{"id":4155,"date":"2019-06-27T16:54:54","date_gmt":"2019-06-27T14:54:54","guid":{"rendered":"http:\/\/www.mi.uni-koeln.de\/NumSim\/?page_id=4155"},"modified":"2020-01-30T14:49:32","modified_gmt":"2020-01-30T13:49:32","slug":"seminar-maschinelles-lernen-mit-kuenstlichen-neuronalen-netzen-14722-0041","status":"publish","type":"page","link":"https:\/\/www.mi.uni-koeln.de\/NumSim\/teaching\/seminar-maschinelles-lernen-mit-kuenstlichen-neuronalen-netzen-14722-0041\/","title":{"rendered":"Seminar Maschinelles Lernen mit k\u00fcnstlichen neuronalen Netzen (14722.0041)"},"content":{"rendered":"<hr \/>\r\n<p>Ansprechpartner: <a href=\"http:\/\/www.mi.uni-koeln.de\/NumSim\/schlottke-lakemper\/\">Michael Schlottke-Lakemper<\/a><\/p>\r\n\r\n\r\n<hr class=\"wp-block-separator is-style-wide\" \/>\r\n\r\n\r\n<p><strong>Unterlagen zum Seminar<\/strong><\/p>\r\n\r\n\r\n\r\n<ul>\r\n<li>30.01.20: Notenliste Seminar (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_notenliste.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">PDF<\/a>)<\/li>\r\n<li>28.01.20: Analyse der studentischen Seminarevaluation (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_analyse_seminarevaluation.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>, <a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_evaluationsergebnisse.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Evaluationsergebnisse<\/a>)<\/li>\r\n<li>28.01.20: Studentische Seminarvortr\u00e4ge\r\n<ul>\r\n<li>Team 10: Programmbibliotheken und Hardware (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vortrag_10_programmbibliotheken_hardware_20200128.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>)<\/li>\r\n<\/ul>\r\n<\/li>\r\n<li>21.01.20: Studentische Seminarvortr\u00e4ge\r\n<ul>\r\n<li>Team 8: Praktische Methoden und Anwendungen (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vortrag_08_praktische_methoden_anwendungen_20200121.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>)<\/li>\r\n<li>Team 9: Grenzen und Risiken des maschinellen Lernens (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vortrag_09_grenzen_risiken_20200121.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>)<\/li>\r\n<\/ul>\r\n<\/li>\r\n<li>14.01.20: Studentische Seminarvortr\u00e4ge\r\n<ul>\r\n<li>Team 7: Deep Generative Models (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vortrag_07_deep_generative_models_20200114.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>)<\/li>\r\n<\/ul>\r\n<\/li>\r\n<li style=\"text-align: left;\">07.01.20: Studentische Seminarvortr\u00e4ge\r\n<ul>\r\n<li>Team 6: Recurrent Neural Networks (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vortrag_06_recurrent_neural_networks_20200107.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>)<\/li>\r\n<\/ul>\r\n<\/li>\r\n<li>17.12.19: Studentische Seminarvortr\u00e4ge\r\n<ul>\r\n<li>Team 5: Convolutional Neural Networks (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vortrag_05_convolutional_neural_networks_20191217.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>)<\/li>\r\n<\/ul>\r\n<\/li>\r\n<li>10.12.19: Studentische Seminarvortr\u00e4ge\r\n<ul>\r\n<li>Team 3: Regularisierung (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vortrag_03_regularisierung_20191210.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>)<\/li>\r\n<li>Team 4: Optimierung von k\u00fcnstlichen neuronalen Netzen (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vortrag_04_optimierung_kuenstliche_neuronale_netze_20191210.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>)<\/li>\r\n<\/ul>\r\n<\/li>\r\n<li>03.12.19: Studentische Seminarvortr\u00e4ge\r\n<ul>\r\n<li>Team 1: Grundlagen des maschinellen Lernens (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vortrag_01_grundlagen_maschinelles_lernen_20191203.