Modulangebot

Advanced Deep Learning

Leistungspunkte:
5

Qualifikationsziele:
Nach aktiver Teilnahme an diesem Kurs sollten die Lernenden in der Lage sein:

• Fortgeschrittene Konzepte und Modelle im Deep Learning zu definieren und zu erklären,
• Den Zusammenhang zwischen den geometrischen Eigenschaften des Datendomäne und den Netzwerkmodellen (induktive Verzerrungen) zu definieren und zu erklären,
• Fortgeschrittene Anwendungsbereiche des Deep Learning (wie Graph-Learning, Deep Generative Modeling, unüberwachtes Repräsentationslernen oder Reinforcement Learning) zu verstehen und zu erklären,
• Eine wissenschaftliche Publikation im Bereich Deep Learning zu verstehen und zu erklären,
• Eine wissenschaftliche Präsentation zu halten,
• Eine wissenschaftliche Publikation vorzubereiten und zu verfassen.

After actively participating in this course, learners should be able to

• Define and explain advanced concepts and models in Deep Learning,
• Define and explain the link between the geometric properties of the data domain and network models (inductive biases),
• Understanding and explain advanced deep learning application domains (such as graph learning, deep generative modelling, unsupervised representation learning, or Reinforcement Learning),
• Understand and explain a scientific publication in the field of Deep Learning,
• Give a scientific presentation,
• Prepare and write a scientific publication. 

Inhalt:
Diese Vorlesung behandelt fortgeschrittene Themen des Deep Learning, beginnend mit den Besonderheiten innerhalb des maschinellen Lernens. Es werden fortgeschrittene überwachte Modelle wie Residualnetze, Transformatoren und graphische neuronale Netze untersucht. Anschließend werden wir uns mit fortgeschrittenen unüberwachten und generativen Modellen beschäftigen, darunter GANs, VAEs und Diffusionsmodelle, bevor wir mit Deep Reinforcement Learning und ethischen Überlegungen zum Deep Learning abschließen.

This lecture covers advanced topics in deep learning, beginning with its distinctive features within the field machine learning. It explores advanced supervised models like residual networks, transformers, and graph neural networks. We will then go into advanced unsupervised and generative models, including GANs, VAEs, and diffusion models, before concluding with deep reinforcement learning and ethical considerations in deep learning

Die Lehrveranstaltungen werden in englischer Sprache abgehalten. Die Studien- und Prüfungsleistungen sind in englischer Sprache zu erbringen.

Teilnahmevoraussetzungen:
Keine

Erwartetes Wissen: Die Studierenden sollten in die Grundlagen des Deep Learning und des maschinellen Lernens eingeführt worden sein, typischerweise durch eine Einführungsvorlesung oder einen Kurs. Ein allgemeines Verständnis grundlegender Konzepte der linearen Algebra und der Wahrscheinlichkeitsrechnung wird ebenfalls erwartet, tiefgreifende Kenntnisse sind jedoch nicht erforderlich.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - mündl. Prüfung (20 Minuten)
Prüfungsvorleistung: Präsentation (15 min) mit schriftlicher Ausarbeitung (8 Wochen)

Algorithmische Geometrie

Leistungspunkte:
5

Verwendbarkeit:
• Kernmodul im Bachelor of Science Informatik (Praktische Informatik, Angewandte Informatik, Theoretische Informatik)
• Staatsexamen Lehramt Informatik

Qualifikationsziele:
Nach der Teilnahme am Kernmodul „Algorithmische Geometrie“ können die Studierenden grundlegende Algorithmen zum Lösen von geometrischen Problemen aus dem Bereich des Visual Computings auswählen und implementieren. Im Rahmen der Vorlesung werden die Verfahren vorgestellt und mittels Anwendungsbeispielen in Kontext gesetzt. Im Praktikum werden die Algorithmen implementiert, so dass die Studierenden nach der Teilnahme diese effizient umsetzen können und inhärente Probleme erkennen und lösen können. 

