Seminar Generative ModelsModule description #41310 / Version 1
- 3 CP
- Oral exam
- Ungraded
- Winter and summer semester
- English
| Module / Version | #41310 / #1 |
|---|---|
| Validity | Since Summer semester 2026 |
| Available language(s) | English, German |
| Credit points | 3 |
| Person responsible for the module | Müller, Klaus-Robert |
| Grading | Ungraded |
| Exam format | Oral exam |
| Language(s) of instruction | English |
Affiliation
| Faculty | Fakultät IV |
|---|---|
| Institute | Institut für Softwaretechnik und Theoretische Informatik |
| Academic chair | 34352000 FG Maschinelles Lernen |
Contact
| Office | Not specified |
|---|---|
| Contact person | Not specified |
| E-mail address | Not specified |
| Website | Not specified |
Learning outcomes
Studierende können:
- wichtige Klassen generativer Modelle vergleichen und voneinander abgrenzen (z. B. VAEs, GANs, Normalizing Flows, Energy-based Models, Diffusion Models) und diese hinsichtlich ihrer zugrunde liegenden Annahmen, Trainingsziele sowie Stärken und Schwächen beurteilen;
- aktuelle wissenschaftliche Arbeiten im Bereich der generativen Modelle analysieren und interpretieren und dabei methodische Neuerungen, typische Fallstricke und empirische Evidenz herausarbeiten;
- fundierte Forschungsfragen oder Hypothesen zu generativen Modellen formulieren und kommunizieren und diese in einem Seminarvortrag überzeugend präsentieren.
- wichtige Klassen generativer Modelle vergleichen und voneinander abgrenzen (z. B. VAEs, GANs, Normalizing Flows, Energy-based Models, Diffusion Models) und diese hinsichtlich ihrer zugrunde liegenden Annahmen, Trainingsziele sowie Stärken und Schwächen beurteilen;
- aktuelle wissenschaftliche Arbeiten im Bereich der generativen Modelle analysieren und interpretieren und dabei methodische Neuerungen, typische Fallstricke und empirische Evidenz herausarbeiten;
- fundierte Forschungsfragen oder Hypothesen zu generativen Modellen formulieren und kommunizieren und diese in einem Seminarvortrag überzeugend präsentieren.
Content
Variational Autoencoders (VAEs)
Generative Adversarial Networks (GANs)
Normalizing Flows
Energy-based Models
Diffusion Models
Autoregressive Models (e.g., Transformers)
Anwendungen
Generative Adversarial Networks (GANs)
Normalizing Flows
Energy-based Models
Diffusion Models
Autoregressive Models (e.g., Transformers)
Anwendungen
Module components
Not specified
Workload and credit points
Course-independent workload
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Reading the assigned scientific article | 1 | 25 h | 25 h |
| Additional literature research and background study | 1 | 15 h | 15 h |
| Preparation of the presentation | 1 | 25 h | 25 h |
| Follow-up work and further consolidation of the topic | 1 | 10 h | 10 h |
| 75 h | |||
The workload of the module adds up to 75 hours. The module therefore comprises 3 credit points.
Description of teaching and learning methods
Das Modul wird als forschungsorientiertes Seminar durchgeführt. Die Studierenden bearbeiten eigenständig ausgewählte wissenschaftliche Arbeiten zu generativen Modellen, bereiten eine Seminarpräsentation vor und leiten eine Diskussion in der Sitzung. Die Präsenztermine bestehen aus studentischen Präsentationen, Gruppendiskussionen und angeleitetem Feedback. Der Selbststudienanteil umfasst das Lesen der zugewiesenen Fachtexte, die Vorbereitung der Präsentation sowie die vertiefte Auseinandersetzung mit weiterführender Literatur.
Requirements for participation and examination
Desirable prerequisites for participation in the courses:
Grundkenntnisse im maschinellen Lernen und Deep Learning (z. B. Training neuronaler Netze, Optimierungsverfahren, überwachtes Lernen).
Vertrautheit mit grundlegenden probabilistischen Konzepten (z. B. Wahrscheinlichkeitsverteilungen, Log-Likelihood) ist hilfreich.
Erste Erfahrungen im Lesen wissenschaftlicher Arbeiten sowie grundlegende Python-Kenntnisse sind von Vorteil, aber nicht erforderlich.
Vertrautheit mit grundlegenden probabilistischen Konzepten (z. B. Wahrscheinlichkeitsverteilungen, Log-Likelihood) ist hilfreich.
Erste Erfahrungen im Lesen wissenschaftlicher Arbeiten sowie grundlegende Python-Kenntnisse sind von Vorteil, aber nicht erforderlich.
Mandatory requirements for the module examination registration:
This module has no examination requirements.
Completion of the module
| Grading | Ungraded |
|---|---|
| Exam format | Oral exam |
| Language | English |
| Duration/Extent | 10-15 minutes presentation + 5 minutes questions/discussion |
Exam description
The examination consists of the reading and presentation of an assigned scientific article, as well as active participation in the discussion.
Duration of the module
The following number of semesters is estimated for taking and completing the module: 1 semester(s).
This module can be started in the following semesters: Winter and summer semester.
Maximum number of participants
The maximum capacity of participants is 40.
Registration procedures
Registration for the module and the examination takes place via MTS.
Students are also expected to enroll in the corresponding ISIS course.
Students are also expected to enroll in the corresponding ISIS course.
Recommended reading, lecture notes
Lecture notes
unavailable
Electronic lecture notes
unavailable
Recommended literature
No recommended literature given
Assigned programs
This module is not used in any program.
Computer Science StuPO 2015
Miscellaneous
Not specified