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 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 |
Inhaltliche Voraussetzungen
Handlungsfelder
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
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 realisieren
Medientechnische Systeme und Prozesse beurteilen
Komplexe Fragestellungen sinnvoll auftrennen
Arbeitsergebnisse bewerten
Wissenschaftliche Methoden anwenden
Komplexe technische Aufgabe im Team bearbeiten
Inhaltliche Voraussetzungen
Handlungsfelder
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Learning Outcomes
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.
Webredaktion der Fakultät IME
© 2022 Technische Hochschule Köln