Angewandte Neuroinformatik - Modultafeln der TU Ilmenau
Die Modultafeln
sind ein Informationsangebot zu unseren Studiengängen.
Rechtlich verbindliche Angaben zum Verlauf des Studiums entnehmen
Sie bitte dem jeweiligen Studienplan (Anlage zur Studienordnung). Bitte beachten Sie
diesen rechtlichen Hinweis.
Angaben zum Raum und Zeitpunkt von geplanten Lehrveranstaltungen entnehmen Sie bitte dem
e-Veranstaltungskalender. Lehrveranstaltungen und Prüfungen, die nicht im e-Veranstaltungskalender abgebildet sind, werden "nach Vereinbarung" geplant. Eine Auflistung der betroffenen Veranstaltungen finden Sie hier: Lehrveranstaltungen,
Prüfungen.
| Fachinformationen zu Angewandte Neuroinformatik im Studiengang Master Mathematik und Wirtschaftsmathematik 2013 (AM) | |
|---|---|
| Fachnummer | 1718 |
| Prüfungsnummer | 2200187 |
| Fakultät | Fakultät für Informatik und Automatisierung |
| Fachgebietsnummer | 2233 (Neuroinformatik und Kognitive Robotik) |
| Fachverantwortliche(r) | Prof. Dr. Horst-Michael Groß |
| Turnus | Sommersemester |
| Sprache | Deutsch |
| Leistungspunkte | 4 |
| Präsenzstudium (h) | 34 |
| Selbststudium (h) | 86 |
| Verpflichtung | Wahlpflicht |
| Abschluss | alternative Prüfungsleistung |
| Details zum Abschluss | 90% Klausur 60 min + 10% Implementierung |
| Anmeldemodalitäten für alternative PL oder SL | Die Anmeldung zur alternativen semesterbegleitenden Abschlussleistung erfolgt über das Prüfungsverwaltungssystem (thoska) außerhalb des zentralen Prüfungsanmeldezeitraumes. Die früheste Anmeldung ist generell ca. 2-3 Wochen nach Semesterbeginn möglich. Der späteste Zeitpunkt für die An- oder Abmeldung von dieser konkreten Abschlussleistung ist festgelegt auf den (falls keine Angabe, erscheint dies in Kürze):
|
| max. Teilnehmerzahl | |
| Vorkenntnisse | Neuroinformatik |
| Lernergebnisse | 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. |
| Inhalt | Weiterführung und Vertiefung der Vorlesung "Neuroinformatik und Maschinelles Lernen" durch Ergänzung der Grundlagen um applikationsspezifisches Wissen. Die Lehrveranstaltung vermittelt sowohl Faktenwissen als auch begriffliches, methodisches und algorithmisches Wissen aus den folgenden Kernbereichen:
Zur Vertiefung des behandelten Stoffs wird die konkrete algorithmische Umsetzung wichtiger Verfahren in der Programmiersprache Python vermittelt. |
| Medienformen | Präsenzvorlesung mit Powerpoint, Arbeitsblätter zur Vorlesung, Übungsaufgaben, Videos, Python Apps, studentische Demo-Programme, e-Learning mittels „Jupyter Notebook” |
| Literatur | 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
|
| Lehrevaluation | Pflichtevaluation: Freiwillige Evaluation: SS 2007 (Vorlesung, Übung) SS 2008 (Vorlesung, Übung) SS 2010 (Vorlesung, Übung) SS 2011 (Vorlesung, Übung) SS 2012 (Vorlesung, Übung) SS 2013 (Vorlesung, Übung) SS 2014 (Vorlesung, Übung) SS 2015 (Vorlesung, Seminar) SS 2016 (Vorlesung, Seminar) SS 2017 (Vorlesung, Seminar) SS 2018 (Vorlesung, Übung) SS 2019 (Vorlesung, Übung) Hospitation: |
Informationen und Handreichungen zur Pflege von Modul- und Fachbeschreibungen durch den Modul- oder Fachverantwortlichen finden Sie auf den Infoseiten zum Modulkatalog.