Pattern Recognition and Machine Learning II

Maschinenbau, Master (PO-2023)

Modulnummer / ModulcodeWP-PatRecII
ModulnamePattern Recognition and Machine Learning II
Art des ModulsWahlpflicht
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.

LehrveranstaltungsartenVLmP (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 LehrveranstaltungenPattern 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 ModulsMaster Informatik, Master Mathematik (Nebenfach Informatik)
Dauer des ModulsEin Semester
Häufigkeit des Angebotesjährlich im Sommersemester
SpracheDeutsch / Englisch
Empfohlene (inhaltliche) Voraussetzungen für die Teilnahme am ModulGrundkenntnisse Stochastik, Analysis und lineare Algebra, Pattern Recognition and Machine Learning I
Voraussetzungen für die Teilnahme am Modul keine
Studentischer Arbeitsaufwand180 Stunden (60h Präsenz + 120h Selbststudium)
StudienleistungenStudienleistung S1: Regelmäßige Bearbeitung von Übungsaufgaben
Voraussetzung für Zulassung zur PrüfungsleistungStudienleistung S1
PrüfungsleistungenKlausur (120 Min.) oder mündliche Prüfung (20 Min.)
Anzahl Credits (ECTS)6 cp
LehreinheitInformatik
Modulverantwortliche/rProf. Dr. Bernhard Sick
LehrendeProf. Dr. Bernhard Sick und Mitarbeitende
MedienformenFolien, 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.