Details :: WBE.DL - Deep Learning

Allgemeine Informationen

Modulbezeichnung

Deep Learning

Englische Modulbezeichnung

Deep Learning

Modulkürzel oder Nummer

WBE.DL

Eindeutige Bezeichnung

DeepLearnB-01-BA-M

Modulverantwortlich(e)

Prof. Dr. Schneider, Stephan (stephan.schneider@haw-kiel.de)

Lehrperson(en)

Prof. Dr. Schneider, Stephan (stephan.schneider@haw-kiel.de)

Wird angeboten zum

Wintersemester 2026/27

Moduldauer

1 Semester

Angebotsfrequenz

Angebotsturnus

In der Regel jedes Semester

Lehrsprache

Deutsch

Empfohlen für internationale Studierende

Studiengänge und Art des Moduls (gemäß Prüfungsordnung)

Studiengang	Modulart	Fachsemester
B.A. - BWL - Betriebswirtschaftslehre (letzte Aufnahme SoSe 2024)	Wahlmodul	1 2 3 4 5 6 7
B.A. - BWL BA - Betriebswirtschaftslehre	Wahlmodul	1 2 3 4 5 6 7
B.Sc. - WINF 7 Sem. - Wirtschaftsinformatik (7 Sem.)	Wahlmodul	1 2 3 4 5 6 7

Ist als Wahlmodul auch für andere Studiengänge freigegeben (ggf. Interdisziplinäres Modulangebot - IDL)

Kompetenzen / Lernergebnisse

Kompetenzbereiche: Wissen und Verstehen; Einsatz, Anwendung und Erzeugung von Wissen; Kommunikation und Kooperation; Wissenschaftliches Selbstverständnis/Professionalität.

Studierende können speziell (inhaltlich)…
• den Begriff Deep Learning (DL) erläutern und im Kontext der künstlichen Intelligenz (KI) einordnen,
• die Konzepte, Methoden und Modelle des überwachten und unüberwachten Lernens benennen, abgrenzen, beschreiben und erläutern,
• die mathematischen und statistischen Grundlagen der verschiedenen Typen künstlicher neuronaler Netze durchdringen,
• grundlegende Methoden der Datenanalyse und Datenvorverarbeitung, insb. der Beschaffung, Transformation, Bereinigung, Partition, Skalierung, Visualisierung und statischen Beschreibung benennen und erläutern,
• den kompletten Prozess der Durchführung eines DL-Projekts von der Analyse und Vorverarbeitung der Daten über die Anwendung der Methoden und Entwicklung von Modellen bis hin zur Nachverarbeitung der Daten (z.B. modellbasierte Prognose) beschreiben.

Studierende haben/können allgemein…
• ihr Wissen auf Ebene der Hochschulzugangsberechtigung wesentlich erweitert,
• ein breites und tiefes, auf dem aktuellen Stand der Forschung bezogenes Wissen und Verstehen der wissenschaftlichen Grundlagen inhaltsbezogener Lehrgebiete (z. B., KI, DL, Mathematik, Statistik) nachweisen,
• ein kritisches Verständnis der wichtigsten Theorien, Prinzipien und Methoden der inhaltsbezogenen Lehrgebiete,
• fachliche und praxisrelevante Aussagen kritisch reflektieren und für Problemstellungen anvisierte Lösungen plausibilisieren.

Studierende können speziell (inhaltlich)…
• die Einsatzpotenziale von KI bzw. DL in ausgewählten und überwiegend bekannten Anwendungskontexten identifizieren und beurteilen,
• unter Verwendung der Sprachen R oder Python und Applikationen konkrete Problemstellungen lösen.

Studierende können allgemein…
• mit überwiegend bekannten Aufgaben- und Problemstellungen umgehen und Lösungen (weiter)entwickeln,
• aufgabenadäquat Informationen sammeln, bewerten und interpretieren,
• dem Stand der Wissenschaft entsprechende Lösungen realisieren,
• wissenschaftlich fundierte Urteile ableiten,
• in rein wissenschaftlicher Hinsicht Forschungsfragen ableiten, Forschungsmethoden anwenden und Forschungsergebnisse darlegen und erläutern.

Studierende können allgemein…
• innerhalb ihres Handelns fachliche und sachbezogene Problemlösungen formulieren und diese im Diskurs mit Fachvertreterinnen und Fachvertretern sowie Fachfremden mit theoretisch und methodisch fundierter Argumentation begründen,
• mit anderen Fachvertreterinnen und Fachvertretern sowie Fachfremden kommunizieren und kooperieren, um eine Aufgabenstellung verantwortungsvoll zu lösen,
• unterschiedliche Sichtweisen und Interessen anderer Beteiligter reflektieren und berücksichtigen.

