I833 – Deep Learning

Module
Deep Learning
Deep Learning
Module number
I833 [I-833]
Version: 1
Faculty
Informatics/Mathematics
Level
Master
Duration
1 Semester
Semester
Summer semester
Module supervisor

PD Prof. Dr.-Ing. habil. Hans-Joachim Böhme
hans-joachim.boehme(at)htw-dresden.de

Lecturer(s)

PD Prof. Dr.-Ing. habil. Hans-Joachim Böhme
hans-joachim.boehme(at)htw-dresden.de

Course language(s)

English
in "Deep Learning"

ECTS credits

5.00 credits

Workload

150 hours

Courses

4.00 SCH (2.00 SCH Lecture | 1.00 SCH Seminar | 1.00 SCH Internship)

Self-study time

90.00 hours

Pre-examination(s)
None
Examination(s)

Oral examination
Module examination | Examination time: 30 min | Weighting: 100% | tested in English language
in "Deep Learning"

Form of teaching

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.

Media type
  • Arbeitsblätter und Skripte für Vorlesung und Übung
  • Tutorien und Skript zum Praktikum
Instruction content/structure
  • 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
Qualification objectives

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. 

Social and personal skills
No information
Special admission requirements
No information
Recommended prerequisites
  • Grundkurs Mathematik
  • insbesondere Differentialrechnung
  • Grundlagen der Stochastik
Continuation options
Literature

wird in der Vorlesung bekanntgegeben

Current teaching resources

werden in der Vorlesung bekanntgegeben

Notes
No information