Inhalt:
Das Modul umfasst die folgende Schwerpunkte:

• Konvexe Hüllen in 2D
• Schnitte von Liniensegmenten
• Überlagerung planarer Unterteilungen
• Triangulierung von Polynomen
• Lineare Programmierung
• Smallest Enclosing Discs
• Bereichssuche
• Punktsuche
• Voronoi Diagramme
• Delaunay Triangulierung

Teilnahmevoraussetzungen:
Die vorherige Teilnahme am Modul "Computergrafik" (10-201-2209) oder vergleichbare Kenntnisse werden empfohlen.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - Klausur (60 Minuten)

Anwendungsbereiche der Computational Humanities

Leistungspunkte:
5

Qualifikationsziele:
Nach der aktiven Teilnahme am Modul „Anwendungsbereiche der Computational Humanities“ sind die Studierenden in der Lage, ausgewählte Anwendungsbereiche der Computational Humanities zu benennen und die damit einhergehenden Anforderungen an Forschungsfragen und Experimentdesign mit entsprechenden computergestützten Methoden umzusetzen. Dabei können sie grundlegende Tools und Methoden der Statistik, des maschinellen Lernens und der Visual Analytics anwenden. 

Inhalt:
Das Seminar beschäftigt sich mich wechselnden Anwendungsfeldern der Computational Humanities. In Abgrenzung zu den breiter interpretierbaren Digital Humanities, fokussieren die Computational Humanities auf Aspekte der algorithmischen und statistischen Analyse. Der konkrete Anwendungsschwerpunkt jeder Veranstaltung wird jeweils im Vorlesungsverzeichnis bekannt gegeben.

Teilnahmevoraussetzungen:
Teilnahme an den Modulen „Einführung in die Digital Humanities“ (10-207-0001), „Einführung in die Digitale Philologie“ (10-207-0002) und „Einführung in die Stochastik (für die Angewandte Informatik)“ (10-207-0003) oder gleichwertige Kenntnisse. 

Der gleichzeitige Besuch des Moduls „Foundations of Machine Learning“ (10-201-2315) wird empfohlen.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - Referat (30 Minuten) mit schriftlicher Ausarbeitung (4 Wochen)

Computational Modeling in Human-Computer Interaction

Leistungspunkte:
5

Qualifikationsziele:
Nach der aktiven Teilnahme am Modul sind die Studierenden in der Lage

• Aktuelle wissenschaftliche Arbeiten im Bereich des Computational Modelings in der Mensch-Maschine Interaktion (HCI) systematisch aufzuarbeiten und zu analysieren
• Eigene KI-basierte Modelle zur Evaluation von Nutzerschnittstellen oder zur Modellierung des menschlichen Interaktionsverhaltens zu entwickeln
• Eine wissenschaftliche Veröffentlichung zu verfassen, die den formellen Anforderungen einer internationalen Konferenz entspricht. 

Inhalt:
Dieses Modul bietet eine Einführung für Studierende, die ein grundlegendes, aber anwendbares Verständnis von computergestützten Ansätzen im Gebiet der Mensch-Maschine Interaktion (HCI) suchen und selbst ein eigenständiges Forschungsprojekt im Bereich der computergestützten Nutzermodellierung durchführen wollen. Die initialen Vorlesungen geben einen kompakten Überblick über den Forschungsbereich der Mensch-Maschine Interaktion und stellen aktuelle Forschungshighlights vor. Weiterhin wird den Studierenden ein Basiswissen des wissenschaftlichen Schreibens vermittelt. Basierend auf diesen Grundlagen werden die Studierenden in Gruppen eigenständige Forschungsarbeiten verfassen. 

Das Modul wird mit 4-5 Vorlesungen zu den folgenden Themen eingeleitet:

• Introduction to HCI
• Computational Interaction and User Modeling
• Current Research Trends in Computational Interaction
• Scientific Writing
•  

Mit diesen Vorlesungen wird den Studierenden ein grundlegendes Verständnis vermittelt, welche Bedeutung die Nutzermodellierung für den Bereich der Mensch-Maschine Interaktion hat, wo die Potenziale von computergestützten Modellen liegen und wie wissenschaftliche Arbeiten verfasst werden. 

