227-0423-00L  Neural Network Theory

SemesterHerbstsemester 2019
DozierendeH. Bölcskei, E. Riegler
Periodizitätjährlich wiederkehrende Veranstaltung
LehrspracheEnglisch



Lehrveranstaltungen

NummerTitelUmfangDozierende
227-0423-00 VNeural Network Theory2 Std.
Mo09:15-11:00HG E 3 »
H. Bölcskei, E. Riegler
227-0423-00 UNeural Network Theory1 Std.
Mo11:15-12:00HG E 3 »
H. Bölcskei, E. Riegler

Katalogdaten

KurzbeschreibungThe class focuses on fundamental mathematical aspects of neural networks with an emphasis on deep networks: Universal approximation theorems, capacity of separating surfaces, generalization, reproducing Kernel Hilbert spaces, support vector machines, fundamental limits of deep neural network learning, dimension measures, feature extraction with scattering networks
LernzielAfter attending this lecture, participating in the exercise sessions, and working on the homework problem sets, students will have acquired a working knowledge of the mathematical foundations of neural networks.
Inhalt1. Universal approximation with single- and multi-layer networks

2. Geometry of decision surfaces

3. Separating capacity of nonlinear decision surfaces

4. Generalization

5. Reproducing Kernel Hilbert Spaces, support vector machines

6. Deep neural network approximation theory: Fundamental limits on compressibility of signal classes, Kolmogorov epsilon-entropy of signal classes, covering numbers, fundamental limits of deep neural network learning

7. Learning of real-valued functions: Pseudo-dimension, fat-shattering dimension, Vapnik-Chervonenkis dimension

8. Scattering networks
SkriptDetailed lecture notes will be provided as we go along.
Voraussetzungen / BesonderesThis course is aimed at students with a strong mathematical background in general, and in linear algebra, analysis, and probability theory in particular.

Leistungskontrolle

Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird)
Leistungskontrolle als Semesterkurs
ECTS Kreditpunkte4 KP
PrüfendeH. Bölcskei, E. Riegler
FormSessionsprüfung
PrüfungsspracheEnglisch
RepetitionDie Leistungskontrolle wird in jeder Session angeboten. Die Repetition ist ohne erneute Belegung der Lerneinheit möglich.
Prüfungsmodusschriftlich 180 Minuten
Hilfsmittel schriftlichKeine
Diese Angaben können noch zu Semesterbeginn aktualisiert werden; verbindlich sind die Angaben auf dem Prüfungsplan.

Lernmaterialien

Keine öffentlichen Lernmaterialien verfügbar.
Es werden nur die öffentlichen Lernmaterialien aufgeführt.

Gruppen

Keine Informationen zu Gruppen vorhanden.

Einschränkungen

Keine zusätzlichen Belegungseinschränkungen vorhanden.

Angeboten in

StudiengangBereichTyp
Data Science MasterInformation and LearningWInformation
Elektrotechnik und Informationstechnologie MasterKernfächerWInformation
Elektrotechnik und Informationstechnologie MasterAdvanced Core CoursesWInformation
Elektrotechnik und Informationstechnologie MasterVertiefungsfächerWInformation
Elektrotechnik und Informationstechnologie MasterEmpfohlene FächerWInformation
Informatik MasterWahlfächer in der InformatikWInformation
Mathematik MasterAuswahl: Weitere GebieteWInformation
Physik MasterAllgemeine WahlfächerWInformation
Rechnergestützte Wissenschaften MasterWahlfächerWInformation
Statistik MasterStatistische und mathematische FächerWInformation