Technische Universität Ilmenau

Neuroinformatik - Modultafeln der TU Ilmenau

Die Modultafeln sind ein Informationsangebot zu unseren Studiengängen. Rechtlich verbindliche Angaben zum Verlauf des Studiums entnehmen Sie bitte dem jeweiligen Studienplan (Anlage zur Studienordnung). Bitte beachten Sie diesen rechtlichen Hinweis. Angaben zum Raum und Zeitpunkt der einzelnen Lehrveranstaltungen entnehmen Sie bitte dem aktuellen Vorlesungsverzeichnis.

Fachinformationen zu Fachnummer 1389 - allgemeine Informationen
Fachnummer1389
FakultätFakultät für Informatik und Automatisierung
Fachgebietsnummer2233 (Neuroinformatik und Kognitive Robotik)
Fachverantwortliche(r)Prof. Dr. Horst-Michael Groß
SpracheDeutsch
TurnusSommersemester
Vorkenntnisse

Keine

Lernergebnisse

In der Vorlesung "Neuroinformatik und Maschinelles Lernen" lernen die Studierenden die konzeptionellen, methodischen und algorithmischen Grundlagen der Neuroinformatik und des Maschinellen Lernens kennen. Ein Sie verstehen die grundsätzliche Herangehensweise dieser Form des Wissenserwerbs, der Generierung von Wissen aus Beobachtungen und Erfahrungen. Sie verstehen, wie ein künstliches System aus Trainingsbeispielen lernt und diese nach Beendigung der Lernphase verallgemeinern kann. Dabei werden die Beispiele nicht einfach auswendig gelernt, sondern das System „erkennt“ Muster und Gesetzmäßigkeiten in den Lerndaten. Die Studierenden lernen die wesentlichen Konzepte, Lösungsansätze sowie Modellierungs- und Implementierungstechniken beim Einsatz von neuronalen und probabilistischen Methoden der Informations- und Wissensverarbeitung kennen. Die Studierenden sind in der Lage, praxisorientierte Fragestellungen aus dem o. g. Problemkreis zu analysieren, durch Anwendung des behandelten Methodenspektrums auf Fragestellungen aus den behandelten Bereichen (Signal-, Sprach- und Bildverarbeitung, Robotik und autonome Systeme, Assistenzsysteme, Mensch-Maschine Interaktion) neue Lösungskonzepte zu entwerfen und algorithmisch (Fokus auf Python) umzusetzen sowie bestehende Lösungen zu bewerten.

Inhalt

Die Lehrveranstaltung vermittelt das erforderliche Methodenspektrum aus theoretischen Grundkenntnissen und praktischen Fähigkeiten zum Verständnis, zur Implementierung und zur Anwendung neuronaler und probabilistischer Techniken des Wissenserwerbs durch Lernen aus Erfahrungsbeispielen sowie zur Informations- und Wissensverarbeitung in massiv parallelen Systemen. Sie vermittelt sowohl Faktenwissen, begriffliches und algorithmisches Wissen aus folgenden Themenkomplexen:

Intro: Begriffsbestimmung, Literatur, Lernparadigmen (Unsupervised / Reinforcement / Supervised Learning), Haupteinsatzgebiete (Klassifikation, Clusterung, Regression, Ranking), Historie

Neuronale Basisoperationen und Grundstrukturen:

  • Neuronenmodelle: Biologisches Neuron, I&F Neuron, Formale Neuronen
  • Netzwerkmodelle: Grundlegende Verschaltungsprinzipien & Architekturen

Lernparadigmen und deren klassische Vertreter:

  • Unsupervised Learning: Vektorquantisierung, Self-Organizing Feature Maps , Neural Gas, k-Means Clustering
  • Reinforcement Learning: Grundbegriffe, Q-Learning
  • Supervised Learning: Perzeptron, Multi-Layer-Perzeptron & Error-Backpropagation-Lernregel, RBF-Netze, Expectation-Maximization Algorithmus, Support Vector Machines (SVM)

Moderne Verfahren für große Datensets

  • Deep Neural Networks: Grundidee, Arten, Convolutional Neural Nets (CNN)

Anwendungsbeispiele: Signal-, Sprach- und Bildverarbeitung, Robotik und autonome Systeme, Assistenzsysteme, Mensch-Maschine Interaktion

Exemplarische Software-Implementationen neuronaler Netze für unüberwachte und überwachte Lern- und Klassifikationsprobleme (Fokus auf Python)

Die Studierenden erwerben somit auch verfahrensorientiertes Wissen, indem für reale Klassifikations- und Lernprobleme verschiedene neuronale Lösungsansätze theoretisch behandelt und praktisch umgesetzt werden. Im Rahmen des Pflichtpraktikums werden die behandelten methodischen und algorithmischen Grundlagen der neuronalen und probabilistischen Informationsverarbeitungs- und Lernprozesse durch die Studierenden mittels interaktiver Demo-Applets vertieft und in Gesprächsgruppen aufgearbeitet.