Teilnahmevoraussetzungen:
Grundkenntnisse in Python erforderlich und Kenntnisse von ML Frameworks (bspw., Pytorch, Tensorflow, Keras) wünschenswert

• Teilnahme an mindestens einem der folgenden Module:
  • Artifical Neural Networks, Deep Learning, Machine Learning and Signal Processing (10-202-2133)
  • Software Engineering for AI-enabled Systems (10-202-2345)
  • Machine Learning with Empirical Data (10-202-2135)
  • Künstliche Neuronale Netze und Maschinelles Lernen (10-202-2128 bzw. 10-201-2133)

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - Projektarbeit mit Zwischen- und Abschlusspräsentation (je 15 Min.) und schriftlicher Ausarbeitung (14 Seiten, Bearbeitungszeit 12 Wochen)

Einführung in die Objekt-Orientierte Modellierung und Programmierung

Leistungspunkte:
10

Qualifikationsziele:
Nach der aktiven Teilnahme am Modul „ Einführung in die Objekt-Orientierte Modellierung und Programmierung“ sind die Studierenden in der Lage selbstständig objekt-orientiert Software zu modellieren, zu implementieren und zu testen. Sie können ein Modell für Objekt-Orientierte Software erstellen und weisen dies nach, indem sie informelle Beschreibungen der Struktur der Software in ein solches Modell überführen. Darüber hinaus können sie dieses Modell in objekt-orientierte Software umsetzen und weisen dies nach, indem sie aufgrund der informellen Beschreibungen der Funktion und der informellen oder der formellen Beschreibung der Struktur objekt-orientierte Software implementieren. Ebenso können sie die erstellte Software testen und weisen dies nach, indem sie Tests erstellen und durchführen.

Inhalt:
Einführung in die Informatik; Objektorientierte Softwareentwicklung: Objekte und Relationen zwischen Objekten; Interfaces und Relationen zwischen Interfaces und Objekten; Klassen und Instanzen; primitive Datentypen; Operationen, Operatoren, Vergleiche;  bedingte Anweisungen und Schleifen; Aufzählungen; Klassen-Datentypen; Datenstrukturen und ihre Verwendung; Zeichenketten: Erstellung und Verwendung; Datei-Ein-/Ausgabe; Rekursion; Fehler- und Ausnahmebehandlung; Nebenläufigkeit; Testen von Imple-mentierungen; Richtlinien zur Erstellung von Modellen und Programmen; Refactoring; lambda-Ausdrücke

Teilnahmevoraussetzungen:
keine

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - Klausur 120 Min.
Prüfungsvorleistung:Praktikumsleistung (6 Aufgaben), Bearbeitungszeit je Aufgabe zwei Wochen

 

Multimodal Machine Learning in Molecular Biomedicine: Methods and Applications

Leistungspunkte:
10

Qualifikationsziele:
Nach erfolgreicher Teilnahme sind die Studierenden in der Lage:

• einen Überblick über multimodale maschinelle Lernverfahren (ML-Verfahren) in der biomedizinischen Forschung zu geben sowie ihren Einsatz in der biomedizinischen Diagnostik zu diskutieren (Fokus auf Genomik, Transkriptomik, Einzelzellanalysen, räumliche Transkriptomik),
• Daten für Training und Validierung von multimodalen ML-Verfahren in der Biomedizin vorzubereiten,
• Training und Validierung von ausgewählten multimodalen ML-Verfahren anzuwenden,
• regulatorische Rahmenbedingungen für den Transfer der ML-Verfahren in die Anwendung, z.B. Softwarekomponente in In-vitro-Diagnostika, zu benennen.

