Modul CS5450-KP04, CS5450

Dauer

1 Semester

Angebotsturnus

Jedes Wintersemester

Leistungspunkte

4

Studiengang, Fachgebiet und Fachsemester:

• Master Mathematik in Medizin und Lebenswissenschaften 2023, Wahlpflicht, Informatik, 3. Fachsemester
• Master Hörakustik und Audiologische Technik 2022, Wahlpflicht, Informatik, 1. Fachsemester
• Master Medizinische Ingenieurwissenschaft 2020, Wahlpflicht, Informatik/Elektrotechnik, Beliebiges Fachsemester
• Master Medieninformatik 2020, Wahlpflicht, Informatik, Beliebiges Fachsemester
• Master Medizinische Informatik 2019, Wahlpflicht, Medical Data Science / Künstliche Intelligenz, 1. oder 2. Fachsemester
• Master Hörakustik und Audiologische Technik 2017, Wahlpflicht, Informatik, 1. Fachsemester
• Master Mathematik in Medizin und Lebenswissenschaften 2016, Wahlpflicht, Informatik, 3. Fachsemester
• Master Medizinische Ingenieurwissenschaft 2014, Wahlpflicht, Informatik/Elektrotechnik, Beliebiges Fachsemester
• Master Medizinische Ingenieurwissenschaft 2011, Wahlpflicht, Mathematik, 1. oder 2. Fachsemester
• Master Medizinische Ingenieurwissenschaft 2011, Vertiefung, Bildgebende Systeme, Signal- und Bildverarbeitung, 1. oder 2. Fachsemester
• Master Medizinische Informatik 2014, Wahlpflicht, Informatik, 1. oder 2. Fachsemester
• Master Mathematik in Medizin und Lebenswissenschaften 2010, Wahl, Informatik, Beliebiges Fachsemester
• Master Informatik 2012, Wahlpflicht, Anwendungsfach Robotik und Automation, 3. Fachsemester
• Master Informatik 2012, Wahlpflicht, Anwendungsfach Bioinformatik, 3. Fachsemester

Lehrveranstaltungen:

• CS5450-Ü: Maschinelles Lernen (Übung, 1 SWS)
• CS5450-V: Maschinelles Lernen (Vorlesung, 2 SWS)

Workload:

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

Lehrinhalte:

• Lernen von Repräsentationen
• Statistische Lerntheorie
• VC-Dimension und Support-Vektor-Maschinen
• Boosting
• Deep learning
• Grenzen der Induktion und Gewichtung der Daten

Qualifikationsziele/Kompetenzen:

• Studierende können unterschiedliche Lernprobleme erläutern.
• Sie können unterschiedliche Verfahren des maschinellen Lernens erklären und beispielhaft anwenden.
• Sie können für eine gegebene Problemstellung ein geeignetes Lernverfahren auswählen und testen.
• Sie können die Grenzen der automatischen Datenanalyse erkennen und erläutern.

Vergabe von Leistungspunkten und Benotung durch:

• Mündliche Prüfung

Modulverantwortliche:

• Prof. Dr.-Ing. Erhardt Barth

Lehrende:

• Institut für Neuro- und Bioinformatik
• Prof. Dr.-Ing. Erhardt Barth
• Prof. Dr. rer. nat. Thomas Martinetz

Literatur:

• Chris Bishop : Pattern Recognition and Machine Learning Springer ISBN 0-387-31073-8
• Vladimir Vapnik : Statistical Learning Theory Wiley-Interscience, ISBN 0471030031

Sprache:

• Englisch, außer bei nur deutschsprachigen Teilnehmern

Bemerkungen:

Letzte Änderungen:

02.02.2022