Mustererkennung / Maschinelles Lernen - Interaktive Studienpläne der TU Ilmenau

Die Interaktiven Studienpläne 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.

Bitte beachten Sie, dass auf dieser Seite keine Aktualisierungen mehr vorgenommen werden. Alle Module und Studienpläne ab der PO-Version 2021 (Bachelor- und Master-Studiengänge) sind ab sofort im Campus-Portal erreichbar.

Modulinformationen zu Mustererkennung / Maschinelles Lernen im Studiengang Diplom Elektrotechnik und Informationstechnik 2021
Modulnummer	200526
Prüfungsnummer	2100865
Fakultät	Fakultät für Elektrotechnik und Informationstechnik
Fachgebietsnummer	21951 (LGR Grundlagen Elektrotechnik)
Modulverantwortliche(r)	Dr. Sylvia Bräunig
Turnus	Sommersemester
Sprache	Deutsch
Leistungspunkte	5
Präsenzstudium (h)	45
Selbststudium (h)	105
Verpflichtung	Wahlmodul
Abschluss	mündliche Prüfungsleistung, 45 Minuten
Details zum Abschluss
Link zum Moodle-Kurs
Lehrende	Dr. Sylvia Bräunig
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