grapevine | Modulbeschreibung

Neuronale Netze

Neuronal Networks

Angaben gemäß SPO

Zugehörigkeit zu Curriculum

BWB | 6.1 | 5 Leistungspunkte

Modulverantwortung

Prof. Dr. Markus Wessler

Dr. Sandro Scheid

Prüfungsformen

ModA

Lehr- und Lernformen

Lehrveranstaltung | SU | 4 SWS

Lehrangebote SoSe 2026

Lehrveranstaltung | SU | 4 SWS

Prüfungsangebote SoSe 2026

Es liegen keine Prüfungsangebote für das Semester SoSe 2026 vor.

Voraussetzungen und Verwendbarkeit

Voraussetzungen für die Teilnahme

Verwendbarkeit

Inhalte und Qualifikationsziele

Status: vorläufig - kann sich jederzeit noch ändern

Lernziele / Kompetenzen:

Nach dem Besuch dieses Moduls sind die Studierenden in der Lage, Neuronale Netze in Bezug auf praktische Aufgabenstellungen zu modellieren, zu trainieren und anzuwenden sowie die Ergebnisse zu interpretieren. Die Aufgabenstellungen werden dabei mit dem Einsatz geeigneter Software gelöst. Des Weiteren entwickeln die Studierenden die Fähigkeit, sich in Gruppen mit den mathematischen Methoden hinter den Neuronalen Netzen auseinanderzusetzen und diese vor einem Auditorium zu präsentieren. Die Studierenden erkennen durch den Besuch des Moduls die Struktur diverser Anwendungsfälle und sie verstehen, dass eine mathematische Modellierung zur Lösung dieser Probleme sehr hilfreich sein kann.

Inhalte:

· Grundlagen und Anwendungen der Neuronalen Netze

· Layer, Aktivierungsfunktionen, Verlustfunktionen

· diverse weitere Techniken für die Modellierung spezieller Aufgabenstellungen

Lehr- und Lernmethoden:

· Seminaristischer Unterricht

· Selbstgesteuertes Lernen

Literatur:

• wird in der Veranstaltung bekannt gegeben

Learning Objectives / Competencies:

After completing this module, students will be able to model, train, and apply neural networks to practical problems, as well as interpret the results. These problems will be solved using appropriate software. Furthermore, students will develop the ability to work in groups to explore the mathematical methods underlying neural networks and to present their findings to an audience. By taking this module, students gain insight into the structure of various use cases and come to understand that mathematical modeling can be very helpful in solving these problems.

Contents:

· Fundamentals and Applications of Neural Networks

· Layers, activation functions, loss functions

· Various other techniques for modeling specific tasks

Teaching and Learning Methods:

• Seminar-based teaching

• Self-directed learning

Literature:

• Will be announced in the lecture