Moses - Recent Trends in Deep Learning for Computer Vision

Zur Modulseite PDF generieren

Modul / Version
#41089 / #1

Gültigkeit
Seit SoSe 2023

Verfügbare Sprache(n)
Englisch

Titel des Moduls
Recent Trends in Deep Learning for Computer Vision

Leistungspunkte
3

Modulverantwortliche*r
Demir, Begüm

Benotung
Benotet

Prüfungsform
Portfolioprüfung

Lehrsprache(n)
Englisch

Zugehörigkeit

Fakultät
Fakultät IV

Institut
Institut für Technische Informatik und Mikroelektronik

Fachgebiet
34342200 FG Remote Sensing Image Analysis

Prüfungsausschuss
Keine Angabe

Kontakt

Sekretariat
EN 5

Ansprechpartner*in
Witte, Bethany Jane

E-Mail-Adresse
b.witte@tu-berlin.de

Webseite

https://rsim.berlin/

Diese Modulbeschreibung ist nicht oder nicht vollständig auf deutsch hinterlegt.

Es wird auf Wunsch trotzdem der Inhalt der unvollständigen Spracheversion angezeigt.

Lernergebnisse

Participants of this seminar acquire advanced knowledge in the field of deep learning for computer vision. After completing this course, the students are capable of conducting a literature search, contextualizing scientific papers and presenting topics drawn from the deep learning and computer vision literature. Moreover, students participate in scientific discussions and have an opportunity to sharpen their critical thinking skills.

Lehrinhalte

Keine Angabe

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Recent Trends in Deep Learning for Computer Vision	SEM		SoSe	en	2

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Recent Trends in Deep Learning for Computer Vision (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Der Aufwand des Moduls summiert sich zu 90.0 Stunden. Damit umfasst das Modul 3 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Keine Angabe

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Keine Angabe

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

Name	Punkte	Kategorie	Dauer/Umfang
(Deliverable assessment) Seminar Presentation	50	mündlich	Keine Angabe
(Deliverable assessment) Written Seminar Report	50	schriftlich	Keine Angabe

Notenschlüssel

Notenschlüssel »Notenschlüssel 2: Fak IV (2)«

Gesamtpunktzahl	1.0	1.3	1.7	2.0	2.3	2.7	3.0	3.3	3.7	4.0
100.0pt	95.0pt	90.0pt	85.0pt	80.0pt	75.0pt	70.0pt	65.0pt	60.0pt	55.0pt	50.0pt

Prüfungsbeschreibung (Abschluss des Moduls)

Keine Angabe

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 18.

Anmeldeformalitäten

Keine Angabe

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit: nicht verfügbar

Skript in elektronischer Form

Verfügbarkeit: nicht verfügbar

Literatur

Empfohlene Literatur
Mahmoud Hassaballah and Ali Ismail Awad. "Deep Learning in Computer Vision Principles and Applications". CRC Press, 2020. isbn: 978-1-138-54442-0
Ian Goodfellow, Yoshua Bengio, and Aaron Courville. "Deep Learning". MIT Press, 2016. ISBN: 978-0-262-03561-3
Mohamed Elgendy. "Deep Learning for Vision Systems". Manning Publications, 2020. ISBN: 978-1-61729-619-2

Zugeordnete Studiengänge

Semester:

Zeige auch ausgelaufene Studiengänge und StuPOs

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPO	StuPOs	Verwendungen	Erste Verwendung	Letzte Verwendung
Computer Engineering (M. Sc.)	1	25	SoSe 2023	SoSe 2025
Computer Science (Informatik) (M. Sc.)	1	20	SoSe 2023	SoSe 2025
Elektrotechnik (M. Sc.)	1	10	SoSe 2023	SoSe 2025

Sonstiges

Keine Angabe