Wenn Sie diesen Text sehen, ist auf ihrem Gerät noch nicht das neue Layout geladen worden. Bitte laden Sie diese Seite neu (ggf. mit gedrückter 'Shift'- oder 'Alt'-Taste) oder in einem 'privaten Fenster'.
Weitere Hinweise unter https://www.uni-hildesheim.de/wiki/lsf/faq/fehler.im.layout.

Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     

Data Analytics II - Advances in Deep Learning - Einzelansicht

Grunddaten
Veranstaltungsart Seminar
Veranstaltungsnummer 3112 Kurztext
Semester SoSe 2017 SWS 2
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen 35
Rhythmus i.d.R. jedes Semester Studienjahr / Zielgruppe
Credits 4
Hyperlink http://www.ismll.uni-hildesheim.de/lehre/semDA2-17s/index.html Evaluation Ja (als gesamte Veranstaltung - Papier)
Sprache englisch
Termine Gruppe: 1-Gruppe iCalendar Export
  Tag Zeit Rhythmus Dauer Raum (mögliche Änderungen beachten!) Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Di. 14:00 bis 16:00 c.t. wöchentlich Gebäude A (Samelson-Campus) - A 102 (Seminarraum) Raumplan        
Gruppe 1-Gruppe:


Zugeordnete Personen
Zugeordnete Personen Zuständigkeit
Grabocka, Josif, Dr. durchführend, nicht verantwortlich
Schmidt-Thieme, Lars, Professor Dr. Dr. verantwortlich, nicht durchführend
Studiengänge
Abschluss Studiengang Semester ECTS Kontingent
Master M.Sc. Data Analytics
Master M.Sc. IMIT Studienvar. AI
Master M.Sc. Informationsmanagm.
Master M.Sc. Wirtschaftsinf. (PO 2011)
Master M.Sc. Wirtschaftsinf. (PO 2014)
LSF - Module
Modulkürzel Modultitel
0ERA-4LP Veranstaltungen mit 4 Credits f. ausl. Programmstud. (ERASMUS)
MDA-SDA2 Seminar Data Analytics II
Zuordnung zu Einrichtungen
Abt. Wirtschaftsinformatik und Maschinelles Lernen
Inhalt
Literatur

* Recommender Systems

DeepIntent: Learning Attentions for Online Advertising with Recurrent Neural Networks, Shuangfei Zhai et al., KDD 2016

Deep Neural Networks for YouTube Recommendations, Paul Covington et al., RecSys 2016

* Graph Mining

Structural Deep Network Embedding, Daixin Wang et al., KDD 2016

Deep Neural Networks for Learning Graph Representations, Shaosheng Cao et al., AAAI 2016

* Multi-media Retreival:Deep Visual-Semantic Hashing for Cross-Modal Retrieval, Yue Cao et al., KDD 2016

Scalable Multimedia Retrieval by Deep Learning Hashing with Relative Similarity Learning, Lianli Gao et al., MM 2015

* Transportation

Traffic Speed Prediction and Congestion Source Exploration: A Deep Learning Method, Jingyuan Wang et al., ICDM 2016

Traffic Flow Prediction With Big Data: A Deep Learning Approach, Yisheng Lv et al., IEEE Transactions on Intelligent Transportation Systems 2016

* Image Recognition

Doubly Convolutional Neural Networks, Shuangfei Zhai et al., NIPS 2016

Pixel Recurrent Neural Networks, Aaron Van den Oord et al., NIPS 2016

* Robotics

Continual curiosity-driven skill acquisition from high-dimensional video inputs for humanoid robots, V. R. Kompella et al., Artificial Intelligence 2015

A Machine Learning Approach to Visual Perception of Forest Trails for Mobile Robots, A. Giusti et al., IEEE Robotics and Automation Letters 2015

* Object Recognition and Detection 

Training Region-Based Object Detectors With Online Hard Example Mining, Abhinav Shrivastava et al., CVPR2016 

You Only Look Once: Unified, Real-Time Object Detection, Joseph Redmon et al., CVPR 2016

* Video Analysis

Social LSTM: Human Trajectory Prediction in Crowded Spaces, Alexandre Alahi et al., CVPR 2016 

Highlight Detection With Pairwise Deep Ranking for First-Person Video Summarization, Ting Yao et al., CVPR 2016

* Speech Recognition

Towards End-to-End Speech Recognition with Recurrent Neural Networks, Alex Graves et al., ICML 2014

Deep Speech: Scaling up end-to-end speech recognition, ArXiv 2016

Deep Speech 2 : End-to-End Speech Recognition in English and Mandarin, Dario Amodei et al., ICML 2016

* Reinforcement Learning 

Benchmarking Deep Reinforcement Learning for Continuous Control, Yan Duan et al., ICML 2016 

Opponent Modeling in Deep Reinforcement Learning, He He et al., ICML 2016

* Generative Models Auxiliary Deep Generative Models, Lars Maaloe et al., ICML 2016

One-Shot Generalization in Deep Generative Models, Danilo Rezende et al., ICML 2016

* Natural Language Processing 

Dynamic Memory Networks for Visual and Textual Question Answering, Caiming Xiong et al., ICML 2016

Ask Me Anything: Dynamic Memory Networks for Natural Language Processing, Ankit Kumar et al., ICML 2016

Lerninhalte

Deep Learning have re-emerged as a renaissance of the traditional neural networks, benefiting from better computational power and larger datasets. Such deep computational models have been applied successfully in numerous successful application domains, ranging from image classification, medical diagnostification, up to recommender systems.In the course of the seminar students will have the opportunity to familiarize with state-of-the-art research in the field of deep learning. Students are expected to substantially understand a chosen topic and present it to a plenary audience composed of the other course participants.

Zielgruppe

MSc WI & IMIT & AINF & DA -  MSc 1-3


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SoSe 2017 , Aktuelles Semester: WiSe 2018/19
Impressum      Datenschutzerklärung     Datenschutz