Studierende können allgemein…
• ein berufliches Selbstbild entwickeln, das sich an Zielen und Standards professionellen Handelns in vorwiegend außerhalb der Wissenschaft liegenden Berufsfeldern orientiert,
• das eigene berufliche Handeln mit theoretischem und methodischem Wissen begründen,
• die eigenen Fähigkeiten einschätzen, autonom sachbezogene Gestaltungs- und Entscheidungsfreiheiten reflektieren und diese unter Anleitung nutzen,
• situationsadäquat Rahmenbedingungen beruflichen Handelns erkennen und ihre Entscheidungen verantwortungsethisch begründen,
• ihr berufliches Handeln kritisch in Bezug auf gesellschaftliche Erwartungen und Folgen reflektieren.

Angaben zum Inhalt

Lehrinhalte

1. Deep Learning im Kontext der künstlichen Intelligenz
1.1. Zum Verhältnis von Künstlicher Intelligenz (KI), Machine Learning (ML) und Deep Learning (DL)
1.2. Exkurs: Daten und Skalenniveaus
1.3. Problembereiche: Regression, Klassifikation und Clustering
1.4. Generelle Typen von Künstlichen Neuronalen Netzen (KNN)
2. Allgemeine Einführung in den Aufbau und die Funktionsweise einer Unit als Baustein eines KNN
2.1. Das Neuron als biologisches Vorbild
2.2. Mathematische Beschreibung der Funktionseinheiten einer Unit
2.3. Mathematische Beschreibung des Lernens eines KNN mittels Backpropagation und des Gradientenabstiegsverfahrens
3. Mehrdimensionale Datenstruktur (Array) der Eingabeschicht als passiver Datenlieferant
4. Explorative Datenanalyse und Vorverarbeitung der Daten (Pre-Processing)
4.1. Beschaffung und Transformation
4.2. Statistische Beschreibung und Visualisierung
4.3. Fehlende Werte
4.4. Ausreißer
4.5. Dummifizierung
4.6. Unbalancierte Datenmenge
4.7. Partitionierung
4.8. Skalierung
5. Probleme und Optimierung eines KNN
5.1. Overfitting und Underfitting
5.2. Anpassung der Hyperparameter
5.3. Bestimmung der Prognose- und Modellgüte
6. Multi-Layer Perceptron (MLP) zur Regression
7. Multi-Layer Perceptron (MLP) zur Klassifikation
7.1.1. Binäre Klassifikation
7.1.2. N-äre Klassifikation mit Single-Label Zuordnungen
7.1.3. N-äre Klassifikation mit Multi-Label Zuordnungen
8. Long Short-Term Memory (LSTM) für Zeitreihen
8.1.1. Regression
8.1.2. Klassifikation
8.1.2.1. Skalar-Output
8.1.2.2. Sequenz-Output
9. Convolutional Neural Network (CNN) im Umgang mit Bilddaten
9.1. Image Classification
9.2. Object Recognition/Detection
9.3. Semantic Segmentation
9.4. Instance Segmentation
10. Self-Organizing Map (SOM) zum Clustering
11. Generative KI
11.1 Autoencoder
11.2 Transformerbasierte Modelle zu Natural Language Processing (NLP)
11.3 Grundlagen zu GPT
11.4 Generative Adversarial Networks (GAN)
12. Reinforcement Learning

Schlagworte: #KI # AI #MachineLearning #DeepLearning

Literatur

• Chollet, F. (2021). Deep Learning with Python (2nd ed.). Shelter Island: Manning.
• Haykin, Simon S. (1999). Neural Networks: A Comprehensive Foundation (2nd ed.). Upper Saddle River: Pearson Education.
• Haykin, Simon S. (2009). Neural Networks and Learning Machines (3rd ed). Upper Saddle River: Pearson Education.
• Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep Learning. Cambridge: MIT Press.

Weitere Literatur wird in der Veranstaltung bekannt gegeben.

Lehrformen der Lehrveranstaltungen

Lehrform	SWS
Lehrvortrag + Übung	4

Arbeitsaufwand

Anzahl der SWS

4 SWS

Leistungspunkte

5,0 Leistungspunkte

Präsenzzeit

48 Stunden

Selbststudium

102 Stunden

Modulprüfung

Prüfungsform	Dauer	Gewichtung	wird angerechnet gem. § 11 Absatz 2 PVO	Benotet	Anmerkung
Technischer Test		100 %

Sonstiges

Das Themenspektrum stellt den Maximalumfang dar und kann abhängig von den verfügbaren Kapazitäten und dem zeitlichen Semesterverlauf in Abstimmung mit den Studierenden zum Vorlesungsbeginn um einzelne Themenbereiche reduziert bzw. modifiziert werden.

Für BWL-Studierende der Version VOR Wintersemester 2024/2025 kann dieses Modul nur als Wahlmodul der Interdisziplinären Lehre (BA-WM II) gehört werden.

PDF-Export