700.397 (22W) Tutorial on "Data Mining" and "Deep Learning"
Überblick
Bedingt durch die COVID-19-Pandemie können kurzfristige Änderungen bei Lehrveranstaltungen und Prüfungen (z.B. Absage von Präsenz-Lehreveranstaltungen und Umstellung auf Online-Prüfungen) erforderlich sein.
Weitere Informationen zum Lehrbetrieb vor Ort finden Sie unter: https://www.aau.at/corona.
Weitere Informationen zum Lehrbetrieb vor Ort finden Sie unter: https://www.aau.at/corona.
- Tutor/in/Innen
- LV-Titel englisch Tutorial on "Data Mining" and "Deep Learning"
- LV-Art Tutorium
- LV-Modell Onlinelehrveranstaltung
- Semesterstunde/n 2.0
- ECTS-Anrechnungspunkte 0.0
- Anmeldungen 6
- Organisationseinheit
- Unterrichtssprache Englisch
- LV-Beginn 16.11.2022
- eLearning zum Moodle-Kurs
Zeit und Ort
Beachten Sie bitte, dass sich aufgrund von COVID-19-Maßnahmen die derzeit angezeigten Termine noch ändern können.
Liste der Termine wird geladen...
LV-Beschreibung
Intendierte Lernergebnisse
The tutorium supports the mathematical basics for the lecture
21W - 700.395 - Data Mining and Neurocomputing
Lehrmethodik inkl. Einsatz von eLearning-Tools
online instructions
Inhalt/e
This tutorial supports the beginners to Data Mining and Deep Learning.
1) Introduction to Data Mining, Deep Learning and Neurocomputing
2) Mathematical Basics for Machine Learning.
3) Python Basics for Machine Learning.
4) Overview of Deep Learning Frameworks & Machine Learning Libraries.
5) Introduction to Pytorch.
Erwartete Vorkenntnisse
No Prior Knowledge is required, the tutroial is for beginners.
Basic Knowldge in python is preferred.
The content may adapt based on the prior knowledge of the students.
Prüfungsinformationen
Im Fall von online durchgeführten Prüfungen sind die Standards zu beachten, die die technischen Geräte der Studierenden erfüllen müssen, um an diesen Prüfungen teilnehmen zu können.
Beurteilungsschema
mit/ohne Erfolg teilgenommen BenotungsschemaPosition im Curriculum
- Masterstudium Information and Communications Engineering (ICE)
(SKZ: 488, Version: 15W.1)
-
Fach: Technical Complements (NC, ASR)
(Wahlfach)
-
Wahl aus dem LV-Katalog (Anhang 5) (
0.0h VK, VO, KU / 12.0 ECTS)
- 700.397 Tutorial on "Data Mining" and "Deep Learning" (2.0h TU / 0.0 ECTS)
-
Wahl aus dem LV-Katalog (Anhang 5) (
0.0h VK, VO, KU / 12.0 ECTS)
-
Fach: Technical Complements (NC, ASR)
(Wahlfach)
- Masterstudium Information and Communications Engineering (ICE)
(SKZ: 488, Version: 15W.1)
-
Fach: Technical Complements (NC, ASR)
(Wahlfach)
-
Wahl aus dem LV-Katalog (Anhang 5) (
0.0h VK, VO, KU / 12.0 ECTS)
- 700.397 Tutorial on "Data Mining" and "Deep Learning" (2.0h TU / 0.0 ECTS)
-
Wahl aus dem LV-Katalog (Anhang 5) (
0.0h VK, VO, KU / 12.0 ECTS)
-
Fach: Technical Complements (NC, ASR)
(Wahlfach)
- Masterstudium Information and Communications Engineering (ICE)
(SKZ: 488, Version: 15W.1)
-
Fach: Autonomous Systems and Robotics: Advanced (ASR)
(Wahlfach)
-
Wahl aus dem LV-Katalog (siehe Anhang 3) (
0.0h VK, VO / 30.0 ECTS)
- 700.397 Tutorial on "Data Mining" and "Deep Learning" (2.0h TU / 0.0 ECTS)
-
Wahl aus dem LV-Katalog (siehe Anhang 3) (
0.0h VK, VO / 30.0 ECTS)
-
Fach: Autonomous Systems and Robotics: Advanced (ASR)
(Wahlfach)
- Masterstudium Information and Communications Engineering (ICE)
(SKZ: 488, Version: 22W.1)
-
Fach: Autonomous Systems and Robotics: Advanced
(Wahlfach)
-
2.2 Data Mining and Neurocomputing (
0.0h VC / 4.0 ECTS)
- 700.397 Tutorial on "Data Mining" and "Deep Learning" (2.0h TU / 0.0 ECTS)
-
2.2 Data Mining and Neurocomputing (
0.0h VC / 4.0 ECTS)
-
Fach: Autonomous Systems and Robotics: Advanced
(Wahlfach)