Modulbeschreibung

Deep Learning

Kürzel:
M_DL
Durchführungszeitraum:
FS/19-FS/25
ECTS-Credits:
4
Lernziele:

The goal is to enable the students to understand the fundamental Deep Learning algorithms for large datasets. To this end, the theory of these algorithms is developed in the lectures and during the practice sessions, many such data sets are analyzed.

Verantwortliche Person:
Prof. Dr. Schuster Guido
Standort (angeboten):
Rapperswil-Jona
Empfohlene Module:
Zusätzlich vorausgesetzte Kenntnisse:
  • Since this module is taught in English, a reasonable command of the English language is required
  • Knowledge of linear algebra, multivariable calculus and probability theory is required to be able to follow the lectures
  • The practical exercises are using Python, hence some familiarity with Python is helpful but not required
  • The book has a website http://www.deeplearningbook.org/ where the complete book can be read. Note we will cover most of Part I and Part II in this module
  • Please go to the website and browse through the book to get an understanding of the complexity of the material covered in this module
Skriptablage:
Modultyp:
Wahlpflicht-Modul für Elektrotechnik STD_14(Keine Semesterempfehlung)
Wahlpflicht-Modul für Elektrotechnik STD_21(Keine Semesterempfehlung)
Wahlpflicht-Modul für Elektrotechnik STD_24(Keine Semesterempfehlung)
Wahlpflicht-Modul für Informatik STD_11(Keine Semesterempfehlung)
Wahlpflicht-Modul für Informatik STD_14(Keine Semesterempfehlung)
Wahl-Modul für Data Science STD_14 (PF)
Wahlpflicht-Modul für Informatik STD_21(Empfohlenes Semester: 6)
Wahl-Modul für Data Science STD_21 (PF)
Wahlpflicht-Modul für Informatik STD_23(Empfohlenes Semester: 6)
Wahl-Modul für Data Science STD_23 (VR)
Wahlpflicht-Modul für Informatik Retro STD_14_UG(Keine Semesterempfehlung)
Wahlpflicht-Modul für Maschinentechnik-Innovation STD_14(Empfohlenes Semester: 6)
Wahlpflicht-Modul für Maschinentechnik-Innovation STD_21(Empfohlenes Semester: 6)
Wahlpflicht-Modul für Maschinentechnik-Innovation STD_23(Empfohlenes Semester: 6)

Kurse in diesem Modul