Angewandte Neuroinformatik - Interaktive Studienpläne der TU Ilmenau

• schriftliche Prüfungsleistung über 90 Minuten mit einer Wichtung von 100% (Prüfungsnummer: 2200741)
• alternative semesterbegleitende Studienleistung mit einer Wichtung von 0% (Prüfungsnummer: 2200742)

eigene Python-Implementierungen von vorgegebenen Algorithmen und Übungsaufgaben

Dieses Modul enthält mindestens eine alternative semesterbegleitende Abschlussleistung. Bitte beachten Sie, dass diese in der Regel schon zu Beginn des Semesters, in dem diese angeboten wird, angemeldet werden muss.
Über die Details und Zeiträume dazu werden Sie vom Lehrenden und/oder dem Prüfungsamt informiert. Fragen Sie gegebenenfalls unbedingt beim Lehrenden nach.

This module contains at least one alternative exam part. Please note that this must usually be registered at the beginning of the semester in which it is offered.
The lecturer and/or the examination office will inform you about the details and time periods. If necessary, be sure to ask the lecturer.

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

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.

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)
• Überwachte Dimensionsreduktion mittels Linearer Diskriminanzanalyse (LDA)
• Merkmalsauswahl mittels Signifikanzanalyse: Filter-, Wrapper- und Embedded-Techniken
• Bewertung der Leistungsfähigkeit von Klassifikatoren mit geeigneten Gütemaßen
• Techniken zur Informationsfusion sowie Ensemble Learning
• Boosting-Techniken für leistungsfähige Klassifikatoren
• Neuronale und probabilistische Techniken zur Repräsentation zeitlicher Signale
• Verarbeitung von Texten und Funktionsweise von ChatGPT
• Exemplarische Anwendungsbeispiele aus den Bereichen Datenanalyse, Computervision, Robotik und Mensch-Maschine-Interaktion.

Zur Vertiefung des behandelten Stoffs wird die konkrete algorithmische Umsetzung wichtiger Verfahren in der Programmiersprache Python vermittelt (Teilleistung 2). Neben den algorithmischen Umsetzungen werden auch ethische, soziale und rechtliche Aspekte beim Einsatz von Techniken des Maschinelles Lernens diskutiert.

Präsenzvorlesung mit Powerpoint, Arbeitsblätter zur Vorlesung, Lectures on demand mit Erläuterungsvideos zu Vorlesungs-, Übungs- und Praktikumsinhalten Übungsaufgaben, Videos, Python Apps, e-Learning mittels "Jupyter Notebook", Moodle-Kurs

- 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