Deep Learning IC
Fakultät für Informatik und Mathematik ©
Name Deep Learning IC
Verantwortlich Prof. Dr. David Spieler
SWS 4
ECTS 5
Sprache(n) Deutsch
Englisch
Lehrform SU mit Praktikum
Angebot in jedem Sommersemester
Aufwand

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

Voraussetzungen
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

  • 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 bearbeiten Problemstellungen in Kleingruppen
Inhalt
  • Grundlagen Deep Learning vom Perceptron zu Multilayer Perceptrons
  • Convolutional Neural Networks
  • Optimierungsverfahren (SGD, BGD, MBGD)
  • Grundlagen Backpropagation
  • Überblick Aktivierungsfunktionen/Lossfunktionen
  • Regularisierungstechniken
  • Hyperparameteroptimierung
Medien und Methoden

Tafel, Beamer, Jupyter-Notebooks, Livecoding, GitHub

Literatur
  • 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.
Zuordnungen Curricula
SPO Fachgruppe Code ab Semester Prüfungsleistungen
IC Version 2020 Pflicht 6 schriftliche Prüfung