htw saar
Zurück zur Hauptseite

Version des Moduls auswählen:

Deep Learning

Modulbezeichnung: Deep Learning
Studiengang: Praktische Informatik, Master, ASPO 01.10.2017
Code: PIM-DL
SWS/Lehrform: 2V+2P (4 Semesterwochenstunden)
ECTS-Punkte: 5
Studiensemester: laut Wahlpflichtliste
Pflichtfach: nein
Arbeitssprache:
Englisch
Prüfungsart:
Projektarbeit (Präsentation und Dokumentation)
Zuordnung zum Curriculum:
E2831 Elektro- und Informationstechnik, Master, ASPO 01.04.2019, Wahlpflichtfach, technisch
KIM-DL Kommunikationsinformatik, Master, ASPO 01.10.2017, Wahlpflichtfach, informatikspezifisch
PIM-DL Praktische Informatik, Master, ASPO 01.10.2017, Wahlpflichtfach, informatikspezifisch
Arbeitsaufwand:
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 5 Creditpoints 150 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 105 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
PIM-DS Data Science


[letzte Änderung 01.04.2020]
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Klaus Berberich
Dozent: Prof. Dr. Klaus Berberich

[letzte Änderung 19.02.2020]
Lernziele:
Students know about fundamental of deep neural networks and how they can be used to address various tasks in different domains (e.g., Natural Language Processing and Computer Vision). Students obtain a solid understanding of the theoretical underpinnings of deep neural networks such as optimization algorithms for learning parameters (e.g., variants of gradient descent) and activation functions (e.g., sigmoid, tanh, and ReLU). Given a specific task, students can put together a suitable neural network architecture (e.g., a CNN or RNN) and implement it using a standard framework (e.g., TensorFlow with Keras). Furthermore, students are aware of typical issues that can arise when training neural networks (e.g., overfitting) and know how to counteract them.

[letzte Änderung 01.04.2020]
Inhalt:
1. Introduction
 
2. Fundamentals of Machine Learning
 
3. Feed-Forward Neural Networks
 
4. Convolutional Neural Networks
 
5. Recurrent Neural Networks
 
6. Representation Learning
 
7. Generative Deep Learning
 
8. Outlook

[letzte Änderung 01.04.2020]
Literatur:
F. Chollet: Deep Learning with Python,
Manning, 2018
 
I. Goodfellow, Y. Bengio, and A. Courville: Deep Learning,
MIT Press 2016
https://www.deeplearningbook.org
 
M. Nielsen: Neural Networks and Deep Learning,
Online, 2019
http://neuralnetworksanddeeplearning.com
 
A. Gulli, A. Kapoor, and S. Pal: Deep Learning with TensorFlow 2 and Keras,
Packt Publishing, 2019
 
H. Lane, C. Howard, and H. M. Hapke: Natural Language Processing in Action,
Manning, 2019
 
S. Raschka and V. Mirjalili: Python Machine Learning,
Packt Publishing, 2019
 
A. Burkov: The Hundred-Page Machine Learning Book,
self published, 2019
http://themlbook.com

[letzte Änderung 01.04.2020]
Modul angeboten in Semester:
SS 2020
[Wed May 27 18:13:49 CEST 2020, CKEY=kdl, BKEY=pim2, CID=PIM-DL, LANGUAGE=de, DATE=27.05.2020]