Seminar Techniken zur Visualisierung neuronaler Netze, Sommersemester 2018

Neuronale Netze und deep-learning entwickeln sich zu einer zentralen Technologie und werden in immer mehr Bereichen eingesetzt.

Oft werden diese Techniken noch als Black-Box betrachtet, welche wenig Einblick in ihren Entscheidungsprozess bietet. Visualisierungstechniken ermöglichen sowohl Entwicklern als auch Nutzern wichtige Einblicke in die Funktionsweise neuronaler Netze. Dies kann dazu beitragen, deep learning weiter zu optimieren, die Funktionsweise neuronaler Netze zu veranschaulichen, sie einer breiteren Masse zugänglich zu machen und Vertrauen zu schaffen.

In diesem Seminar werden wir Visualisierungstechniken im bereich deep-learning genauer untersuchen und analysieren. Unsere Fragestellung hierbei wird sein: Wie kann man Training und Analyse neuronaler Netze transparenter gestalten?

Ablauf

Dieses Seminar findet als Blockveranstaltung am Ende des Semesters statt, wobei die Themen am Anfang zugeteilt werden. Jeder Teilnehmer bereitet eine Ausarbeitung, sowie eine kurze Präsentation über 20 Minuten vor, wobei das über den Review-Prozess erhaltene Feedback eingearbeitet werden muss.

Alle Deadlines müssen eingehalten werden, es können keine Ausnahmen gemacht werden.

Über weitere Treffen des Seminars wird am ersten Termin entschieden, um individuell auf die Zeitpläne aller eingehen zu können.

Anforderungen

Um dieses Seminar erfolgreich abzuschließen müssen folgende Anforderungen erfüllt werden:

  • Ausarbeitung eines gewählten Themas auf Deutsch oder Englisch (bevorzugt Englisch)
  • aktive Teilnahme am Seminar
  • aktive Teilnahme an den gegenseitigen Reviews
  • 20-minütige Präsentation in Deutsch oder Englisch mit anschließender Frage-Antwort-Runde
  • Einhaltung der Deadlines

Einordnung

[Modul: Visual Computing]

Medieninformatik, B.Sc./M.Sc.
Informatik, B.Sc./M.Sc.
Software-Engineering, B.Sc./M.Sc.
Cognitive Systems, M.Sc.

Bitte prüfen Sie die Eignung anhand der Modulbeschreibung "Seminar Visual Computing" -> HIS/Studium