Das Deep Learning Lab soll dazu dienen, die Fachkenntnisse der Studierenden im Bereich der Mustererkennung bzw. des Machine Learnings mittels praktischer Anwendung zu vertiefen. Durch Implementierung und Parametrierung wichtiger Klassifikationsalgorithmen wie linearer Trennfunktionen, Support-Vektor-Maschinen und neuronaler Netze sollen wichtige Methodenkompetenzen erlangt werden. Auch moderne und neuartige Methoden des Lernens besonderer tiefer neuronaler Netze sind Bestandteil dieses Praktikums.
Als Motivation zum weiterführenden Selbststudium arbeiten die Studierenden mit frei verfügbaren Datensätzen, der freien Programmiersprache Python und Open-Source-Software-Bibliotheken. Für die aufwendigen Berechnungen der dazugehörigen Trainingsalgorithmen wird den Studierenden aktuelle, zentralisierte GPU-Hardware zur Verfügung gestellt.
Das Deep Learning Lab unterteilt sich in 3 Praxisphasen:
• In der ersten Phase erarbeiten sich die Studierenden selbstständig, anhand vorgegebener Übungsaufgaben, grundlegende Kenntnisse der Programmiersprache Python und der benötigten Bibliotheken für die folgenden Aufgaben.
• In der zweiten Phase sollen die Studierenden Aufgaben zu einigen Methoden des Maschinellen Lernens bearbeiten, die in der Vorlesung Mustererkennung vorgestellt worden sind.
• In der dritten Phase, der sog. Machine Learning Challenge, sollen die erlernten Methoden selbstständig zur Lösung eines Problems angewendet werden.
Die Studierenden bekommen hier echte Daten (ggf. aus dem industriellen Anwendungsbereich) zur Verfügung gestellt und haben die Aufgabe mit den erlernten Methoden ein eigenes System zur Mustererkennung zu entwickeln. Die Studierenden sollen dabei im Wettbewerb untereinander eine bestmögliche Performanz ihres Systems erzielen.
Zur Förderung der Teamfähigkeit werden das Praktikum und der anschließende Wettbewerb in kleinen Gruppen von 3 Personen durchgeführt. Die maximale Anzahl der Teilnehmer*innen ist auf 30 begrenzt. Bei mehr Anmeldungen als Teilnehmer:innen entschiedet ein Losverfahren.
Vorab wird ein Besuch der Lehrveranstaltung Mustererkennung im Wintersemester (oder einer vergleichbaren Veranstaltung) als Grundlage für die Lehrveranstaltung empfohlen.
Die Ergebnisse der ersten beiden Phasen werden im Rahmen eines Kolloquiums mit einem Betreuer/einer Betreuerin abgefragt. Die Ergebnisse der Machine Learning Challenge werden von den einzelnen Teams bei einer Abschlussveranstaltung vorgestellt.
Dozent: Prof. Tim Fingscheidt
Assistent:innen: Jasmin Breitenstein, Marvin Klingner
Labor (DLL Lab) (ET-NT-111):
Umfang (SWS): 4h = 5 LPs
Zeit: individuell gestaltbar
Ort: R 316 CIP Pool IfN
Kickoff Termin: siehe unten.
Sprache: deutsch / englisch
Die Anmeldung für das Deep Learning Lab 2023 findet vom 6. bis 9. Februar 2023 statt.
Die Kick-Off Veranstaltung 2023 findet am 13.04.2023 um 16 Uhr statt. Nach aktueller Planung findet die Veranstaltung im SN 22.2 statt.
Aktuelle Informationen finden sich im StudIP.
Die Anmeldung für das Deep Learning Lab 2023 findet vom 06.02.2023 bis 09.02.2023 statt. Die Zu- und Absagen werden per E-Mail verschickt. Die Anmeldung für das Deep Learning Lab 2023 erfolgt per E-Mail an Tanja Kaib (kaib(at)ifn.ing.tu-bs.de) mit CC an Marvin Klingner (klingner(at)ifn.ing.tu-bs.de).
Bei der Anmeldung sind folgende Informationen zwingend anzugeben:
- Vorname, Name
- Matrikelnummer
- Studiengang (Fachrichtung, sowie ob Bachelor oder Master)
- Universitäts-E-Mail-Adresse
Für das Deep Learning Lab sind 30 Plätze zu vergeben. Bei mehr Bewerbungen werden die Teilnehmer:innen ausgelost.
Für mehr Informationen zum Deep Learning Lab schauen Sie gerne auch in die Presseartikel aus den letzten Jahren:
2023: https://magazin.tu-braunschweig.de/m-post/das-unbekannte-erkennen/
2022: https://magazin.tu-braunschweig.de/m-post/maschinelle-mustererkennung-fuer-masterstudierende/
2021: https://magazin.tu-braunschweig.de/m-post/ki-gegen-pixelfaelscher-verteidigen/
2020: https://magazin.tu-braunschweig.de/m-post/praxislabor-mit-perspektive/
2019: https://magazin.tu-braunschweig.de/m-post/kleidungsstuecke-erkennen-mit-kuenstlicher-intelligenz/
2018: https://magazin.tu-braunschweig.de/m-post/mit-echten-daten-neuronale-netze-trainieren/