MoSim - Modellierung und Simulation II (SoSe 2019)
Erster Teil: MoSim I
Dozent
Jun.-Prof. Dr. Christian Mendl, WIL B211
Email:
Zeit und Ort
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) -
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