I833 – Deep Learning

Modul
Deep Learning
Deep Learning
Modulnummer
I833 [I-833]
Version: 1
Fakultät
Informatik/Mathematik
Niveau
Master
Dauer
1 Semester
Turnus
Sommersemester
Modulverantwortliche/-r

Prof. Dr.-Ing. habil. Hans-Joachim Böhme
hans-joachim.boehme@htw-dresden.de

Dozent/-in(nen)

Prof. Dr.-Ing. habil. Hans-Joachim Böhme
hans-joachim.boehme@htw-dresden.de

Lehrsprache(n)

Englisch
in "Deep Learning"

ECTS-Credits

5.00 Credits

Workload

150 Stunden

Lehrveranstaltungen

4.00 SWS (2.00 SWS Vorlesung | 1.00 SWS Übung | 1.00 SWS Praktikum)

Selbststudienzeit

90.00 Stunden

Prüfungsvorleistung(en)
Keine
Prüfungsleistung(en)

Mündliche Prüfungsleistung
Modulprüfung | Prüfungsdauer: 30 min | Wichtung: 100% | wird in englischer Sprache abgenommen
in "Deep Learning"

Lehrform

Die Vorlesungen vermitteln Theorie, praktischen Hintergrund und typische Einsatzgebiete von Deep Learning. In den Übungen werden die Vorlesungsinhalte vertieft. Anhand konkreter Anwendungsfälle werden in den Praktika SW-Projekte konzipiert und umgesetzt.

Medienform

Arbeitsblätter und Skripte für Vorlesung und Übung; Tutorien und Skript zum Praktikum

Lehrinhalte/Gliederung
  • Theoretische Grundlagen mehrschichtiger künstlicher neuronaler Netze
  • Maschinelles Lernen mit Backpropagation und lokalen Optimierungsverfahren
  • Etablierte Netzarchitekturen: Multilayer Perceptrons (MLP), Recurrent Neural Networks (RNN) & Convolutional Neural Networks (CNN)
  • Praktische Aspekte beim Anwenden von Deep Learning: Overfitting, Regularisierung, Transfer Learning, Visualisierung
  • Implementierung & praktische Anwendung von Deep Learning mit etablierten Software-Bibliotheken (Python, tensorflow, pytorch)
  • Kritische Betrachtung von Deep Learning, Ethische Aspekte
  • Aktuelle Entwicklungen in der Forschung & Praxis
Qualifikationsziele

Nach Abschluss des Kurses kennen und verstehen die Studenten die mathematischen Grundlagen zur Thematik des Maschinellen Lernens mittels mehrschichtiger künstlicher neuronaler Netze bzw. des sog. Deep Learning. Die Studenten können neuronale Netzwerke analysieren, kennen die etabliertesten Architekturen und Strukturen, und wissen, für welche Anwendungsfälle man sie einsetzen kann. Sie sind sich außerdem über die Stärken und Schwächen von Deep Learning bewusst. Die Studenten werden in die Lage versetze, Deep Learning praxisnah und mit etablierten Softwaretools effektiv einzusetzen. 

Sozial- und Selbstkompetenzen
Keine Angabe
Besondere Zulassungsvoraussetzung
Keine Angabe
Empfohlene Voraussetzungen

Grundkurs Mathematik, insbesondere Differentialrechnung und Grundlagen der Stochastik

Fortsetzungsmöglichkeiten
Keine Angabe
Literatur

wird in der Vorlesung bekanntgegeben

Aktuelle Lehrressourcen

werden in der Vorlesung bekanntgegeben

Hinweise
Keine Angabe