Deep Learning
Fakultät für Informatik und Mathematik ©
Name Deep Learning
Verantwortlich Prof. Dr. Alfred Nischwitz
SWS 4
ECTS 5
Sprache(n) Deutsch
Englisch
Lehrform SU mit Praktikum
Angebot nach Ankündigung
Aufwand

30 Präsenzstunden Vorlesung, 30 Präsenzstunden Praktikum, 45 Stunden Vor-/Nachbereitung des Praktikums, 45 Stunden Nachbereitung der Vorlesung und Prüfungsvorbereitung

Voraussetzungen

Kenntnisse in linearer Algebra und Analysis, grundlegende Programmierkenntnisse

Ziele

Kennenlernen und Verstehen grundlegender theoretischer Prinzipien des Deep Learning sowie die praktische Anwendung der Algorithmen auf unterschiedlichste Probleme. Erlernen von Fähigkeiten, um die Algorithmen in Python (eine der führenden Programmiersprachen im Bereich des maschinellen Lernens) zu implementieren und anzuwenden. Fähigkeiten, verschiedene Deep Learning Architekturen zu verstehen, zu implementieren und anzuwenden.

Inhalt

Deep Learning hat sich zu einem rasant wachsenden Gebiet im Bereich des maschinellen Lernens entwickelt und wird in einer Vielzahl unterschiedlichster Technologien erfolgreich eingesetzt, z. B. in der natürlichen Spracherkennung, Bild- und Objekterkennung oder autonomen Systemen und Robotern. In diesem Kurs beschäftigen wir uns zuerst mit den Grundlagen neuronaler Netze und lernen dann komplexere Systeme und Architekturen kennen. Einführung in neuronale Netze (Perceptron) Adaptive Linear Neurons, Gradient Descent, Stochastic Gradient Descent, Mini-batch Gradient Descent Multilayer Neural Networks und Trainieren mittels Backpropagation Aktivierungsfunktionen und Lossfunktionen Normalisierung und Regularisierung Moderne Verfahren der Hyperparameteroptimierung Komplexere Optimierungsverfahren (AdaGrad, RMSProp, Adam) Convolutional Neural Networks Unterschiedliche Netzwerkarchitekturen Transfer Learning und Neural Style Transfer Object Recognition, Object Detection Recurrent Neural Networks

Medien und Methoden

Beamer, Tafel, Jupyter Notebooks.

Literatur

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Zuordnungen Curricula
SPO Fachgruppe Code ab Semester Prüfungsleistungen
IG Version 2010 VCML: Schwerpunkt IG-CGB-0170 1 benotete Studienarbeit (40%)
benotete schriftliche Prüfung 90 Minuten (60%)
IG Version 2010 EC: Fachliche u. persönliche Profilbildung IG-CGB-0170 1 benotete Studienarbeit (40%)
benotete schriftliche Prüfung 90 Minuten (60%)
IG Version 2010 SWE: Fachliche u. persönliche Profilbildung IG-CGB-0170 1 benotete Studienarbeit (40%)
benotete schriftliche Prüfung 90 Minuten (60%)
IG Version 2019 EC: Fachliche u. persönliche Profilbildung IG-CGB-0170 1 Bonus
benotete mündliche Prüfung
benotete schriftliche Prüfung 90 Minuten
IG Version 2019 SWE: Fachliche u. persönliche Profilbildung IG-CGB-0170 1 Bonus
benotete mündliche Prüfung
benotete schriftliche Prüfung 90 Minuten
IG Version 2019 VCML: Schwerpunkt IG-CGB-0170 1 Bonus
benotete mündliche Prüfung
benotete schriftliche Prüfung 90 Minuten
IS Version 2009 WPF Informatik und Wirtschaft IF-S-M-I11 1 Bonus
benotete mündliche Prüfung
benotete schriftliche Prüfung 90 Minuten
IS Version 2017 WPF Informatik und Wirtschaft IF-S-M-I11 1 Bonus
benotete mündliche Prüfung
benotete schriftliche Prüfung 90 Minuten