Zur Startseite wechseln
0,00 €

Deep Learning / Neural Networks

Weiterbildung Datenmanagement im Modulstudium
© Leuphana/Patrizia Jäger

1.930,00 €

Teilnahme Erläuterung der Teilnahmemöglichkeiten
Veranstaltungszeitraum
Zertifikatsstudium

Im Zertifikatsstudium belegen Sie Module im Umfang von mindestens 15 Credit Points, Sie sind an der Leuphana Universität Lüneburg als Student*in eingeschrieben, können auf sämtliche Ressourcen der Hochschule zurückgreifen, legen Prüfungen ab und Sie erhalten als Abschluss das Hochschulzertifikat "PS Individuale".

Weitere Informationen zum Zertifikatsstudium

Modulstudium

Das Modulstudium schließen Sie mit einer Prüfung ab und erhalten die angegeben Credit Points. Diese können Sie sich auf ein Bachelor- oder Masterstudium anrechnen lassen. Das Modulstudium ist interessant für Sie, wenn Sie nur ein einzelnes Modul buchen möchten. Zum Abschluss erhalten Sie eine Bescheinigung mit einer ausführlichen Aufstellung Ihrer erbrachten Leistungen.

Weitere Informationen zum Modulstudium

Modulteilnahme

Die Modulteilnahme erfolgt OHNE Prüfung. Sie erhalten keine Credit Points. Credit Points sind dann wichtig, wenn Sie diese für ein Bachelor- oder Masterstudium anrechnen lassen wollen. Sie erhalten zum Abschluss des Moduls eine Teilnahmebescheinigung.

Weitere Informationen zur Modulteilnahme

Aktuell 10 Plätze verfügbar
Lehrveranstaltungen dieses Moduls
F3 Deep Learning / Neural Networks
Termine In Planung *
* Die Veranstaltung findet im Zeitraum 01.04.2025 bis 30.09.2025 statt. Die genauen Termine werden in Kürze bekanntgegeben.
Modulinformationen "Deep Learning / Neural Networks"

In this module you will learn the basics of (deep) neural networks and selected network architectures for solving different problems:
  • Feedforward Neural Networks
  • Different activation functions and structure of network layers
  • Training of neural networks via gradient descent, backpropagation, different "loss" functions and optimization algorithms
  • „Vanishing gradients“ and initialization of neural networks
  • Network architectures

Ist zugangsbeschränkt: Nein
Voraussetzung - Hochschulzugangsberechtigung: Nicht erforderlich
Voraussetzung einjährige Berufserfahrung: Nicht erforderlich
Voraussetzungen - Sprache: keine
Voraussetzungen - Fachkenntnisse: keine
Weitere Voraussetzungen

Recommendation:
  • Participation in the modules "DS-F1 Mathematics & Statistics" as well as "DS-F2 Fundamentals of Machine Learning" or corresponding knowledge
  • Mastery of a programming language (e.g. Python)
Themenfeld: IT & Digitalisierung
Veranstaltungsformat: (Vor-Ort-)Präsenz und Online
Niveau: Master
Lehrsprache: englisch
Studiengang
Anzahl der CP / ECTS: 5
Workload - Kontaktzeit (in Stunden): 35
Workload - Angeleitete Selbstlernzeit (in Stunden): 90
Prüfung: kursübergreifende Prüfung (Modulprüfung)
Prüfungsformat: Hausarbeit
weiteres Prüfungsformat: keine weitere Prüfung
Qualifikationsziele

  • Become familiar with comprehensive knowledge of deep neural networks that tie in with the latest research findings
  • Distinguish and associate deep learning key architectures according to learning scenarios
  • Implement neural networks to solve learning problems