Modul:IAM (SPO 2018):Mustererkennung und maschinelles Lernen
aus GlossarWiki, der Glossar-Datenbank der Fachhochschule Augsburg
Studiengang | Interaktive Medien (IAM (SPO 2018)) |
---|---|
Studienabschnitt | Spezialisierungssphase |
Modulkatalog | Informatik |
Name | Mustererkennung und maschinelles Lernen |
Name (englisch) | Pattern Recognition and Machine Learning |
Kürzel | MEML.WP |
Unterrichtssprache | Deutsch |
Voraussetzungen | Ausreichende Mathematikgrundlagen (lineare Algebra, Statistik) |
Verwendbarkeit | Bachelorstudiengang Interaktive Medien, Bachelorstudiengang Informatik (FWP), Bachelorstudiengang Wirtschaftsinformatik (FWP), Bachelorstudiengang Technische Informatik (FWP) |
Turnus | Üblicherweise im Jahreszyklus; die Lehrveranstaltung wird nur angeboten, wenn sich genügend Teilnehmer anmelden. |
Modulart: | Wahlpflichtmodul |
Wird gehalten: | Wintersemester |
Studiensemester | IAM 3 |
Dauer | 1 Semester |
Lehrformen | Seminaristischer Unterricht, Praktikum |
Credits | 8 |
SWS | 6 (Lehre: 2, Praktikum: 4) |
Workload | Präsenzstudium: 90 h (durchschnittlich 6 h pro Woche) Eigenstudium: 110 – 150 h (durchschnittlich 7.3 – 10 h pro Woche) |
Modulkoordinator(en) | Alexandra Teynor |
Lehrende(r) | Alexandra Teynor |
Die Prüfung wird voraussichtlich wieder im kommenden Semester angeboten.
Prüfer | Alexandra Teynor |
---|---|
Zweitprüfer | Thomas Rist |
Prüfungsart | Klausur |
Prüfungsdetails | Dauer: 60 min |
Hilfsmittel | |
Zeugnisgewichtung | 100 % |
Benotung | Kommanote |
Anmerkungen
Wichtig: Die Lehrveranstaltung beginnt am 2. 10., 4. 10. und 7. 10. mit einer Einführungsblockveranstaltung von Erich Seifert zum Thema Python-Grundlagen.
Lernergebnisse/Qualifikationsziele
Nach erfolgreicher Teilnahme am Modul sind die Studierenden in der Lage
- relevante Basistechniken der Mustererkennung zu verstehen
- geeignete Merkmale für die Weiterverarbeitung auszuwählen, zu extrahieren und/oder zu kombinieren
- für gegebene Klassifikationsprobleme geeignete Klassifikatoren auszuwählen und anzuwenden
- Clustering-Algorithmen zur sinnvollen Gruppierung von Daten anzuwenden
- die Leistungsfähigkeit von Mustererkennungssystemen auf Grund von anerkannten Leistungsmerkmalen zu vergleichen
- Python-Skripte zur Lösung von Mustererkennungsaufgaben zu schreiben
Inhalte
- Einführung in wissenschaftliches Programmieren in Python
- Grundlagen der Mustererkennung
- Vorverarbeitung und Merkmalsextraktion
- Performanzmaße
- Einfache Klassifikatoren (z. B. Minimum-Distanz-Klassifikatoren)
- Probabilistische Klassifikatoren
- Unüberwachtes Lernen/Clustering
- Neuronale Netze
- Deep-Learning-Ansätze
Literatur
- C. M. Bishop, „Pattern recognition and Machine learning”,Springer, 2006
- T. Hastie et al: „The Elements of Statistical Learning“, Springer2011
- Aurelien Geron: Hands-On Machine Learning with Scikit-Learn & TensorFlow, O’Reilly, 2017