Zur Startseite wechseln
0,00 €

Deep Learning / Neuronale Netzwerke

Weiterbildung Datenmanagement im Modulstudium
© Leuphana/Patrizia Jäger

1.680,00 €

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

Zertifikatsteilnahme

Bei der Zertifikatsteilnahme nehmen Sie an Modulen im Umfang von mindestens 15 Credit Points teil. Sie legen keine Prüfungen ab und erhalten zum Abschluss eine Bescheinigung. Sie sind kein eingeschriebene/r Student/in. Somit entfallen die Semestergebühren.

Weitere Informationen zur Zertifikatsteilnahme

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 oder mehrere Module 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 01.04.2027 bis 30.09.2027 statt. Die genauen Termine werden in Kürze bekanntgegeben.
Modulinformationen "Deep Learning / Neuronale Netzwerke"

Neuronale Netze / Deep Learning

Dieses Modul vermittelt Ihnen die Grundlagen und fortgeschrittenen Konzepte des Deep Learning. Sie lernen die wichtigsten Architekturen, Trainingsmethoden und aktuellen Bibliotheken (wie TensorFlow und PyTorch) kennen, um eigene Modelle zu entwickeln, zu trainieren und zu evaluieren.

Was erwartet Sie?
  • Multi-Layer-Perzeptron, Aktivierungsfunktionen, Universal Approximation, Backpropagation, (Variational) Autoencoder, Rekurrente Netze, Vanishing Gradients, LTSM/GRU-Layer, Convolutions, Transformer, Diffusion-Models, Graph Networks
Ihr Nutzen: Dieses Modul stattet Sie mit dem Wissen und den praktischen Fähigkeiten aus, um komplexe Probleme mithilfe von Deep Learning zu lösen. Sie werden in der Lage sein, die richtigen Architekturen auszuwählen, Modelle effizient zu trainieren und ihre Leistung kritisch zu bewerten. So können Sie innovative Lösungen in Bereichen wie Bilderkennung, Sprachverarbeitung und vielen anderen entwickeln.

Ablauf & Organisation: Das Modul umfasst 6 Veranstaltungstermine sowie einen Prüfungstermin. Die Veranstaltungstermine werden in Live-Online-Sessions via Zoom durchgeführt. Die Prüfung findet in Präsenz in Lüneburg statt.

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

Verpflichtend:

  • Erster qualifizierender Hochschulabschluss (Bachelor oder gleichwertig)

Empfehlung:

  • Teilnahme an den Modulen "DS-F1 Mathematik & Statistic" und "DS-F2 Grundlagen des maschinellen Lernens" oder gleichwertige Kenntnisse
  • Beherrschen einer Programmiersprache (z.B. Python)
  • Englischkenntnisse auf B2 Niveau (teilw. englischsprachiges Lehrmaterial)
Themenfeld: IT & Digitalisierung
Veranstaltungsformat: (Vor-Ort-)Präsenz und Online
Niveau: Master
Lehrsprache: deutsch
Studiengang
Anzahl der CP / ECTS: 5
Workload - Kontaktzeit (in Stunden): 35
Workload - Angeleitete Selbstlernzeit (in Stunden): 90
Prüfung: kursübergreifende Prüfung (Modulprüfung)
Prüfungsformat: Klausur
weiteres Prüfungsformat: keine weitere Prüfung
Qualifikationsziele

  • Wissen über tiefe neuronale Netze erwerben, das zum Teil an neueste Erkenntnisse in der Forschung anknüpft
  • Schlüsselarchitekturen nach Lernszenarien unterscheiden und zuordnen
  • Implementierung Neuronaler Netze zur Lösung von Lernproblemen