PTI01860 – Moderne Methoden im Data Science und Anwendungen I

Modul

Moderne Methoden im Data Science und Anwendungen I
Modern Methods in Data Science and Applications I

Modulnummer

PTI01860
Version: 2

Fakultät

Physikalische Technik / Informatik

Niveau

Bachelor

Dauer

1 Semester

Turnus

Sommersemester

Modulverantwortliche/-r

Prof. Dr. Mike Espig
mike.espig(at)fh-zwickau.de

Dozent/-in(nen)

Prof. Dr. Mike Espig
mike.espig(at)fh-zwickau.de

Lehrsprache(n)

Deutsch - 80.00%
in "Moderne Methoden im Data Science und Anwendungen I"

Englisch - 20.00%
in "Moderne Methoden im Data Science und Anwendungen I"

ECTS-Credits

10.00 Credits

Workload

300 Stunden

Lehrveranstaltungen

8.00 SWS (2.00 SWS Praktikum | 2.00 SWS Seminar | 4.00 SWS Vorlesung mit integr. Übung / seminaristische Vorlesung)

Selbststudienzeit

180.00 Stunden
180.00 Stunden Selbststudium - Moderne Methoden im Data Science und Anwendungen I

Prüfungsvorleistung(en)

Keine

Prüfungsleistung(en)

alternative Prüfungsleistung - Beleg und Präsentation
Modulprüfung | Wichtung: 100%
in "Moderne Methoden im Data Science und Anwendungen I"

Medienform

Keine Angabe

Lehrinhalte/Gliederung

Die Einsatzmöglichkeiten der Bilderkennung sind extrem vielfältig und reichen von der Erkennung biometrischer Merkmale wie der Gesichtserkennung, Handerkennung, Iriserkennung und Retinaerkennung für die Identifizierung von Personen, über die Objekterkennung für die erweiterte Realität und für ortsbezogene Dienste, die Erkennung und Auswertung von 2D-Codes, die Markierungserkennung für die industrielle Produktion, die Warensteuerung und die Drucktechnik, bis hin zur Verkehrszeichenerkennung in Kraftfahrzeugen.

Im Kern dieser Vorlesung stehen moderne Methoden aus der Bilderkennung und deren Anwendung in PyTorch, Keras/Tensorﬂow sowie OpenCV (Open Source Computer Vision Library). Folgende Themen werden hierbei besprochen:

2D Gefaltete Neuronale Netze (Convolutional Neural Networks CNN)
Regressions- & Klassifikationsprobleme
Methoden der Bilderkennung
Augmentation von Daten
Autonomes Fahren
Problemstudie an aktuellen Wettbewerben, z.B. Kaggle.com oder Data Mining Cup

Qualifikationsziele

Die Studierenden besitzen tiefgreifende Kenntnisse im Lösen von Aufgabenstellungen bei der Bilderkennung, Image Recognition, d.h. Techniken zur Identifizierung von Objekten, Gebäuden, Menschen und Mustern in Fotos im Rahmen des Maschinellen Lernens. Sie sind in der Lage, die richtige Auswahl elementarer Methoden und Konzepte zu treffen, die zur Anwendung auf und Lösung von Übungs- und Praxissaufgaben notwendig sind, wie z.B. 2D gefaltete Neuronale Netze (Convolutional Neural Networks CNN) bei Regressions- & Klassifikationsprobleme sowie Augmentation von Daten. Die Studierenden besitzen grundsätzliche Kenntnisse der KI-Methoden beim autonomen Fahren. Außerdem sind sie fähig, unter Verwendung von Hilfsmitteln wie vorlesungsbegleitender Literatur problemslösungsorientiert zu arbeiten.

Besondere Zulassungsvoraussetzung

keine

Empfohlene Voraussetzungen

PTI181, PTI182, PTI183, PTI184, PTI185
PTI171 - Mathematische Grundlagen I
PTI172 - Mathematische Grundlagen II

Fortsetzungsmöglichkeiten

Keine Angabe

Literatur

Vorlesungsskript
Géron: Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, O'Reilly Media
Chollet: Deep Learning with Python, Manning
Mohri, Rostamizadeh, Talwalkar: Foundations of Machine Learning, MIT Press
Shalev-Shwartz, Ben-David: Understanding Machine Learning From Theory to Algorithms, Cambridge University Press
Bishop: Pattern Recognition and Machine Learning, Springer
Vapnik: Statistical Learning Theory, Springer
Vapnik: The Nature of Statistical Learning Theory, Springer
Györfi, Kohler, Krzyzak, Walk: A Distribution-Free Theory of Nonparametric Regression, Springer
Cucker, Zhou: Learning Theory An Approximation Theory Viewpoint, Cambridge Monographs
Barber: Bayesian Reasoning and Machine Learning, Cambridge University Press
Murphy: Machine Learning A Probabilistic Perspective, MIT Press

Hinweise

Keine Angabe

Zuordnung zum Curriculum

250 Data Science - Bachelor 2019 Vollzeit

250 Data Science - Bachelor 2019 Teilzeit

250 Data Science - Bachelor 2022 Vollzeit

250 Data Science - Bachelor 2022 Teilzeit

250 Data Science - Bachelor 2023 Vollzeit

250 Data Science - Bachelor 2023 Teilzeit

250 Data Science - Bachelor 2023 Vollzeit

250 Data Science - Bachelor 2023 Teilzeit

Detailansicht schließen