Modul CS4405-KP04, CS4405

Dauer

1 Semester

Angebotsturnus

Jedes Sommersemester

Leistungspunkte

4

Studiengang, Fachgebiet und Fachsemester:

• Master Mathematik in Medizin und Lebenswissenschaften 2023, Pflicht, Informatik, 2. Fachsemester
• Master Hörakustik und Audiologische Technik 2022, Wahlpflicht, Hörakustik und Audiologische Technik, 2. Fachsemester
• Master Hörakustik und Audiologische Technik 2017, Wahlpflicht, Hörakustik und Audiologische Technik, 2. Fachsemester
• Master Medizinische Ingenieurwissenschaft 2020, Wahlpflicht, Informatik/Elektrotechnik, Beliebiges Fachsemester
• Master Mathematik in Medizin und Lebenswissenschaften 2016, Pflicht, Informatik, 2. Fachsemester
• Master Robotics and Autonomous Systems 2019, Wahlpflicht, Wahlpflicht, 1. oder 2. Fachsemester
• Master Medizinische Ingenieurwissenschaft 2014, Wahlpflicht, Informatik/Elektrotechnik, Beliebiges Fachsemester
• Master Medizinische Ingenieurwissenschaft 2011, Wahlpflicht, Mathematik, 2. Fachsemester
• Bachelor Medizinische Ingenieurwissenschaft 2011, Wahlpflicht, Wahlpflicht in MIW, 6. Fachsemester
• Master Informatik 2012, Wahlpflicht, Vertiefungsblock Organic Computing, 2. oder 3. Fachsemester
• Master Medizinische Ingenieurwissenschaft 2011, Vertiefung, Bildgebende Systeme, Signal- und Bildverarbeitung, 2. Fachsemester
• Master Informatik 2012, Wahlpflicht, Vertiefungsblock Intelligente Eingebettete Systeme, 2. oder 3. Fachsemester
• Master Informatik 2012, Pflicht, Anwendungsfach Robotik und Automation, 2. Fachsemester
• Master Informatik 2012, Pflicht, Anwendungsfach Bioinformatik, 2. Fachsemester
• Master Mathematik in Medizin und Lebenswissenschaften 2010, Pflicht, Informatik, 2. Fachsemester

Lehrveranstaltungen:

• CS4405-V: Neuroinformatik (Vorlesung, 2 SWS)
• CS4405-Ü: Neuroinformatik (Übung, 1 SWS)

Workload:

• 20 Stunden Prüfungsvorbereitung
• 55 Stunden Selbststudium
• 45 Stunden Präsenzstudium

Lehrinhalte:

• Überblick über das Gehirn, Neurone und (abstrakte) Neuronenmodelle
• Lernen mit einem Neuron: * Perzeptrons * Max-Margin-Klassifikation * LDA und logistische Regression
• Netzwerkarchitekturen: * Hopfield-Netze * Multilayer-Perzeptrons * Deep Learning
• Methoden des unüberwachten Lernens: * k-means, Neural Gas und SOMs * PCA & ICA * Sparse Coding

Qualifikationsziele/Kompetenzen:

• Die Studierenden verstehen die grundsätzliche Funktionsweise eines Neurons und des Gehirns.
• Sie kennen abstrakte Neuronenmodelle und können für die unterschiedlichen Ansätze Einsatzgebiete benennen.
• Sie können die grundlegenden mathematischen Techniken anwenden, um Lernregeln aus einer gegebenen Fehlerfunktion abzuleiten.
• Sie können die vorgestellten Lernregeln und Lernverfahren anwenden und teilweise auch implementieren, um gegebene praktische Probleme zu lösen.

Vergabe von Leistungspunkten und Benotung durch:

• Klausur oder mündliche Prüfung nach Maßgabe des Dozenten

Modulverantwortliche:

• Prof. Dr. rer. nat. Thomas Martinetz

Lehrende:

• Institut für Neuro- und Bioinformatik
• Prof. Dr. rer. nat. Thomas Martinetz
• Prof. Dr. rer. nat. Amir Madany Mamlouk

Literatur:

• S. Haykin : Neural Networks London: Prentice Hall, 1999
• J. Hertz, A. Krogh, R. Palmer : Introduction to the Theory of Neural Computation Addison Wesley, 1991
• T. Kohonen : Self-Organizing Maps Berlin: Springer, 1995
• H. Ritter, T. Martinetz, K. Schulten : Neuronale Netze: Eine Einführung in die Neuroinformatik selbstorganisierender Netzwerke Bonn: Addison Wesley, 1991

Sprache:

• Wird nur auf Deutsch angeboten

Bemerkungen:

Letzte Änderungen:

01.02.2022