1. Deutsch
  2. English

Modulbeschreibung

Mathematik neuronaler Netzwerke

Lehrveranstaltungen:

TitelTypSWSZeitraum
Mathematik neuronaler NetzwerkeVorlesung2Wintersemester
Mathematik neuronaler NetzwerkeGruppenübung2Wintersemester

Modulverantwortlich:

Dr. Jens-Peter Zemke

Zulassungsvoraussetzungen:

Keine

Empfohlene Vorkenntnisse:

  1. Mathematik I-III
  2. Numerische Mathematik 1/ Numerik
  3. Programmierkenntnisse, bestenfalls in Python

Modulziele / angestrebte Lernergebnisse:

Fachkompetenz

Wissen

Studierende können die mathematischen Grundlagen verschiedener neuronaler Netze benennen, wiedergeben, neuronale Netze klassifizieren und hinsichtlich der Schwierigkeiten bewerten.

Fertigkeiten

Studierende können neuronale Netze implementieren, verstehen und gezielt sowie an die Problemstellung angepasst anwenden.

Personale Kompetenzen

Sozialkompetenz

Studierende können

Selbstständigkeit

Studierende sind fähig

Leistungspunkte Modul:

6 LP

Studienleistung:

Mündliche Prüfung

Arbeitsaufwand in Stunden:

Eigenstudium: 124, Präsenzstudium: 56


Lehrveranstaltung: Mathematik neuronaler Netzwerke

Dozent:

Jens-Peter Zemke

Sprache:

Deutsch & Englisch

Zeitraum:

Wintersemester

Inhalt:

  1. Grundlagen: Analogie, Aufbau neuronaler Netze, universelle Approximationseigenschaft, NP-Vollständigkeit
  2. Feedforward-Netze: Backpropagation, Varianten des stochastischen Gradientenverfahrens
  3. Deep Learning: Probleme und Lösungsstrategien
  4. Deep Belief Networks: Energie-basierte Modelle, Contrastive Divergence
  5. Faltungsnetze: Idee, Aufbau, FFT und Algorithmen von Winograd, Implementationsdetails
  6. Rekurrente Netze: Idee, dynamische Systeme, Training, LSTM
  7. Residuale Netze: Idee, Verbindung zu neuronalen ODEs
  8. Standardbibliotheken: Tensorflow, Keras, PyTorch
  9. Neue Trends

Literatur:

  1. Skript
  2. Online-Werke:

Leistungspunkte Lehrveranstaltung:

6 LP