Kontakt
  • Haben Sie Fragen?

Birgit Welt

Study Coach

Your Contact

Künstliche Intelligenz / Machine Learning für autonomes Fahren

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.

Für Weiterbildungsinteressierte mit ersten Kenntnissen des Programmierens, die die Grundlagen des maschinellen Lernens erlernen und in die Welt der künstlichen Intelligenz mit dem Fokus auf den Bereich Automotive eintauchen möchten.

Lernziele


Die Teilnehmenden kennen und verstehen wichtige Grundprinzipien und Methoden der Künstlichen Intelligenz. Sie sind in der Lage, Verfahren, Vorgehensweisen, Risiken und Grenzen intelligenter Systeme zu analysieren und können Lösungsansätze für typische KI-Probleme entwickeln und bewerten. Die Teilnehmenden sind imstande, 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

Didaktisches Konzept


Didaktisch sinnvolle Kombination aus Präsenzstudium und selbst gesteuertem Lernen.

Weitere Informationen zum Download


Lernform

Präsenz + Live-Online

Zeitraum

6 Online-Präsenztage + Prüfungseinheit (online)

Workload

42 UE Präsenz / virtuelle Präsenz

108 UE Selbststudium

Termine

09. Dezember 202316. Dezember 202313. Januar 202419. Januar 202420. Januar 202426. Januar 2024

Prüfung

16. März 2024
(Projektarbeit)

Niveau

Advanced, DQR-Level 7

Voraussetzungen

Abgeschlossenes Erststudium, Programmierkenntnisse in mind. einer Programmiersprache, Grundkenntnisse in linearer Algebra, gute Englischkenntnisse

Sprache

Deutsch

Freie Plätze

5

Lehrende

Prof. Dr.-Ing. Nicolaj Stache, Prof. Dr. Oliver Wasenmüller

Ort

Hochschule Esslingen

Abschluss

Teilnahmebescheinigung

Melden Sie sich jetzt an!


zum Anmeldeformular

IHRE ANSPRECHPERSON


Karen Huep

Karen Huep

Weiterbildungs- und Zertifikatskurse

07361 576 - 1453
0160 - 1058367
karen.huep(at)hs-aalen.de