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

Deep Learning

Empfohlene Vorkenntnisse

Machine Learning 1 +2, Mathematik 1+2, Programmierung in Python

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Nach Abschluss des Moduls haben die Studierenden ein breites und detailliertes Verständnis für die theoretischen Grundlagen tiefer neuronaler Netze (DNN) und deren praktischen Implementierung. Dies schafft die Voraussetzungen für anwendungsspezifische Deep Learning Ansätze in den Vertiefungs-, Wahl- und Anwendungsmodulen, wie z.B. Computer Vision. Im Labor lernen die Studierenden wesentliche Elemente moderner DNNs von Grund auf zu implementieren bevor in die Anwendung eines aktuellen Deep Learning Frameworks eingeführt wird.

Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 120
Workload 180
ECTS 6.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Deep Learning" (K60) bestanden. "Praktikum Deep Learning" muss "m.E." attestiert sein.

Modulverantwortlicher

Prof. Dr. Janis Keuper

Max. Teilnehmer 48
Empf. Semester 4
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Bachelor-Studiengang AKI

Veranstaltungen

Deep Learning

Art Vorlesung
Nr. EMI921
SWS 2.0
Lerninhalt

Die LV gliedert sich folgendermaßen:

  • Geschichte und Herleitung einfacher künstlicher neuronaler Netze (NN)
  • Design und Implementierung von “Multi Layer Perceptron” Netzen
  • Training von NNs als Lösung nicht-konvexer Optimierungsprobleme
  • Theorie und Implementierung des Backpropagation Algorithmus
  • Einführung in aktuelle NN Software Frameworks
  • Konzepte des “Deep Learning” und deren Implementierung durch tiefe neuronale Netze (DNN)
  • Grundlagen und Implementierung von Auto-Encoder Netzen (AE)
  • Grundlagen und Implementierung von Convolutional Neural Networks (CNN)
  • Grundlagen und Implementierung von rekurrenten Netzen (RNN)
  • Grundlagen und Implementierung von generativen Netzen
  • Hyperparameter Optimierung und Neural Architecture Search
Literatur
  • Deep Learning, Goodfellow et.al. (2018), MITP
  • weitere aktuelle Publikationen

Deep Learning

Art Praktikum
Nr. EMI922
SWS 2.0
Lerninhalt

Die Studierenden setzen die in der Vorlesung vermittelten Konzepte und Architekturen im Praktikum um.

Literatur