Mathematische Grundlagen des Maschinellen Lernens IIModulbeschreibung #20845 / Version 1
- 10 LP
- Mündliche Prüfung
- Benotet
- Wintersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v2)
| Modul / Version | #20845 / #1 |
|---|---|
| Gültigkeit | SoSe 2023 – SoSe 2023 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 10 |
| Modulverantwortliche*r | Kreusler, Hans-Christian |
| Benotung | Benotet |
| Prüfungsform | Mündliche Prüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät II |
|---|---|
| Institut | Institut für Mathematik |
| Fachgebiet | Keine Angabe |
Kontakt
| Sekretariat | MA 5-4 |
|---|---|
| Ansprechpartner*in | Gottschalk, Hanno |
| E-Mail-Adresse | Keine Angabe |
| Webseite | Keine Angabe |
Lernergebnisse
Die Studierenden verstehen die Grundlagen des des Deep Learning und dessen Anwendungen im Bereich des Computergestützten Bildverstehens.
Sie können Problemstellung aus dem Bereich der Computer Vision geeigneten Modellen des Deep Learning zuordnen und Verstehen die Voraussetzungen, unter denen die Aufgabenstellung gelernt werden kann.
Sie können Problemstellung aus dem Bereich der Computer Vision geeigneten Modellen des Deep Learning zuordnen und Verstehen die Voraussetzungen, unter denen die Aufgabenstellung gelernt werden kann.
Lehrinhalte
Universelle Approximationsegenschaft tiefer neuronaler Netze
Adaptive Kapazitätsanpassung von tiefen neuronalen Netzen im Statistischen Lernen
Gefaltete und Gruppen-equivariante neuronale Netze
Mathematische Beschreibung moderner Netzarchitekturen mit Anwendung auf Computer Vision
Adversiales Lernen und generatives Lernen
Moderne Modelle des generativen Lernens
Adaptive Kapazitätsanpassung von tiefen neuronalen Netzen im Statistischen Lernen
Gefaltete und Gruppen-equivariante neuronale Netze
Mathematische Beschreibung moderner Netzarchitekturen mit Anwendung auf Computer Vision
Adversiales Lernen und generatives Lernen
Moderne Modelle des generativen Lernens
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Mathematische Grundlagen des Maschinellen Lernens II | Vorlesung | Wintersemester | [de] | 4 | WiSe 2026/27 (1) ISIS | |
| Mathematische Grundlagen des Maschinellen Lernens II | Übung | Wintersemester | [de] | 2 | WiSe 2026/27 (2) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (3)
Mathematische Grundlagen des Maschinellen Lernens II (Vorlesung) 1
Mathematische Grundlagen des Maschinellen Lernens II (Übung) 2
- Mathematische Grundlagen des Maschinellen Lernens II (Übung) Termingruppe 1
- Mathematische Grundlagen des Maschinellen Lernens II (Übung) Termingruppe 2
Arbeitsaufwand und Leistungspunkte
Mathematische Grundlagen des Maschinellen Lernens II (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Vor-/Nachbereitung | 15 | 10 h | 150 h |
| 210 h | |||
Mathematische Grundlagen des Maschinellen Lernens II (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| 30 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Prüfungsvorbereitung | 1 | 60 h | 60 h |
| 60 h | |||
Der Aufwand des Moduls summiert sich zu 300 Stunden. Damit umfasst das Modul 10 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Vorlesungen, Übungen
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
dringend empfohlen: Wahrscheinlichkeitstheorie I, Mathematische Grundlagen des Maschinellen Lernens I
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Mündliche Prüfung |
| Sprache | Deutsch |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Standard.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- Shalev-Shwartz, Shai, and Shai Ben-David. Understanding machine learning: From theory to algorithms. Cambridge university press, 2014.
- Van Handel, Ramon. Probability in high dimension. PRINCETON UNIV NJ, 2014.
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Scientific Computing StuPO 2022 (Beginn WS 2022/23) | SoSe 2023 | Wahlpflichtmodule › Mathematik |
Sonstiges
Keine Angabe