Master Medientechnologie 2020
PDF Studiengangsverzeichnis Studienverlaufspläne Master Medientechnologie
Version: 2 | Letzte Änderung: 09.02.2022 21:22 | Entwurf: 0 | Status: vom Modulverantwortlichen freigegeben | Verantwortlich: Salmen
Anerkannte Lehrveranstaltungen | DLO_Salmen |
---|---|
Modul ist Bestandteil des Studienschwerpunkts | BIL - Bildtechnologie |
Dauer | 1 Semester |
ECTS | 5 |
Zeugnistext (de) | Deep Learning und Objekterkennung |
Zeugnistext (en) | Deep Learning and Object Recognition |
Unterrichtssprache | deutsch oder englisch |
abschließende Modulprüfung | Ja |
Benotet | Ja | |
---|---|---|
Frequenz | Jedes Semester | |
Projekt über mehrere Wochen, bevorzugt in Kleingruppen, in dem selbständig eine Aufgabenstellung mithilfe von Deep Learning gelöst wird. Dabei sind alle Schritte zu leisten vom Entwurf eines geeigneten Netzes, über das Sammeln von Trainingsdaten bis hin zum praktischen Einsatz. Dieser Weg soll in einem kurzen Bericht dokumentiert werden, dabei sollen die Studierenden gezielt auf das in der Vorlesung Gelernte Bezug nehmen. Alle Gruppen präsentieren ihre Lösungen in einem kurzen Vortrag vor allen Teilnehmern.
Kompetenz | Ausprägung |
---|---|
Medientechnische Systeme und Prozesse analysieren | Vermittelte Kompetenzen |
Medientechnische Systeme und Prozesse realisieren | Vermittelte Kompetenzen |
Medientechnische Systeme und Prozesse beurteilen | Vermittelte Kompetenzen |
Komplexe Fragestellungen sinnvoll auftrennen | Vermittelte Kompetenzen |
Arbeitsergebnisse bewerten | Vermittelte Kompetenzen |
Wissenschaftliche Methoden anwenden | Vermittelte Kompetenzen |
Komplexe technische Aufgabe im Team bearbeiten | Vermittelte Kompetenzen |
Die Vorlesung gliedert sich in vier Teile:
1. Geschichte/Grundlagen
2. Tiefe Netze und deren Training
3. "Tricks of the trade"
4. Spezielle Netze
Die Inhalte werden mithilfe zahlreicher Beispiele aus der Praxis erläutert, z.B. Erkennung handgeschriebener Ziffern und Erkennung von Verkehrszeichen.
Notwendiges Grundlagenwissen (z.B. maschinelles Lernen) wird zu Beginn der Veranstaltung kurz wiederholt/vermittelt. Teil 3 ist der umfangreichste, weil es hier um die vielen kleinen "Stellschrauben" geht, die es erlauben, die häufig entscheidenden letzten Prozentpunkte zu gewinnen.
keine
Ausgewählte Beispiele aus der Vorlesung werden direkt mit Python umgesetzt. Die Studierenden können durch eigene Experimente die Inhalte selbst erleben und besser nachvollziehen.
Benotet | Nein | |
---|---|---|
Frequenz | Einmal im Jahr | |
Voraussetzung für Teilnahme an Modulprüfung | Ja |
Im Praktikum sollen die Studierenden zeigen, dass sie die jeweiligen Schritte bei der Entwicklung eines Neuronalen Netzes in einfachen Beispielen umsetzen können.
© 2022 Technische Hochschule Köln