1. Hauptnavigation
  2. Navigation des Hauptbereiches
  3. Inhalt der Seite

Teaching

Courses

Course Content
Grundlagen der Informatik II
(I-310)
  • Komplexitätstheorie
  • Sortierung
  • Streuspeicher (Hash Tables)
  • Graphentheorie (Grundbegriffe und Algorithmen)
  • Bäume
  • Automatentheorie

  • Modulbeschreibung
Mensch-Maschine Kommunikation /
Robotik
(I-753)
MMK
  • Personendetektion und Personentracking mit verschiedenen Sensorsystemen (Mikrofon, Laser-Range-Finder, 2D/3D-Kameras)
  • bildbasierte Personenidentifikation – Gesichtserkennung
  • Gesichtsanalyse zur Schätzung von Alter, Geschlecht und Emotionen
  • Verfahren zur Bewegungsanalyse
  • Grundansätze zu Spracherkennung und Sprachsynthese
Robotik
  • Basiskomponenten kognitiver Roboter (Antrieb, Sensorik, Ablaufsteuerung)
  • Hinderniswahrnehmung und Umgebungsmodellierung mit verschiedenen Sensorsystemen
  • probabilistische Modellierungstechniken, insbesondere Varianten des rekursiven Bayes-Filters
  • Aufbau von Occupancy Grid Maps, Selbstlokalisation, Simultaneous Localizytion and Mapping (SLAM)
  • Bewegungssteuerung

  • Modulbeschreibung
Neuroinformations-
verarbeitung
(I-251)
  1. Das biologische Paradigma
    • Biologische neuronale Netze
    • Entstehung und Entwicklung des neuronalen Verarbeitungsmodells
    • Künstliche neuronale Netze
  2. Standard-Netzmodelle
    • Linearer Assoziierer, Adaline, Madaline
    • Perzeptron
  3. Lernalgorithmen für neuronale Netze
    • Lernalgorithmen
    • Lernen in einstufigen Netzen
    • Mehrschichtige Vorwärtsvermittlungsnetze
    • Backpropagation-Netze
    • Self Organizing Maps
  4. Anwendungen, Produkte, Tools der Technologie neuronaler Netze
    • Simulatoren
    • Neurohardware
    • Marktübersicht

Deep Learning
(I833)
( Ab SS 2019 )
  • Theoretische Grundlagen mehrschichtiger künstlicher neuronaler Netze
  • Maschinelles Lernen mit Backpropagation und lokalen Optimierungsverfahren
  • Etablierte Netzarchitekturen: Multilayer Perceptrons (MLP), Recurrent Neural Networks (RNN) & Convolutional Neural Networks (CNN)
  • Praktische Aspekte beim Anwenden von Deep Learning: Overfitting, Regularisierung, Transfer Learning, Visualisierung
  • Implementierung & praktische Anwendung von Deep Learning mit etablierten Software-Bibliotheken (Python, tensorflow, pytorch)
  • Kritische Betrachtung von Deep Learning, Ethische Aspekte
  • Aktuelle Entwicklungen in der Forschung & Praxis

  • Modulbeschreibung
Aktualisiert: 24.01.2019  |  Autor: Mathias Klingner