Modules

Prerequisites

Contents

Wir gehen den Weg vom biologischen Neuron, hin zum künstlichen Neuron. Zudem lernen wir das Perzeptron kennen, sowie das Multilayer Perzeptron. Wir widmen uns dem Übergang vom Fully Connected Network zum Convulotional Neural Network (CNN), um im Schwerpunkt des Moduls auf den Aufbau und die Funktionsweise von CNNs im Detail eingehen. Wir setzen uns mit den einzelnen Layern zur Faltung, Dimensionsreduktion und Klassifizierung auseinander, sowie die Berechnung des Fehlers. Zusätzlich werden wir uns mit Evaluationstools wie Tensorboard und der Konfusionsmatrix auseinandersetzen, welche zur Auswertung von neuronalen Netzen hilfreich sind. Die theoretischen Ausarbeitungen werden im gesamten Modul durch praktische Programmieraufgaben zu den einzelnen Themen untermauert. Abschließend wird das neuronale Netz YOLOv1 besprochen und am Praxisbeispiel Haribo werden alle theoretischen Ausarbeitungen zusammengefasst und als praktische Aufgabe mit YOLOv5 umgesetzt.

Learning outcomes

Nach erfolgreichem Abschluss des Moduls kennen die Studierenden die Funktionsweise und die Anwendungsmöglichkeiten von neuronalen Netzen, insbesondere von Faltungsnetzen, zur Analyse von Bildinhalten. Sie beherrschen das Programmieren von neuronalen Netzen mit Hilfe der Programmiersprache Python. Die Studierenden sind in der Lage, ein eigenes neuronales Netz zur Klassifikation von Bildinhalten zu erstellen und zu trainieren.

Assessment

• 8 Programmieraufgaben/Projektarbeit: 50 % • Abschlusstest Python Crashkurs, 10 Multiple-Choise-Fragen: 10 % • Abschlusstest VisuNet, 10 Multiple-Choise-Fragen: 10 % • Abschlusspräsentation, 15 min: 30 %