Neuronale Netze II: Deep Learning
Integrierte Lehrveranstaltung, 2.50 ECTS
Lehrinhalte
Bereich 1: Fortgeschrittene Themen hinsichtlich neuronaler Netze
- Convolutional Neural Networks
- Recurrent Neural Networks
- Generative Adversarial Networks
Bereich 2: Fortgeschrittene Anwendungen neuronaler Netze
- Handschrift- und Spracherkennung
- Kantendetektion in Bildern und Videos
- Objekterkennung in Bildern und Videos
Bereich 3: Deep Learning in der Praxis
- Deep Learning Frameworks für CPU-, GPU- und TPU-Computing
- Planung, Konzeption, Setup sowie Training und Optimierung von neuronalen Netzen
Lernergebnisse der LV
Die Studierenden verstehen fortgeschrittene Themen hinsichtlich neuronaler Netze und sind in der Lage, für konkrete Aufgabenstellungen (insb. für die Handschrift- und Spracherkennung sowie die Kanten- und Objekterkennung) neuronale Netze zu planen und zu konzipieren, aufzusetzen, zu trainieren und zu optimieren.
Empfohlene oder verpflichtende Fachliteratur und andere Lernressourcen bzw. –instrumente
Empfohlene Literatur bzw. Bücher:
- Aggarwal, C. C. (2018). Neural Networks and Deep Learning: A Textbook. Springer, 1. Auflage.
- Bishop, C. M. (2011). Pattern Recognition and Machine Learning (Information Science and Statistics). Springer, 1. Auflage (reprint 2011).
- Deru, M., Ndiaye, A. (2019). Deep Learning mit TensorFlow, Keras und TensorFlow.js: Einstieg, Konzepte und KI-Projekte mit Python, JavaScript und HTML5. Rheinwerk Computing, 1. Auflage.
- Engelbrecht, A. P. (2007).Computational Intelligence: An Introduction. Wiley, 2. Auflage.
- Ertel, W. (2016). Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung (Computational Intelligence). Springer Vieweg, 4. Auflage.
- Kruse, R., Borgelt, C. et al (2015). Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. Springer Vieweg, 2. Auflage.
- Pfister, B., Kaufmann, T. (2017). Sprachverarbeitung: Grundlagen und Methoden der Sprachsynthese und Spracherkennung. Springer Vieweg, 2. Auflage.
Empfohlene Fachzeitschriften bzw. ausgewählte Artikel:
Relevante Fachzeitschriften bzw. Artikel werden in den Lehrveranstaltungen bekannt gegeben.
Typische Software für dieses Modul:
Python/Spyder/PyCharm/Scikit-learn/TensorFlow/Keras/PyTorch, Matlab/Octave/Scilab etc.
Art der Vermittlung
1,25 ECTS Vorlesung, 1,25 ECTS Übung
Voraussetzungen und Begleitbedingungen
Module 7, 8, 9 und 10
Prüfungsmethode und Beurteilungskriterien
VO: LV-abschließende Prüfung; UE: LV-immanenter Prüfungscharakter