Dauer:
1 Semester | Angebotsturnus:
Jedes Sommersemester | Leistungspunkte:
4 |
Studiengang, Fachgebiet und Fachsemester: - Master Mathematik in Medizin und Lebenswissenschaften 2023 (Pflicht), Informatik, 2. Fachsemester
- Master Hörakustik und Audiologische Technik 2022 (Wahlpflicht), Hörakustik und Audiologische Technik, 2. Fachsemester
- Master Hörakustik und Audiologische Technik 2017 (Wahlpflicht), Hörakustik und Audiologische Technik, 2. Fachsemester
- Master Medizinische Ingenieurwissenschaft 2020 (Wahlpflicht), Informatik/Elektrotechnik, Beliebiges Fachsemester
- Master Mathematik in Medizin und Lebenswissenschaften 2016 (Pflicht), Informatik, 2. Fachsemester
- Master Robotics and Autonomous Systems 2019 (Wahlpflicht), Wahlpflicht, 1. oder 2. Fachsemester
- Master Medizinische Ingenieurwissenschaft 2014 (Wahlpflicht), Informatik/Elektrotechnik, Beliebiges Fachsemester
- Master Medizinische Ingenieurwissenschaft 2011 (Wahlpflicht), Mathematik, 2. Fachsemester
- Bachelor Medizinische Ingenieurwissenschaft 2011 (Wahlpflicht), Wahlpflicht in MIW, 6. Fachsemester
- Master Informatik 2012 (Wahlpflicht), Vertiefungsblock Organic Computing, 2. oder 3. Fachsemester
- Master Medizinische Ingenieurwissenschaft 2011 (Vertiefung), Bildgebende Systeme, Signal- und Bildverarbeitung, 2. Fachsemester
- Master Informatik 2012 (Wahlpflicht), Vertiefungsblock Intelligente Eingebettete Systeme, 2. oder 3. Fachsemester
- Master Informatik 2012 (Pflicht), Anwendungsfach Robotik und Automation, 2. Fachsemester
- Master Informatik 2012 (Pflicht), Anwendungsfach Bioinformatik, 2. Fachsemester
- Master Mathematik in Medizin und Lebenswissenschaften 2010 (Pflicht), Informatik, 2. Fachsemester
|
Lehrveranstaltungen: - CS4405-V: Neuroinformatik (Vorlesung, 2 SWS)
- CS4405-Ü: Neuroinformatik (Übung, 1 SWS)
| Workload: - 20 Stunden Prüfungsvorbereitung
- 55 Stunden Selbststudium
- 45 Stunden Präsenzstudium
| |
Lehrinhalte: | - Überblick über das Gehirn, Neurone und (abstrakte) Neuronenmodelle
- Lernen mit einem Neuron: * Perzeptrons * Max-Margin-Klassifikation * LDA und logistische Regression
- Netzwerkarchitekturen: * Hopfield-Netze * Multilayer-Perzeptrons * Deep Learning
- Methoden des unüberwachten Lernens: * k-means, Neural Gas und SOMs * PCA & ICA * Sparse Coding
| |
Qualifikationsziele/Kompetenzen: - Die Studierenden verstehen die grundsätzliche Funktionsweise eines Neurons und des Gehirns.
- Sie kennen abstrakte Neuronenmodelle und können für die unterschiedlichen Ansätze Einsatzgebiete benennen.
- Sie können die grundlegenden mathematischen Techniken anwenden, um Lernregeln aus einer gegebenen Fehlerfunktion abzuleiten.
- Sie können die vorgestellten Lernregeln und Lernverfahren anwenden und teilweise auch implementieren, um gegebene praktische Probleme zu lösen.
|
Vergabe von Leistungspunkten und Benotung durch: - Klausur oder mündliche Prüfung nach Maßgabe des Dozenten
|
Modulverantwortlicher: Lehrende: |
Literatur: - S. Haykin: Neural Networks - London: Prentice Hall, 1999
- J. Hertz, A. Krogh, R. Palmer: Introduction to the Theory of Neural Computation - Addison Wesley, 1991
- T. Kohonen: Self-Organizing Maps - Berlin: Springer, 1995
- H. Ritter, T. Martinetz, K. Schulten: Neuronale Netze: Eine Einführung in die Neuroinformatik selbstorganisierender Netzwerke - Bonn: Addison Wesley, 1991
|
Sprache: - Wird nur auf Deutsch angeboten
|
Bemerkungen:Zulassungsvoraussetzungen zur Belegung des Moduls:
- Keine
Zulassungsvoraussetzungen zur Teilnahme an Modul-Prüfung(en):
- Erfolgreiche Bearbeitung von Übungsaufgaben gemäß Vorgabe am Semesteranfang
Modulprüfung(en):
- CS4405-L1: Neuroinformatik, Klausur, 90 min, 100% der Modulnote
Nach der alten MIW-Bachelor Pruefungsordnungsversion (bis WS 2011/2012) ist ein Wahlpflichtfach für das 4. Semester statt dem 6. Semester vorgesehen. |
Letzte Änderung: 1.2.2022 |
für die Ukraine