Wenn Sie diesen Text sehen, ist auf ihrem Gerät noch nicht das neue Layout geladen worden. Bitte laden Sie diese Seite neu (ggf. mit gedrückter 'Shift'- oder 'Alt'-Taste) oder in einem 'privaten Fenster'.
Weitere Hinweise unter https://www.uni-hildesheim.de/wiki/lsf/faq/fehler.im.layout.

Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     

Deep Learning - Einzelansicht

Grunddaten
Veranstaltungsart Vorlesung
Veranstaltungsnummer 3107 Kurztext
Semester SoSe 2017 SWS 2
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus Studienjahr / Zielgruppe
Credits 6
Hyperlink http://www.ismll.uni-hildesheim.de/lehre/dl-17s/index.html Evaluation
Sprache englisch
Termine Gruppe: 1-Gruppe iCalendar Export
  Tag Zeit Rhythmus Dauer Raum (mögliche Änderungen beachten!) Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Mi. 10:00 bis 12:00 c.t. wöchentlich Gebäude A (Samelson-Campus) - SC.A.1.02 (Seminarraum) Raumplan        
Gruppe 1-Gruppe:
Termine Gruppe: Klausur iCalendar Export
  Tag Zeit Rhythmus Dauer Raum (mögliche Änderungen beachten!) Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Di. 10:00 bis 12:00 s.t. Einzeltermin am 25.07.2017 Gebäude A (Samelson-Campus) - SC.A.0.09 (Großer Seminarraum) Raumplan        
Gruppe Klausur:
Prüfungstermine
Semester Termin Prüfer/-in Parallelgruppe Datum Prüfungsform Beginn Anmeldefrist Ende Anmeldefrist Ende Abmeldefrist Infos zu Nachschreibterminen
SoSe 2017 01 Grabocka, Josif 25.07.2017 Klausur 03.05.2017 24.07.2017 VERBINDLICH 24.07.2017 VERBINDLICH
SoSe 2017 02 Grabocka, Josif 13.10.2017 Klausur 28.07.2017 25.09.2017 VERBINDLICH 02.10.2017 VERBINDLICH WiSe 2017/18: 3131 3107 Nachschreibeklausur


Zugeordnete Person
Kontaktperson (durchführend) Zuständigkeit
Weitere Person Zuständigkeit
Schilling, Nicolas , Dipl. Math. nicht durchführend, nicht verantwortlich
Studiengänge
Abschluss Studiengang Semester ECTS Kontingent
Master M.Sc. Data Analytics
Master M.Sc. IMIT Studienvar. AI
Master M.Sc. Informationsmanagm.
Master M.Sc. Wirtschaftsinf.
LSF - Module
Modulkürzel Modultitel
0ERA-6LP Veranstaltungen mit 6 Credits f. ausl. Programmstud. (ERASMUS)
MDA-MetSp6 Methodological Specialization (6 CP)
MWI-BI6LP Ergänzung zu Prüfung im Modul Business Intelligence mit 6 LP (M WINF)
xMIT-V6KIM Gebiet KIML (WINF/IMIT), Vorl 6AP (MA vor PO 2014)
MIT-V6KIML Gebiet KIML (IMIT), Vorl 6 AP (MA ab PO 2014)
Zuordnung zu Einrichtungen
Abt. Wirtschaftsinformatik und Maschinelles Lernen
Inhalt
Lerninhalte

Machine learning is among the most successful research areas in the recent times, particularly since the widespread of big data. In this context, deep learning is a term that encapsulates a family of related supervised and unsupervised learning methods, based on artificial neural networks. Deep learning has recently been associated with revolutionary Artificial Intelligence achievements, ranging from “close-to-human” speech and image recognition performances, up to “super-human” game playing results.
Throughout this course, students will have the opportunity to understand the building blocks of neural networks. The curriculum starts by introducing supervised learning concepts and incrementally dives into the peculiarities of learning the parameters of neural networks through back-propagation. Specific architectures, such as the Convolutional Neural Networks will be covered, as well as different types of network regularization strategies. Furthermore implementation techniques involving GPU-based optimization will be explained. The students are expected to master the necessary knowledge that will empower them to apply Deep Learning in real-life problems.

Zielgruppe

MSc WI & IMIT & AINF & DA -  MSc 1-3


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SoSe 2017 , Aktuelles Semester: WiSe 2024/25
Impressum      Datenschutzerklärung     Datenschutz      Datenschutzerklärung     Erklärung zur Barrierefreiheit