inf536 - Computational Intelligence II (Vollständige Modulbeschreibung)

Modulbezeichnung	Computational Intelligence II
Modulkürzel	inf536
Kreditpunkte	6.0 KP
Workload	180 h
Einrichtungsverzeichnis	Department für Informatik
Verwendbarkeit des Moduls	Master Applied Economics and Data Science (Master) > Data Science Master Engineering of Socio-Technical Systems (Master) > Embedded Brain Computer Interaction Master Engineering of Socio-Technical Systems (Master) > Human-Computer Interaction Master Engineering of Socio-Technical Systems (Master) > Systems Engineering Master Informatik (Master) > Angewandte Informatik Master Umweltmodellierung (Master) > Mastermodule Master Wirtschaftsinformatik (Master) > Akzentsetzungsmodule der Informatik
Zuständige Personen	Kramer, Oliver (Modulverantwortung) Lehrenden, Die im Modul (Prüfungsberechtigt)
Teilnahmevoraussetzungen	nützliche Vorkenntniss: Lineare Algebra, Stochastik
Kompetenzziele	In der Vorlesung „Convolutional Neural Networks“ lernen die Grundlagen von Convolutional Neural Networks, vom methodischen Verständnis bis zur Implementierung. Fachkompetenzen Die Studierenden: erlernen die Fachkompetenz im Bereich Deep Learning, die wesentliche Qualifikationen als KI-Experte und Data Scienctist darstellen Methodenkompetenzen Die Studierenden: lernen die genannten Methoden sowie die Implementierung in Python, NymPy und Keras Sozialkompetenzen Die Studierenden: werden dazu angehalten, in Gruppen die gelehrten Inhalte zu diskutieren und gemeinsam die Programmieraufgaben in den Übungen zu Implementieren Selbstkompetenzen Die Studierenden: werden zur eigenständigen Recherche zu weiterführenden Methoden angeleitet, da sich der Lehrbereich dynamisch ändert
Modulinhalte	Die Studierenden lernen die Grundlagen maschinellen Lernens und insbesondere die Themen vollvernetzte Schichten, Cross-Entropy, Backpropagation, SGD, Momentum, Adam, Batch Normalisierung, Regularisierung, Convolution, Pooling, ResNet, DenseNet und Convolutional SOMs
Literaturempfehlungen	Deep Learning von Aaron C. Courville, Ian Goodfellow und Yoshua Bengio
Links
Unterrichtssprache	Englisch
Dauer in Semestern	1 Semester
Angebotsrhythmus Modul	jedes Sommersemester
Aufnahmekapazität Modul	unbegrenzt
Lehr-/Lernform	V+Ü
Vorkenntnisse	nützliche Vorkenntniss: Lineare Algebra, Stochastik

Lehrveranstaltungsform	SWS	Angebotsrhythmus	Workload Präsenz
Vorlesung	2	SoSe	28
Übung	2	SoSe	28
Präsenzzeit Modul insgesamt			56 h

Prüfung	Prüfungszeiten	Prüfungsform
Gesamtmodul	Vorlesungsfreie Zeit im Anschluss des Semesters	Klausur, e-Klausur