Technische Universität Ilmenau

Applied Neural Computing - Modultafeln of TU Ilmenau

The Module Catalogue have a pure informational character. If you find information that seems to be incorrect, please contact modulkatalog@tu-ilmenau.de.

The legally binding information can be found in the corresponding curriculum and "Modulhandbuch", which are served on the pages of the course offers.
Information on the time and location of planned courses can be found in the e-calendar of events.

module properties Applied Neural Computing in major Bachelor Informatik 2013
module number200084
examination number220454
departmentDepartment of Computer Science and Automation
ID of group 2233 (Group for Neuroinformatics and Cognitive Robotics)
module leaderProf. Dr. Horst-Michael Groß
term summer term only
languageDeutsch
credit points5
on-campus program (h)45
self-study (h)105
Obligationelective module
examexamination performance with multiple performances
details of the certificateDas Modul Angewandte Neuroinformatik mit der Prüfungsnummer 220454 schließt mit folgenden Leistungen ab:
  • schriftliche Prüfungsleistung über 90 Minuten mit einer Wichtung von 100% (Prüfungsnummer: 2200741)
  • alternativ semesterbegleitende Studienleistung mit einer Wichtung von 0% (Prüfungsnummer: 2200742)


Details zum Abschluss Teilleistung 2:

eigene Python-Implementierungen von vorgegebenen Algorithmen und Übungsaufgaben

Signup details for alternative examinations
maximum number of participants
previous knowledge and experience

Python-Kentnisse; Besuch des Pflichtmoduls "Neuroinformatik und Maschinelles Lernen" und des Wahlpflichtmoduls "Deep Learning für Computer Vision" 

learning outcome

In Weiterführung des Moduls "Neuroinformatik und Maschinelles Lernen" haben die Studierenden hier System- und Fachkompetenzen für die Anwendung von Methoden der Neuroinformatik in anspruchsvollen Anwendungsfeldern der Signalverarbeitung, Mustererkennung, Bildverarbeitung und dem Maschinellen Lernen erworben. 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 haben Kenntnisse zu verfahrensorientiertem Wissen erworben, indem für praktische Klassifikations- und Approximationsprobleme verschiedene neuronale und statistische Lösungsansätze vergleichend behandelt und anhand von konkreten Anwendungen demonstriert wurden.

Nach Abschluss der Lernform "Übung" in Verbindung mit der selbständigen Implementierung einer Python-Anwendung (Teilleistung 2) beherrschen die Studierenden grundlegende mathematische Berechnungen und Zusammenhänge. Nach intensiven Diskussionen während der Übungen und zur Auswertung der Python-Implementierung können die Studierenden Leistungen ihrer Mitkommilitonen richtig einschätzen und würdigen. Sie berücksichtigen Kritik, beherzigen Anmerkungen und nehmen Hinweise an.

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
  • Typische Netzwerkein- und Ausgabekodierungen
  • Techniken zur Informationsfusion sowie Ensemble Learning
  • Boosting-Techniken für leistungsfähige Klassifikatoren
  • Techniken zur Repräsentation zeitlicher Signale
  • Bewertung der Leistungsfähigkeit von Klassifikatoren mit geeigneten Gütemaßen
  • Entwicklung von Systemlösungen mit Neuronalen Netzen
  • 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).

media of instruction

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

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