14142 - VisuNet - Visuelle Mustererkennung durch neuronale Netze Modulübersicht

Modulnummer: 14142
Modultitel:VisuNet - Visuelle Mustererkennung durch neuronale Netze
  VisuNet - Visual Pattern Recognition by Neural Networks
Einrichtung: Fakultät 1 - MINT - Mathematik, Informatik, Physik, Elektro- und Informationstechnik
Verantwortlich:
  • Prof. Dr.-Ing. habil. Wolff, Matthias
Lehr- und Prüfungssprache:Deutsch
Dauer:1 Semester
Angebotsturnus: sporadisch nach Ankündigung
Leistungspunkte: 6
Lernziele: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.
Inhalte: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.
Empfohlene Voraussetzungen:
  • erste Programmierkenntnisse
Zwingende Voraussetzungen:keine
Lehrformen und Arbeitsumfang:
  • Seminar / 2 SWS
  • Projekt / 80 Stunden
  • Selbststudium / 70 Stunden
Unterrichtsmaterialien und Literaturhinweise:
  • Joachim Steinwendner, Roland Schwaiger: Neuronale Netze
    programmieren mit Python, Rheinwerk Computing 2020
  • Francois Chollet: Deep Learning mit Python und Keras, mitp Verlags
    GmbH 2018
  • Sebastian Raschka, Vahid Mirjalili: Machine Learning mit Python und
    Scikit-learn und Tensorflow, mitp Verlag GmbH 2018
  • Ian Goodfellow, et al.: Deep Learning Das umfassende Handbuch,
    mitp Verlag GmbH 2018
  • Douwe Osinga: Deep Learning Kochbuch, O‘Reilly Media 2019 - Tom
    Hope, et al.: Einführung in Tensorflow, O‘Reilly Media 2018
  • Eigenständige Literaturrecherche
Modulprüfung:Continuous Assessment (MCA)
Prüfungsleistung/en für Modulprüfung:
  • 8 Programmieraufgaben/Projektarbeit: 50 %
  • Abschlusstest Python Crashkurs, 10 Multiple-Choise-Fragen: 10 %
  • Abschlusstest VisuNet, 10 Multiple-Choise-Fragen: 10 %
  • Abschlusspräsentation, 15 min: 30 %
Bewertung der Modulprüfung:Prüfungsleistung - benotet
Teilnehmerbeschränkung:20
Zuordnung zu Studiengängen:
  • Bachelor (universitär) / Elektrotechnik / PO 2019 - 1. SÄ 2020
  • Bachelor (universitär) / Elektrotechnik / PO 2022
  • Bachelor (universitär) - Duales Studium, ausbildungsintegrierend / Elektrotechnik - dual / PO 2022
  • Bachelor (universitär) - Duales Studium, praxisintegrierend / Elektrotechnik - dual / PO 2022
Bemerkungen:keine
Veranstaltungen zum Modul:
  • Seminar: VisuNet - Visuelle Mustererkennung durch neuronale Netze
Veranstaltungen im aktuellen Semester: