Fakultät für Informatik und Mathematik ©
Kontakt: zpa-fk07@hm.edu
Deep Learning DC
SWS | 4 | ||||||||||||||||||||||||||||||
ECTS | 5 | ||||||||||||||||||||||||||||||
Sprache(n) | Deutsch
(Standard)
Englisch |
||||||||||||||||||||||||||||||
Lehrform | SU mit Praktikum | ||||||||||||||||||||||||||||||
Angebot | in jedem Sommersemester | ||||||||||||||||||||||||||||||
Aufwand | Präsenzstudium: ca. 60 Std., Eigenstudium: ca. 90 Std. |
||||||||||||||||||||||||||||||
Voraussetzungen | Grundkenntnisse des maschinellen Lernens, wie sie beispielsweise in Maschinelles Lernen (DC) gelehrt werden |
||||||||||||||||||||||||||||||
Ziele | Lernziele: Die Studierenden lernen verschiedene Modelltypen und passende Lernverfahren aus dem Bereich des Deep Learning kennen und anwenden, um sie in ihrer späteren beruflichen Tätigkeit bei der Analyse von Daten verschiedenster Modalitäten hinsichtlich Erkenntnisgewinn und Vorhersage sinnvoll einsetzen zu können. Fach- & Methodenkompetenz: Die Studierenden sind in der Lage
Überfachliche Kompetenz: - Teamarbeit: Die Studierenden können Problemstellungen in Kleingruppen lösen. |
||||||||||||||||||||||||||||||
Inhalt |
|
||||||||||||||||||||||||||||||
Medien und Methoden | Tafel, Beamer, Jupyter-Notebooks, Livecoding, GitHub |
||||||||||||||||||||||||||||||
Literatur |
|
||||||||||||||||||||||||||||||
Zuordnungen Curricula |
|