http://www.tu-ilmenau.de

Logo TU Ilmenau


Neuroinformatics and
Cognitive Robotics Lab

headerphoto Neuroinformatics and 
Cognitive Robotics Lab
Ansprechpartner

Univ.-Prof. Dr.-Ing. Horst-Michael Groß

Head of department

Telefon +49 3677 692858

E-Mail senden

INHALTE

ANI - Angewandte Neuroinformatik

Hinweise

Tragen Sie sich bitte MIT IHRER UNI-MAILADRESSE in den Mailverteiler zu dieser Vorlesung ein, um die Zugangsdaten für die Vorlesungs-Unterlagen sowie aktuelle Informationen zu erhalten.

Senden Sie dazu eine Email mit dem Betreff:
Eintrag in die Liste ANI
an folgende Adresse: ani@tu-ilmenau.de.

Sie erhalten als Antwort den Hinweis, dass Ihre Email zurückgehalten wird, bis der Moderator diese genehmigt hat. Das kann bis zu einem Tag dauern, am Wochenende auch länger. Sobald Sie in die Liste aufgenommen sind, erhalten Sie eine entsprechende Willkommensnachricht.


Die Unterlagen, die auf dieser Seite zur Verfügung gestellt werden, sind passwortgeschützt.
Die Zugangsdaten werden Ihnen nach Eintrag in den o.g. Mailverteiler  zugesandt.


Vorlesungsskript + Prüfungsschwerpunkte SS 2017

Python

Python (Version 2.7) wird in der Übung genutzt um die behandelten Verfahren durch Implementierungen zu vertiefen. Außerdem wird Python genutzt um die individuellen Pflichtaufgaben anzuzeigen.


Übungsaufgaben

Material für Übung amAufgabenZusatzmaterial
20.04.17Teil 1 (Aufgaben 1-6: Bias-Varianz-Dilemma, Skalierung, Normierung, PCA)

Anleitung Pflichtaufgaben

Pflichtaufgabe 1

Zusatzaufgaben 1-9

Hashfunktion Matrikelnummer

Python-Code

Folien

11.05.17Teil 1 (Aufgaben 7-9: PCA)

Pflichtaufgabe 2

Python-Code

Folien

29.05.17Teil 1 (Aufgaben 10-14: ICA, LDA, Merkmalsauswahl)

Pflichtaufgabe 3

Python-Code

Folien
12./13./14.06.17Python Neuronale Netze TutorialANI-Tutorial.zip (mit Lösung)
12.06.17Teil 1 (Aufgaben 15-18, 20: Merkmalsauswahl)

Pflichtaufgabe 4

Python-Code

Folien
26.06.17Teil 1 (Aufgaben 19, 21, 22: Merkmalsauswahl)

Python-Code

Folien

06.07.17

10.07.17

 Teil 2 (Aufgaben 23-30: Leistungsbewertung, Ensemble, Fusion, Repräsentation von Zeit)

Pflichtaufgabe 5

Python-Code

Folien

 

Punkte Pflichtaufgaben:

HASH(Matr.Nr.) Punkte HASH(Matr.Nr.) Punkte HASH(Matr.Nr.) Punkte
*******147 4% *******426 10% ******6765 8%
*******168 10% *******447 8% *******766 8%
*******182 10% *******480 8% *******774 4%
*******190 4% *******491 10% *******776 10%
*******192 2% *******498 10% *******780 8%
*******194 10% *******522 2% *******789 10%
******4217 10% *******552 10% *******807 10%
******8217 10% *******557 10% *******808 10%
*******220 10% *******559 10% *******820 10%
*******222 10% *******572 10% *******823 10%
*******232 10% *******608 10% *******824 10%
*******258 10% *******610 10% *******859 10%
*******266 10% *******643 10% *******868 10%
*******271 8% *******660 10% *******877 6%
*******319 10% *******673 10% *******928 10%
*******322 10% *******723 10% *******945 8%
*******328 10% *******736 10% *******959 8%
*******387 10% *******762 10% *******984 10%
*******390 10% ******2765 10%
*******412 10% ******3765 8%

 

Bonuspunkte Zusatzaufgaben:

HASH(Matr.Nr.) Bonus HASH(Matr.Nr.) Bonus HASH(Matr.Nr.) Bonus
*******168 13% *******480 12% ******3765 4%
*******182 15% *******491 13% ******6765 7%
*******192 1% *******498 9% *******766 13%
*******194 12% *******522 1% *******774 1%
******4217 8% *******552 9% *******776 8%
******8217 1% *******557 13% *******789 1%
*******222 13% *******559 13% *******807 9%
*******258 5% *******572 11% *******808 8%
*******266 13% *******608 11% *******820 9%
*******271 3% *******610 1% *******823 5%
*******280 2% *******643 8% *******824 9%
*******328 9% *******660 9% *******877 5%
*******387 5% *******673 5% *******928 8%
*******390 15% *******723 10% *******945 3%
*******426 11% *******736 13% *******959 15%
*******447 11% *******762 13% *******984 1%
*******477 2% ******2765 9%

 


ANI-Contest SS-2017

Die Vorlesungsinhalte sollen am Beispiel eines binäre Klassifikationsproblemes vertieft werden. Sie erhalten hierzu zwei Datensätze. Der Trainingsdatensatz enthält dabei alle notwendige Informationen (Eingabedaten und Klassenzugehörigkeitsinformation), um einen Klassifikator zu trainieren. Der Testdatensatz enthält nur Eingabedaten, die Klasse soll von Ihnen bestimmt werden.

