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

Studiengang	Interaktive Medien (IAM (SPO 2018))
Studienabschnitt	[[Bachelor-Studiengang Interaktive Medien (SPO 2018)/Spezialisierungsphase|]]
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