Lehrveranstaltungshandbuch Deep Learning Architectures

---

Verantwortlich: Prof. Dr. Beate Rhein

Lehrveranstaltung

Befriedigt Modul (MID)

• aktuelle
  • Ma TIN2012 DLA

Organisation

Version erstellt 2016-10-03 VID 1 gültig ab WS 2012/13 gültig bis

Bezeichnung Lang Deep Learning Architectures LVID F07_DLA LVPID (Prüfungsnummer)

Semesterplan (SWS) Vorlesung 2 Übung (ganzer Kurs) 2 Übung (geteilter Kurs) Praktikum 1 Projekt Seminar Tutorium (freiwillig)

Präsenzzeiten Vorlesung 30 Übung (ganzer Kurs) 30 Übung (geteilter Kurs) Praktikum 15 Projekt Seminar Tutorium (freiwillig)

max. Teilnehmerzahl Übung (ganzer Kurs) Übung (geteilter Kurs) Praktikum 18 Projekt Seminar

Gesamtaufwand: 180

Unterrichtssprache

• Deutsch
• Englisch

Niveau

• Bachelor

Notwendige Voraussetzungen

• grundlegende Kenntnisse zur Neuronalen Netzen
• starke Programmierkenntnisse (Python)

Literatur

• I. Sommerville: Software Engineering (Addison-Wesley / Pearson Studium)
• H. Balzert et.al.: Lehrbuch der Softwaretechnik (Spektrum Akademischer Verlag)
  • Basiskonzepte und Req.Eng.
  • Softwaremanagement
• G.E. Thaller: Software- und Systementwicklung (Heise Verlag)
• Bernd Oestereich: Analyse und Design mit UML 2.3 (Oldenbourg)
• Gamma et.al.: Design Patterns, (Addison-Wesley)
• OMG Unified Modeling Language Spec., www.omg.org/uml
• K. Beck: eXtreme Programming (Addison-Wesley Professional)
• Ken Schwaber: Agiles Projektmanagement mit Scrum (Microsoft Press)
• H.D. Litke: Projektmanagement (Hanser)

Dozenten

• Prof.Dr.Kreiser

Wissenschaftliche Mitarbeiter

• MSc. Jan Bollenbacher

Zeugnistext

Deep Learning Architectures

Kompetenznachweis

Form
sMP	Regelfall (bei großer Prüfungszahl: sK)

Aufwand [h]
sMP	10

Intervall: 2/Jahr

---

Lehrveranstaltungselemente

Vorlesung / Übung

Lernziele

Lerninhalte (Kenntnisse)

• Grundbegriffe des Maschinellen Lernens
• Tooling
  • Umgang mit Machine Learing Frameworks
  • Paralleles Rechnen auf GPUs
• Arten Neuronaler Netze und deren Anwendung
  • Feedforward Neuronale Netze und Backpropagation
  • Convolutional Networks
  • Recurrent Networks
• Deep Reinforcement Learning
  • Einführung in Reinforcement Learning
  • Policy-Gradient Verfahren
  • Actor-Critic Verfahren

Fertigkeiten (PFK 2)

• Mathematische Grundlagen hinter Algorithmen kennen
• Umgang mit Maschine Learning Frameworks erlernen
• Anwendung von Algorithmen auf Problemstellungen
  • Zeitreihen
  • Bildklassifizierung
  • komlexe Umgebungen (Spiele)

Kompetenzen (PFK 3)

• Klassifizierung der Problemstellung und Identifizierung möglicher Verfahren zur Lösungg
• Bewertung von Algorithmen
• Selbstständige Einarbeitung in komplexes Themenfeld

Begleitmaterial

• Online-Kurse/Videos zum Selbststudium
• Elektronische Vortragsfolien zur Vorlesung
• Rechnerbasierte Entwicklungswerkzeuge
• Übungsaufgaben für das Selbststudium

Besondere Voraussetzungen

• keine

Besondere Literatur

• keine

Besonderer Kompetenznachweis

• keiner

Praktikum

Lernziele

Fertigkeiten (PFK 4, PFK 5, PFK 6)

• Wissen aus der Vorlesung auf neuartige Problemstellung transferieren
• Selbstständige Implementierung von Algorithmen auf Problemstellung
• Wissenschaftliches Arbeiten und Versuchsaufbau erstellen
• Interpretation von Ergebnissen

Handlungskompetenz demonstrieren (PFK 7, PSK 1, PSK 3)

• Darstellung der Ergebnisse in einer wissenschaftlichen Abhandlung
• Recherche in komplexem Themengebiet
• Einordnung von Relevanz der Paper
• Bewertung der ermittelten Ergebnisse
• Bewertung der angewandten Algortihmen

Begleitmaterial

• Elektronische Aufgabenbeschreibung
• Beispielprogramme
• Entwicklungsumgebung
• Paper zum Einstieg in Recherche

Besondere Voraussetzungen

• keine

Besondere Literatur

• keine

Besonderer Kompetenznachweis

• Beitrag zum LV-Ergebnis
• Intervall
  • 1/Jahr