• Die Studierenden kennen und verstehen grundlegende Konzepte des Deep Learning wie neuronale Netze, Aktivierungsfunktionen und Optimierungsverfahren. Sie kennen unterschiedliche Architekturen neuronaler Netze (z.B. CNNs, RNNs, Transformers) und können diese und ihre Einsatzgebiete erläutern. 
• Die Studierenden können Deep-Learning-Modelle mit Hilfe gängiger Frameworks (z. B. TensorFlow, PyTorch) implementieren, trainieren, evaluieren und verschiedene Strategien zur Verbesserung von Modellen (z. B. Regularisierung, Hyperparameter-Tuning) anwenden. 
• Sie können eigene Deep-Learning-Projekte konzipieren, durchführen und präsentieren. Die Studierenden reflektieren kritisch ethische und gesellschaftliche Implikationen von Deep Learning und KI.

• Grundlagen des Maschinellen Lernens
• Grundlagen neuronaler Netze: (Multi-Layer-)Perzeptron, Backpropagation, SGD
• Spezielle NN-Architekturen, z.B. CNNs, RNNs, Transformer
• Optimierungsverfahren wie Adam, Regularisierung, Drop-Out, Batch-Normalization
• Metriken und Evaluation von DL-Modellen
• Frameworks, z.B. Tensorflow, Keras, PyTorch
• Anwendungsgebiete, z.B. Computer Vision, Sprachverarbeitung, Anomalie-Erkennung, Generative KI
• Gesellschaftliche Implikationen, Bias, Erklärbarkeit, Regulierung

• Bishop, Christopher M.: Deep Learning - Foundation and Concepts. Springer, 2024. - ISBN: 978-3-031-45467-7; ISBN: 978-3-031-45468-4 (eBook)
• Burkov, Andriy: The Hundred-Page Machine Learning Book. 2019. ISBN: 978-1777005474
• Goodfellow, Ian ; Bengio, Yoshua ; Courville, Aaron: Deep Learning. MIT Press, 2016. – www.deeplearningbook.org

Vorlesung mit gemischten Medien (Beamer, Folien, Tafel), Übungen u.a. im PC-Hörsaal in kleinen Gruppen

Deutsch

PL

Klausur

6

4