Deep Learning

Deep Learning ist das Rückgrat moderner KI-Anwendungen und ein zentraler Innovationstreiber in Wirtschaft und Gesellschaft – von personalisierten Produktempfehlungen, über bildbasierte Qualitätskontrollen in der Industrie, bis hin zur Analyse von Kundenfeedback oder medizinischen Daten.

Dieses Modul befähigt Sie, Deep-Learning-Methoden und die Grundlagen von künstlichen neuronalen Netzen zu verstehen und anzuwenden. Sie lernen, für verschiedene Probleme (z. B. tabellarische Daten, Bilddaten, Zeitreihen und natürliche Sprache) passende Methoden auszuwählen und können praktische Erfahrung mit neuronalen Netzen für verschiedene Anwendungen sammeln. In Übungen können Sie selber experimentieren, und während einem kleinen praxisorientierte Projekt einen Prototypen basierend auf öffentlichen Datensätzen entwickeln.

Wissen und Verstehen: Die Studierenden ...

• können die Grundbausteine von künstlichen neuronalen Netzen erklären und ihre Funktion benennen
• können das Training von künstlichen neuronalen Netzen erläutern und nachvollziehen
• können zwischen klassischen ML-Modellen und Deep-Learning-Modellen (DL) differenzieren und beschreiben grundlegende Typen von DL-Modellen

Anwendung von Wissen und Verstehen: Die Studierenden ...

• können Anwendungsfälle passenden DL-Methoden zuordnen
• können DL-Methoden auf reale Probleme anwenden
• können mit gängigen Frameworks DL-Modelle trainieren und die Performance testen

Urteilen: Die Studierenden ...

• können Modellgüte und Vorhersagequalität quantitativ beurteilen
• können mit Unterstützung Einblicke in Modellentscheidungen gewinnen und diese kritisch beurteilen

• Grundlagen und Elemente künstlicher neuronaler Netze
• Training und Optimierung von Deep Learning Modellen
• Deep Learning Frameworks wie PyTorch
• Grundlegende Formen von DL-Modellen für verschiedene Anwendungen (Text, Bilder, Zeitreihen, …) mit Convolutional Neural Networks, Rekurrenten Netzen, Embeddings/Encodern und ein kurzer Einblick in generative Methoden und Transformer

Lehr- und Lernmethoden:

Kontaktstudium

Vorlesung, Übung, Diskussion, Präsentation, Gruppenarbeit, Fallstudien

Begleitetes Selbststudium

Einzelarbeit, Partnerarbeit, Gruppenarbeit, Projektarbeit

• Module "Einführung in die Künstliche Intelligenz" und "Maschinelles Lernen" oder äquivalente Kenntnisse
• Grundlegende Python-Kenntnisse

Anwesenheit erwünscht

Note 1-6 (halbe Noten)

Keine. Nützliche Literatur wird während des Semesters erwähnt.