Seminar
2 SemesterwochenstundenBTU-Vorlesungsverzeichnis ↗- Mittwoch07 Okt 2026 bis 27 Jan 202709:15 bis 10:45
← Zurück zur Übersicht
14142Fakultät 1 – MINT – Mathematik, Informatik, Physik, Elektro- und Informationstechnik
VisuNet - Visuelle Mustererkennung durch neuronale Netze
Titel auf Englisch: VisuNet - Visual Pattern Recognition by Neural Networks
Lernergebnisse
Nach erfolgreichem Abschluss des Moduls kennen die Studierenden die Funktionsweise und die Anwendungsmöglichkeiten von neuronalen Netzen, insbesondere von Faltungsnetzen, zur Analyse von Bildinhalten. Sie beherrschen das Programmieren von neuronalen Netzen mit Hilfe der Programmiersprache Python. Die Studierenden sind in der Lage, ein eigenes neuronales Netz zur Klassifikation von Bildinhalten zu erstellen und zu trainieren.
Inhalte
Wir gehen den Weg vom biologischen Neuron, hin zum künstlichen Neuron. Zudem lernen wir das Perzeptron kennen, sowie das Multilayer Perzeptron. Wir widmen uns dem Übergang vom Fully Connected Network zum Convulotional Neural Network (CNN), um im Schwerpunkt des Moduls auf den Aufbau und die Funktionsweise von CNNs im Detail eingehen. Wir setzen uns mit den einzelnen Layern zur Faltung, Dimensionsreduktion und Klassifizierung auseinander, sowie die Berechnung des Fehlers. Zusätzlich werden wir uns mit Evaluationstools wie Tensorboard und der Konfusionsmatrix auseinandersetzen, welche zur Auswertung von neuronalen Netzen hilfreich sind. Die theoretischen Ausarbeitungen werden im gesamten Modul durch praktische Programmieraufgaben zu den einzelnen Themen untermauert. Abschließend wird das neuronale Netz YOLOv1 besprochen und am Praxisbeispiel Haribo werden alle theoretischen Ausarbeitungen zusammengefasst und als praktische Aufgabe mit YOLOv5 umgesetzt.
Voraussetzungen
Verpflichtende Voraussetzungen
Keine
Empfohlene Voraussetzungen
erste Programmierkenntnisse
Prüfungsmodalitäten
- 8 Programmieraufgaben/Projektarbeit: 50 %
- Abschlusstest Python Crashkurs, 10 Multiple-Choise-Fragen: 10 %
- Abschlusstest VisuNet, 10 Multiple-Choise-Fragen: 10 %
- Abschlusspräsentation, 15 min: 30 %
Termine im WiSe 26/27
Angeboten in
- ElektrotechnikBachelor
Wahlpflichtkomplex: Kein Komplex genannt
- Elektrotechnik - dualBachelor
Wahlpflichtkomplex: Kein Komplex genannt
| Studiengang | Abschluss | Wahlpflichtkomplex |
|---|---|---|
| Elektrotechnik | Bachelor | Kein Komplex genannt |
| Elektrotechnik - dual | Bachelor | Kein Komplex genannt |
Literatur und Materialien
- Joachim Steinwendner, Roland Schwaiger: Neuronale Netze programmieren mit Python, Rheinwerk Computing 2020
- Francois Chollet: Deep Learning mit Python und Keras, mitp Verlags GmbH 2018
- Sebastian Raschka, Vahid Mirjalili: Machine Learning mit Python und Scikit-learn und Tensorflow, mitp Verlag GmbH 2018
- Ian Goodfellow, et al.: Deep Learning Das umfassende Handbuch, mitp Verlag GmbH 2018
- Douwe Osinga: Deep Learning Kochbuch, O‘Reilly Media 2019 - Tom Hope, et al.: Einführung in Tensorflow, O‘Reilly Media 2018
- Eigenständige Literaturrecherche
Bewertungen von Studierenden
Was Studierende über dieses Modul sagen. Die BTU hat damit nichts zu tun — hier schreiben nur Studierende, und jede Bewertung ist die Meinung einer einzelnen Person.