Navigationsweiche Anfang

Navigationsweiche Ende

Lehrstuhl für Technologien und Management der Digitalen Transformation


Herr Univ.-Prof. Dr.-Ing. Tobias Meisen

Aktuelles

  • Stadt, Land, Smart: Forschungsprojekt Bergisch.Smart_Mobility schafft Datenmarktplatz
    In einer Smart City wird die massenhafte Sammlung von digitalen Informationen aus einer Vielzahl von... [mehr]
  • Grundzüge der technischen Informatik
    Wie ist die Hardware von Rechnern aufgebaut? Was sind logische Schaltungen und wie funktioniert das... [mehr]
  • Selected Topics in Data Science
    Countdown für SELECTED TOPICS in Data Science: Gemeinsam mit dem Lehrstuhl für Data & Knowledge... [mehr]
  • Deep Learning: Was macht Systeme lernfähig?
    Heute stellen wir Euch unsere Vorlesung Deep Learning vor, ein Teilgebiet des maschinellen Lernens. [mehr]
  • Neuer Service: Wissenswertes & Tags zu unseren Lehrveranstaltungen im Sommersemester 2021
    Uni@Home startet: Offizieller Kick-Off ins Sommersemester 2021 ist am 12.April, wir wollen Euch... [mehr]
zum Archiv ->

Deep Learning: Was macht Systeme lernfähig?

Heute stellen wir Euch unsere Vorlesung Deep Learning vor, ein Teilgebiet des maschinellen Lernens.

„Was macht Intelligenz aus? Wie funktioniert Lernen und was macht Systeme lernfähig? Diese Fragen sind besonders spannend“, sagt Jannik Peters, Wissenschaftlicher Mitarbeiter am Lehrstuhl für Technologien und Management der Digitalen Transformation (TMDT), der die Übung zur Vorlesung leitet. Die Grundkonzepte des Deep Learning orientieren sich an der Funktionsweise des menschlichen Gehirns, in dem miteinander verschaltete Neuronen elektronische Impulse austauschen.

Dieses Konzept übertragen wir im Deep Learning auf Computer, indem wir künstliche neuronale Netze trainieren und hierdurch Computern beibringen, Objekte in Bildern zu erkennen, Texte zu übersetzen und Agenten zielgerichtet Entscheidungen treffen zu lassen.

Wir machen Euch mit der Funktionsweise verschiedenster Architekturen von künstlichen neuronalen Netzen und passenden Anwendungen der jeweiligen Architekturtypen vertraut. Dabei lernt Ihr den State of the Art und fortgeschrittene Konzepte für das Trainieren von komplexen Architekturen kennen. 

Das Lernziel: Ihr könnt passende Modelle und Trainingsverfahren für neue Problemstellungen konzipieren und versteht, wie die Methoden dahinter funktionieren. Darüber hinaus könnt Ihr neuronale Netze mit dem Framework PyTorch entwickeln, trainieren und umsetzen.

Die Vorlesung eignet sich für Studierende der Informatik, Ingenieurswissenschaften und der Elektrotechnik im Masterstudium. 

Mehr Infos findet Ihr auf unserer Webseite hier.

Die Anmeldung zur Vorlesung erfolgt in Moolde hier