Lehrveranstaltung
DLO - Deep Learning und Objekterkennung
PDF Lehrveranstaltungsverzeichnis English Version: DLO
Version: 1 | Letzte Änderung: 28.10.2019 15:21 | Entwurf: 0 | Status: vom verantwortlichen Dozent freigegeben
| Langname | Deep Learning und Objekterkennung |
|---|---|
| Anerkennende LModule | DLO_MaET, DLO_MaMT, DLO_MaTIN |
| Verantwortlich |
Prof. Dr. Jan Salmen
Professor Fakultät IME |
| Niveau | Master |
| Semester im Jahr | Sommersemester |
| Dauer | Semester |
| Stunden im Selbststudium | 80 |
| ECTS | 5 |
| Dozenten |
Prof. Dr. Jan Salmen
Professor Fakultät IME |
| Voraussetzungen | undefined |
| Unterrichtssprache | deutsch |
| separate Abschlussprüfung | Ja |
Literatur
I. Goodfellow, Y. Bengio und A. Courville. Deep Learning. MIT Press, 2016
C. C. Aggarwal. Neural Networks and Deep Learning: A Textbook. Springer, 2018
C. Bishop und H. Bishop. Deep Learning: Foundations and Concepts. Springer, 2024
D. V. Godoy. Deep Learning with PyTorch Step-by-Step: A Beginner’s Guide. Fundamentals. 2022
D. V. Godoy. Deep Learning with PyTorch Step-by-Step: A Beginner’s Guide. Computer Vision. 2022
C. C. Aggarwal. Neural Networks and Deep Learning: A Textbook. Springer, 2018
C. Bishop und H. Bishop. Deep Learning: Foundations and Concepts. Springer, 2024
D. V. Godoy. Deep Learning with PyTorch Step-by-Step: A Beginner’s Guide. Fundamentals. 2022
D. V. Godoy. Deep Learning with PyTorch Step-by-Step: A Beginner’s Guide. Computer Vision. 2022
Abschlussprüfung
Details
undefinedMindeststandard
undefinedPrüfungstyp
undefinedLernziele
Kenntnisse
Deep-Learning-Algorithmen und deren Anwendung zur Objekterkennung in Bildern
Lernalgorithmen, deren Training und Evaluation
Lernalgorithmen, deren Training und Evaluation
Aufwand Präsenzlehre
| Typ | Präsenzzeit (h/Wo.) |
|---|---|
| Vorlesung | 2 |
| Tutorium (freiwillig) | 0 |
Besondere Literatur
keine/none
Besondere Voraussetzungen
keine
Begleitmaterial
keine/none
Separate Prüfung
keine
Lernziele
Fertigkeiten
Neuronales Netz trainieren
Evaluation der Leistung eines Neuronalen Netzes
Evaluation der Leistung eines Neuronalen Netzes
Aufwand Präsenzlehre
| Typ | Präsenzzeit (h/Wo.) |
|---|---|
| Praktikum | 3 |
| Tutorium (freiwillig) | 0 |
Besondere Literatur
keine/none
Besondere Voraussetzungen
keine
Begleitmaterial
keine/none
Separate Prüfung
Prüfungstyp
Übungsaufgabe mit fachlich / methodisch eingeschränktem Fokus lösenDetails
Training und Evaluation eines Neuronalen Netzes an Hand ausgewählter BeispieleMindeststandard
Präsenz und aktive Mitarbeit
Bei Fehlern, bitte Mitteilung an die
Webredaktion der Fakultät IME
Webredaktion der Fakultät IME
© 2022 Technische Hochschule Köln