english  | Home | Impressum | Datenschutz | KIT

Labor für angewandte Machine Learning Algorithmen

Labor für angewandte Machine Learning Algorithmen
Typ: Praktikum (P) Links:
Semester: WS 19/20
Ort:

Poolraum 115 (Geb. 30.10)

Zeit:

Das Labor findet hauptsächlich Mittwoch nachmittags von 14:00 bis 18:00 Uhr im Poolraum am ITIV (Gebäude 30.10, Raum 115) statt. Am 20.11., 27.11. und am 11.12. muss jedoch das Labor auf den jeweiligen Montag verschoben werden. Siehe folgender Zeitplan.

30.10 Nachrichtentechnik, Institutsgebäude

Dozent:

Prof. Dr.-Ing. Dr. h. c. Jürgen Becker
Prof. Dr.-Ing. Eric Sax
Prof. Dr. rer. nat. Wilhelm Stork

SWS: 4
LVNr.: 2311650
Hinweis:

Kontakt: lama@itiv.kit.edu

Anmeldung über das Wiwi Portal: http://go.wiwi.kit.edu/LAMA
Anmeldefrist: 30. September 2019
Labor für Bachelorstudenten (leider können keine Masterstudenten zugelassen werden)

Labor für angewandte Machine Learning Algorithmen (LAMA)

Aktuelles:

  • Anmeldung zum LAMA bis spätestens 30.09.2019 unter: http://go.wiwi.kit.edu/LAMA
  • Das Labor ist aus Kapazitätsgründen auf eine Teilnehmerzahl von 30 Studierenden begrenzt. Daher bitten wir um eine Voranmeldung entsprechend dem unten genannten Verfahren.

 

Voraussetzungen:

Erforderlich sind grundlegende Programmierkenntnisse. Vorausgesetzt werden daneben Kenntnisse in den Grundlagen der Informationstechnik, Signal- und Systemtheorie sowie Wahrscheinlichkeitstheorie.

 

Inhalt

Die Themengebiete Maschinelles Lernen und Künstliche Intelligenz erleben momentan eine Renaissance. Gründe dafür sind zum einen die steigende Rechenleistung und zum anderen die Verfügbarkeit von neuen Technologien (moderne GPUs, Multi-Cores, FPGAs etc.) in Kombination mit effizienten parallelisierten Frameworks und Algorithmen zum Training von Neuronalen Netzen.


Sensoren liefern in allen Lebensbereichen erfasste Datenmengen zur Verarbeitung. Somit sind die Einsatz- und Forschungsgebiete im Bereich des maschinellen Lernens weit gestreut. In der Bildverarbeitung für autonomes Fahren lösen Convolutional Neural Networks (CNN) bereits klassische Objekterkennungs-Verfahren ab. Aktuell werden Künstliche Neuronale Netze (KNN) zur Verbrauchsprognose für Strom- und Gas erfolgreich eingesetzt. In der Medizintechnik wird an Künstlichen Neuronalen Netzen gearbeitet, die anhand von Bildern bösartige Hautveränderungen bereits zuverlässiger als Ärzte erkennen können. Maschinelles Lernen als Bestandteil der Informationstechnik gewinnt damit für die Arbeit als Elektrotechnikingenieur immer mehr an Bedeutung.

Um diesen zukünftigen Herausforderungen als Ingenieur gerecht zu werden, ist es empfehlenswert, die erforderlichen Kompetenzen während des Studiums aufzubauen und sich ein grundlegendes Verständnis der Methoden und Tools anzueignen.


In der Veranstaltung wird der praktische Umgang mit gängigen Algorithmen und Methoden des Maschinellen Lernens projektbasiert und „Hands-On“ vermittelt. Hierbei sollen Studenten einerseits Algorithmen und Strukturen wie ein Perzeptron, Decision Trees oder einen Evolutionären Algorithmus selbstständig implementieren und gleichzeitig auch die heute in Wirtschaft und Wissenschaft gängigen Methoden und Tools erlernen.

 

Organisatorisches

 

Intro Mittwoch 16.10.2019
Task 1 Mittwoch 23.10.2019
Task 2 Mittwoch 30.10.2019
Task 3 Mittwoch 06.11.2019
Task 4 Mittwoch 13.11.2019
Task 5 Montag 18.11.2019
Task 6 Montag 25.11.2019
Task 7 Mittwoch 04.12.2019
Task8 Montag 09.12.2019
ItW 1 Mittwoch 18.12.2019
ItW 2 Mittwoch 08.01.2020
ItW 3 Mittwoch 15.01.2020
ItW4 Mittwoch 22.01.2020
Vortrag Mittwoch 29.01.2020

 

  • Für alle Termine sowie die Vorbesprechung gilt Anwesenheitspflicht.
  • Sie bearbeiten die Aufgaben in Zweierteams.
  • Die Bewertung setzt sich aus den abgegebenen Aufgabenblätter, dem „Into the wild“-Teil und einem Kolloquium zusammen.
  • Es werden sechs ETCS Punkte vergeben.