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>)<\/li>\r\n<li>Team 2: Feedforward Neural Networks (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vortrag_02_feedforward_neural_networks_20191203.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>)<\/li>\r\n<\/ul>\r\n<\/li>\r\n<li>26.11.19: Offene (Programmier-)Sprechstunde<\/li>\r\n<li>19.11.19: Offene (Programmier-)Sprechstunde<\/li>\r\n<li>12.11.19: Vorstellung Referenzimplementierung: Backpropagation (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_implementierung_knn_backprop.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>)<\/li>\r\n<li>05.11.19: Vorstellung Referenzimplementierung: SGD mit Mini-Batches (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_implementierung_knn_sgd.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Vortrag<\/a>, <a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/mnist\/driver.py\" target=\"_blank\" rel=\"noopener noreferrer\">driver.py<\/a>, <a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/mnist\/network.py\" target=\"_blank\" rel=\"noopener noreferrer\">network.py<\/a>)<\/li>\r\n<li>29.10.19: Programmierprojekt: Implementierung eines k\u00fcnstlichen neuronalen Netzes (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vorstellung_programmierprojekt.pdf\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"Vortrag (\u00f6ffnet in neuem Tab)\">Vortrag<\/a>)<\/li>\r\n<li>22.10.19: Einf\u00fchrung in Python und NumPy &#8211; Teil 2: NumPy (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_einfuehrung_in_numpy.pdf\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"Vortrag (\u00f6ffnet in neuem Tab)\">Vortrag<\/a>, <a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/tree\/master\/mnist\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"MNIST-Dateien (\u00f6ffnet in neuem Tab)\">MNIST-Dateien<\/a>, <a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/mnist\/mnist_predictor_ref.py\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"mnist_predictor_ref.py (\u00f6ffnet in neuem Tab)\">mnist_predictor_ref.py<\/a>)<\/li>\r\n<li>15.10.19: Einf\u00fchrung in Python und NumPy &#8211; Teil 1: Python (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_einfuehrung_in_python.pdf\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"Vortrag (\u00f6ffnet in neuem Tab)\">Vortrag<\/a>, <a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/GrafLinnerLischewski_Python-Introduction_to_the_Basics_2019.pdf\">Python<\/a>, <a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/dla.py\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"dla.py (\u00f6ffnet in neuem Tab)\">dla.py<\/a>)<\/li>\r\n<li>08.10.19: Einf\u00fchrungsveranstaltung (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_einfuehrungsveranstaltung.pdf\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\" (\u00f6ffnet in neuem Tab)\">Vortrag<\/a>)<\/li>\r\n<li>08.08.19: Vortr\u00e4ge und Termine (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vortraege_termine.pdf\" aria-label=\" (\u00f6ffnet in neuem Tab)\">Dokument<\/a>)<\/li>\r\n<li>05.07.19: Vorbesprechung (<a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\/blob\/master\/seminar_ml_knn_ws1920_vorbesprechung.pdf\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\" (\u00f6ffnet in neuem Tab)\">Vortrag<\/a>)<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n<p>Alle Unterlagen befinden sich im <a href=\"https:\/\/gitlab.mi.uni-koeln.de\/numsim\/courses\/ws1920\/seminar_machine_learning_ann\">GitLab Repository<\/a>. Den Zugang erhalten die Studierenden per E-Mail bzw. im Seminar.