Lernergebnisse
In den technischen Disziplinen werden maschinelles Lernen und Deep Learning heute in großem Umfang für die Systemüberwachung, die Fehlererkennung, die datengestützte Entscheidungsunterstützung und die Nutzung der Möglichkeiten von Big Data eingesetzt. Dieses Modul lehrt fortgeschrittene Deep-Learning-Konzepte und deren Python-Implementierung unter Verwendung von Standardbibliotheken. Anhand von Beispielen aus der realen Welt wird das Verständnis für wichtige Konzepte in Feed-Forward-, faltenden und rekurrenten tiefen neuronalen Netzen, einschließlich Sequenzklassifizierung, Bildklassifizierung und Objekterkennung, gelehrt. Weiterhin werden Grundlagen des verstärkenden Lernens und generativer KI-Methoden vermittelt.
Nach erfolgreichem Abschluss des Moduls werden die Studierenden Folgendes erwerben:
Wissen:
- Fortgeschrittenes Verständnis von überwachten Deep-Learning-Methoden, einschließlich ihrer Struktur und Funktionalität.
- Vertrautheit mit Fehlerrückführung, verschiedenen Optimierungsalgorithmen und deren Eigenschaften.
- Beherrschung des Architekturentwurfs und der Konzeption von Deep-Learning-Methoden.
- Kenntnis der wesentlichen neuronalen Trainingsparameter, Regularisierungstechniken und Trainingsstrategien.
Fertigkeiten:
- Statistische Charakterisierung und Auswertung großer, hochdimensionaler Datensätze.
- Umgang mit unstrukturierten Daten unter Verwendung von Faltungsnetzwerken und rekurrenten neuronalen Netzen.
- Effektive Visualisierung von großen, hochdimensionalen Datensätzen.
- Implementierung von zentralen Operationen und wichtigen neuronalen Architekturen von Grund auf.
- Nutzung der gängigen Programmierbibliotheken in Python.
Kompetenzen:
- Explorative Analyse von umfangreichen unstrukturierten Datensätzen.
- Feature-Engineering für sequentielle Daten und Umwandlung in strukturierte Formate.
- Auswahl geeigneter neuronaler Deep-Learning-Architekturen für strukturierte und unstrukturierte Daten.
- Bewertung der Generalisierungseigenschaften, Under- und Overfitting
- Auswertung von Vorhersagen, Stärken und Schwächen von neuronalen Lernmodellen.
- Bewertung von Risiken, Umweltauswirkungen und technologischen Implikationen.
Der Kurs vermittelt 60% Wissen und Verständnis, 20% Analyse und Methodik und 20% Programmierung.
