Modulbeschreibung
Neuronale Netze und Deep Learning
Kürzel:
M_VP_17711
Durchführungszeitraum:
HS/17
ECTS-Punkte:
18
Lernziele:
Die Studierenden
- können Daten in einem verteilten System auslesen, im Netzwerk übertragen (z.B. Long Range Wide Area Network - LoRa), vorverarbeiten und (in einem Cloud-Dienst) speichern.
- können die Grundprinzipien der beschreibenden Statistik Visualisierung und Vorverarbeitung realer räumlicher Daten (auf der Cloud) verwenden.
- können eine reale Fragestellung als Klassifikations- bzw. Regressionsproblem formulieren.
- können Klassifikationsprobleme mithilfe von Machine Learning Methoden (speziell mit neuronalen Netzen) modellieren.
- können die wichtigsten Methoden der Modellvalidierung (Kreuzvalidierung, validation set Ansatz, Bootstrapping) einsetzen.
- können (tiefe) neuronale Netze mit Python implementieren und auf einer Cloud-Plattform (z.B. MS Azure) ausführen.
Verantwortliche Person:
Frick Klaus
Standort (angeboten):
Buchs
Zusätzlich vorausgesetzte Kenntnisse:
Bachelor of Science in Systemtechnik
Modultyp:
Standard-Modul für MSE Master of Science in Engineering BB STD_08 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering BB STD_16 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering BB STD_13 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering VZ STD_08 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering VZ STD_16 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering VZ STD_13 (BU)(Keine Semesterempfehlung)
Standard-Modul für Technik und IT MSE_20(Keine Semesterempfehlung)
ECTS-Punkte pro Kategorie
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Modulbewertung
Bewertungsart:
Note von 1 - 6
Leistungsbewertung
Während des Semesters:
Im Kurs "Neuronale Netze und Deep Learning: Realisierung eines Demonstrators“ wird ein Projekt mittels Bericht und Fachgespräch bewertet. Im Kurs "Grundlagen Machine Learning: Theorie und Praxis mit Python“ wird ein Fachgespräch bewertet.
Bewertungsart:
Note von 1 - 6
Gewichtung:
Im Kurs "Neuronale Netze und Deep Learning: Realisierung eines Demonstrators“ wird ein Projekt mittels Bericht (Gewicht 64%) und Fachgespräch (Gewicht 16%) bewertet. Im Kurs "Grundlagen Machine Learning: Theorie und Praxis mit Python“ wird ein Fachgespräch (Gewicht 20%) bewertet.
Bemerkungen:
Kurse in diesem Modul
Neuronale Netze und Deep Learning: Realisierung eines Demonstrators
Kürzel:
VP_1771101
Arbeitsaufwand:
420
Semester:
1
Lernziele:
Die Studierenden
- erstellen einen Demonstrator, der Daten ausliest, kabellos überträgt (z.B. mittels LoRa) vorverarbeitet und speichert.
- erstellen Machine Learning Modelle (neuronale Netze) um die (räumlichen) Daten zu analysieren in Python.
- stellen die nötige Hardware aus existierenden Systemen (Sensoren, Raspberry Pi, Lora-Modulen) eigenständig zu.
Plan und Lerninhalt:
- Neuronale Netze
- Deep Learning
- Fortgeschrittene Programmierung in Python
- Demonstratorbau
Kursart:
Durchführung gemäss Stundenplan
Projekt mit Lektionen pro Woche
- Max. Teilnehmer: 99
- Harte Grenze: nein
Grundlagen Machine Learning: Theorie und Praxis mit Python
Kürzel:
VP_1771102
Arbeitsaufwand:
120
Semester:
1
Lernziele:
Die Studierenden
- erlernen die Grundzüge multivariater Statistik und deren Anwendung im maschinellen Lernen.
- erlernen die Grundlagen der Programmiersprache Python.
- realisieren ein einfaches Maschine Learning Projekt in Python.
Plan und Lerninhalt:
Hydrodynamische Grundlagen
- Machine Learning
- Python
- Multivariate Statistik
Kursart:
Durchführung gemäss Stundenplan
Selbststudium mit Lektionen pro Woche
- Max. Teilnehmer: 99
- Harte Grenze: nein