Logo der FH-Münster
Einrichtungs-Logo
Einrichtungs-Logo

Lernergebnisse

Maschinelles Lernen: Prinzip

Die Veranstaltung führt in die Verfahren zur Mustererkennung unter besonderer Berücksichtigung des maschinellen Lernens ein. Sie lernen typische Vorgehensweisen zum Umgang mit Daten und zum Aufbau von datengetriebenen Mustererkennungssystemen kennen. Wir betrachten und diskutieren typische Methoden und Algorithmen.

Im Praktikum setzen Sie ausgewählte Verfahren exemplarisch um. Dazu werden in Absprache mit den Studierenden Problemstellungen definiert und betrachtet. Eine Vorstellung geeigneter Toolkits, Bibliotheken, … wird angestrebt.

Mit dem Abschluss der Veranstaltung verstehen Sie die Prinzipien der Mustererkennung und des maschinellen Lernens und haben sich damit mit wesentlichen Verfahren der künstlichen Intelligenz vertraut gemacht. Sie sind in der Lage, grundlegende Verfahren einzusetzen.

Inhalte

Die Veranstaltung gibt einen Überblick über typischen Verfahren der Mustererkennung und des maschinellen Lernen. Die Themen der Veranstaltung umfassen:

  • Grundlagen:
    Definition Mustererkennung und maschinelles Lernen, Bestandteile eines Mustererkennungssystems, Klassifikation, Vorgehensweisen des maschinellen Lernens, Training, überwachtes und unüberwachtes Lernen, Sammlung und Verwendung von Daten, Kreuzvalidierung, Bewertung von Klassifikationsverfahren bzw. Mustererkennungssystemen, Merkmalsextraktion, mathematische Grundlagen
  • Ferner werden aus den nachfolgenden Bereichen ausgewählte Themen behandelt und ggf. durch aktuelle Fragestellungen ergänzt:
    Bayessche Entscheidungstheorie, Parameterschätzung, Dimensionalitätsreduktion, Principal Component Analysis, Hidden Markov Modelle
  • Nichtparametrische Methoden, Nächste-Nachbarn-Klassifikation, Klassifikation mit Fuzzy Logic, Entscheidungsbäume, grammatikalische Ansätze
  • Lineare Diskriminanz, Entscheidbarkeit, Support Vector Machines
  • Neuronale Netzwerke
  • Stochastische Methoden
  • Dimensionalitätsreduktion des Merkmalsraumes
  • Realisierung typischer Methoden und Vorgehensweisen im Praktikum,
    ggf. Einsatz vorhandener Programmpakete wie Weka, Rapid-Miner, Knime
Workflow für ein neuronales Netz im Tool KNIME

Literatur

(Auswahl)

  • R.O. Duda, P.E. Hart, D.G. Stork: Pattern Classification, Wiley, 2nd Edition, 2000
  • C.M. Bishop: Pattern Recognition and Machine Learning, Springer, 2006
  • M. Mohri, A. Rostamizadeh, A. Talwalkar: Foundations of Machine Learning, MIT Press, 2012

Zielgruppe

Master Informatik (in Teilzeit) Pflichtmodul
Master Elektrotechnik (in Teilzeit)

Wahlpflichtmodul,

Anrechnung als Vertiefungsmodul möglich

weitere Masterstudiengänge

Rücksprache erforderlich

Organisatorisches

Turnus Angebot im Sommersemester
Umfang des sem. Unterrichts 2SWS
Umfang des Praktikums

2SWS

Leistungspunkte 5
Inhaltliche Vorraussetzungen
  • Mathematischen Methoden der Informationstechnik
  • sichere Kenntnisse und Erfahrungen in der Programmierung, insbesondere in den Themen Algorithmen und Datenstrukturen
Anmeldung Anmeldung zum Praktikum im Campus-Management-System erforderlich
Teilnehmerzahl
  • keine Beschränkung als Pflichtmodul
  • im Vertiefungs-/ Wahlpflichtangebot kann eine Beschränkung bei hohen Anmeldezahlen erfolgen
Materialien Bereitstellung von Vorlesungsunterlagen und Aufgabenblättern im E-Learning-System der Hochschule
Vorraussetzung zur Prüfungsteilnahme

erfolgreiche Bearbeitung des Praktikums
(An- und Abtestate)

Prüfungsform Klausur
Um unsere Webseite für Sie optimal zu gestalten und fortlaufend verbessern zu können, verwenden wir Cookies. Weitere Informationen und die Möglichkeit zum Widerruf finden Sie in unserer Datenschutzerklärung.
Seite drucken