Technische Universität Ilmenau

Applied Neural Computing - Modultafeln of TU Ilmenau

The module lists provide information on the degree programmes offered by the TU Ilmenau.

Please refer to the respective study and examination rules and regulations for the legally binding curricula (Annex Curriculum).

You can find all details on planned lectures and classes in the electronic university catalogue.

Information and guidance on the maintenance of module descriptions by the module officers are provided at Module maintenance.

Please send information on missing or incorrect module descriptions directly to modulkatalog@tu-ilmenau.de.

module properties module number 1718 - common information
module number1718
departmentDepartment of Computer Science and Automation
ID of group2233 (Neuroinformatics and Cognitive Robotics)
module leaderProf. Dr. Horst-Michael Groß
languageDeutsch
term Sommersemester
previous knowledge and experience

Neuroinformatik

learning outcome

In Weiterführung der Lehrveranstaltung "Neuroinformatik und Maschinelles Lernen" erwerben die Studierenden hier System- und Fachkompetenzen für die Anwendung von Methoden der Neuroinformatik in anspruchsvollen Anwendungsfeldern der Signalverarbeitung, Mustererkennung, Bildverarbeitung und dem Maschinellen Lernen. Sie verfügen über Kenntnisse zur Strukturierung von Problemlösungen unter Einsatz von neuronalen und probabilistischen Techniken in anwendungsnahen, konkreten Projekten. Die Studierenden sind in der Lage, praktische Fragestellungen zu analysieren, durch Anwendung des behandelten Methodenspektrums Lösungskonzepte zu entwerfen und diese umzusetzen sowie bestehende Lösungen zu bewerten und ggf. zu erweitern. Sie erwerben Kenntnisse zu verfahrensorientiertem Wissen, indem für praktische Klassifikations- und Approximationsprobleme verschiedene neuronale und statistische Lösungsansätze vergleichend behandelt und anhand von konkreten Anwendungen demonstriert werden.

content

Weiterführung und Vertiefung des Moduls "Neuroinformatik und Maschinelles Lernen" durch Ergänzung der Grundlagen um applikationsspezifisches Wissen. Das Modul vermittelt sowohl Faktenwissen als auch begriffliches, methodisches und algorithmisches Wissen aus den folgenden Kernbereichen:

  • Prinzipielle Vorgehensweise am Beispiel eines Mustererkennungsproblems
  • Dimensionsreduktion und Datendekorrelation mittels Hauptkomponentenanalyse (PCA)
  • Quellenseparierung mittels Independent Component Analysis (ICA)
  • Überwachte Dimensionsreduktion mittels Linearer Diskriminanzanalyse (LDA)
  • Merkmalsauswahl mittels Signifikanzanalyse: Filter-, Wrapper- und Embedded-Techniken
  • Bewertung der Leistungsfähigkeit von Klassifikatoren mit geeigneten Gütemaßen
  • Techniken zur Informationsfusion sowie Ensemble Learning
  • Boosting-Techniken für leistungsfähige Klassifikatoren
  • Techniken zur Repräsentation zeitlicher Signale
  • Exemplarische Anwendungsbeispiele und Implementierungen aus den Bereichen biomedizinischen Datenanalyse, Mustererkennung, Bildverarbeitung, Robotik und Mensch-Maschine-Interaktion.

Zur Vertiefung des behandelten Stoffs wird die konkrete algorithmische Umsetzung wichtiger Verfahren in der Programmiersprache Python vermittelt (Teilleistung 2). Neben den algorithmischen Umsetzungen werden auch ethische, soziale und rechtliche Aspekte beim Einsatz von Techniken des Maschinelles Lernens diskutiert.

media of instruction and technical requirements for education and examination in case of online participation

Präsenzvorlesung mit Powerpoint, Arbeitsblätter zur Vorlesung, Übungsaufgaben, Videos, Python Apps, studentische Demo-Programme, e-Learning mittels „Jupyter Notebook”

 

https://moodle2.tu-ilmenau.de/enrol/index.php?id=3304

literature / references

- Duda, R. O., Hart, P. E., Stork, D. G.: Pattern Classification, 2nd ed., Wiley Interscience, 2000