<\/p>\r\n\r\n\r\n<hr class=\"wp-block-separator is-style-wide\" \/>\r\n\r\n<div class='dropdown_box '>\r\n\t<a href=\"#\" class=\"showmore\">\r\n\t\t<span class='view_modifier hide' data-show=\"Seminarank\u00fcndigung einblenden\" data-hide=\"Seminarank\u00fcndigung ausblenden\">Seminarank\u00fcndigung einblenden<\/span>  \t<\/a>\r\n\t<div class=\"inner_text hide\">\r\n\t\t<\/p>\n\r\n\r\n<hr class=\"wp-block-separator is-style-wide\" \/>\r\n\r\n\r\n<p><strong>Vorbesprechung<\/strong><br \/>Termin: Freitag, 5. Juli, 14 Uhr<br \/>Ort: H\u00f6rsaal des Mathematischen Instituts (Raum 203)<br \/>Vortragsfolien: <a href=\"http:\/\/www.mi.uni-koeln.de\/NumSim\/wp-content\/uploads\/2019\/07\/vorbesprechung_seminar_ml_knn_20190705.pdf\" target=\"_blank\" rel=\"noreferrer noopener\">PDF (4.2 MB)<\/a><br \/>Anmeldungen bitte per Email ausschlie\u00dflich an aggassner(at)math.uni-koeln.de (siehe auch PDF)!<\/p>\r\n\r\n\r\n<hr class=\"wp-block-separator is-style-wide\" \/>\r\n\r\n\r\n<p>Das Thema maschinelles Lernen ist seit einigen Jahren nicht nur in der Wissenschaft ein Begriff, sondern spielt eine zunehmend wichtige Rolle in Wirtschaft, Industrie und Gesellschaft. Insbesondere der Ansatz mit tiefen neuronalen Netzen, das sogenannte \u201cDeep Learning\u201d, wird heute bereits in einer Vielzahl von Einsatzbereichen angewandt.<\/p>\r\n\r\n\r\n\r\n<p>In diesem praxisorientierten Seminar werden wir die Grundlagen des maschinellen Lernens mit k\u00fcnstlichen neuronalen Netzen erarbeiten. Ziel ist es, die fundamentalen Bausteine von neuronale Netzwerken zu verstehen, verschiedene Aspekte bei der Konzeption von Netzen kennenzulernen und sich der Schwierigkeiten und Optimierungsm\u00f6glichkeiten beim Training bewusst zu werden. F\u00fcr ein tieferes Verst\u00e4ndnis der Zusammenh\u00e4nge werden die Teilnehmer ein eigenes k\u00fcnstliches Netz von Grund auf selbst programmieren. Als Programmiersprache kommt Python zum Einsatz, welche derzeit eine der wichtigsten Sprachen in den Bereichen Data Science und maschinelles Lernen ist. Dieses Seminar richtet sich an Studierende im Bachelorstudium.<\/p>\r\n\r\n\r\n\r\n<h2 class=\"wp-block-heading\">Aufbau<\/h2>\r\n\r\n\r\n\r\n<ol>\r\n<li><em>Einf\u00fchrung:<\/em> Zu Beginn gibt es zun\u00e4chst einen \u00dcberblick \u00fcber das Thema des Seminars, bei der auch die einzelnen Vortragsthemen nochmals kurz vorgestellt werden. Zudem gibt es eine kurze Einf\u00fchrung in die Programmierung mit Python und das Erstellen von Vortr\u00e4gen mit LaTeX.<\/li>\r\n<li><em>Programmierprojekte:<\/em> In den darauf folgenden Wochen programmieren die Teilnehmer selbst ein tiefes neuronales Netzwerk und trainieren es. Dabei werden verschiedene Aspekte des Netzdesigns und der Wahl von Trainingsparametern untersucht. In dieser Zeit findet keine w\u00f6chentliche Vorlesung statt, stattdessen haben die Teilnehmer die M\u00f6glichkeit Fragen zum Programmierprojekt zu stellen.<\/li>\r\n<li><em>Vortr\u00e4ge:<\/em> In der letzten Phase des Seminars halten die Teilnehmer ihre<br \/>Vortr\u00e4ge. Dabei stellen sie auch verschiedene praktische Aspekte bei der Konzeption und beim Training von k\u00fcnstlichen neuronalen Netzen vor, die sie im praktischen Teil erarbeitet haben.<\/li>\r\n<\/ol>\r\n\r\n\r\n\r\n<p>F\u00fcr das Programmierprojekt und den Vortrag ist es empfehlenswert und gew\u00fcnscht, dass sich die Studierenden in Teams zu zweit oder dritt zusammenschlie\u00dfen.<\/p>\r\n\r\n\r\n\r\n<h2 class=\"wp-block-heading\">Themengebiete<\/h2>\r\n\r\n\r\n\r\n<ul>\r\n<li>Grundlagen des maschinellen Lernens<\/li>\r\n<li>Aufbau neuronaler Netze<\/li>\r\n<li>Lernen mit Gradientenverfahren und Backpropagation<\/li>\r\n<li>Regularisierung<\/li>\r\n<li>Convolutional Neural Networks<\/li>\r\n<li>Recurrent Neural Networks<\/li>\r\n<li>Praktische Methoden und Anwendungen<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n<h2 class=\"wp-block-heading\">Voraussetzungen<\/h2>\r\n\r\n\r\n\r\n<ul>\r\n<li>erste Progammierkenntnisse (z.B. aus der Vorlesung \u201cAlgorithmische Mathematik und Programmieren\u201d) und\/oder Motivation, eine Programmiersprache (Python) selbstst\u00e4ndig zu erlernen<\/li>\r\n<li>Englischkenntnisse f\u00fcr das Verst\u00e4ndnis wissenschaftlicher Texte<\/li>\r\n<li>Analysis I, Lineare Algebra