Modul Mustererkennung und Maschinelles Lernen

Code:	230650
Modul:	Mustererkennung und Maschinelles Lernen
Module title:	Pattern Recognition and Machine Learning
Version:	1.0 (03/2017)
letzte Änderung:	16.01.2025
Modulverantwortliche/r:	Prof. Dr. rer. nat. Bischoff, Stefan s.bischoff@hszg.de

angeboten in den 11 Studiengängen:	Automatisierung und Mechatronik (B.Eng.) gültig ab Matrikel 2018
	Automatisierung und Mechatronik (B.Eng.) gültig ab Matrikel 2021
	Automatisierung und Mechatronik (Dipl.-Ing. (FH)) gültig ab Matrikel 2018
	Automatisierung und Mechatronik (Dipl.-Ing. (FH)) gültig ab Matrikel 2021
	Automatisierung und Mechatronik (Dipl.-Ing. (FH)) gültig ab Matrikel 2024
	Automatisierung und Mechatronik KIA (B.Eng.) gültig ab Matrikel 2018
	Automatisierung und Mechatronik KIA (B.Eng.) gültig ab Matrikel 2021
	Automatisierung und Mechatronik KIA (Dipl.-Ing. (FH)) gültig ab Matrikel 2018
	Automatisierung und Mechatronik KIA (Dipl.-Ing. (FH)) gültig ab Matrikel 2021
	Automatisierung und Mechatronik KIA (Dipl.-Ing. (FH)) gültig ab Matrikel 2024
	Elektrotechnik (B.Eng.) gültig ab Matrikel 2024

Modul läuft im:	SoSe+WiSe (Sommer- und Wintersemester)
Niveaustufe:	Diplom/Master
Dauer des Moduls:	1 Semester
Status:	Pflichtmodul
Lehrort:	Zittau
Lehrsprache:	Deutsch

Workload* in

SWS **

Semester

Zeit- std.

ECTS- Pkte

1

2

3

4

5

6

7

V

S

P

W

V

S

P

W

V

S

P

W

V

S

P

W

V

S

P

W

V

S

P

W

V

S

P

W

150

5

4.0

2

1

1

0

*	Gesamtarbeitsaufwand pro Modul (1 ECTS-Punkt entspricht einem studentischen Arbeitsaufwand von 30 Zeitstunden)
**	eine Semesterwochenstunde (SWS) entspricht 45 Minuten pro Woche

Selbststudienzeit in h	Angabe gesamt
	105

Lehr- und Lernformen:	Vorlesung Seminar Übung



Prüfung(en)
Prüfung	Prüfungsleistung als Beleg (PB)	-	100.0%

---

Lerninhalt:

Grundlagen der Klassifikation (Erkennung) Merkmalsextraktion am Beispiel der Bildverarbeitung Farb-, Textur- und Formmerkmale Dimensionsreduktion Principle Component Analysis (PCA) Abstandsbasierte Klassifikation Entscheidungsbäume Statistische Klassifikation Grundlagen des Maschinellen Lernens Überwachte und unüberwachte Lernverfahren K-Means Support Vector Machine (SVM) Künstliche Neuronale Netze (NN) Convolutional Neural Networks(CNN) als universeller Erkenner in der Bildverarbeitung

Lernergebnisse/Kompetenzen:
Fachkompetenzen:	Nach Absolvieren des Moduls sind die Studierenden in der Lage, KI-Systeme zu spezifizieren, die in einer Menge von Daten Regelmäßigkeiten, Wiederholungen, Ähnlichkeiten oder Gesetzmäßigkeiten erkennen. Sie kennen Verfahren, die gemessene Signale automatisch in Kategorien einordnen.
Fachübergreifende Kompetenzen:	Die Studierenden - diskutieren in kleinen Teams das Vorgehen zur Lösung der projektspezifischen Aufgaben im Rahmen eines Beleges und erstellen die Planung für das Projekt. (Teamfähigkeit und Kommunikationsfähigkeit) Darstellung von Ergebnissen - Verteidigen der eigenen Lösungsansätze Ergebnisorientiertes Handeln und Zielstrebigkeit bei der Lösung ingenieurtechnischer Aufgabenstellungen.

Notwendige Voraussetzungen für die Teilnahme:	Kompetenzen aus den Modulen Grundlagen der Informatik, Objektorientierte Programmierung (ohne Nachweiserfordernis)
Empfohlene Voraussetzungen für die Teilnahme:	Programmierkenntnisse in Python und Umgang mit der Bildverarbeitungsbibliothek OpenCV, TensorFlow und Keras

Literatur:	Christopher M Bishop; Pattern Recognition and Machine Learning; Springer 2006 Jähne, B.: Digitale Bildverarbeitung. Springer 2012 Demant, Ch.: Industrielle Bildverarbeitung. Springer 2011 Beyerer, J.: Automatische Sichtprüfung. Springer 2012 Howse J., Minichino J.: Learning OpenCV 5 Computer Vision with Python. 2024