- Sammut, C., Webb, G. I.: Enceclopedia of Machine Learning, Springer, 2006

- 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

- Hyvärinen, A., Karhunen, J. Oja, E.: Independent Component Analysis. Wiley & Sons, 2001

- Guyon, I., Gunn, S., Nikravesh, M., Zadeh, L.: Feature Extraction: Foundations and Applications, Studies in fuzziness and soft computing 207, Springer, 2006

- Maltoni, D., et al.: Biometric Fusion, Handbook of Fingerprint Recognition, Kapitel 7, Springer, 2009

- Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning: Data Mining, Inference, and Prediction, New York, Springer, 2001

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

 

 

evaluation of teaching

Pflichtevaluation:

Freiwillige Evaluation:

SS 2007 (Vorlesung, Übung)

SS 2008 (Vorlesung, Übung)

SS 2010 (Vorlesung, Übung)

SS 2011 (Vorlesung, Übung)

SS 2012 (Vorlesung, Übung)

SS 2013 (Vorlesung, Übung)

SS 2014 (Vorlesung, Übung)

SS 2015 (Vorlesung, Seminar)

SS 2016 (Vorlesung, Seminar)

SS 2017 (Vorlesung, Seminar)

SS 2018 (Vorlesung, Übung)

SS 2019 (Vorlesung, Übung)

Hospitation:

Details reference subject
module nameApplied Neural Computing
examination number2200187
credit points4
SWS3
on-campus program (h)33.75
self-study (h)86.25
obligationobligatory module
examalternative examination performance
details of the certificate

90% Klausur 90 min + 10% Implementierung

alternative examination performance due to COVID-19 regulations incl. technical requirements
signup details for alternative examinationsDie Anmeldung zur alternativen semesterbegleitenden Abschlussleistung erfolgt über das Prüfungsverwaltungssystem (thoska) außerhalb des zentralen Prüfungsanmeldezeitraumes. Die früheste Anmeldung ist generell ca. 2-3 Wochen nach Semesterbeginn möglich. Der späteste Zeitpunkt für die An- oder Abmeldung von dieser konkreten Abschlussleistung ist festgelegt auf den (falls keine Angabe, erscheint dies in Kürze):
To obtain the actual deadlines for this course, plaese navigate to the course details in the degree program.
maximum number of participants
Details in degree program Bachelor Biomedizinische Technik 2008, Bachelor Biomedizinische Technik 2013, Master Mathematik und Wirtschaftsmathematik 2013 (AM)
module nameApplied Neural Computing
examination number2200187
credit points4
on-campus program (h)34
self-study (h)86
obligationelective module
examalternative examination performance
details of the certificate

90% Klausur 90 min + 10% Implementierung

alternative examination performance due to COVID-19 regulations incl. technical requirements
signup details for alternative examinationsDie Anmeldung zur alternativen semesterbegleitenden Abschlussleistung erfolgt über das Prüfungsverwaltungssystem (thoska) außerhalb des zentralen Prüfungsanmeldezeitraumes. Die früheste Anmeldung ist generell ca. 2-3 Wochen nach Semesterbeginn möglich. Der späteste Zeitpunkt für die An- oder Abmeldung von dieser konkreten Abschlussleistung ist festgelegt auf den (falls keine Angabe, erscheint dies in Kürze):
To obtain the actual deadlines for this course, plaese navigate to the course details in the degree program.
maximum number of participants
Details in degree program Bachelor Ingenieurinformatik 2008, Bachelor Informatik 2010, Master Wirtschaftsinformatik 2014
ATTENTION: not offered anymore
module nameApplied Neural Computing
examination number2200420
credit points
on-campus program (h)
self-study (h)
obligationobligatory module
examnone
details of the certificate

90% Klausur 90 min + 10% Implementierung

alternative examination performance due to COVID-19 regulations incl. technical requirements
signup details for alternative examinations
maximum number of participants
Details in degree program Master Wirtschaftsinformatik 2015, Master Wirtschaftsinformatik 2018
ATTENTION: not offered anymore
module nameApplied Neural Computing
examination number2200420
credit points
on-campus program (h)
self-study (h)
obligationobligatory module
examnone
details of the certificate

90% Klausur 90 min + 10% Implementierung

alternative examination performance due to COVID-19 regulations incl. technical requirements
signup details for alternative examinations
maximum number of participants