 

Inhalt

  • Vorbesprechung und Gruppeneinteilung
  • Verarbeitung und Analyse von Datensätzen
  • Bewertung von ML-Systemen
  • Grundlagen Überwachtes Lernen
  • Unüberwachtes Lernen
  • Neuronale Netze
  • Evolutionäre Algorithmen  
  • Convolutional Neural Networks
  • Recurrent Neural Networks
  • Into the Wild…

 

Ablauf der Labortermine 1-8

  • Während der einzelnen Labortermine werden vorgegebene Aufgabenstellungen bearbeitet. Diese beinhalten zum einen Programmieraufgaben sowie solche, die in Textform beantwortet werden sollen.
  • Die Aufgabenblätter werden in Form von Jupyter Notebooks ausgegeben. Mit dieser interaktiven Entwicklungsumgebung können Sie Programmcodes direkt im Aufgabenblatt testen, Lösungen darstellen und die Dokumentation beziehungsweise Antworten ergänzen.
  • Nach jedem Labortermin wird das bearbeitete Aufgabenblatt (das entsprechende Jupyter Notebook) abgegeben.
  • Die Abgabe jeweils einer Ausfertigung des Notebooks pro Gruppe ist ausreichend.
  • Die erfolgreiche Bearbeitung und Abgabe der Aufgabenblätter ist Voraussetzung für die Teilnahme am mündlichen Kolloquium am Ende des Semesters. Bei Nichtabgabe werden die entsprechenden Teilnehmer nicht zum Kolloquium zugelassen!

 

Into the Wild…

  • Zu Beginn des zweiten Teils werden verschiedene Datensätze vorgestellt, die für die Bearbeitung zur Auswahl stehen.
  • Jede Gruppe entscheidet sich für einen der vorgestellten Datensätze, selbstverständlich können auch mehrere Gruppen den gleichen Datensatz nutzen. Die Problemstellung wird von der Gruppe selbst definiert. Auch eigene Problemstellungen zu eigenen Datensätzen sind möglich.
  • Auf Basis des zuvor Gelernten wird ein Konzept zur Lösung der Problemstellung entwickelt. Dieses wird implementiert und getestet.
  • Neben der Arbeit auf den Daten ist es auch möglich einen bestehenden Ansatz für einen Datensatz hinsichtlich der Laufzeit oder Latenz zu optimieren. Hierzu kann unter anderem versucht werden dies mittels passender Hardware zu erreichen.
  • Zum Abschluss wird von jeder Gruppe eine Präsentation vorbereitet, die das entwickelte Konzept vorstellt und die Ergebnisse darstellt. Hierbei sollen durch eine kritische Reflektion der zuvor getroffenen Entscheidungen auch mögliche nächste Schritte aufgezeigt werden.

 

Anmeldeverfahren


Die Voranmeldung für LAMA erfolgt über ILIAS. Für den Fall, dass es mehr Voranmeldungen für das Praktikum gibt als Plätze frei sind, werden die Plätze nach folgender Priorität vergeben:

  1. Studierende des Bachelor-Studiengangs Elektro- und Informationstechnik
  2. Studierende des Bachelor-Studiengangs Mechatronik
  3. Alle anderen Studierenden

 

Des Weiteren erwarten wir ein kurzes Motivationsschreiben von etwa 100 Wörtern, warum Sie am LAMA teilnehmen möchten sowie einen aktuellen Notenauszug. Anhand der eingereichten Dokumente werden die aufgeführten Voraussetzungen geprüft um eine Priorisierung der Anmeldung innerhalb der genannten Studiengänge durchführen zu können.
Wenn Sie Interesse am LAMA haben, bitten wir Sie bis 30. September 2019 Ihre Dokumente bei der Anmeldung hochzuladen.

 

Materialien

Die notwenigen Materialien für das LAMA werden über das SCC gitlab (git.scc.kit.edu) zur Verfügung gestellt. Nach der erfolgreichen Anmeldung beim LAMA erhalten Sie Zugriff auf die Aufgaben, Datensätze und zusätzliches Infomaterial.
Das Material wird in englischer Sprache bereitgestellt.