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. |
© 2022 Technische Hochschule Köln