Angewandte Neuroinformatik - Interaktive Studienpläne der TU Ilmenau

90% Klausur 90 min + 10% Implementierung

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.

Neuroinformatik

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

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
• Bewertung der Leistungsfähigkeit von Klassifikatoren mit geeigneten Gütemaßen
• Techniken zur Informationsfusion sowie Ensemble Learning
• Boosting-Techniken für leistungsfähige Klassifikatoren
• Techniken zur Repräsentation zeitlicher Signale
• 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). 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, Übungsaufgaben, Videos, Python Apps, studentische Demo-Programme, e-Learning mittels „Jupyter Notebook”

https://moodle2.tu-ilmenau.de/enrol/index.php?id=3304

- 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