 

Medienformen

Powerpoint-Folien (als Papierkopie oder PDF), Demo-Apps, Videos, Python Demo Code

Literatur

 

- Zell, A.: Simulation Neuronaler Netzwerke, Addison-Wesley 1997

- Bishop, Ch.: Pattern Recognition and Machine Learning, Springer 2006

- Alpaydin, Ethem: Maschinelles Lernen, Oldenbourg Verlag 2008

- Murphy, K. : Machine Learning – A Probabilistic Perspective, MIT Press 2012

- Goodfellow, I. et al.: Deep Learning, MIT Press 2016

Lehrevaluation

Pflichtevaluation:

SS 2012 (Fach)

Freiwillige Evaluation:

SS 2008 (Vorlesung, Übung)

SS 2010 (Vorlesung, Übung)

SS 2011 (Vorlesung, Übung)

SS 2012 (Übung)

SS 2013 (Vorlesung, Übung)

SS 2014 (Vorlesung, Übung)

SS 2015 (Vorlesung, Seminar)

SS 2016 (Vorlesung, Seminar)

SS 2017 (Vorlesung, Seminar)

Hospitation:

SS 2012

Spezifik im Studiengang polyvalenter Bachelor Polyvalenter Bachelor mit Lehramtsoption für berufsbildende Schulen - Elektrotechnik 2013 (IN), Master Wirtschaftsinformatik 2013, Bachelor Mathematik 2013, Bachelor Informatik 2013, Bachelor Ingenieurinformatik 2013, Master Wirtschaftsinformatik 2014
FachnameNeuroinformatik
Prüfungsnummer2200343
Leistungspunkte3
Präsenzstudium (h)34
Selbststudium (h)56
VerpflichtungPflicht
Abschlusskeiner
Details zum Abschluss
max. Teilnehmerzahl
Spezifik im Studiengang Bachelor Mathematik 2009, Bachelor Mathematik 2013
FachnameNeuroinformatik
Prüfungsnummer2200293
Leistungspunkte3
Präsenzstudium (h)34
Selbststudium (h)56
VerpflichtungWahlpflicht
Abschlussschriftliche Studienleistung, 90 Minuten
Details zum Abschluss
max. Teilnehmerzahl
Spezifik im Studiengang polyvalenter Bachelor Polyvalenter Bachelor mit Lehramtsoption für berufsbildende Schulen - Metalltechnik 2013 (IN)
FachnameNeuroinformatik
Prüfungsnummer2200343
Leistungspunkte3
Präsenzstudium (h)22
Selbststudium (h)68
VerpflichtungPflicht
Abschlusskeiner
Details zum Abschluss
max. Teilnehmerzahl
Spezifik im Studiengang Bachelor Ingenieurinformatik 2008, Bachelor Mathematik 2009, Bachelor Informatik 2010
FachnameNeuroinformatik
Prüfungsnummer2200046
Leistungspunkte3
Präsenzstudium (h)34
Selbststudium (h)56
VerpflichtungPflicht
Abschlussschriftliche Prüfungsleistung, 90 Minuten
Details zum Abschluss
max. Teilnehmerzahl
Spezifik im Studiengang Master Mathematik und Wirtschaftsmathematik 2008
FachnameNeuroinformatik
Prüfungsnummer2200046
Leistungspunkte3
Präsenzstudium (h)34
Selbststudium (h)56
VerpflichtungWahlpflicht
Abschlussschriftliche Prüfungsleistung, 90 Minuten
Details zum Abschluss
max. Teilnehmerzahl
Spezifik im Studiengang Bachelor Elektrotechnik und Informationstechnik 2008
FachnameNeuroinformatik
Prüfungsnummer2200019
Leistungspunkte4
Präsenzstudium (h)34
Selbststudium (h)86
VerpflichtungPflicht
Abschlussschriftliche Prüfungsleistung, 90 Minuten
Details zum Abschluss
max. Teilnehmerzahl
Spezifik im Studiengang Bachelor Biomedizinische Technik 2008
FachnameNeuroinformatik
Prüfungsnummer2200046
Leistungspunkte4
Präsenzstudium (h)34
Selbststudium (h)86
VerpflichtungPflicht
Abschlussschriftliche Prüfungsleistung, 90 Minuten
Details zum Abschluss
max. Teilnehmerzahl

Informationen und Handreichungen zur Pflege von Modul- und Fachbeschreibungen durch den Modul- oder Fachverantwortlichen finden Sie auf den Infoseiten zum Modulkatalog.