Dauer:
1 Semester | Angebotsturnus:
Jedes Wintersemester | Leistungspunkte:
4 |
Studiengang, Fachgebiet und Fachsemester: - Master Medizinische Ingenieurwissenschaft 2020 (Wahlpflicht), Informatik/Elektrotechnik, Beliebiges Fachsemester
- Master Medieninformatik 2020 (Wahlpflicht), Informatik, Beliebiges Fachsemester
- Master Medizinische Informatik 2019 (Wahlpflicht), Medical Data Science / Künstliche Intelligenz, 1. oder 2. Fachsemester
- Master Hörakustik und Audiologische Technik 2017 (Wahlpflicht), Informatik, 1. Fachsemester
- Master Mathematik in Medizin und Lebenswissenschaften 2016 (Wahlpflicht), Informatik, 3. Fachsemester
- Master Medizinische Ingenieurwissenschaft 2014 (Wahlpflicht), Informatik/Elektrotechnik, Beliebiges Fachsemester
- Master Medizinische Ingenieurwissenschaft 2011 (Wahlpflicht), Mathematik, 1. oder 2. Fachsemester
- Master Medizinische Ingenieurwissenschaft 2011 (Vertiefung), Bildgebende Systeme, Signal- und Bildverarbeitung, 1. oder 2. Fachsemester
- Master Medizinische Informatik 2014 (Wahlpflicht), Informatik, 1. oder 2. Fachsemester
- Master Mathematik in Medizin und Lebenswissenschaften 2010 (Wahl), Informatik, Beliebiges Fachsemester
- Master Informatik 2012 (Wahlpflicht), Anwendungsfach Robotik und Automation, 3. Fachsemester
- Master Informatik 2012 (Wahlpflicht), Anwendungsfach Bioinformatik, 3. Fachsemester
|
Lehrveranstaltungen: - CS5450-Ü: Maschinelles Lernen (Übung, 1 SWS)
- CS5450-V: Maschinelles Lernen (Vorlesung, 2 SWS)
| Workload: - 20 Stunden Prüfungsvorbereitung
- 55 Stunden Selbststudium
- 45 Stunden Präsenzstudium
| |
Lehrinhalte: | - Lernen von Repräsentationen
- Statistische Lerntheorie
- VC-Dimension und Support-Vektor-Maschinen
- Boosting
- Deep learning
- Grenzen der Induktion und Gewichtung der Daten
| |
Qualifikationsziele/Kompetenzen: - Studierende können unterschiedliche Lernprobleme erläutern.
- Sie können unterschiedliche Verfahren des maschinellen Lernens erklären und beispielhaft anwenden.
- Sie können für eine gegeben Problemstellung ein geeignetes Lernverfahren auswählen und testen.
- Sie können die Grenzen der automatischen Datenanalyse erkennen und erläutern.
|
Vergabe von Leistungspunkten und Benotung durch: |
Modulverantwortlicher: Lehrende: |
Literatur: - Chris Bishop: Pattern Recognition and Machine Learning - Springer ISBN 0-387-31073-8
- Vladimir Vapnik: Statistical Learning Theory - Wiley-Interscience, ISBN 0471030031
|
Sprache: - Englisch, außer bei nur deutschsprachigen Teilnehmern
|
Bemerkungen:Zulassungsvoraussetzungen zum Modul: - Keine Zulassungsvoraussetzungen zur Prüfung: - Prüfungsvorleistungen können zu Beginn des Semesters festgelegt werden. Sind Vorleistungen definiert, müssen diese vor der Erstprüfung erbracht und positiv bewertet worden sein. |
Letzte Änderung: 10.10.2020 |