Technische Universität Ilmenau

Mustererkennung / Maschinelles Lernen - Modultafeln der TU Ilmenau

Die Modultafeln sind ein Informationsangebot zu den Studiengängen der TU Ilmenau.

Die rechtsverbindlichen Studienpläne entnehmen Sie bitte den jeweiligen Studien- und Prüfungsordnungen (Anlage Studienplan).

Alle Angaben zu geplanten Lehrveranstaltungen finden Sie im elektronischen Vorlesungsverzeichnis.

Informationen und Handreichungen zur Pflege von Modulbeschreibungen durch die Modulverantwortlichen finden Sie unter Modulpflege.

Hinweise zu fehlenden oder fehlerhaften Modulbeschreibungen senden Sie bitte direkt an modulkatalog@tu-ilmenau.de.

Modulinformationen zu Mustererkennung / Maschinelles Lernen im Studiengang Bachelor Betriebswirtschaftslehre mit technischer Orientierung 2021
Modulnummer200526
Prüfungsnummer2100865
FakultätFakultät für Elektrotechnik und Informationstechnik
Fachgebietsnummer 2116 (Grundlagen der Elektrotechnik)
Modulverantwortliche(r) Dr. Sylvia Bräunig
TurnusSommersemester
SpracheDeutsch
Leistungspunkte5
Präsenzstudium (h)90
Selbststudium (h)60
VerpflichtungWahlmodul
Abschlussmündliche Prüfungsleistung, 45 Minuten
Details zum Abschluss
Alternative Abschlussform aufgrund verordneter Corona-Maßnahmen inkl. technischer Voraussetzungen
Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl
Vorkenntnisse
Lernergebnisse und erworbene Kompetenzen

Die Studierenden kennen nach den Vorlesungen und Übungen die wesentlichen Grundlagen, Theorien und Methoden der Signalanalyse, Mustererkennung und des Maschinellen Lernens sowohl für determinierte als auch für stochastische Signale und Prozesse. Sie sind mit, bei der praktischen Umsetzung auftretenden Fragen und Problemen, der Merkmalsextraktion, der Clusterbildung, der Klassifikation und der Optimierung des Klassifikationssystems vertraut und in der Lage, die vermittelten Methoden und Erkenntnisse auf praxisrelevante Aufgabenstellungen anzuwenden.

Inhalt

- Prinzipien, Begriffe und Beispiele der Signalanalyse, der Mustererkennung und des Maschinellen Lernens - Grundlagen der Wahrscheinlichkeitstheorie (Wiederholung)
- Grundlagen und Methoden zu Kennfunktionen, Kennwerten (Merkmalen) und Kennwertextraktion

  • Bestimmung von Kennfunktionen und Kennwerten mittels Orthogonaltransformationen,
  • Zeit-Frequenz-Repräsentationen,
  • wahrscheinlichkeitstheoretischer Ansätze u.a..

- Methoden des Machinellen Lernens zur Klassifikation und Trendanalyse/Prozessüberwachung (unüberwachte und überwachte Verfahren):

  • Grundbegriffe, statistische Klassifikatoren (Bayes), geometrische Klassifikatoren (NNK, MSK), Diskriminanzanalyse, Support Vector Machine
  • Neuronale Netze (Grundlagen, Historisches, Kohonen-Feature-Map, Backpropagation-Netz, Convolutional Neural Network u.a.)
  • Fuzzy-Theorie (Grundbegriffe, Fuzzy-Mengen, Relationen, Approximatives Schließen, Anwendungen in der Mustererkennung)

- Klassifikatorbewertung und Optimierung von Mustererkennungssystemen (Merkmalsreduktion und -transformation, Dimensionsreduktion, z.B. PCA)
- Anwendungsbeispiele aus den Bereichen aktueller Forschungthemen, z.B. akustische Daten- und Prozessanalyse, Sprachverarbeitung, Bildverarbeitung, Werkstoffprüfung werden herangezogen

Medienformen und technische Anforderungen bei Lehr- und Abschlussleistungen in elektronischer Form

Handschriftliche Entwicklung der analytischen Zusammenhänge untersetzt mit Abbildung und Animationen und Einsatz interaktiver Mathematica-Dokumente für Simulationen

Literatur

Bräunig, S.: Arbeitsblätter, multimediale Präsentation, Mathematica-Notebooks
Hoffmann, R.: Signalanalyse und -erkennung, Springer
Duda, R.; u.a. : Pattern Classification, Wiley
Theodoridis, S.; u.a.: Pattern Recognition, Elsevier
Niemann, H.: Klassifikation von Mustern, Springer

Lehrevaluation