II2031 Einführung in Deep Learning

Modulverantwortliche
  • Prof. Dr. Seyed Eghbal Ghobadi
Lehrende
  • Prof. Dr. Franz Cemic
  • Prof. Dr. Andreas Peter Dominik
  • Prof. Dr. Seyed Eghbal Ghobadi
  • Dr. habil. Frank Kammer
Notwendige Voraussetzungen zur Teilnahme

Keine

Empfohlene Voraussetzungen zur Teilnahme

MN1009 Lineare Algebra

Kurzbeschreibung

Das Modul gibt einen Überblick über grundlegende Konzepte und Techniken des Deep Learning und vermittelt praktische Fähigkeiten für den Aufbau von neuronalen Netzen.

Inhalte
  • Einführung in maschinelles Lernen und künstliche Intelligenz
  • Grundlagen des Deep Learning (MLP, CNN, RNN, GANs, etc.)
  • Typische Anwendungen von Deep Learning, z.B. Computer Vision und Natural Language Processing
  • Methoden der Modellbewertung und -optimierung
  • Praktische Übungen zum Entwurf und Training von neuronalen Netzen mit einer Deep Learning Bibliothek (Tensorflow, Pytorch, Julia)
Qualifikations- und Lernziele

Fachkompetenzen

  • Die Studierenden können aus den theoretischen Grundlagen geeignete tiefe neuronale Netze für bestimmte Anwendungen auswählen und entwickeln.
  • Sie können Methoden zur Modellbewertung und -optimierung auswählen und entwickeln.
  • Sie können wissenschaftliche Arbeiten im Bereich Deep Learning lesen und zusammenfassen.
  • Sie können experimentelle Ergebnisse systematisch dokumentieren und präsentieren.

Methodenkompetenzen (fachlich & überfachlich)

  • Die Studierenden können Deep Learning Modelle evaluieren und optimieren.
  • Sie können eigene Deep Learning Modelle entwerfen und trainieren.
  • Sie können neuronale Netze mit einer Deep Learning Bibliothek wie TensorFlow, PyTorch oder Julia implementieren und anwenden.

Sozialkompetenzen

  • Die Studierenden können das erworbene Wissen in der Vorlesung und speziell in ihrem Team präsentieren.
  • Sie können in Teams arbeiten und effektiv kommunizieren.
  • Sie können Ergebnisse in schriftlicher und mündlicher Form präsentieren.
  • Sie können Feedback geben und empfangen, um die Arbeit im Team und individuell zu verbessern.

Selbstkompetenzen

  • Die Studierenden können Selbstreflexion und Selbstorganisation anwenden, um das eigene Lernen und Arbeiten zu verbessern.
  • Sie können selbstständig recherchieren, um sich das Wissen aus dem Stand der Technik anzueignen.
ECTS-Leistungspunkte (CrP)
  • 6 CrP
  • Arbeitsaufwand 180 Std.
  • Präsenzzeit 60 Std.
  • Selbststudium 120 Std.
Lehr- und Lernformen
  • 4 SWS
  • Seminaristischer Unterricht 4SWS
Studiensemester
  • Informatik (B.Sc. 2010)
  • Ingenieur-Informatik (B.Sc. 2010)
Dauer
1 Semester
Häufigkeit des Angebots
Einmal im Jahr
Unterrichtssprache
Deutsch
Bonuspunkte

Ja

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

Prüfungsleistungen

Prüfungsvorleistung: Hausübungen (Anzahl wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

Prüfungsleistung: Projektarbeit oder Klausur (Art des Leistungsnachweises wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

Benotung
Die Bewertung des Moduls erfolgt gemäß §§ 9, ggf. 12 (Teilleistungen), ggf. 18 (Arbeiten, Kolloquien) der Allgemeinen Bestimmungen (Teil I der Prüfungsordnung).
Verwendbarkeit
Gemäß § 5 der Allgemeinen Bestimmungen (Teil I der Prüfungsordnung) Verwendbarkeit in allen Bachelorstudiengänge der THM möglich.
Literatur, Medien
  • Vorlesungsfolien
  • Chollet, F.: Deep Learning with Python. Manning Publications.
  • Géron. A.: Hands-On Machine Learning with Scikit-Learn and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems.
  • Rosebrock, A.: Deep Learning for Computer Vision with Python. PyimageSearch.
  • Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning. MIT Press.
  • Brownlee, J.: Deep Learning for Computer Vision. Image Classification, Object Detection, and Face Recognition in Python. Machine Learning Mastery.

Rechtliche Hinweise