Modul

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
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
Frequenz Jedes Semester
Prüfungskonzept

Ausarbeitung einer exemplarischen Anwendung von Deep-Learning-Verfahren

Learning Outcomes
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
Vermittelte Kompetenzen
Komplexe Systeme und Prozesse analysieren, modellieren, realisieren, testen und bewerten
Komplexe Aufgaben selbständig bearbeiten
Fachwissen erweitern und vertiefen und Lernfähigkeit demonstrieren
Aufkommende Technologien einordnen und bewerten können
Probleme wissenschaftlich untersuchen und lösen, auch wenn sie unscharf, unvollständig oder widersprüchlich definiert sind

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
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 Vermittelte Kompetenzen
Komplexe Aufgaben selbständig bearbeiten Vermittelte Kompetenzen
Fachwissen erweitern und vertiefen und Lernfähigkeit demonstrieren Vermittelte Kompetenzen
Aufkommende Technologien einordnen und bewerten können Vermittelte Kompetenzen
Probleme wissenschaftlich untersuchen und lösen, auch wenn sie unscharf, unvollständig oder widersprüchlich definiert sind Vermittelte Kompetenzen

Exempla­rische inhaltliche Operatio­nalisierung

Im Vorlesungsteil werden die grundlegenden Schritte bei der Implementierung von Deep-Learning-Verfahren, sowie die dabei zu Grund liegende Theorie erläutert.

Separate Prüfung

keine

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
Prüfungskonzept

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