MLU
INF.01079.05 - Musterklassifikation (Vollständige Modulbeschreibung)
Originalfassung Englisch
INF.01079.05 5 CP
Modulbezeichnung Musterklassifikation
Modulcode INF.01079.05
Semester der erstmaligen Durchführung
Fachbereich/Institut Institut für Informatik
Verwendet in Studiengängen / Semestern
  • Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Akkreditierungsfassung (WS 2009/10 - SS 2016) > Bioinformatik
  • Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Akkreditierungsfassung (WS 2016/17 - WS 2022/23) > Bioinformatik (HI)
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung (WS 2006/07 - SS 2013) > Primärmodule
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung (WS 2006/07 - SS 2013) > Primärmodule
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung (WS 2013/14 - SS 2016) > Basismodule der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung (WS 2013/14 - SS 2016) > Vertiefende Module der Vertiefungsrichtung `Bioinformatik`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung (WS 2016/17 - WS 2022/23) > Basismodule der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung (WS 2016/17 - WS 2022/23) > Vertiefende Module der Vertiefungsrichtung `Bioinformatik`
Modulverantwortliche/r
Weitere verantwortliche Personen
Prof. Dr. Stefan Posch
Teilnahmevoraussetzungen
Kompetenzziele
Die Studierenden sind die der Lage,
  • in Fragestellungen und Lösungsansätze der Musterklassifikation zusammenzufassen,
  • sie können deren Eigenschaften und Leistungsfähigkeit einzuschätzen,
  • sowie diese Techniken für verschiedene Problemstellungen anwenden.
Modulinhalte
  • Problemstellung der Musterklassifikation und einfache Klassifikatoren
  • Merkmalsextraktion: heuristische Merkmale, Principle component analysis
  • Bayes'sche Entscheidungstheorie
  • Lineare Maschinen
  • Multilayer-Perzeptron CNNs
  • Support-Vector-Maschinen
  • Random Forests
  • Algorithmen-unabhängiges maschinelles Lernen
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 Präsenz Workload Vor- / Nach­bereitung Workload selbstge­staltete Arbeit Workload Prüfung incl. Vorbereitung 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
Mindestens 50% der zu erreichenden Punkte aus den gestellten Übungsaufgaben, Erfolgreiches Vorrechnen in den Übungen, regelmässige Teilnahme
mündl./schriftl./elektron. Prüfung
Wiederholungsprüfung
Regularien Teilnahme­voraussetzungen Angebots­rhythmus Anwesenheits­pflicht Gewicht an Modulnote in %
LV 1 Sommersemester Nein %
LV 2 Sommersemester Nein %
LV 3 Sommersemester Nein %
LV 4 Sommersemester Nein %