I<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n<h2 class=\"wp-block-heading\">Literatur<\/h2>\r\n\r\n\r\n\r\n<ul>\r\n<li>M. Nielsen: Neural Networks and Deep Learning (<a href=\"http:\/\/neuralnetworksanddeeplearning.com\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"http:\/\/neuralnetworksanddeeplearning.com (\u00f6ffnet in neuem Tab)\">http:\/\/neuralnetworksanddeeplearning.com<\/a>)<\/li>\r\n<li>I. Goodfellow, Y. Bengio, A. Courville: Deep Learning (<a href=\"https:\/\/www.deeplearningbook.org\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"https:\/\/www.deeplearningbook.org (\u00f6ffnet in neuem Tab)\">https:\/\/www.deeplearningbook.org<\/a>)<\/li>\r\n<li>A. W. Trask: Grokking Deep Learning (<a href=\"https:\/\/www.manning.com\/books\/grokking-deep-learning\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"https:\/\/www.manning.com\/books\/grokking-deep-learning (\u00f6ffnet in neuem Tab)\">https:\/\/www.manning.com\/books\/grokking-deep-learning<\/a>)<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n<h2 class=\"wp-block-heading\">Lernmaterial Python<\/h2>\r\n\r\n\r\n\r\n<ul>\r\n<li>Kostenloses Buch: A. B. Downey, Think Python 2nd Edition (<a href=\"https:\/\/greenteapress.com\/wp\/think-python-2e\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"https:\/\/greenteapress.com\/wp\/think-python-2e (\u00f6ffnet in neuem Tab)\">https:\/\/greenteapress.com\/wp\/think-python-2e<\/a>)<\/li>\r\n<li>Interaktives Tutorial: Learn Python (<a href=\"https:\/\/www.learnpython.org\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"https:\/\/www.learnpython.org (\u00f6ffnet in neuem Tab)\">https:\/\/www.learnpython.org<\/a>)<\/li>\r\n<li>\u00dcbersicht \u00fcber Lernmaterialien f\u00fcr Programmierneulinge: Python for Non-Programmers (<a href=\"https:\/\/wiki.python.org\/moin\/BeginnersGuide\/NonProgrammers\" target=\"_blank\" rel=\"noreferrer noopener\" aria-label=\"https:\/\/wiki.python.org\/moin\/BeginnersGuide\/NonProgrammers (\u00f6ffnet in neuem Tab)\">https:\/\/wiki.python.org\/moin\/BeginnersGuide\/NonProgrammers<\/a>)<\/li>\r\n<\/ul>\r\n\r\n\r\n<p>\t<\/div>\r\n<\/div>\r\n\n","protected":false},"excerpt":{"rendered":"<p>Ansprechpartner: Michael Schlottke-Lakemper Unterlagen zum Seminar 30.01.20: Notenliste Seminar (PDF) 28.01.20: Analyse der studentischen Seminarevaluation (Vortrag, Evaluationsergebnisse) 28.01.20: Studentische Seminarvortr\u00e4ge Team 10: Programmbibliotheken und Hardware (Vortrag) 21.01.20: Studentische Seminarvortr\u00e4ge Team 8: Praktische Methoden und Anwendungen (Vortrag) Team 9: Grenzen und &hellip; <a href=\"https:\/\/www.mi.uni-koeln.de\/NumSim\/teaching\/seminar-maschinelles-lernen-mit-kuenstlichen-neuronalen-netzen-14722-0041\/\">Continue reading <span class=\"meta-nav\">&rarr;<\/span><\/a><\/p>\n","protected":false},"author":7,"featured_media":0,"parent":25,"menu_order":9,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"post_mailing_queue_ids":[],"_links":{"self":[{"href":"https:\/\/www.mi.uni-koeln.de\/NumSim\/wp-json\/wp\/v2\/pages\/4155"}],"collection":[{"href":"https:\/\/www.mi.uni-koeln.de\/NumSim\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.mi.uni-koeln.de\/NumSim\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.mi.uni-koeln.de\/NumSim\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/www.mi.uni-koeln.de\/NumSim\/wp-json\/wp\/v2\/comments?post=4155"}],"version-history":[{"count":36,"href":"https:\/\/www.mi.uni-koeln.de\/NumSim\/wp-json\/wp\/v2\/pages\/4155\/revisions"}],"predecessor-version":[{"id":4776,"href":"https:\/\/www.mi.uni-koeln.de\/NumSim\/wp-json\/wp\/v2\/pages\/4155\/revisions\/4776"}],"up":[{"embeddable":true,"href":"https:\/\/www.mi.uni-koeln.de\/NumSim\/wp-json\/wp\/v2\/pages\/25"}],"wp:attachment":[{"href":"https:\/\/www.mi.uni-koeln.de\/NumSim\/wp-json\/wp\/v2\/media?parent=4155"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}