Technische Universität Ilmenau

Pattern Recognition / Machine Learning - 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 Pattern Recognition / Machine Learning in degree program Bachelor Betriebswirtschaftslehre mit technischer Orientierung 2021
module number200526
examination number2100865
departmentDepartment of Electrical Engineering and Information Technology
ID of group 2116 (Fundamentals of Electrical Engineering)
module leader Dr. Sylvia Bräunig
term summer term only
languageDeutsch
credit points5
on-campus program (h)90
self-study (h)60
obligationelective module
examoral examination performance, 45 minutes
details of the certificate
alternative examination performance due to COVID-19 regulations incl. technical requirements
signup details for alternative examinations
maximum number of participants
previous knowledge and experience
learning outcome

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.

content

- 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

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

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

literature / references

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

evaluation of teaching