Deep Learning in R
Neuronale Netze als Methode des maschinellen Lernens haben in den letzten 10 Jahren wieder massiv an Bedeutung gewonnen. Dies liegt insbesondere an einer nun besser möglichen Optimierung von tiefen und neuartigen Netzwerkarchitekturen, die zu massiven Durchbrüchen in der Verarbeitung von Bild-, Sprach- und Textdaten geführt haben.
Der Kurs behandelt folgende Themen:
Eine Einführung in die Theorie und praktische Anwendung von tiefen Neuronalen Netzen, wobei sowohl auf die historische Entwicklung, als auch auf den State-of-the-Art der Methodik eingegangen wird.
Zusätzlich wird den Teilnehmern ein Einblick in das theoretische Fundament neuronaler Netze vermittelt. Es werden Vor- und Nachteile sowie die wichtigsten Anwendungssituationen diskutiert. In den Übungen passen Teilnehmer in einfachen Anwendungen selbst Neuronale Netze an, um Klassifikations- und Regressionprobleme zu lösen. Ziel des Kurses ist es Intuition und Anwendung von neuronalen Netzen, in verschiedensten Use-Cases zu vermitteln. Außerdem werden generelle Netzwerkarchitekturen sowie Regularisierung und Optimierung dieser Netze besprochen.
Weitere behandelte Themen sind:
Fully Connected Neural Networks
Convolutional Neural Networks
Recurrent Neural Networks
Adversarial Examples
Autoencoder
Als Software wird im wesentlichen Keras mit TensorFlow-Backend verwendet. Hierbei wird das R-Package 'Keras' verwendet, welches eine Anbindung zu Keras aus R heraus ermöglicht.
Benötigte Vorkenntnisse:
Grundkenntnisse in überwachten Lernverfahren, zu erwerben auch in Machine Learning & Data Mining in R
Kenntnisse in R (Im Umfang des 2-tägigen R Basiskurs bzw. 1-tägigen R Crashkurses)