemente des Forschungsdatenmanagements

Der nachhaltige Umgang mit Forschungsdaten gehört heute zum Handwerkszeug und nimmt bei Forschungsprojekten einen immer größeren Raum ein.

In diesen Seminar werden folgende Themen bearbeitet:

- FAIR-Prinzipien
- Versionsverwaltung mit GIT und gitlab
- Forschungsinformationen
- Datenablage, -dokumentation und -übergabe
- scientific workflows
- Nutzung von Repositorien
- Urheberrecht an Daten und Software
- ... offene Themen im Bereich FDM ...

Die Studierenden erstellen zum gewählen Thema Präsentationen im Umfang von 30-45 Minuten und eine schriftliche Ausarbeitung im Umfang von ca. 2 Seiten.

Additional information

Keywords: Forschungsdaten, FDM, research data

Expected participants: 12

Visualization

Lecturers

• Prof. Dr.-Ing. Tobias Günther

Details

Time and place

• Di 14:15-15:45, Room H4 .ics: Termin Di 14:15-15:45 in den Kalender importieren

Content

An old English adage says "a picture is worth a 1,000 words", meaning that complex ideas are often easier to convey visually. This lecture is about the craft of creating informative images from data. Starting from the basics of the human visual perception, we will learn how visualizations are designed for explorative, communicative or confirmative purposes. We will see how data can be classified, allowing us to develop algorithms that apply to a wide range of application domains.

The lecture covers the following topics:
- human visual perception
- the visualization pipeline
- visualization of scientific data
- visualization of abstract data
- interaction concepts
- visual analytics
- visualization tools
- best practices

Additional information

Keywords: Visualization

Expected participants: 50

Wörter, Texte & Frequenzen: statistische Analyse von Sprachdaten

Lecturers

• Andreas Blombach
• Philipp Heinrich

Details

Time and place

• Mo 16:15-17:45, Room 02.313 .ics: Termin Mo 16:15-17:45 in den Kalender importieren

Grundlegende Statistik- und Programmierkenntnisse werden vorausgesetzt, Erfahrung mit R ist nicht nötig

Technische Voraussetzungen: eigener Rechner; für Online-Veranstaltungen Mikrofon, Lautsprecher oder Headset, idealerweise Webcam

Content

Seien es nun stilometrische Analysen, die Auswertung von Korpusrecherchen oder die Analyse von Social-Media-Beiträgen unter sozialwissenschaftlichen Gesichtspunkten: Auch wenn man eigentlich mit Text arbeitet, kommt man um Statistik oft nicht herum.

Sprachdaten bringen besondere statistische Herausforderungen mit sich, die in Einführungskursen in der Regel nur angeschnitten werden. Wir wollen uns im Seminar aber nicht nur damit beschäftigen, sondern auch ganz grundlegend mit statistischer Modellierung: Wie wählt man das passende statistische Verfahren aus? Wie wählt man die Prädiktorvariablen aus, die ins Modell eingehen sollen? Wie misst man die Güte eines Modells, und wie interpretiert man das Modell richtig? Wie lassen sich Modelle robust konstruieren, sodass sie verlässlichere Vorhersagen liefern? Wie geht man mit Interaktionen, Nichtlinearität und abhängigen Daten um? Wie wählt man unter mehreren möglichen Modellen das beste aus?
Dabei spielt natürlich stets auch die Visualisierung der Daten eine wichtige Rolle.
Eigene Daten und Fragestellungen können gerne eingebracht werden!

Grober und unvollständiger Themenüberblick:
- Einführung in R / Auffrischung
- Häufigkeitsverteilungen von Sprachdaten
- Visual data exploration: ggplot, Plotly & Shiny
- Statistische Modelle: Genauigkeit und Interpretierbarkeit, Test- und Trainingsdaten, Kreuzvalidierung
- Klassifikationsprobleme (logistische Regression, SVMs, Entscheidungsbäume und Random Forests)
- Modellieren für Fortgeschrittene (u.a. Umgang mit Nichtlinearität und mit abhängigen Daten)
- Unüberwachtes Lernen: Clustering, Dimensionsreduzierung und Co.

Additional information

Keywords: Statistik, Korpuslinguistik, Visualisierung, Datenanalyse, Regression, Modellierung

Expected participants: 15