• Prof. Dr. Andreas Peter Dominik

• Prof. Dr. Franz Cemic
• Prof. Dr. Andreas Peter Dominik
• Dr. habil. Frank Kammer

Das Modul vermittelt tiefen Einblick in die Funktionsweise künstlicher neuronaler Netze und verdeutlicht deren Nutzen und Grenzen in typischen Anwendungsgebieten.

• Biologische Grundlagen neuronaler Netze
• Wichtige klassische Typen künstlicher neuronaler Netze (z.B. MLP, CNN, RNN, AE)
• Aktuelle Entwicklungen im Deep Learning (z.B. in den Bereichen Computer Vision, Natural Language Processing, Qualitätssicherung oder künstliche Intelligenz)
• Programmierung eigener neuronaler Netze mit und ohne Framework und mit Verwendung der GPU

Fachkompetenzen

• Die Studierenden können Netzarchitekturen für konkrete Fragestellungen auswählen und anpassen.
• Sie können geeignete Hyperparameter und Regularisierungsmethoden für Problemstellungen auswählen und abschätzen.
• Sie sind in der Lage Overfitting zu erkennen und durch geeignete Maßnahmen zu minimieren.
• Sie können typische Fragestellungen aus Industrie, Wirtschaft und Forschung mit Hilfe künstlicher neuronaler Netze beantworten.

Methodenkompetenzen (fachlich & überfachlich)

• Die Studierenden können Schichten neuronaler Netze in mindestens einer Programmiersprache selbst implementieren.
• Sie können Tensoroperationen auf einer GPU durchführen.
• Basierend auf ihrem Verständnis für Stochastic Gradiend Descent können sie Optimierer für spezielle Anwendungen auswählen und anpassen.

Sozialkompetenzen

• Die Studierenden können Vor- und Nachteile neuronaler Architekturen für konkrete Anwendungen beurteilen und im Team diskutieren.
• Sie können den Unterschied zwischen den Begriffen Machine Learning, Deep Learning und künstlicher Intelligenz erklären und an aktuellen Beispielen diskutieren.

Selbstkompetenzen

• Die Studierenden können einschätzen, welche neuronalen Architekturen sie umsetzen können und wo realistische Grenzen der Anwendbarkeit liegen.
• Sie können die Problematik künstlicher Intelligenz in unserer Gesellschaft diskutieren.

• 6 CrP
• Arbeitsaufwand 180 Std.
• Präsenzzeit 60 Std.
• Selbststudium 120 Std.

• 4 SWS
• Vorlesung 2 SWS
• Praktikum 2 SWS

• Informatik (M.Sc. 2022)

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.

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

Prüfungsleistung: Klausur

• Zell, A.: Simulation Neuronale Netze. Oldenbourg.
• Gasteiger, J.: Neural Networks in Chemistry and Drug Design. Wiley-VCH.
• Buckland, M.: Neural Networks in Plain English. http://www.ai-junkie.com/ann/evolved/nnt1.html .
• Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning. MIT Press. http://www.deeplearningbook.org.