Letzte Änderung : 05.12.2025 13:32:51
Output
| Code: | 230650 |
| Module title: | Pattern Recognition and Machine Learning |
| Version: | 1.0 (03/2017) |
| Last update: | 6.12.2022 11:11:36 | Person responsible for content: | Prof. Dr. rer. nat. Bischoff, Stefan s.bischoff@hszg.de |
| Offered in 15 study courses: | Automation and Mechatronics (B.Eng.) valid from class 2018 | Automation and Mechatronics (B.Eng.) valid from class 2021 | Automation and Mechatronics (Dipl.-Ing. (FH)) valid from class 2018 | Automation and Mechatronics (Dipl.-Ing. (FH)) valid from class 2021 | Automation and Mechatronics (Dipl.-Ing. (FH)) valid from class 2024 | Automation and Mechatronics (Dipl.-Ing. (FH)) valid from class 2026 | Automation and Mechatronics KIA (B.Eng.) valid from class 2018 | Automation and Mechatronics KIA (B.Eng.) valid from class 2021 | Automation and Mechatronics KIA (Dipl.-Ing. (FH)) valid from class 2018 | Automation and Mechatronics KIA (Dipl.-Ing. (FH)) valid from class 2021 | Automation and Mechatronics KIA (Dipl.-Ing. (FH)) valid from class 2024 | Automation and Mechatronics KIA (Dipl.-Ing. (FH)) valid from class 2026 | Electrical Engineering (B.Eng.) valid from class 2024 | Electrical Engineering (B.Eng.) valid from class 2026 | Electrical Engineering/Mechatronics (M.Eng.) valid from class 2025 |
| Semester according to timetable: | SoSe+WiSe (summer and winter semester) |
| Module level: | Diplom/Master |
| Duration: | 1 semester |
| Language of Instruction: | German |
| Place where the module will be offered: | Zittau |
| ECTS Credits: | 5 |
| Student workload (in hours): | 150 |
| Number of hours of teaching: | |||||
Lecture |
Seminar/Exercise |
Laboratory work |
Other |
||
| Self study time (in hours): | |||||
| Learning and teaching methods: | Vorlesung Seminar Übung |
| Exam(s) | |||
| Assessment | Major examination (written report) | 100.0% | |
| Syllabus plan/Content: | 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 |
| Learning Goals | |
| Subject-specific skills and competences: | 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. |
| Generic competences (Personal and key skills): | 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. |
| Prerequisites: | Kompetenzen aus den Modulen Grundlagen der Informatik, Objektorientierte Programmierung (ohne Nachweiserfordernis) |
| Optional: | Programmierkenntnisse in Python und Umgang mit der Bildverarbeitungsbibliothek OpenCV, TensorFlow und Keras |
| Literature: | 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 |