Kursbeschreibung

Kurzbeschreibung
Autonome Fahrzeugtechnologien sind mit der Analyse und Auswertung großer Datenmengen aus der sensorischen Erfassung der Umgebung konfrontiert. Bildgebende Verfahren bieten hierbei eine geeignete Grundlage für die Interpretation der Umwelt für eine intelligente Entscheidungsfindung.


Lernziele
Die Teilnehmenden sind in der Lage wichtige Grundprinzipien und Methoden der Künstlichen Intelligenz anzuwenden. Sie sind imstande, Verfahren, Vorgehensweisen, Risiken und Grenzen intelligenter Systeme zu analysieren und können Lösungsansätze für typische KI-Probleme entwickeln und bewerten. Die Teilnehmenden sind fähig, mithilfe von Verfahren des maschinellen Lernens Anwendungen für Klassifikations- und Prognosemodelle zu entwickeln und innerhalb ihres Kompetenzbereichs einzusetzen.


Lehrinhalte
1. Prof. Dr.-Ing. Nicolaj Stache:
1.1 Grundlagen des maschinellen Lernens, Überblick über klassische Verfahren, Begrifflichkeiten
1.2 Einführung in das Tooling für die Praxisphasen: Python, Jupyter Notebook, Python-Bibliotheken, Tensor-Flow
1.3 Praxisphase: klassische Verfahren des maschinellen Lernens

2. Prof. Dr. Oliver Wasenmüller:
2.1 Lineare Klassifikation
2.2 Optimierung
2.3 Neuronale Netzwerke
2.4 Rückpropagation

3. Prof. Dr.-Ing. Nicolaj Stache:
3.1 Vertiefung in das Tooling für die Praxisphasen: Numpy
3.2 Einführung in neuronale Netze, Inferenz, Training
3.3 Praxisphase: Neuronales Netz mit Numpy
3.4 Tiefe neuronale Netze
3.5 Praxisphase: Einführung in Tensorflow & Digit Recognition
3.6 Convolutional Neural Networks
3.7 Praxisphase: Verkehrszeichenklassifikation über Deep Learning

4. Prof. Dr. Oliver Wasenmüller:
4.1 Deep Learning Hardware & Software
4.2 Traning: Aktivierungsfunktionen, Datenvorverarbeitung, Gewichtsinitialisierung, Regularisierung, Lernrate, Batch Training, Hyperparamerer Optimierung

5. Prof. Dr.-Ing. Nicolaj Stache:
5.1 Bekannte Netzwerk-Architekturen
5.2 Praxisphase: Transfer-Learning
5.3 Fortgeschrittene Anwendungen (GAN, RNN)
5.4 Visualierungstechniken
5.5 Projektarbeitsbeschreibungen, lokale Tooling-Installation

6. Prof. Dr. Oliver Wasenmüller:
6.1 Detektion
6.2 Segmentierung
6.3 Praxisphase: Detektion und Segmentierung
6.4 Reinforcement Learning