INF.08901.01 - Deep Learning Lab (Vollständige Modulbeschreibung)

INF.08901.01	5 CP
Modulbezeichnung	Deep Learning Lab
Modulcode	INF.08901.01
Semester der erstmaligen Durchführung
Fachbereich/Institut	Institut für Informatik
Verwendet in Studiengängen / Semestern	Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen` Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Datenbanken und Informationssysteme`
Modulverantwortliche/r
Weitere verantwortliche Personen	Jun.-Prof. Dr. Thomas Schmid
Teilnahmevoraussetzungen
Kompetenzziele	Nach der aktiven Teilnahme am Modul "Deep Learning Lab" können die Studierenden Gemeinsamkeiten und Unterschiede zentraler Deep-Learning-Architekturen für unterschiedliche Datenmodalitäten (Bild, Text, Sequenzen, Graphen) hinsichtlich Struktur und Funktionsweise erklären und einordnen moderne Trainingskonzepte wie End-to-end Learning, Self-supervised Learning und Adversarial Learning für verschiedene Architekturen und Modalitäten zielgerichtet praktisch anwenden geeignete Metriken zur Evaluation unterschiedlicher Trainingsaufgaben (z. B. Objekterkennung, Segmentierung, Generierung) auswählen und anwenden praktische Strategien zur Lösung typischer Trainingsprobleme (Overfitting, Underfitting, Instabilität) entwickeln Preprocessing-Pipelines und Dataloader entwickeln und optimieren existierende Architekturen hinsichtlich Rechenaufwand, Datenbedarf, Robustheit und Performance praktisch analysieren existierende Architekturen variieren, erweitern oder eigene Architekturvarianten entwerfen Deep-Learning-Modelle mit Standard-Frameworks wie PyTorch implementieren die Implementierung, Modifikation und Analyse moderner lernender Architekturen nach aktuellen Standards wissenschaftlich dokumentieren und präsentieren
Modulinhalte	Vorlesung: Paradigmen intelligenter Systeme Modalitäten, Tasks und Metriken Architekturbausteine klassische Architekturkonzepte (CNNs, RNNs, Autoencoder) multimodale Architekturkonzepte generative Architekturkonzepte (Generative Adversarial Networks, Transformer) Trainings- und Optimierungsstrategien Gray-Box-Modelle LLM-basierte neurosymbolische Systeme Herausforderungen moderner lernender Architekturen Praktium: Modifikation und Implementierung von Deep-Learning-Architekturen Anwendung von Trainings- und Optimierungstechniken Evaluation und Experimentdesign Dokumentation von Implementierungen, Modifikationen und Analysen Mündliche Präsentation und Diskussion von Implementierungen, Modifikationen und Analysen
Lehrveranstaltungsformen	Vorlesung (2 SWS) Praktikum (2 SWS) Kursus
Unterrichtsprachen	Deutsch, Englisch
Dauer in Semestern	1 Semester Semester
Angebotsrhythmus Modul	jedes Sommersemester
Aufnahmekapazität Modul	unbegrenzt
Prüfungsebene
Credit-Points	5 CP
Modulabschlussnote	LV 1: %; LV 2: %; LV 3: %.
Faktor der Modulnote für die Endnote des Studiengangs	1

Modulveranstaltung	Lehrveranstaltungsform	Veranstaltungstitel	SWS	Workload selbstgestaltete Arbeit	Workload Summe
LV 1	Vorlesung	Vorlesung	2		0
LV 2	Praktikum	Praktikum	2		0
LV 3	Kursus	Selbststudium			0
Workload modulbezogen				150	150
Workload Modul insgesamt					150

Prüfung	Prüfungsvorleistung	Prüfungsform
LV 1
LV 2
LV 3
Gesamtmodul		Präsentation (30 Minuten), Bericht (10 Seiten)
Wiederholungsprüfung

Regularien	Angebotsrhythmus	Anwesenheitspflicht	Gewicht an Modulnote in %
LV 1	Sommersemester	Nein	%
LV 2	Sommersemester	Nein	%
LV 3	Sommersemester	Nein	%