Diese Website verwendet nur technisch notwendige Cookies. In der Datenschutzerklärung können Sie mehr dazu erfahren.

Zum Hauptinhalt springen
Logo, Startseite der Hochschule der Medien
Veranstaltungsbeschreibung

143107a Programming Intelligent Applications

Zuletzt geändert:26.09.2022 / von Carlsburg
EDV-Nr:143107a
Studiengänge: Computer Science and Media (Master), Prüfungsleistung im Modul Programming Intelligent Applications in Semester 1 2 3
Häufigkeit: nur SS
Dozent: Manuel Eberhardinger Daniel Grießhaber Johannes Theodoridis
Sprache: Deutsch
Art: -
Umfang: 3 SWS
ECTS-Punkte: 5
Workload:
  • 2 Termine Einführung mit je 4 SWS: 6 Zeitstunden
  • 2 mal Nacharbeitung mit je 4 SWS: 6 Zeitstunden
  • 12 Termine Implementierung der Versuche mit je 4 SWS: 36 Zeitstunden
  • 12 mal Vor- und Nachbearbeitung der Versuche mit je 10 SWS: 90 Zeitstunden
Gesamt: 138 Zeitstunden
Prüfungsform:
Bemerkung zur Veranstaltung: Unterrichtssprache Englisch, das bestandene Modul 143104 wird vorausgesetzt
Beschreibung: ****** Wichtiger Hinweis zum Sommersemester 2020 *****
Die Veranstaltung wird während der SARS-CoV-2-bedingten Beschränkungen im Sommersemester 2020 zunächst als synchroner Distance-Learning-Kurs angeboten. Den zugehörige Zoom-Link werde ich vor dem 20.04. in die Gruppe der online registrierten User im persönlichen Stundenplan posten. Es gilt der Stundenplan laut Starplan. Neuigkeiten zur Vorlesung finden Sie auch unter Homepage der Vorlesung Falls oder wenn wir uns wieder in Hörsälen treffen dürfen, gilt der jeweils in Starplan angegebene Raum.
**********************************************************************
In dieser Labor-Veranstaltung müssen die Studentengruppen ausgewählte Anwendungen aus den Bereichen Künstliche Intelligenz, maschinelles Lernen, Objekterkennung und Verarbeitung natürlicher Sprache implementieren. Alle Anwendungen müssen in Python Jupyter-Notebooks implementiert werden. Die Python-Bibliotheken für maschinelles Lernen (Scikit-Learn, Tensorflow und Keras) werden angewendet.
  1. Data Mining Prozesskette mit herkömmlichen ML-Verfahren
  2. Automatische Contentgenerierung mit Generativen Adverserialen Netzen (GAN)
  3. Dokumentklassifikation mit tiefen neuronalen Netzen
  4. Reinforcement Learning und Deep Reeinforcement Learning
  5. Automatische Musikgenerierung mit GANs
English Title: Programming Intelligent Applications
Internet: href="http://maucher.pages.mi.hdm-stuttgart.de/ai/page/pia/">Homepage der Vorlesung