PTI01860 – Modern Methods in Data Science and Applications I

Module
Modern Methods in Data Science and Applications I
Moderne Methoden im Data Science und Anwendungen I
Module number
PTI01860
Version: 2
Faculty
Physikalische Technik / Informatik
Level
Bachelor
Duration
1 Semester
Semester
Summer semester
Module supervisor

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

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

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

English - 20.00%
in "Moderne Methoden im Data Science und Anwendungen I"
ECTS credits

10.00 credits

Workload

300 hours

Courses

8.00 SCH (2.00 SCH Internship | 2.00 SCH Seminar | 4.00 SCH Lecture with integrated exercise / seminar-lecture)
Self-study time

180.00 hours
180.00 hours Self-study - Moderne Methoden im Data Science und Anwendungen I
Pre-examination(s)
None
Examination(s)

alternative Prüfungsleistung - Beleg und Präsentation
Module examination | Weighting: 100%
in "Moderne Methoden im Data Science und Anwendungen I"
Media type
No information
Instruction content/structure

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
Qualification objectives

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.
Special admission requirements

keine
Recommended prerequisites
  • PTI181, PTI182, PTI183, PTI184, PTI185
  • PTI171 - Mathematische Grundlagen I
  • PTI172 - Mathematische Grundlagen II
Continuation options
No information
Literature
  • 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
Notes
No information
Assignment to 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

Close detail view
© Modulux (Version 4.4)