Pattern Recognition and Machine Learning II

Mechatronik, Master (PO-2023)

Modulnummer / Modulcode WP-PRMLII
Modulname Pattern Recognition and Machine Learning II
Art des Moduls Wahlpflicht
Lernergebnisse, Kompetenzen, Qualifikationsziele

Der/die Studierende kann verschiedene Aufgaben, Modelle und Algorithmen der Mustererkennung und des Maschinellen Lernens erklären, neue Modellierungsansätze für verschiedene Probleme aus diesem Bereich entwickeln, neue Anwendungen eigenständig planen
und realisieren, existierende Verfahren und Anwendungen kritisch hinterfragen, vergleichen und bewerten.
Lehrveranstaltungsarten VLmP (2 SWS), Ü (2 SWS)
Lehrinhalte

Grundlagen und Verfahren der Mustererkennung und des Maschinellen Lernens, insbesondere aus probabilistischer Sichtweise; Kernel-Funktionen und Statistische Lerntheorie: Support Vector
Machines; Bayessche Netze und Markov Random Fields; Abstrakte Sicht auf Expectation Maximization und Variationale Inferenz; Sampling-Verfahren; kontinuierliche latente Variablen: Principal Component Analysis; Ensemble-Techniken
Titel der Lehrveranstaltungen Pattern Recognition and Machine Learning II
Lehr- und Lernmethoden (Lehr- und Lernformen) Frontalunterricht in Vorlesung, Einzel- und Teamarbeit in Übungen, Rechnerübungen (u. a. mit Jupyter Notebooks), angeleitete Präsentation von Lösungen durch Studierende
Verwendbarkeit des Moduls Master Informatik, Master Mathematik (Nebenfach Informatik)
Dauer des Moduls Ein Semester
Häufigkeit des Angebotes jährlich im Sommersemester
Sprache Deutsch / Englisch
Empfohlene (inhaltliche) Voraussetzungen für die Teilnahme am Modul
Voraussetzungen für die Teilnahme am Modul
Studentischer Arbeitsaufwand 180 Stunden (60h Präsenz + 120h Selbststudium)
Studienleistungen S1: Regelmäßige Bearbeitung von Übungsaufgaben
Voraussetzung für Zulassung zur Prüfungsleistung Studienleistung S1
Prüfungsleistungen Klausur (120 Min.) oder mündliche Prüfung (20 Min.)
Anzahl Credits (ECTS) 6 cp
Lehreinheit Informatik
Modulverantwortliche/r Prof. Dr. Bernhard Sick
Lehrende Prof. Dr. Bernhard Sick und Mitarbeitende
Medienformen Folien, Tafel, Übungsblätter, Rechnerübungen, wissenschaftliche Veröffentlichungen
Literatur
  • Bishop: Pattern Recognition and Machine Learning
  • Duda, Hart, Stork: Pattern Classification
  • Murphy: Machine Learning – A Probabilistic Perspective

Weitere Literatur wird in der Lehrveranstaltung bekanntgegeben.