Modul

DLO - Deep Learning und Objekterkennung

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 StudienschwerpunktsBIL - 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
Inhaltliche Voraussetzungen
Handlungsfelder
Komplexe Medientechnologien unter interdisziplinären Bedingungen entwickeln
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Modulprüfung
Benotet Ja
Frequenz Jedes Semester
Prüfungskonzept

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.

Learning Outcomes
LO1 - Es passiert selten, dass eine Entwicklung so große und weitreichende Auswirkungen hat, wie jüngst das Deep Learning. Betroffen von diesem rasanten Fortschritt sind viele Teilbereiche der Informatik, darunter Bildverarbeitung und hier insbesondere Objekterkennung.

Im Modul "Deep Learning und Objekterkennung" können die Studierenden lernen, wie künstliche neuronale Netze heute eingesetzt werden, um vielfältige praxisrelevante Aufgaben zu lösen. Dabei lernen sie typische Probleme und Herausforderungen beim Lernen der tiefen Netze kennen, etwa Überanpassung an Trainingsdaten oder unzureichender Trainingsdatensatz. Es werden aktuelle Ansätze vorgestellt, die es erlauben, viele dieser Probleme zu vermeiden bzw. trotzdem zuverlässige Lösungen zu finden.

Die Studierenden lernen schließlich auch spezielle neuronale Netze kennen, etwa Faltungsnetzwerke, rekurrente Netze und GANs.

Die Teilnehmer*innen erhalten einen Überblick über die langjährigen Entwicklungen in Forschung und Technik, die letztlich zum großen Erfolg von Deep Learning geführt haben. Dieses Wissen ermöglicht ihnen auch, die aktuellen Grenzen, Herausforderungen und offene Fragen im Zusammenhang mit Deep Learning besser zu verstehen.

Die Studierenden werden so in die Lage versetzt, selbständig zu entscheiden, in welchen Situationen sich der Einsatz von Verfahren aus dem Bereich Deep Learning anbietet. Sie können eine entsprechende Lösung entwerfen, iterativ verbessern und in die praktische Anwendung bringen. Mögliche Probleme auf dem Weg dahin können sie qualifiziert analysieren und passende Ideen zur Bewältigung entwickeln.
Kompetenzen

Vermittelte Kompetenzen
Medientechnische Systeme und Prozesse analysieren
Medientechnische Systeme und Prozesse realisieren
Medientechnische Systeme und Prozesse beurteilen
Komplexe Fragestellungen sinnvoll auftrennen
Arbeitsergebnisse bewerten
Wissenschaftliche  Methoden anwenden
Komplexe technische Aufgabe im Team bearbeiten

Inhaltliche Voraussetzungen
Handlungsfelder
Komplexe Medientechnologien unter interdisziplinären Bedingungen entwickeln
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Learning Outcomes
LO1 - Es passiert selten, dass eine Entwicklung so große und weitreichende Auswirkungen hat, wie jüngst das Deep Learning. Betroffen von diesem rasanten Fortschritt sind viele Teilbereiche der Informatik, darunter Bildverarbeitung und hier insbesondere Objekterkennung.

Im Modul "Deep Learning und Objekterkennung" können die Studierenden lernen, wie künstliche neuronale Netze heute eingesetzt werden, um vielfältige praxisrelevante Aufgaben zu lösen. Dabei lernen sie typische Probleme und Herausforderungen beim Lernen der tiefen Netze kennen, etwa Überanpassung an Trainingsdaten oder unzureichender Trainingsdatensatz. Es werden aktuelle Ansätze vorgestellt, die es erlauben, viele dieser Probleme zu vermeiden bzw. trotzdem zuverlässige Lösungen zu finden.

Die Studierenden lernen schließlich auch spezielle neuronale Netze kennen, etwa Faltungsnetzwerke, rekurrente Netze und GANs.

Die Teilnehmer*innen erhalten einen Überblick über die langjährigen Entwicklungen in Forschung und Technik, die letztlich zum großen Erfolg von Deep Learning geführt haben. Dieses Wissen ermöglicht ihnen auch, die aktuellen Grenzen, Herausforderungen und offene Fragen im Zusammenhang mit Deep Learning besser zu verstehen.

Die Studierenden werden so in die Lage versetzt, selbständig zu entscheiden, in welchen Situationen sich der Einsatz von Verfahren aus dem Bereich Deep Learning anbietet. Sie können eine entsprechende Lösung entwerfen, iterativ verbessern und in die praktische Anwendung bringen. Mögliche Probleme auf dem Weg dahin können sie qualifiziert analysieren und passende Ideen zur Bewältigung entwickeln.
Kompetenzen
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

Exempla­rische inhaltliche Operatio­nalisierung

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.

Separate Prüfung

keine

Exempla­rische inhaltliche Operatio­nalisierung

Ausgewählte Beispiele aus der Vorlesung werden direkt mit Python umgesetzt. Die Studierenden können durch eigene Experimente die Inhalte selbst erleben und besser nachvollziehen.

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 Entwicklung eines Neuronalen Netzes in einfachen Beispielen umsetzen können.


© 2022 Technische Hochschule Köln