Name des Moduls | [313470] Machine Learning: Deep Learning | Bezeichnung des Moduls | MW30.6 |
Studiengang | [184] - Wirtschaftswissenschaften | ECTS Punkte | 6 |
Arbeitsaufwand für Selbststudium | 120 | Häufigkeit des Angebotes (Modulturnus) | jedes 2. Semester (ab Sommersemester) |
Arbeitsaufwand in Präsenzstunden | 60 | Dauer des Moduls | 1 |
Arbeitsaufwand Summe (Workload) | 180 | ||
Modul-Verantwortliche/r | Prof. Dr. Christian Pigorsch |
Voraussetzung für die Vergabe von Leistungspunkten (Prüfungsform) | Bewertete Implementierungsprojekte während der Vorlesungszeit (50%) und 60-minütige Klausur im Prüfungszeitraum (50%) Die Benotung des Moduls ergibt sich auf Grundlage der Gesamtpunktzahl und die Teilleistungen müssen nicht einzeln bestanden werden. Die erzielten Punkte in den bewerteten Implementierungsprojekten können bei einer möglichen Wiederholung der Modulprüfung im selben Semester oder in den folgenden Semestern angerechnet werden. |
Empfohlene Literatur | Präsentationsfolien der Veranstaltung, weitere Literatur wird in der Vorlesung bekannt gegeben |
Unterrichtssprache | Deutsch |
Empfohlene bzw. erwartete Vorkenntnisse | Inhalte von MW30.1 Grundlagen der induktiven Statistik und prädiktiven Datenanalyse; zusätzlich empfohlen: elementare Programmierkenntnisse und Inhalte von BW30.2 Vertiefungsmodul Machine Learning: Einführung |
Art des Moduls (Pflicht-, Wahlpflicht- oder Wahlmodul) | 021 M.Sc. Betriebswirtschaftslehre, 179 M.Sc. Betriebswirtschaftslehre für Ingenieure und Naturwissenschaftler: Wahlpflichtmodul |
Zusammensetzung des Moduls / Lehrformen (V, Ü, S, Praktikum, …) | Vorlesung (2 SWS), Übung (1 SWS), Programmierübung (1 SWS) |
Inhalte | Das Modul beschäftigt sich mit zeitgemäßen Verfahren, welche auf tiefen neuronalen Netzen beruhen. Zunächst wird eine Einführung in moderne Architekturen neuronaler Netze gegeben, anschließend werden Anwendungen und Modelle für die Bild- und Textanalyse behandelt. Generative Methoden und agentenbasiertes Lernen werden abschließend thematisiert. |
Lern- und Qualifikationsziele | Die Studierenden sind in der Lage, etablierte Frameworks und Bibliotheken zur Anwendung von Deep Learning auf neue Problemstellungen anzuwenden. Sie können die Funktionsweise der Algorithmen erklären und die Anwendungsmöglichkeiten beurteilen. |