INF.08039.03 - Maschinelles Lernen in der Bild- und Mustererkennung (Vollständige Modulbeschreibung)

INF.08039.03	5 CP
Modulbezeichnung	Maschinelles Lernen in der Bild- und Mustererkennung
Modulcode	INF.08039.03
Semester der erstmaligen Durchführung
Fachbereich/Institut	Institut für Informatik
Verwendet in Studiengängen / Semestern	Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Bioinformatik (HI) (Anteil gem. § 5 Abs. 4-6, Anlage 2) Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Basismodule der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen` Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Bioinformatik`
Modulverantwortliche/r
Weitere verantwortliche Personen	PD Dr. Birgit Möller
Teilnahmevoraussetzungen
Kompetenzziele	Die Studierenden sollen in dieser Veranstaltung grundlegende Konzepte, Methoden und Techniken des maschinellen Lernens im Kontext der Bild- und Mustererkennung kennenlernen. Sie sollen die theoretischen Grundlagen verschiedener, vorrangig vollständig (aber auch halb bzw. schwach-) überwachter, maschineller Lernverfahren verstehen, sowie ihre Eigenschaften, ihre Leistungsfähigkeit und ihre Limitierungen analysieren und einschätzen können. Des Weiteren sollen die Studierenden im Rahmen der Übungen befähigt werden, die vorgestellten Methoden und Ansätze in der Praxis auf exemplarische Fragestellungen der Mustererkennung und insbesondere der Bildanalyse anzuwenden.
Modulinhalte	Die Veranstaltung behandelt die folgenden Themenkomplexe: Grundbegriffe und Konzepte der Mustererkennung und des maschinellen Lernens Vorverarbeitung von Merkmalen, u.a. Verfahren zur Normalisierung, Merkmalsextraktion und Merkmalsselektion, PCA Performanzmaße und Trainingsstrategien Lineare Maschinen und SVMs Entscheidungsbäume und Random Forests Grundprinzipien neuronaler Netze, Multilayer Perceptrons Kernelmethoden und MDS Theorie und praktische Umsetzung der Backpropagation Hyperparameter von neuronalen Netzen robustes Netzwerktraining CNNs, Encoder-Decoder-Netze, Autoencoder Transfer-Lernen und Surrogate Supervision Weakly Supervised Learning und Multiple Instance Learning Adversarial Attacks Analyse und Visualisierung von Netzwerkentscheidungen algorithmen-unabhängige Aspekte des maschinellen Lernens
Lehrveranstaltungsformen	Vorlesung (2 SWS) Kursus Übung (2 SWS) Kursus
Unterrichtsprachen	Deutsch, Englisch
Dauer in Semestern	1 Semester Semester
Angebotsrhythmus Modul	jedes Sommersemester
Aufnahmekapazität Modul	unbegrenzt
Prüfungsebene
Credit-Points	5 CP
Modulabschlussnote	LV 1: %; LV 2: %; LV 3: %; LV 4: %.
Faktor der Modulnote für die Endnote des Studiengangs	1
Hinweise	Basismodul für die Vertiefungsrichtung "Bildanalyse und Maschinelles Lernen"

Modulveranstaltung	Lehrveranstaltungsform	Veranstaltungstitel	SWS	Workload selbstgestaltete Arbeit	Workload Summe
LV 1	Vorlesung	Vorlesung	2		0
LV 2	Kursus	Selbststudium zur Vorlesung			0
LV 3	Übung	Übung	2		0
LV 4	Kursus	Bearbeiten der Übungsaufgaben			0
Workload modulbezogen				150	150
Workload Modul insgesamt					150

Prüfung	Prüfungsvorleistung	Prüfungsform
LV 1
LV 2
LV 3
LV 4
Gesamtmodul	Erfolgreiches Bearbeiten der Übungs- und ggf. Projektaufgaben, nachzuweisen durch aktive Teilnahme an den Übungen mit Vorrechnen/Präsentation von Aufgabenlösungen und (Projekt-)Ergebnissen sowie Beteiligung an Diskussionen	mündl./schriftl./elektron. Prüfung
Wiederholungsprüfung

Regularien	Angebotsrhythmus	Anwesenheitspflicht	Gewicht an Modulnote in %
LV 1	Sommersemester	Nein	%
LV 2	Sommersemester	Nein	%
LV 3	Sommersemester	Nein	%
LV 4	Sommersemester	Nein	%