Deep Learning - Einzelansicht

Funktionen:

Seiteninhalt:
Grunddaten
Termine
Zugeordnete Person
Prüfungen / Module
Einrichtungen
Inhalt
Strukturbaum

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
	Di.	14:00 bis 16:00	wöch.	27.10.2020 bis 09.02.2021

vormerken

Prüfungstermine :
	Tag	Zeit	Turnus	Termin	Raum	Lehrperson	Status	Bemerkung	fällt aus am	Max. Teilnehmer/-innen	Module
	Fr.	13:00 bis 15:00	Klausur	26.02.2021	ZHG - ZHG010 Lageplan

vormerken

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 → Development Economics →Elective Area (18C) →B.Inf.1237: Deep Learning Bachelor (2 Fächer) → Informatik →Fachspezifischer Professionalisierungsbereich - Fachwissenschaftliches Profil →B.Inf.1237: Deep Learning Master → Angewandte Informatik →Master - Fachstudium - Gruppe 1 →B.Inf.1237: Deep Learning Master → Angewandte Data Science →Master - Grundlagen der Data Science →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 - Wahlpflichtmodule →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 → Physik →Profilierungsbereich →B.Inf.1237: Deep Learning Bachelor → Physik →Schlüsselkompetenzen →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

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 2022