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.
Students are able to distinguish different key architectures for deep learning and they know the learning scenarios where these architectures can be used. The students know how to train a deep architecture, both, as with regards to the algorithmic pipeline and possible forms of implementation using modern systems. The module consists of lectures and exercise classes and includes an exam at the end of the term.
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.
The module introduces the basic concepts of deep learning, in particular different popular architectures including restricted Boltzmann machines, convolutional neural networks, stacked autoencoders (as concerns feedforward models), and long short term memory models and recursive networks (as concerns recurrent models). Different tricks for training are introduced including optimiziation schemes such as ADAM and training modi such as drop-out and training set enhancement. Popular applications such as for image recognition will be discussed. On a practical side, mostly TensorFlow will be used with Keras as API.
Empfohlene Vorkenntnisse
Programmierkenntnisse (Python oder eine ähnliche Sprache), mathematische Grundlagen, Grundlagen des maschinellen Lernens (z. B. Neuronale Netze oder Einführung in das maschinelle Lernen)
Programming knowledge (Python or a similar language),
Foundations of mathematics, foundations of machine learning (e.g., neural networks or introduction to machine learning)
Notwendige Voraussetzungen
—
Erläuterung zu den Modulelementen
Modulstruktur: 1 bPr 1
Veranstaltungen
| Titel | Art | Turnus | Workload (Kontaktzeit + Selbststudium) | LP2 |
|---|---|---|---|---|
| Deep Learning | Vorlesung | WiSe | 60h (30 + 30) | 2 [Pr] |
| Deep Learning | Übung | WiSe | 60h (30 + 30) | 2 |
Prüfungen
| Organisatorische Zuordnung | Art | Gewichtung | Workload | LP2 |
|---|---|---|---|---|
|
Deep Learning
(Vorlesung)
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. Portfolio consisting of per default weekly exercises or programming tasks and final written exam (per default 60 minutes) or final oral exam (per default 15 minutes). The exercises are based on the content of the lecture and enable students to train and further investigate the topics. It is required that a sufficient percentage of the exercises are successfully completed (per default 50% of the total number of points which can be achieved during a semester). The final oral exam concerns both, the content of the lecture as well as the exercises. |
Portfolio mit Abschlussprüfung | 1 | 30h |
1
|
In diesen Studiengängen wird das Modul verwendet:
| Studiengang | Profil | Empf. Beginn 3 | Dauer | Bindung 4 |
|---|---|---|---|---|
| Data Science / Master of Science [FsB vom 06.04.2018 mit Änderung vom 01.07.2019] | Variante 1 | 3. | ein Semester | Wahlpflicht |
| Data Science / Master of Science [FsB vom 06.04.2018 mit Änderung vom 01.07.2019] | Variante 2 | 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 rechtes Menü).
- SL
- Studienleistung
- Pr
- Prüfung
- bPr
- Anzahl benotete Modul(teil)prüfungen
- uPr
- Anzahl unbenotete Modul(teil)prüfungen
-
- Diese Leistung kann gemeldet und verbucht werden.