Modulbeschreibung

Applied Neural Networks

Kürzel:
M_ANN
Durchführungszeitraum:
FS/22-FS/25
ECTS-Credits:
2
Arbeitsaufwand:
60
Lernziele:

Die Studierenden

  • können erklären, wie neuronale Netze funktionieren und was sie im Vergleich zu anderen Modellen des maschinellen Lernens auszeichnet.
  • können entscheiden, in welchen Fällen und Anwendungen ein tiefes neuronales Netz eine gute Wahl für ein bestimmtes ML-Problem ist.
  • kennen die wichtigsten Architekturen (CNN, LSTM, GRU, AE, VAE) von tiefen Neuronalen Netzen und können diese in Python (Keras/Tensorflow) implementieren, trainieren und deren Performance für einen ML-Task beurteilen.
  • kennen Regularisierungsmethoden für tiefe Neuronale Netze und können Hyperparameter von Architekturen mittels einer Gittersuche anpassen.
  • sind in der Lage, ihr Verständnis von tiefen Neuronalen Netzen in einem selbst gewählten Projekt zu demonstrieren.
Verantwortliche Person:
Prof. Dr. Würsch Christoph
Telefon/EMail:
+41 58 257 3452
/ christoph.wuersch@ost.ch
Standort (angeboten):
Buchs, Waldau St.Gallen
Fachbereiche:
Mathematik
Empfohlene Module:
Vorausgesetzte Module:
Zusätzlich vorausgesetzte Kenntnisse:

Ebenfalls vorausgesetzt sind die beiden Module Elektrotechnik & Lineare Algebra I und Elektrotechnik & Lineare Algebra II.

Modultyp:
Standard-Modul für Systemtechnik BB STD_05(Empfohlenes Semester: 6)
Standard-Modul für Systemtechnik VZ STD_05(Empfohlenes Semester: 6)
Bemerkungen:

Das Modul findet im Frühlingssemester statt und wird Online angeboten.

Kurse in diesem Modul