Technische Universität Ilmenau

Applied Neural Computing - Modultafeln of TU Ilmenau

The Modultafeln have a pure informational character. The legally binding information can be found in the corresponding Studienplan and Modulhandbuch, which are served on the pages of the course offers. Please also pay attention to this legal advice (german only). Information on place and time of the actual lectures is served in the Vorlesungsverzeichnis.

subject properties Applied Neural Computing in major Master Wirtschaftsinformatik 2011
subject number1718
examination number2200187
departmentDepartment of Computer Science and Automation
ID of group 2233 (Group for Neuroinformatics and Cognitive Robotics)
subject leaderProf. Dr. Horst-Michael Groß
term Sommersemester
languageDeutsch
credit points4
on-campus program (h)34
self-study (h)86
Obligationobligatory elective
examalternative examination performance
details of the certificate

90% Klausur 60 min + 10% Implementierung

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

Neuroinformatik

learning outcome

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.

content

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:

  • 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.

media of instruction

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

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

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)

Hospitation: