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     
Sommer 2024    Hilfe  Trennstrich  Sitemap  Trennstrich  Impressum  Trennstrich  Datenschutz  Trennstrich  node1  Trennstrich  Switch to english language

Veranstaltung

Modellierung und Programmierung - Optimierung/Diskrete Mathematik/Algebra/Geometrie

  • Funktionen:

Grunddaten

Veranstaltungsart Praktikum SWS 2.00
Veranstaltungsnummer 11021 Semester WS 2022/23
Sprache Deutsch Studienjahr
Hyperlink Stud.IP Lehrveranstaltung nicht mit Stud.IP synchronisiert

Belegung über StudIP

Es gibt keine Informationen zu einem Belegungsverfahren.

Module

2100940 Modellierung und Programmierung
2180620 Modellierung und Programmierung

Termine Gruppe: [unbenannt] iCalendar Export für Outlook

  Tag Zeit Rhythmus Dauer Raum Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export für Outlook
Fr. 13:00 bis 15:00 woch 14.10.2022 bis 27.01.2023  Ulmenstr. 69 - R 123, PC-Pool 1, Ulmenstr. 69, Haus 3 Raumplan Strauß findet statt    
Gruppe [unbenannt]:
 

Verantwortliche Person

Verantwortliche Person Zuständigkeit
Dr. rer. nat. Tobias Strauß

Studiengänge

Studiengang/Abschluss/Prüfungsversion Semester Teilnahmeart
Mathematik, Bachelor (2018) 5. Semester obligatorisch
Mathematik, Bachelor (2020) 5. Semester obligatorisch
Mathematik, Bachelor (2022) 5. Semester obligatorisch
Mathematik, LA an Gymnasien (2019) 7. Semester obligatorisch
Mathematik, LA an Gymnasien (2022) 7. Semester obligatorisch
Wirtschaftspädagogik, Master (2021) 3. Semester obligatorisch

Zuordnung zu Einrichtungen

MNF/Institut für Mathematik (IfMA)

Inhalt

Kommentar

Anmeldung über Stud.IP!

Lerninhalte

Gegenstand dieses Praktikums ist theoretische Aufarbeitung je eines grundlegenden Algorithmus' des Maschinellen Lernens und einer eigenen Programmierung mit dazu passenden Test-Beispielen zur Verifikation der Implementierung.
Dabei soll die Implementierung in Python mit Unterstützung von TensorFlow geschehen. Hierzu wird es mehrere Einführungsveranstaltungen geben, in denen Grundlagenwissen für beide Bereiche vermittelt werden soll.
Die eigene Implementierung soll dann zur Bearbeitung eines anwendungsorientierten Übungsproblems eingesetzt werden. Anhand bekannter Testdatensätze sollen die Verfahren des Maschinellen Lernens ausgetestet, erprobt und optimal parametrisiert werden.

Exemplarische Themen umfassen:

  • K-Means-Algorithmus
  • K-Nearest-Neighbours
  • Feed-Forward Neural Network
  • Convolutional Neural Network
  • Autoencoder
  • Recurrent Neural Network

Strukturbaum

Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester WS 2022/23 , Aktuelles Semester: Sommer 2024