Bearbeite ModulNeu: Modul:IAM (SPO 2018):Neuronale Netze und Deep Learning

Sie sind nicht berechtigt, die Seite zu bearbeiten. Grund:

Diese Aktion ist auf Benutzer beschränkt, die einer der Gruppen „Benutzer, Administrator“ angehören.

Kopiere Inhalt von
Studiengang	(1)
Studienabschnitt	(1)
Modulart	(1)
Modulkatalog	(0,1)
Name	(0,1)
Name (englisch)	(0,1)
Alternativnamen	(0..*)
Kürzel	(0,1)
Unterrichtssprache	(1)
Verwendbarkeit	(0..*)	Bachelorstudiengang Interaktive Medien
Turnus	(1)	Üblicherweise im Jahreszyklus; die Lehrveranstaltung wird nur angeboten, wenn sich genügend Teilnehmer anmelden.
Voraussetzungen	(0,1)	Grundlagen der Programmierung und der Mathematik wie sie in den ersten Semestern vermittelt werden.
Voraussetz. LV	(0..*)
wird gehalten	(1)
Wiederholungsprfg.	(1)
Semester	(0,*)
Dauer	(0,1)
Credits	(0,1)
SWS	(0,1)
SWS Lehre	(0,1)
SWS Praktikum	(0,1)
Teaching Points	(0,1)
Lehrformen	(0..*)
Homepage	(0,1)
Präsenzzeit	(0)
Selbststudium	(0)
Workload	(0,1)
Modulkoordinatoren	(0..*)
Lehrende	(0..*)
Prüfung	(0,1)
Besondere Regelungen	(0,1)
Prüfungsnummer	(0,1)
Prüfungsnr. B. A.	(0,1)
Prüfungsnr. B. Sc.	(0,1)
Prüfer	(0..*)
Zweitprüfer	(0..*)
Prüfungsart	(0..*)
Prüfungsdetails	(0..*)	Dauer der Klausur: 90 Min (Gewichtung: 70 %)<br/> Umfang der Studienarbeit: 6 bis 10 Seiten (Gewichtung: 30 %)
Hilfsmittel	(0..*)
Benotung	(1)
Gewichtung (= 100)	(0,1)
Prüfungsinhalte	(0,1)
Qualifikationsziele	(0,1)	Nach erfolgreicher Teilnahme am Modul sind die Studierenden in der Lage: * Grundprinzipien Neuronaler Netze in mathematischer Notation zu beschreiben * Verschiedene Typen und Architekturen Neuronaler Netze und ihre Einsatzgebiete zu unterscheiden * Einfache Neuronale Netze und Backpropagation in einer Programmiersprache zu implementieren * Für vorgegebene Datensätze in einer Umgebung wie Jupyter Notebook die Daten vorzuverarbeiten, geeignete Netze zuwählen, zu erzeugen und zu trainieren * Mit Standardbibliotheken wie TensorFlow, Keras und PyTorch datenbasiert Probleme zu lösen mit Hilfe von Hyperparameter-Tuning, Visualisierung und systematischer Evaluation
Inhalte	(0,1)	Supervised Learning * Einführung in die Neuronalen Netze (NN) * Feedforward-NN und Backpropagation * Convolutional NNs am Beispiel Bildverarbeitung * Recurrent NNs, Gated Recurrent Units (GRUs), und LongShort-Term Memory (LSTM) Unsupervised Learning * Hopfield-Netze und Boltzmann-Maschinen * Hebbsche Regel * Autoencoders * Generative Adversarial Networks (GANs) Reinforcement Learning (RL) * Theorie des RL und Q-learning * Deep Q-learning
Literatur	(0,1)	* R. Schwaiger, J. Steinwendner (2019): Neuronale Netzeprogrammieren mit Python, Rheinwerk Computing. * S. Raschka, V. Mirjalili (2019): Python Machine Learning, 3. Auflage, Packt Publishing. * E. Charniak (2019): Introduction to Deep Learning, MIT Press. * R.S. Sutton, A.G. Barto (2018): Reinforcement Learning: An Introduction, 2. Auflage, MIT Press.
Anmerkungen	(0,1)
Im Modulhandbuch	(0,1)

Zusammenfassung:

Nur Kleinigkeiten wurden verändert Diese Seite beobachten

Abbrechen