MoSim - Modellierung und Simulation II (SoSe 2019)

Erster Teil: MoSim I

Dozent

Jun.-Prof. Dr. Christian Mendl, WIL B211
Email: 

Zeit und Ort

• Di. 11:10 – 12:40 Uhr (3. DS)
  WIL C205   
• Do. 11:10 – 12:40 Uhr (3. DS)
  WIL C129

Übung integriert.

Inhalt

• Artificial Neural Networks
• Generative Modelle
• Deep Reinforcement Learning

Skript

script_mosim_2019_sose.pdf (work in progress; Verbesserungsvorschläge, Hinweise auf Tipfelher usw. werden gerne entgegengenommen)

Prüfung

Schriftliche Abschlussprüfung über beide Semester
Termin: 09.08.2019 in der 2. und 3. Doppelstunde (ab 09:20 Uhr)
Ort:  WIL C107
erlaubte Hilfsmittel: ein beidseitig beschriebenes DIN A4-Blatt mit eigenen Notizen

Angabe und Musterlösung:Klausur_MoSim_2018_2019_Musterlösung.pdf
Notenschlüssel: evaluate_exam_grades.py, grading_key.pdf

Probeklausur

Angabe: PDF

Übungsblätter

Blatt08.pdf (Faltung mittels FFT, Implementierung eines Convolutional Neural Networks, Convolutional Layer zur Bildbearbeitung), Abgabe: 11. April 2019

• Lösungsvorschlag zu A15b: convolution.py
• Dateien für A16: conv_net.zip, Lösungsvorschlag: conv_net_solution.zip
• Source-Code zur Tutoraufgabe 8: image_filters.zip

Blatt09.pdf (Optimierte Implementierung eines Convolutional Neural Networks, Artistic Style Transfer, Visualisierung von Klassifikations-Netzwerken), Abgabe: 25. April 2019

• Dateien für A17: conv_net_opt.zip
• Dateien für A18c: style_transfer.zip
• Source-Code zur Tutoraufgabe 9: class_visualization.zip

Blatt10.pdf (Recurrent Neural Networks), Abgabe: 9. Mai 2019

• Dateien für A20: char_rnn.zip, Lösungsvorschlag: char_rnn_solution.zip
• Source-Code zur Tutoraufgabe 10: tfkeras_rnn.zip

Blatt11.pdf (Variational Autoencoders, GAN für MNIST, Reparameterization Trick), Abgabe: 23. Mai 2019

• Dateien für A22: gan_mnist.zip

Blatt12.pdf (Markov Decision Processes), Abgabe: 20. Juni 2019

• Dateien für A24: mdp_maze.zip, Lösungsvorschlag: mdp_maze_solution.zip (enthält auch A23b, siehe run_simple_maze.py)

Blatt13.pdf (Planung mittels Bewertungsfunktion, Policy Gradients, POMDPs), Abgabe: 4. Juli 2019

• Dateien für A26: pg_maze.zip

Abgabe in Gruppen (bis zu 3 Personen) erlaubt.

Zulassung zur Prüfung erfordert mindestens die Hälfte der maximal erreichbaren Hausaufgabenpunkte.

Vorlesungsmaterial

• Folien Convolutional Neural Networks (CNNs) Überblick: PDF
• Einführung in TensorFlow: tensorflow_intro.ipynb (Jupyter Notebook)

Literatur

• Michael Nielsen
   Neural Networks and Deep Learning
  Determination Press (2015)

• CS231n Convolutional Neural Networks for Visual Recognition

• L. A. Gatys, A. S. Ecker, M. Bethge
  Image style transfer using convolutional neural networks. IEEE (2016)
   PDF

• Andrej Karpathy
   The Unreasonable Effectiveness of Recurrent Neural Networks (2015)
• Christopher Olah
  Understanding LSTM Networks (2015)
• A. van den Oord, N. Kalchbrenner, K. Kavukcuoglu
  Pixel recurrent neural networks (2016)
• D. P. Kingma, M. Welling
  Auto-encoding variational Bayes (2014)
• I. J. Goodfellow et al.
  Generative adversarial networks (2014)

• S. Russell, P. Norvig
   Artificial Intelligence: A Modern Approach (3rd edition) (2009)

• R. S. Sutton, A. G. Barto
   Reinforcement Learning: An Introduction (2nd edition). MIT Press (2018)

• Andrej Karpathy
  Deep Reinforcement Learning: Pong from Pixels  (2016)

• V. Mnih, K. Kavukcuoglu, D. Silver et al. Human-level control through deep reinforcement learning. Nature 518, 529 (2015) PDF
• D. Silver, J. Schrittwieser, K. Simonyan et at. Mastering the game of Go without human knowledge. Nature 550, 354–359 (2017) PDF