Modul:IAM (SPO 2018):Mustererkennung und maschinelles Lernen

aus GlossarWiki, der Glossar-Datenbank der Fachhochschule Augsburg
Wechseln zu:Navigation, Suche
Studiengang Interaktive Medien (IAM 2018)
Studienabschnitt Spezialisierungssphase
ModulkatalogInformatik
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 in diesem Semester angeboten.
Prüfer Alexandra Teynor
Zweitprüfer Thomas Rist
Prüfungsart Klausur
Prüfungsdetails Dauer: 60 min
Hilfsmittel
Zeugnisgewichtung 100 %
Benotung Kommanote

1 Anmerkungen

Wichtig: Die Lehrveranstaltung beginnt am 2. 10., 4. 10. und 7. 10. mit einer Einführungsblockveranstaltung von Erich Seifert zum Thema Python-Grundlagen.

2 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

3 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

4 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