Modulhandbuch

Um ein Modulhandbuch einzufügen, den Inhalt-Plus-Button an der gewünschten Stelle anklicken und unter der Rubrik Plug-Ins „Modulhandbuch (DE)“ wählen. Unter „Studiengang“ den gewünschten Studiengang auswählen und speichern. Jetzt wird das Modulhandbuch auf der Seite angezeigt.


Falls das gewünschte Modulhandbuch noch nicht in der Liste erscheint, bitte Webmaster (webmaster@hs-offenburg.de) kontaktieren.

Modulhandbuch

KI-Systeme und Architekturen

Empfohlene Vorkenntnisse

Machine Learning 1+2, Deep Learning
Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Nach Abschluss des Moduls sind die Studierenden in der Lage KI Methoden für den Einsatz auf großen Datenmengen zu skalieren und für zeitkritische Anwendungen zu beschleunigen. Dazu lernen sie die Rechen-, Speicher- und Kommunikationskomplexität von Machine Learning (ML) Algorithmen zu analysieren und gängige Beschleunigungs- und Parallelisierungsansätze praxisnah einzusetzen.
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Praktikum KI-Systeme und Architekturen" (K90) bestanden. "Praktikum KI-Systeme und Architekturen" muss "m.E." attestiert sein.
Modulverantwortlicher

Prof. Dr. Janis Keuper
Max. Teilnehmer 48
Empf. Semester 3
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Bachelor-Studiengang AKI
Veranstaltungen

KI-Systeme und Architekturen

Art Vorlesung
Nr. EMI934
SWS 2.0
Lerninhalt

Die LV gliedert sich folgendermaßen:

  • Grundlagen MLOps
  • Grundlegende Rechenoperationen in Machine Learning (ML) Algorithmen
  • Aktuelle Hardwarearchitekturen für KI und ML
  • Eingebettete Systeme für KI/ML Anwendungen
  • Skalierbares Deep Learning
  • Machine Learning in der Cloud

 
Literatur

Die aktuelle Literaturliste wird in der Lehrveranstaltung bekannt gegeben.

KI-Systeme und Architekturen

Art Praktikum
Nr. EMI935
SWS 2.0
Lerninhalt

Die LV gliedert sich folgendermaßen:

  • Aktuelle MLOps Frameworks für Data Versioning, Experiment Tracking, Model Management
  • Skalierbares Training von Deep Learning Ansätzen
  • Umsetzung von Deep Learning Ansätzen auf eingebetteter Hardware
  • Umsetzung von Deep Learning Ansätzen in der Cloud
  • Containerisierung
Literatur

Die aktuelle Literaturliste wird in der Lehrveranstaltung bekannt gegeben.