Dokument-Version: 3.022.07.2015og

Fakultät Elektrotechnik und Informationstechnik

Masterstudiengang (EIM) - Elektrotechnik und Informationstechnik

Maschinelles Lernen und naturinspirierte Problemlösung

Kennzahl 8514

Leipzig University of Applied Sciences

Dozententeam

Wahlpflichtmodul 8514

verantwortlich: Prof. Dr.-Ing. Hendrik Richter
Prof. Dr.-Ing. Jens Jäkel
Regelsemester Sommersemester 2. Semester (jährlich)
Leistungspunkte *) 5
Unterrichtssprache Deutsch
Arbeitsaufwand Vorlesung-Präsenz: 45 h; Vorlesung-Nacharbeit: 45 h; Projekt-Präsenz: 15 h; Projekt-Vorarbeit: 45 h;
Voraussetzungen für die Teilnahme Kenntnisse/ Fähigkeiten: Ingenieurkenntnisse (Bachelor)
Lernziel/ Kompetenz Ziel: Kennenlernen der grundlegenden Verfahren des Maschinellen Lernens sowie von naturinspirierten Problemlöseverfahren.

Fach- und methodische Kompetenz: Problemanalyse und -modellierung, Auswahl und Umsetzung von Lösungsansätzen sowie Validierung von Resultaten bei der Verarbeitung experimenteller Daten

Einbindung in die Berufsvorbereitung: Die Extraktion relevanter Informationen aus experimentellen Messdaten spielt in den Naturwissenschaften und auch der Technik eine zunehmend wichtigere Rolle. Maschinelle Lernverfahren und naturinspirierte Problemlöseverfahren leisten hierbei einen wichtigen Beitrag.
Inhalt 1. Maschinelles Lernen

1. Statistische Grundlagen des Maschinellen Lernens (ML) 2. Probleme und Algorithmen des ML 3. Lineare Methoden für die Regression und Klassifikation 4. Ausblick auf nichtlineare Methoden: Neuronale Netze u. Kernel-Methoden 5. Unüberwachte Lernverfahren

2. Naturinspirierte Problemlöseverfahren

1. Evolutionäre Algorithmen (EA) 2. Ameisenalgorithmen 3. Schwarmintelligenz und schwarmbasierte Optimierungsalgorithmen 4. Künstliche Immunsysteme 5. Künstliches Leben

Prüfungsvorleistungen PVJ (erfolgreiche Projektbearbeitung)
Studien- und Prüfungsleistungen
Lehreinheiten SWS Prüfungsleistung Wichtung
V P
Maschinelles Lernen 1 1 PM (30 min) 5
Naturinspirierte Problemlöseverfahren 2 -
Medienformen Tafel, Folien (Overhead/Beamer), Rechnerübung, Begleitliteratur
Literatur Goldberg, D.: Genetic algorithms;

Bishop, C.M.: Pattern Recognition and Machine Learning;

Hastie, T. et al.: The Elements of Statistical Learning;

Weicker, K.: Evolutionary algorithms;

Kennedy, J.: Swarm intelligence;

Verwendbarkeit Das Modul ist im Masterstudiengang Elektrotechnik und Informationstechnik verwendbar.