Dokument-Version: 4.001.03.2021pre

Fakultät Ingenieurwissenschaften

Bachelorstudiengang (EIB) - Elektrotechnik und Informationstechnik

Maschinelles Lernen II

Kennzahl 5818

Dozententeam

Wahlpflichtmodul 5818

verantwortlich: Professur Computer Vision und Maschinelles Lernen
Regelsemester Wintersemester 5. Semester (jährlich)
Leistungspunkte *) 5   (Wichtung der LP =5)
Unterrichtssprache Deutsch
Arbeitsaufwand Vorlesung-Präsenz: 28 h; Vorlesung-Nacharbeit: 32 h; Seminar-Präsenz: 14 h; Seminar-Vorarbeit: 31 h; Praktikum-Präsenz: 14 h; Praktikum-Vorarbeit: 31 h;
Voraussetzungen für die Teilnahme Kenntnisse/Fähigkeiten: Modul : Grundlagen der Informationstechnik und Maschinelles Lernen I (2040);
Lernziel/ Kompetenz Ziel: Vermittlung theoretischer und praktischer Kenntnisse zu Verfahren des maschinellen Lernens auf Basis tiefer neuronaler Netze, insbesondere zu grundlegenden Paradigmen etablierter Netzarchitekturen und deren Umsetzung in Deep-Learning-Frameworks (Tensorflow).

Fach- und methodische Kompetenz: Kenntnisse zur Funktionsweise und zur Beschreibung tiefer neuronaler Netze, zu etablierten Architekturen und ihren Anwendungsmöglichkeiten, zu Methoden des Trainings- und der Trainingsoptimierung sowie zur systematischen Bewertung; Fähigkeiten zur Verwendung von Deep-Learnin-Frameworks zur Lösung allgemeiner ingenieurwissenschaftlicher und ingenieurtechnische Problemstellungen im Bereich der Analyse komplexer Daten und großer Datenmengen, z.B. Sensordaten.

Einbindung in die Berufsvorbereitung: Die Fähigkeit zur Auswahl und Optimierung tiefer neuronaler Netze für die Realisierung nichtlinearer, hochkomplexer Funktionsapproximationen auf Basis großer Datenmengen sind für die in vielen Bereichen stark zunehmenden Anforderungen zur automatischen Analyse und Bewertung multimodaler Daten von großer Bedeutung. Darüber hinaus bildet die damit einhergehende Expertise einen wichtigen Baustein moderner Computer-Vision-Verfahren, auch und insbesondere für Verfahren des Bildverstehens.
Inhalt 1. Tiefe Neuronale Netze/Feed-Forward-netze

2. Aktivierungsfunktionen

3. Backpropagation, Automatische Differenzierung

4. Regularisierung und Normalisierung

5. Training, Optimierung und Transfer-Lernen

6. Convolutional Neural Networks

7. Sequence-Models

Studien- und Prüfungsleistungen
Lehreinheiten SWS Prüfungsleistung Wichtung
V S P
Maschinelles Lernen II 2 1 1 PK 90 min 5
Medienformen Tafel, PC, Beamer, Literatur
Literatur Frochte, J.: Maschinelles Lernen - Grundlagen und Algorithmen in Python;

Szeliski, R.: Computer Vision Algorithms and Applikcations,2nd Edition;

Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning,MIT Press;

Verwendbarkeit Das Modul ist in Bachelorstudiengängen Elektrotechnik und Informationstechnik verwendbar.