Modulhandbuch DLO

Deep Learning und Objekterkennung

Master Technische Informatik 2020

PDF Studiengangsverzeichnis Studienverlaufspläne Master Technische Informatik

Version: 3 | Letzte Änderung: 28.10.2019 15:02 | Entwurf: 0 | Status: vom Modulverantwortlichen freigegeben | Verantwortlich: Salmen

Anerkannte Lehrveran­staltungen DLO_Salmen
Gültig ab Sommersemester 2021
Dauer 1 Semester
ECTS 5
Zeugnistext (de) Deep Learning und Objekterkennung
Zeugnistext (en) Deep Learning and Objekt Recognition
Unterrichtssprache deutsch oder englisch
abschließende Modulprüfung Ja
Inhaltliche Voraussetzungen
Handlungsfelder
Komplexe Rechner-, Kommunikations- und Eingebettete Systeme sowie komplexe Software-Systeme unter interdisziplinären Bedingungen entwerfen, realisieren und bewerten
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Modulprüfung
Benotet Ja
Konzept Ausarbeitung einer exemplarischen Anwendung von Deep-Learning-Verfahren
Frequenz Jedes Semester
Learning Outcomes
ID Learning Outcome
LO1 Die Studierenden lernen, wie Neuronale Netze eingesetzt werden können um vielfältige Aufgaben der Objekterkennung in Bildern zu lösen.
Zu diesem Zweck wird an Hand ausgewählter Beispiele eines Neuronalen Netz trainiert dessen Leistungsfähigkeit evaluiert.
Damit werden die Studierenden in die Lage versetzt, Deep-Learning-Algorithmen in der beruflichen Praxis zu entwickeln und deren Leistungsfähigkeit zu beurteilen.
Kompetenzen
Kompetenz Ausprägung
Komplexe Systeme und Prozesse analysieren, modellieren, realisieren, testen und bewerten diese Kompetenz wird vermittelt
Komplexe Aufgaben selbständig bearbeiten diese Kompetenz wird vermittelt
Fachwissen erweitern und vertiefen und Lernfähigkeit demonstrieren diese Kompetenz wird vermittelt
Aufkommende Technologien einordnen und bewerten können diese Kompetenz wird vermittelt
Probleme wissenschaftlich untersuchen und lösen, auch wenn sie unscharf, unvollständig oder widersprüchlich definiert sind diese Kompetenz wird vermittelt

Inhaltliche Voraussetzungen
Handlungsfelder
Komplexe Rechner-, Kommunikations- und Eingebettete Systeme sowie komplexe Software-Systeme unter interdisziplinären Bedingungen entwerfen, realisieren und bewerten
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Learning Outcomes
ID Learning Outcome
LO1 Die Studierenden lernen, wie Neuronale Netze eingesetzt werden können um vielfältige Aufgaben der Objekterkennung in Bildern zu lösen.
Zu diesem Zweck wird an Hand ausgewählter Beispiele eines Neuronalen Netz trainiert dessen Leistungsfähigkeit evaluiert.
Damit werden die Studierenden in die Lage versetzt, Deep-Learning-Algorithmen in der beruflichen Praxis zu entwickeln und deren Leistungsfähigkeit zu beurteilen.
Kompetenzen
Kompetenz Ausprägung
Komplexe Systeme und Prozesse analysieren, modellieren, realisieren, testen und bewerten diese Kompetenz wird vermittelt
Komplexe Aufgaben selbständig bearbeiten diese Kompetenz wird vermittelt
Fachwissen erweitern und vertiefen und Lernfähigkeit demonstrieren diese Kompetenz wird vermittelt
Aufkommende Technologien einordnen und bewerten können diese Kompetenz wird vermittelt
Probleme wissenschaftlich untersuchen und lösen, auch wenn sie unscharf, unvollständig oder widersprüchlich definiert sind diese Kompetenz wird vermittelt

Typ Vorlesung
Separate Prüfung Nein
Exempla­rische inhaltliche Operatio­nalisierung Im Vorlesungsteil werden die grundlegenden Schritte bei der Implementierung von Deep-Learning-Verfahren, sowie die dabei zu Grund liegende Theorie erläutert.
Typ Praktikum
Separate Prüfung Ja
Exempla­rische inhaltliche Operatio­nalisierung Neuronale Netze werden in einfachen Beispielen trainiert und deren Leistungsfähigkeit wird analysiert.
Separate Prüfung
Benotet Nein
Frequenz Einmal im Jahr
Voraussetzung für Teilnahme an Modulprüfung Ja
Konzept Im Praktikum sollen die Studierenden zeigen, dass sie die jeweiligen Schritte bei der Implementierung und Evaluation eines Neuronalen Netzes in einfachen Beispielen umsetzen können.

Impressum
Datenschutzhinweis
Haftungshinweis
Bei Fehlern, bitte Mitteilung an die
Webredaktion der Fakultät IME

© 2022 Technische Hochschule Köln