94 lines
3.5 KiB
TeX
94 lines
3.5 KiB
TeX
|
\documentclass[a4paper,12pt,titlepage]{scrartcl}
|
||
|
|
\usepackage[sc]{mathpazo} % Schrift - wie Funcky und in PDF zu Fonts beschrieben
|
||
|
|
\usepackage[T1]{fontenc}
|
||
|
|
\usepackage[utf8]{inputenc}
|
||
|
|
\usepackage[a-1b]{pdfx}
|
||
|
|
\usepackage[ngerman]{babel}
|
||
|
|
\usepackage[amssymb]{SIunits}
|
||
|
|
\usepackage{graphicx}
|
||
|
|
\usepackage{subfigure}
|
||
|
|
\usepackage{float}
|
||
|
|
\usepackage[iso,german]{isodate} %his package provides commands to switch between different date formats
|
||
|
|
\usepackage{hyperref}
|
||
|
|
\usepackage{listings}
|
||
|
|
|
||
|
|
\usepackage{fancyhdr}
|
||
|
|
\renewcommand{\headrulewidth}{0.5pt}
|
||
|
|
\renewcommand{\footrulewidth}{0.5pt}
|
||
|
|
%Abstand zwischen Absätzen, Zeilenabstände
|
||
|
|
\voffset26pt
|
||
|
|
\parskip6pt
|
||
|
|
%\parindent1cm %Rückt erste Zeile eines neuen Absatzes ein
|
||
|
|
\usepackage{setspace}
|
||
|
|
\onehalfspacing
|
||
|
|
|
||
|
|
\begin{document}
|
||
|
|
\pagenumbering{roman}
|
||
|
|
\titlehead
|
||
|
|
{
|
||
|
|
\small
|
||
|
|
{
|
||
|
|
Technische Universität Ilmenau\\
|
||
|
|
Fakulät IA\\
|
||
|
|
Institut für Biomedizinische Technik und Informatik\\
|
||
|
|
|
||
|
|
Praktikum Deep Learning in der Biomedizintechnik\\
|
||
|
|
WS 2021/22}
|
||
|
|
}
|
||
|
|
|
||
|
|
\title {Versuchsprotokoll}
|
||
|
|
\author{}
|
||
|
|
\date{\today\\*[60pt]}
|
||
|
|
\maketitle %Erstellt das Titelblatt wie oben definiert
|
||
|
|
|
||
|
|
%Einstellungen zur Kopf- und Fußzeile
|
||
|
|
\pagestyle{fancy}
|
||
|
|
\fancyhead[R]{Deep Learning}
|
||
|
|
\pagenumbering{arabic}
|
||
|
|
\newpage
|
||
|
|
|
||
|
|
\section{Kontrollfragen}
|
||
|
|
\begin{itemize}
|
||
|
|
\item Erklären Sie die Rechenschritte in einem neuronalen Netz.
|
||
|
|
\item Nennen Sie drei Aktivierungsfunktionen von neuronalen Netzen.
|
||
|
|
\item Nennen Sie verschiedene Arten von Layern in neuronalen Netzen.
|
||
|
|
\item Warum ist es nicht sinnvoll eine lineare Funktion $(y=\alpha x+b)$ als Aktivierungsfunktion in den verdeckten Schichten eines neuronalen Netzes zu verwenden?
|
||
|
|
\item Was verstehen Sie unter Backpropagation?
|
||
|
|
\item Warum ist eine Stufenfunktion (Rosenblatt-Perceptron) ungünstig für den Backpropagation-Algorithmus?
|
||
|
|
\item Was ist die Learning Rate? Was passiert, wenn sie zu hoch oder niedrig gewählt wird?
|
||
|
|
\item Was verstehen Sie unter Augmentation? Nennen Sie Beispiele für Augmentation.
|
||
|
|
\item Warum ist es bei neuronalen Netzen besonders wichtig, die Testdaten beim Training außen vor zu lassen?
|
||
|
|
\item Wie können Sie die Güte eines neuronalen Netzes bewerten?
|
||
|
|
\item Warum ist es potentiell kritisch, wenn mit einem neuronalen Netz ein unscharfes Bild scharf und hochaufgelöst gemacht wird?
|
||
|
|
\end{itemize}
|
||
|
|
|
||
|
|
\section{Versuchsdurchführung}
|
||
|
|
\subsection{Grundkenntnisse zur Anwendung von Deep Learning}
|
||
|
|
\subsubsection{Erstellen eines einfachen neuronalen Netzes}
|
||
|
|
Berechnung der Parameter eines neuronalen Netzes per Hand
|
||
|
|
|
||
|
|
Erstellen und Anwenden eines neuronalen Netzes in Python
|
||
|
|
|
||
|
|
\subsubsection{Neuronales Netz zur Funktionsapproximation}
|
||
|
|
Approximieren eines QRS-Komplexes 6 durch manuelles und automatisches Setzen der Parameter
|
||
|
|
|
||
|
|
\subsubsection{Neuronales Netz zur Erkennung handschriftlicher Ziffern}
|
||
|
|
Erweiterung des neuronalen Netzes aus Aufgabe 1a zur Verarbeitung des MNIST-Datensatzes
|
||
|
|
|
||
|
|
\subsection{Anwendung von Deep Learning in der Biomedizintechnik}
|
||
|
|
\subsubsection{Data Sanitization mit Hilfe von Pandas}
|
||
|
|
Nutzen der Pandas-Bibliothek zur Vorverarbeitung von Daten für das Training eines neuronalen Netzes
|
||
|
|
|
||
|
|
\subsubsection{Neuronales Netz zur Klassifikation von OCT-Aufnahmen}
|
||
|
|
Manuelle und automatische Klassifikation von OCT-Aufnahmen
|
||
|
|
|
||
|
|
Optimierung der Accuracy des neuronalen Netzes durch Nutzung von Data Augmentation
|
||
|
|
|
||
|
|
\subsubsection{Aufgabe 3: Grenzen von Deep Learning}
|
||
|
|
Kennenlernen, worin die Herausforderung bei der Interpretation von neuronalen Netzen besteht
|
||
|
|
|
||
|
|
Anwendung von Class Activation Maps
|
||
|
|
|
||
|
|
\end{document}
|
||
|
|
|