Inhalt
| Inhalt |
Theorie zu neuronale Netzen (im Kontext zu anderen ML-Verfahren)
Umgang mit gängigen Problemen (Datenaufbereitung, Overfitting etc.)
Praktische Einführung in Python, Scikit-learn, Pandas und PyTorch (Hauptfokus auf PyTorch) |
| Lernziele |
Am Ende sollen Studenten dazu in der Lage sein Deep Learning Netze zu trainieren, optimieren und evaluieren. Wobei die Optimierung auf „state-of-the-art“-Methoden basiert. |
| Voraussetzungen |
Linear Algebra (Grundbegriffe, sowie Vektor und Matrix Rechnen) und Analysis (Ableiten mehrdimensionaler Funktionen), Statistik und Programmierkenntnisse. Im Idealfall zugriff auf einen Laptop, oder Desktop (2er-Gruppen machbar) |
| Leistungsnachweis |
Ein Projekt und eine Klausur (K60) |
| Zielgruppe |
Bachelor Informatik ab Semester 4. Andere Studiengänge, welche die Voraussetzungen erfüllen können, auch kommen. |
