Pattern Recognition / Machine Learning - Interactive curriculae of TU Ilmenau

The interactive curriculae 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 course catalogue.

Please note that this page is no longer updated. All modules and study plans from PO version 2021 onwards (Bachelor and Master study programs) are now available on the Campus Portal.

module properties Pattern Recognition / Machine Learning in degree program Diplom Elektrotechnik und Informationstechnik 2021
module number	200526
examination number	2100865
department	Department of Electrical Engineering and Information Technology
ID of group	21951 (LGR Grundlagen Elektrotechnik)
module leader	Dr. Sylvia Bräunig
term	summer term only
language	Deutsch
credit points	5
on-campus program (h)	45
self-study (h)	105
obligation	elective module
exam	oral examination performance, 45 minutes
details of the certificate
link to Moodle course
teacher	Dr. Sylvia Bräunig
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