Ziel:
Minimieren Sie den Fehler über dem Testdatensatz. Verwenden Sie dazu möglichst wenige Merkmale, die dem Klassifikator zur Verfügung stehen.

Aufgabenstellung:

  1. Führen Sie eine Vorverarbeitung und Merkmalsextraktion für den Trainingsdatensatz durch. Geeignete Verfahren werden in der Vorlesung behandelt.
  2. Trainieren Sie einen Klassifikator (verzugsweise ein Neuronales Netz) ihrer Wahl. Sie können dazu fertige Tools wie beispielsweise das Python-Deep-Learning-Package Keras verwenden, aber Sie dürfen natürlich auch auf Ihre selbstimplementierten Klassifikatoren (z.B. aus der NI-Vorlesung) zurückgreifen.
  3. Klassifizieren Sie den Testdatensatz und schicken die Ergebnisse ein. Diese werden dann bewertet und in ein Ranking aufgenommen.

Bewertung der Ergebnisse:
Als Bewertungsmaß auf dem Testdatensatz kommt die Balanced Error Rate zum Einsatz. Mehr Details zu diesem Bewertungsmaß erfahren sie im Verlauf der Vorlesung (Kapitel 6).


Datensätze:
Die Datensätze sind wie folgt aufgebaut: Jede Zeile enthält ein Trainingsbeispiel (1250 im Trainingsdatensatz, 1750 im Testdatensatz), jede Spalte entspricht einem Merkmal (insgesamt gibt es 52 Eingangsmerkmale). Die Klasseninformation zum Trainingsdatensatz ist mit Null und Eins codiert, wobei jedes Datenbeispiel in einer neuen Zeile beginnt.

ANI-Contest.zip (~939 kB)
(Das Passwort ist dasselbe, wie für die Vorlesungsunterlagen.)

Einsendung der Ergebnisse:
Ihre Ergebnisse senden Sie bis Dienstag 11.07.2017 (alle Einsendungen bis 23:59 Uhr werden berücksichtigt) mit dem Betreff "ANI-Contest" an markus.eisenbach@tu-ilmenau.de.
Diese Ergebnisse umfassen eine Datei mit den geschätzten Klassen für den Testdatensatz, sowie eine kurze Angabe zu den von ihnen verwendeten Methoden. Die Datei muss im selben Format, wie die ANI-Training.Label-Datei angelegt sein. Der Dateiname sollte folgende Konvention erfüllen: {Nachname}_{Matrikelnummer}_{Datum der Einsendung im Format TTMM ohne Trennzeichen}.Label. In der Email nennen Sie bitte die zum Einsatz gekommenen Methoden der Merkmalsextraktion (z.B. linearer Korrelationskoeffizient), geben an wie viele und welche der Merkmale 0 bis 51 ausgewählt wurden (falls anwendbar, z.B. Subset = [0 11 22 33 44]) und welchen Klassifikator Sie eingesetzt haben (z.B. MLP mit einer 20-10-1 Struktur). Sie dürfen mehrfach Ergebnisse einsenden, jedoch erst nach dem Ablauf von sieben Tagen seit der letzten Einsendung.
Bis zum Klausurtermin schicken Sie bitte ein zusätzliches PDF Dokument ein, in welchem Sie etwas ausführlicher, aber stichpunktartig, ihre Herangehensweise und verwendeten Methodiken sowie die gewonnenen Erkenntnisse dokumentieren. Der Umfang sollte 1 - 2 A4 Seiten nicht überschreiten. Ebenfalls beizufügen ist in gepackter Form (als zip oder tar Archiv) der Code, den sie verwendet haben, um die Merkmalsauswahl durchzuführen.

Ranking der Einsendungen:
Die eingesendeten Ergebnisse werden auf dem Ranking-Reiter eingestellt. Dieser wird (meistens) einmal pro Woche aktualisiert. So können Sie ihre aktuelle Platzierung einsehen, und gegebenenfalls an der Verbesserung ihrer Ergebnisse arbeiten. Die Ergebnisse werden in der letzten Übung oder Vorlesung ausgewertet.

Belohnungen:
Basierend auf dem erzielten Ergebnis werden Ihnen, neben Ruhm und Ehre, Punkte in der Abschlussklausur gut geschrieben, falls sie über der Schwelle von einem oder zwei Referenzklassifikatoren liegen (BER_1 = 30.51% [5 Bonuspunkte], BER_2 = 23.74% [10-15 Bonuspunkte entsprechend dem Ranking]) und alle notwendigen Dokumente eingesendet haben.

Aktuelles Ranking:

Endstand ANI Contest 2017#()
RangHASH(Matr.Nr.)BERBonus
1*******18213.25%15.00%
2*******44713.88%14.70%
3*******73615.23%14.06%
4*******32816.29%13.55%
-- Schwelle 2 --23.74%10.00%
5*******76224.32%5.00%
6*******49125.88%5.00%
7*******26626.71%5.00%
8*******60827.72%5.00%
9*******55729.80%5.00%
-- Schwelle 1 --30.51%5.00%

 

Fragen und Probleme:
Bei Fragen und Problemen können Sie sich an Markus Eisenbach wenden.

Bemerkung:
Lassen Sie sich nicht von großen Fehlerraten abschrecken. Das Klassifikationsproblem ist verhältnismäßig schwierig, da die sensorischen Eingabekanäle stark verrauscht wurden.

Viel Spaß beim Implementieren und Probieren!
Horst-Michael Groß und Markus Eisenbach