Modul:IAM (SPO 2018):Mustererkennung und maschinelles Lernen: Unterschied zwischen den Versionen
aus GlossarWiki, der Glossar-Datenbank der Fachhochschule Augsburg
Kowa (Diskussion | Beiträge) Keine Bearbeitungszusammenfassung |
Kowa (Diskussion | Beiträge) Keine Bearbeitungszusammenfassung |
||
Zeile 8: | Zeile 8: | ||
|verwendbarkeit=Bachelorstudiengang Interaktive Medien, Bachelorstudiengang Informatik (FWP), Bachelorstudiengang Wirtschaftsinformatik (FWP), Bachelorstudiengang Technische Informatik (FWP) | |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. | |turnus=Üblicherweise im Jahreszyklus; die Lehrveranstaltung wird nur angeboten, wenn sich genügend Teilnehmer anmelden. | ||
|voraussetzungen=Ausreichende Mathematikgrundlagen (lineare Algebra, Statistik) | |||
|wird_gehalten=Wintersemester | |wird_gehalten=Wintersemester | ||
|wiederholungspruefung=Nein | |wiederholungspruefung=Nein | ||
Zeile 24: | Zeile 25: | ||
|pruefungsdetails=Dauer: 60 min | |pruefungsdetails=Dauer: 60 min | ||
|gewichtung=100 | |gewichtung=100 | ||
|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 ({{zB}} 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 | |||
|anmerkungen='''Wichtig:''' Die Lehrveranstaltung beginnt am 2. 10., 4. 10. und 7. 10. mit einer Einführungsblockveranstaltung von [[Erich Seifert]]: Python-Grundlagen. | |anmerkungen='''Wichtig:''' Die Lehrveranstaltung beginnt am 2. 10., 4. 10. und 7. 10. mit einer Einführungsblockveranstaltung von [[Erich Seifert]]: Python-Grundlagen. | ||
|in_handbuch=Nein | |||
}} | }} |
Version vom 26. September 2019, 12:45 Uhr
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: 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