Inhalt:
Wesentliche Inhalte sind:

Einführung:

- Einführung in Multimodale Maschinelle Lernverfahren (Definition)

- Grundlagen des maschinellen Lernens (Methodenübersicht)

- Bedeutung von Multimodalen ML-Verfahren in der Molekularen Biomedizin

 

Molekulare Biomedizinische Daten:

- Übersicht Arten von molekularen biomedizinischen Daten (genetische Daten, zelluläre Daten, Daten für die Beschreibung von Zell-Zell-Interaktionen)

- Aufbereitung der Daten (Vorverarbeitung und Normalisierung, biomedizinische Ontologien und Standards für Datenformate)

- Integration heterogener Datenquellen

- Methoden der Integration, Harmonisierung und Normalisierung von molekularen Daten

 

Multimodales maschinelles Lernen in der molekularen Biomedizin:

- Feature Engineering (Erstellen von Merkmalen aus Daten, Umwandlung/Imputation fehlender oder ungültiger Merkmale, Dimensionsreduktion, Feature Selektion)

- Modellierung (Modellauswahl, -training, -evaluation)

- Klassische ML Methoden in der molekularen Biomedizin (z. Bsp. Multivariate Regression, Random Forests)

- Moderne ML Methoden in der molekularen Biomedizin (Variational Autoencoder, generative Modelle für multimodale Einzelzelldaten)

- Populationsbasierte vs. Individuen-spezifische Modelle

- Besonderheiten und Limitationen der behandelten Methoden

 

Anwendungen:

- Anwendungen in der Biomedizin (Anwendungen in der Molekular- und Zellbiologie, Multimodale Einzelzellanalysen, Spatial Transcriptomics)

- Multimodales maschinelles Lernen in der klinischen Forschung, Diagnostik und personalisierten Medizin (z.B. Zellannotation, Vorhersagemodelle für Diagnose und Prognose, Konzept von Digitalen Zwillingen in der Biomedizin)

- Multimodale maschinelle Lernverfahren für In-vitro-Diagnostika (Einführung in Vorschriften für die Zulassung von In-vitro-Diagnostika, Software-Lebenszyklus, Research Software Engineering, Interoperabilität, Beispiele für biomedizinische Softwareanwendungen in der personalisierten Medizin)

 

Praktikum (Blockpraktikum):

Begleitend zur Vorlesung (2 SWS) wird ein Blockpraktikum (2 SWS) angeboten in dem die Studierenden selbständig Aufgaben zu ausgewählten Themen der Vorlesung bearbeiten.

 

- Lehrsprache: englisch oder deutsch

- Prüfungssprache: englisch oder deutsch

Die Festlegung hierzu erfolgt vor der Moduleinschreibung auf elektronischem Weg (Vorlesungsverzeichnis) oder zu Beginn der Veranstaltung durch den

Dozenten/die Dozentin.

Teilnahmevoraussetzungen:
Grundkenntnisse in Statistik, Genetik und Molekularbiologie sowie Fortgeschrittene Kenntnisse in R und Python notwendig.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - mündl. Prüfung (20 Minuten)
Prüfungsvorleistung: Posterpräsentation (10 Min.) mit schriftlicher Ausarbeitung (Formulierung eines wissenschaftlichen Abstracts; Bearbeitungsdauer für schriftliche Ausarbeitung und Poster: 4 Wochen).

Nichtmonotones Schließen

Leistungspunkte:
5

Qualifikationsziele:
Nach der aktiven Teilnahme am Modul „Nichtmonotones Schließen“ sind die Studierenden in der Lage:

• das vermittelte Grundlagenwissen im Bereich des Nichtmonotonen Schließens zu erläutern und mit dem Gebiet der klassischen Logik zu kontrastieren
• Anwendungsgebiete von vorgestellten Formalismen zu beschreiben
• grundlegende Methoden auf konkrete Problemstellungen anzuwenden

Inhalt:
Im Einzelnen werden folgende Themen behandelt:

• Inferenzoperatoren, Konsistenz und Monotonie
• Closed World Assumption und Präferenzen
• Reiters Default Logik, Dung AFs und ASP
• Wissensrevision

Teilnahmevoraussetzungen:
Teilnahme an den Modulen „Logik“ (10-201-2108-1) und „Formale Argumentation“ (10-201-2401) oder vergleichbare Kenntnisse.

Prüfungsleistungen und Prüfungsvorleistungen:
Modulprüfung - Klausur (60 Min.)