Deep Learning DC

Präsenzstudium: ca. 60 Std., Eigenstudium: ca. 90 Std.

Grundkenntnisse des maschinellen Lernens, wie sie beispielsweise in Maschinelles Lernen (DC) gelehrt werden

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

• die Konzepte hinter Deep Learning Verfahren zu erläutern,
• einfache Deep Learning Techniken selbst zu implementieren,
• komplexere Deep Learning Modelle angepasst an verschiedenste Problemstellungen auszuwählen, mit Hilfe moderner Frameworks zu trainieren und zu evaluieren

Überfachliche Kompetenz: - Teamarbeit: Die Studierenden können Problemstellungen in Kleingruppen lösen.

• Grundlagen Deep Learning vom Perceptron zu Multilayer Perceptrons
• Convolutional Neural Networks
• Optimierungsverfahren (SGD, BGD, MBGD)
• Grundlagen Backpropagation
• Überblick Aktivierungsfunktionen/Lossfunktionen
• Regularisierungstechniken
• Hyperparameteroptimierung

Tafel, Beamer, Jupyter-Notebooks, Livecoding, GitHub

• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
• Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
• Géron, A. (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems. O' Reilly.