Modul 39-M-Inf-DL Deep Learning

Fakultät

Modulverantwortliche*r

Turnus (Beginn)

Jedes Wintersemester

Leistungspunkte und Dauer

5 Leistungspunkte

Die Angaben zur Moduldauer finden Sie bei den Studiengängen, in denen das Modul verwendet wird.

Kompetenzen

Die Studierenden sind in der Lage, verschiedene Schlüsselarchitekturen für das tiefe Lernen zu unterscheiden und sie kennen die Lernszenarien, in denen diese Architekturen verwendet werden können. Die Studierenden wissen, wie eine tiefe Architektur zu trainieren ist, sowohl im Hinblick auf die algorithmische Pipeline als auch auf mögliche Implementierungsformen mit modernen Systemen. Das Modul besteht aus Vorlesungen und Übungen besteht und wird mit einer Klausur abgeschlossen.

Lehrinhalte

Das Modul stellt die grundlegenden Konzepte des Deep Learning vor, insbesondere verschiedene populäre Architekturen wie restricted Boltzmann machines, convolutional neural networks, stacked autoencoder (concerns feedforward models), long short term memory models und rekursive Netzwerke (concerns recurrent models). Verschiedene Tricks für das Training werden eingeführt, einschließlich Optimierungsschemata wie ADAM und Trainingsmodi wie drop-out und Trainingssatzverbesserung. Beliebte Anwendungen wie zum Beispiel zur Bilderkennung werden diskutiert. Auf einer praktischen Seite wird TensorFlow hauptsächlich mit Keras als API verwendet.

Empfohlene Vorkenntnisse

Programmierkenntnisse (Python oder eine ähnliche Sprache), mathematische Grundlagen, Grundlagen des maschinellen Lernens (z. B. Neuronale Netze oder Einführung in das maschinelle Lernen)

Notwendige Voraussetzungen

—

Erläuterung zu den Modulelementen

Modulstruktur: 1 bPr 1

Veranstaltungen

Deep Learning
Art Vorlesung
Turnus WiSe
Workload5 60 h (30 + 30)
LP 2 [Pr]
Deep Learning
Art Übung
Turnus WiSe
Workload5 60 h (30 + 30)
LP 2

Prüfungen

Portfolio mit Abschlussprüfung
Zuordnung Prüfende Lehrende der Veranstaltung Deep Learning (Vorlesung)
Gewichtung 1
Workload 30h
LP2 1

Portfolio aus Übungs- oder Programmieraufgaben, die veranstaltungsbegleitend und in der Regel wöchentlich gestellt werden, und Abschlussklausur (60 Minuten) oder mündlicher Abschlussprüfung (in der Regel 15 min). Die Übungsaufgaben ergänzen und vertiefen den Inhalt der Vorlesung.
Nachweis einer ausreichenden Zahl korrekt gelöster Übungsaufgaben (in der Regel 50% der im Semester für das Lösen der Aufgaben erzielbaren Punkte).
Die abschließende mündliche Prüfung bezieht sich auf den Stoff der Vorlesung und der Übungen.

In diesen Studiengängen wird das Modul verwendet:

Studiengang Profil Empf. Beginn 3 Dauer Bindung 4
Bioinformatik und Genomforschung / Master of Science [FsB vom 30.09.2016 mit Änderungen vom 15.09.2017, 02.05.2018, 04.06.2020 und 31.03.2023] 1. o. 2. ein Semes­ter Wahl­pflicht
BioMechatronik / Master of Science [Studien- und Prüfungsordnung vom 22.12.2022] 1. o. 2. o. 3. ein Semes­ter Wahl­pflicht
Data Science / Master of Science [FsB vom 06.04.2018 mit Änderungen vom 01.07.2019, 02.03.2020, 21.03.2023 und 10.12.2024] Variante 1 3. ein Semes­ter Wahl­pflicht
Data Science / Master of Science [FsB vom 06.04.2018 mit Änderungen vom 01.07.2019, 02.03.2020, 21.03.2023 und 10.12.2024] Variante 2 3. ein Semes­ter Wahl­pflicht
Intelligente Systeme / Master of Science [FsB vom 27.07.2018 mit Änderung vom 04.06.2020] 1. o. 2. o. 3. ein Semes­ter Wahl­pflicht
Naturwissenschaftliche Informatik / Master of Science [FsB vom 30.09.2016 mit Berichtigung vom 10.01.2017 und Änderungen vom 15.09.2017, 02.05.2018, 04.06.2020 und 31.03.2023] 1. o. 2. o. 3. ein Semes­ter Wahl­pflicht

Automatische Vollständigkeitsprüfung

In diesem Modul kann eine automatische Vollständigkeitsprüfung vom System durchgeführt werden.

Legende

1
Die Modulstruktur beschreibt die zur Erbringung des Moduls notwendigen Prüfungen und Studienleistungen.
2
LP ist die Abkürzung für Leistungspunkte.
3
Die Zahlen in dieser Spalte sind die Fachsemester, in denen der Beginn des Moduls empfohlen wird. Je nach individueller Studienplanung sind gänzlich andere Studienverläufe möglich und sinnvoll.
4
Erläuterungen zur Bindung: "Pflicht" bedeutet: Dieses Modul muss im Laufe des Studiums verpflichtend absolviert werden; "Wahlpflicht" bedeutet: Dieses Modul gehört einer Anzahl von Modulen an, aus denen unter bestimmten Bedingungen ausgewählt werden kann. Genaueres regeln die "Fächerspezifischen Bestimmungen" (siehe Navigation).
5
Workload (Kontaktzeit + Selbststudium)
SoSe
Sommersemester
WiSe
Wintersemester
SL
Studienleistung
Pr
Prüfung
bPr
Anzahl benotete Modul(teil)prüfungen
uPr
Anzahl unbenotete Modul(teil)prüfungen
Diese Leistung kann gemeldet und verbucht werden.

Seitenleiste

Modulelemente

Veranstaltungen

Prüfungen

Lehrangebot im eKVV

Lehrangebot im eKVV

Modullisten zeigen

Bioinformatik und Genomforschung / Master of Science

BioMechatronik / Master of Science

Data Science / Master of Science // Variante 1

Data Science / Master of Science // Variante 2

Intelligente Systeme / Master of Science [FsB vom 27.07.2018 mit Änderung vom 04.06.2020]

Naturwissenschaftliche Informatik / Master of Science [FsB vom 30.09.2016 mit Berichtigung vom 10.01.2017 und Änderungen vom 15.09.2017, 02.05.2018, 04.06.2020 und 31.03.2023]