MLU
INF.05357.05 - Forschungsgruppenmodul "Bildanalyse und Maschinelles Lernen" (Complete module description)
Original version English
INF.05357.05 5 CP
Module label Forschungsgruppenmodul "Bildanalyse und Maschinelles Lernen"
Module code INF.05357.05
Semester of first implementation
Faculty/Institute Institut für Informatik
Module used in courses of study / semesters
  • Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Version of accreditation valid from SoSe 2023 > Bildanalyse und Maschinelles Lernen (Anteil gem. § 5 Abs. 4-6, Anlage 2)
  • Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Version of accreditation (WS 2009/10 - SS 2016) > Computergraphik, Bildverarbeitung
  • Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Version of accreditation (WS 2016/17 - WS 2022/23) > Bildanalyse und Maschinelles Lernen
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation valid from SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2013/14 - SS 2016) > Vertiefende Module der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2016/17 - WS 2022/23) > Vertiefende Module der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen`
Responsible person for this module
Further responsible persons
PD Dr. Birgit Möller
Prerequisites
Mindestens 10 LP aus den Modulen der Vertiefungsrichtung "Bildanalyse und Maschinelles Lernen"
Skills to be acquired in this module
Studierende sollen durch dieses Modul folgende Kompetenzen erwerben:
  • Sie besitzen einen vertieften Einblick in die Prinzipien und Techniken des wissenschaftlichen Arbeitens im Allgemeinen und speziell im Bereich der Bildanalyse bzw. des Maschinellen Lernens.
  • Sie sind in der Lage, sich in eine Fragestellung aus dem Bereich der Bildanalyse und des Maschinellen Lernens selbstständig einzuarbeiten, den Stand der aktuellen Forschung zu recherchieren und Forschungslücken zu analysieren.
  • Sie können eigene Lösungsansätze für Problemstellungen der Bildanalyse und des Maschinelles Lernens entwickeln.
  • Sie können eigene Forschungsergebnisse überprüfen und selbstkritisch hinterfragen.
  • Sie können eigene Forschungsergebnisse mündlich präsentieren und in einer wissenschaftlichen Diskussion verteidigen, sowie in einer schriftlichen Ausarbeitung zusammenfassend nachvollziehbar darstellen.
Module contents
In diesem Modul werden die TeilnehmerInnen in die Methoden des wissenschaftlichen Arbeitens an Hand aktueller Fragestellungen des Gebiets `Bildanalyse und Maschinelles Lernen` eingeführt. Die TeilnehmerInnen werden dabei angeleitet und präsentieren regelmäßig ihre Zwischenergebnisse und Endergebnisse. Abschließend soll unter Anleitung ein Kurzbericht in wissenschaftlicher Form erstellt werden.
Forms of instruction Seminar (2 SWS)
Course (2 SWS)
Course
Languages of instruction German, English
Duration (semesters) 1 Semester Semester
Module frequency jedes Semester
Module capacity unlimited
Time of examination
Credit points 5 CP
Share on module final degree Course 1: %; Course 2: %; Course 3: %.
Share of module grade on the course of study's final grade 1
Module course label Course type Course title SWS Workload of compulsory attendance Workload of preparation / homework etc Workload of independent learning Workload (examination and preparation) Sum workload
Course 1 Seminar Seminar 2 0
Course 2 Course Konsultation 2 0
Course 3 Course Selbststudium 0
Workload by module 150 150
Total module workload 150
Examination Exam prerequisites Type of examination
Course 1
Course 2
Course 3
Final exam of module
aktive Teilnahme am Seminar und den Konsultationen, Erfolgreiche Vorträge
Hausarbeit (20-30 Seiten)
Exam repetition information
Prerequisites and conditions Prerequisites Frequency Compulsory attendance Share on module grade in percent
Course 1 Summer or winter semester No %
Course 2 Summer or winter semester No %
Course 3 Summer or winter semester No %