Interactive Systems Labs (ISL)

Deep Learning and Neural Networks

  • type: Vorlesung (V)
  • semester: SS 2020
  • time:

    Times have be adjusted to Tuesdays and Thursdays 5.30 - 7:00 pm. Zeiten wurden angepasst zu dienstags und donnerstags 17:30 - 19:00

    2020-04-21
    17:30 - 19:00 wöchentlich


    2020-04-23
    17:30 - 19:00 wöchentlich

    2020-04-28
    17:30 - 19:00 wöchentlich

    2020-04-30
    17:30 - 19:00 wöchentlich

    2020-05-05
    17:30 - 19:00 wöchentlich

    2020-05-07
    17:30 - 19:00 wöchentlich

    2020-05-12
    17:30 - 19:00 wöchentlich

    2020-05-14
    17:30 - 19:00 wöchentlich

    2020-05-19
    17:30 - 19:00 wöchentlich

    2020-05-26
    17:30 - 19:00 wöchentlich

    2020-05-28
    17:30 - 19:00 wöchentlich

    2020-06-02
    17:30 - 19:00 wöchentlich

    2020-06-04
    17:30 - 19:00 wöchentlich

    2020-06-09
    17:30 - 19:00 wöchentlich

    2020-06-16
    17:30 - 19:00 wöchentlich

    2020-06-18
    17:30 - 19:00 wöchentlich

    2020-06-23
    17:30 - 19:00 wöchentlich

    2020-06-25
    17:30 - 19:00 wöchentlich

    2020-06-30
    17:30 - 19:00 wöchentlich

    2020-07-02
    17:30 - 19:00 wöchentlich

    2020-07-07
    17:30 - 19:00 wöchentlich

    2020-07-09
    17:30 - 19:00 wöchentlich

    2020-07-14
    17:30 - 19:00 wöchentlich

    2020-07-16
    17:30 - 19:00 wöchentlich

    2020-07-21
    17:30 - 19:00 wöchentlich

    2020-07-23
    17:30 - 19:00 wöchentlich



  • lecturer: Ngoc-Quan Pham
    Prof. Dr. Alexander Waibel
  • sws: 4
  • lv-no.: 2400024
Notes

Die Vorlesung hat wie im Modulhandbuch beschrieben 4 SWS und damit 6 ECTS-Punkte.

Die Vorlesung Deep Learning und Neuronale Netze führt ein die Verwendung von Neuronalen Netzen zur Lösung verschiedener Fragestellungen im Bereich des Maschinellen Lernens, etwa der Klassifikation, Prediktion, Steuerung oder Inferenz. Verschiedene Typen von Neuronalen Netzen werden dabei behandelt und ihre Anwendungsgebiete an Hand von Beispielen aufgezeigt.

Lernziele:

  • Die Studierenden sollen den Aufbau und die Funktion verschiedener Typen von neuronalen Netzen lernen.
  • Die Studierenden sollen die Methoden zum Training der verschiedenen Netze lernen, sowie ihre Anwendung auf Probleme.
  • Die Studierenden sollen die Anwendungsgebiete der verschiedener Netztypen erlernen.
  • Gegeben ein konkretes Szenario sollen die Studierenden in die Lage versetzt werden, den geeigneten Typs eines neuronalen Netzes auswählen zu können.
Workload

180h

Exam description

Die Erfolgskontrolle wird in der Modulbeschreibung erläutert.