|
|
|
| Code: E2902 |
|
|
2V+2PA (4 Semesterwochenstunden) |
|
5 |
| Studiensemester: 2 |
| Pflichtfach: ja |
Arbeitssprache:
Deutsch |
Prüfungsart:
mündliche Prüfung (50%), Projektarbeit (50%)
[letzte Änderung 31.03.2019]
|
E2902 (P211-0154, P211-0155) Elektro- und Informationstechnik, Master, ASPO 01.04.2019
, 2. Semester, Pflichtfach, technisch
KIM-MM (P211-0154, P211-0155) Kommunikationsinformatik, Master, ASPO 01.10.2017
, Wahlpflichtfach, informatikspezifisch
PIM-MM (P211-0154, P211-0155) Praktische Informatik, Master, ASPO 01.10.2017
, Wahlpflichtfach, informatikspezifisch
|
|
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 5 Creditpoints 150 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 105 Stunden zur Verfügung.
|
Empfohlene Voraussetzungen (Module):
Keine.
|
Als Vorkenntnis empfohlen für Module:
|
Modulverantwortung:
Prof. Dr.-Ing. Ahmad Osman |
Dozent/innen: Prof. Dr.-Ing. Ahmad Osman
[letzte Änderung 10.09.2018]
|
Lernziele:
Nach der Teilnahme an diesem Modul ist der Studierende in der Lage:
- grundlegende und fortgeschritten Algorithmen auf dem Gebiet des Maschinellen Lernens und Datenanalyse zu beschreiben und bezüglich der eingesetzten Modelle und des ausgewerteten Wissen zu kategorisieren
- praktische Fragestellungen bezüglich der Einsatzmöglichkeit von Datenanalysealgorithmen zu bewerten und geeignete Analyseverfahren auszuwählen
- verschiedene Analysemethoden zur Lösung einer komplexen Fragestellung zu kombinieren
- ein wissenschaftliches Projekt zu einer Thematik aus der Informatik oder zu einer dem Ingenieurberuf nahestehenden Thematik durchführen
- entwickelte Lösungen zu evaluieren und quantitativ zu beurteilen
[letzte Änderung 18.07.2019]
|
Inhalt:
Diese Vorlesung ergänzt die in der Vorlesung "Bildverarbeitung und Mustererkennung" vorgestellten Methoden und Techniken mit weiteren Verarbeitungs-und Analysetechniken die für die automatisierte Datenauswertung nützlich sind. Hier werden Ansätze des Fortgeschrittenes Maschinellen Lernens erlernt. Dabei werden fortgeschrittene Modelle der Neuronalen Netze präsentiert und diskutiert. Darüber hinaus werden verschiedene Strategien vorgestellt, die für Musteranalysesysteme verwendbar sind, und daher auch weitere Klassifikationsalgorithmen, z. B. Random Forest und AdaBoosting vorgestellt. Abschließend werden Formalismen zur Wissensrepräsentation in Musteranalysesystemen und zur wissensbasierten Musteranalyse behandelt. Die Methoden und Verfahren dieser Vorlesung werden durch ßbungen vertieft und zur Lösung von Computer Vision Aufgaben in Projektarbeiten eingesetzt.
[letzte Änderung 31.03.2019]
|
Literatur:
Bishop, Christopher M.: Pattern recognition and machine learning, Springer, 10. Aufl., ISBN 978-0-387-31073-2
Görz, Günther (Hrsg): Handbuch der künstlichen Intelligenz, Oldenbourg, 2003, 4. Aufl., ISBN 3-486-27212-8
Luger, George F.: Artificial Intelligence, Addison-Wesley, 2009, ISBN 978-0-13-209001-8
Mitchell, Tom M.: Machine learning, McGraw-Hill, 1997, ISBN 978-0-07-042807-2
Mohri, Mehryar; Rostamizadeh, Afshin; Talwalkar, Ameet: Foundations of machine learning, MIT Press, 2012, ISBN 978-0-262-01825-8
Russell, Stuart J.; Norvig, Peter: Artificial intelligence: a modern approach, Pearson, 2009, 3rd Ed., ISBN 978-0-13-207148-2
Shalev-Shwartz, Shai; Ben-David, Shai: Understanding machine learning from theory to algorithms, Cambridge University Press, 2014, ISBN 978-1-107-05713-5
[letzte Änderung 18.07.2019]
|
