Deutsch
I833 – Deep Learning
Deep Learning
Version: 1
PD Prof. Dr.-Ing. habil. Hans-Joachim Böhme
hans-joachim.boehme(at)htw-dresden.de
PD Prof. Dr.-Ing. habil. Hans-Joachim Böhme
hans-joachim.boehme(at)htw-dresden.de
English
5.00 Credits
150 hours
4.00 SWS (2.00 SWS Lecture | 1.00 SWS Seminar | 1.00 SWS Internship)
90.00 hours
Oral examination
Examination duration: 30 min | Weighting: 100 % | Tested in English language
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.
- Arbeitsblätter und Skripte für Vorlesung und Übung
- Tutorien und Skript zum Praktikum
- 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
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.
- Grundkurs Mathematik
- insbesondere Differentialrechnung
- Grundlagen der Stochastik
wird in der Vorlesung bekanntgegeben
werden in der Vorlesung bekanntgegeben