Startseite       SB-Funktionen für Studierende    SoSe 2021      Switch to english language  Hilfe

Deep Learning - Einzelansicht

  • Funktionen:

Grunddaten
Veranstaltungsart Vorlesung mit Übung Kurztext
Veranstaltungsnummer 503221 SWS 2.00
Semester WiSe 2020/21 Studienjahr
Erwartete Teilnehmer/-innen 20 Hyperlink
Turnus jedes 2. Semester
Sprache englisch
Termine :
  Tag Zeit Turnus Termin Raum Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen Module
Einzeltermine anzeigen Di. 14:00 bis 16:00 wöch. 27.10.2020  bis
09.02.2021
         
Prüfungstermine :
  Tag Zeit Turnus Termin Raum Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen Module
Einzeltermine ausblenden Fr. 13:00 bis 15:00 Klausur 26.02.2021  ZHG - ZHG010
Lageplan
       
Einzeltermine:
  • 26.02.2021


Zugeordnete Person
Zugeordnete Person Zuständigkeit
Ecker, Alexander, Prof. Dr.
Prüfungen / Module
Modul Studiengänge
B.Inf.1237.Mp: Deep Learning
Modulbeschreibung
Bachelor → Angewandte Data Science →Data Science - Datenanalyse →B.Inf.1237: Deep Learning
Master → Angewandte Informatik →Master - Fachstudium - Gruppe 1 →B.Inf.1237: Deep Learning
Master → Mathematik →Master - Nebenfach Informatik (Profile F, MDS) →B.Inf.1237: Deep Learning
Master → Mathematik →Master - Profil MDS - Wahlpflichtmodule im Fachstudium - Informatik →B.Inf.1237: Deep Learning
Master → Physik →Master - Profilierungsbereich Mathematik-Naturwissenschaften (6 C) →B.Inf.1237: Deep Learning
Master → Physik →Master - Profilierungsbereich Schlüsselkompetenzen (12 C) →B.Inf.1237: Deep Learning
Master → Angewandte Informatik →Master - SP Anw. Syst.entwickl. - MP Spezielle Anwendungsbereiche - Gr.1 →B.Inf.1237: Deep Learning
Master → Angewandte Informatik →Master - SP Anw. Syst.entwickl. - Vertiefung Neuroinformatik - Neuroinf. - Gr.2 →B.Inf.1237: Deep Learning
Master → Angewandte Informatik →Master - SP Data Science - Data Science - Gr. 3 →B.Inf.1237: Deep Learning
Master → Angewandte Informatik →Master - SP Data Science - Domain-specific Knowledge - MP Computational Neuroscience - Gr.2 →B.Inf.1237: Deep Learning
Master → Angewandte Informatik →Master - SP Neuroinformatik - Neuroinformatik - Gr.2 →B.Inf.1237: Deep Learning
Bachelor → Mathematik →Nebenfach Informatik (Profile F und P) →B.Inf.1237: Deep Learning
Bachelor → Angewandte Informatik →SP Anwendungsorientierte Systementwicklung - Angewandte Informatik/Anwendungsfach →B.Inf.1237: Deep Learning
Bachelor → Angewandte Informatik →SP Anwendungsorientierte Systementwicklung - Systementwicklung II →B.Inf.1237: Deep Learning
Bachelor → Mathematical Data Science →SP Maschinelles Lernen →B.Inf.1237: Deep Learning
Bachelor → Angewandte Informatik →SP Neuroinformatik - WP II →B.Inf.1237: Deep Learning
Bachelor → Wirtschaftsinformatik →Vertiefung Informatik - Wahlmodule (2 aus Theo, TI, PI) (min. 10 C) →B.Inf.1237: Deep Learning
Bachelor → Betriebswirtschaftslehre →Wahlbereich (18 - 36 C bis WS20/21 (0-36 C ab SoSe21) + Wirtschaftsfremdsprache 6C) →B.Inf.1237: Deep Learning
Master → Angewandte Statistik →Wahlpflichtbereich - Fortgeschrittene statistische Modellierung (18 C) →B.Inf.1237: Deep Learning
Master → Angewandte Statistik →Wahlpflichtbereich - Spezialisierung Informatik (0 o. 18 C) →B.Inf.1237: Deep Learning
M.Inf.1257.Mp: Deep Learning
Modulbeschreibung
Master → Mathematik →Master - Profil MDS - Wahlmodule im Fachstudium - Informatik →M.Inf.1257: Deep Learning

Weitere Informationen zu den Prüfungsordnungen und Modulverzeichnissen finden Sie hier: Studienfächer von A-Z
Zuordnung zu Einrichtungen
Institut für Informatik
Inhalt
Bemerkung

Diese Veranstaltung kann auch in den Studiengängen BSc Angewandte Informatik und MSc Angewandte Informatik angerechnet werden. Bitte dazu die Studienberatung kontaktieren.

This lecture can also be credited in the degree programs BSc Applied Computer Science and MSc Applied Computer Science. Please contact the student advisory service.

Kommentar

Students

  • learn concepts and techniques of deep learning and understand their advantages and disadvantages compared to alternative approaches
  • learn to solve practical data science problems using deep learning 
  • implement deep learning techniques like multi-layer perceptrons, convolutional neural nerworks, recurrent neural networks, deep reinforcement learning 
  • learn techniques for optimization and regularization of deep neural networks

Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester WiSe 2020/21 , Aktuelles Semester: SoSe 2021