| Lernen verschiedener Architekturen neuronaler Netze (neural network (NN)) (k4): Studierende verstehen die
zentralen Konzepte und Implementierungsdetails von Feedforward-Netzen (feedforward NNs), Convolutional
Neural Networks (CNN), Recurrent Neural Networks (RNN) und Autoencodern (AE).
Implementierung grundlegender Feedforward-Netze von Grund auf (k5): Studierende können einfache Feedforward-
Netze (feedforward NNs) von Grund auf implementieren und auf komplexen Datensätzen trainieren.
Entwurf und Training fortgeschrittener Netze (k5): Studierende können moderne Netztypen wie CNNs, RNNs und AEs entwerfen und mit Realweltdaten unter Einsatz moderner Deep-Learning-Bibliotheken (deep learning
libraries) trainieren.
Bewertung und Optimierung neuronaler Netze (k5): Studierende können die Modellgüte (model performance)
anhand geeigneter Metriken bewerten und relevante Hyperparameter wie Lernraten (learning rates) und
Batchgrößen (batch sizes) optimieren. Zudem beherrschen sie Regularisierungstechniken (regularization techniques),
um Overfitting (overfitting) zu reduzieren.
|
Studierende verfügen über praxisorientiertes Wissen zur Implementierung fortgeschrittener neuronaler Netzwerkmodelle, einschließlich CNNs, RNNs und AEs, unter Verwendung moderner Python-Bibliotheken. Sie können diese Modelle auf reale Aufgaben anwenden, typische Herausforderungen beim Training und bei der Optimierung systematisch untersuchen und lösen sowie Einblicke in praktische Anwendungen des Deep Learning (deep
learning) gewinnen.
|
