Der/die Studierende kennt grundlegende Verfahren und Technologien aus den Bereichen der Sensorik, Datenerfassung, Datenvorverarbeitung, Berechnung von Attributen, Maschinellem Lernen; kann diese Verfahren und Techniken geeignet praktisch einsetzen; kann selbständig einfache Anwendungen entwickeln und Anwendungen bewerten.

Wesentliche Grundlagen verschiedener Bereichen wie Sensorsysteme, Systemeigenschaften, grundlegende Signalverarbeitungsverfahren (digitale Filter, schnelle Fouriertransformation), Verfahren zur Merkmalsselektion (Filter und Wrapper, Principal Component Analysis), Grundlagen des maschinellen Lernens (Über- und Unteranpassung, Bias/Varianz-Problem, Techniken zur Evaluation wie Bootstrapping und Kreuzvalidierung, Evaluationsmaße), einfache Regressions-, Clustering- und Klassifikationsverfahren (lineare Regression, c-means, hierarchische Verfahren, Naiver Bayes-Klassifikator, Nearest Neighbor Klassifikator), stochastische Filter und Hidden Markov Modelle 

Literatur wird in der Lehrveranstaltung bekanntgegeben