|
|
Code: E2802 |
|
2V+2P (4 Semesterwochenstunden) |
5 |
Studiensemester: 1 |
Pflichtfach: ja |
Arbeitssprache:
Deutsch |
Prüfungsart:
mündliche Prüfung (75%), Projektarbeit (25%)
[letzte Änderung 31.03.2019]
|
DFMEES-211 (P610-0143) Elektrotechnik - Erneuerbare Energien und Systemtechnik, Master, ASPO 01.10.2019
, 2. Semester, Pflichtfach, technisch
E2802 (P211-0137, P211-0138) Elektro- und Informationstechnik, Master, ASPO 01.04.2019
, 1. Semester, Pflichtfach, technisch
KIM-BM (P211-0137, P211-0138) Kommunikationsinformatik, Master, ASPO 01.10.2017
, Wahlpflichtfach, informatikspezifisch
MP.E2802 (P211-0137, P211-0138) Medizinische Physik, Master, ASPO 01.04.2019
, 1. Semester, Pflichtfach
PIM-BM (P211-0137, P211-0138) Praktische Informatik, Master, ASPO 01.10.2017
, Wahlpflichtfach, informatikspezifisch
|
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 5 Creditpoints 150 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 105 Stunden zur Verfügung.
|
Empfohlene Voraussetzungen (Module):
Keine.
|
Als Vorkenntnis empfohlen für Module:
|
Modulverantwortung:
Prof. Dr.-Ing. Ahmad Osman |
Dozent/innen: Prof. Dr.-Ing. Ahmad Osman
[letzte Änderung 10.09.2018]
|
Lernziele:
- Es werden Kompetenzen erworben, die es dem Studenten erlauben, das Zusammenwirken von Hard- und Softwarekomponenten für Bildverarbeitungssysteme zu bewerten. - Der Studierende ist in der Lage, Methoden der Bildverarbeitung und Mustererkennung gezielt für praktische Aufgabenstellungen auszuwählen und geeignete Verfahren zur Gewinnung relevanter Bildinformationen zu projektieren. - Der Studierende kann selbstständig maßgeschneiderte Bildauswertungsketten für einfache Bildanalyse Aufgaben entwerfen, die Algorithmen in Matlab implementieren und die Ergebnisse bewerten. - Der Studierende ist in der Lage Algorithmen auf dem Gebiet der Bildverarbeitung und des Maschinellen Lernens zu beschreiben und zu kategorisieren. In den ßbungen werden die in dieser Vorlesung vorgestellten Methoden und Verfahren anhand von einfachen ßbungen veranschaulicht.
[letzte Änderung 18.07.2019]
|
Inhalt:
Datenerfassungstechniken, Algorithmen zur Bild-Filterung, Bild-Transformation und Bild-Segmentierung, Normen, Optimierungsverfahren, Klassifikationstechniken, Logistische Regression, Feature-Mappings, Bayes Classifiers, Support Vektor Maschinen (SVM), Neuronale Netze, Performanz von maschinellen Klassifikationsverfahren
[letzte Änderung 31.03.2019]
|
Weitere Lehrmethoden und Medien:
Skript, Folien, Beamer, Notizen
[letzte Änderung 31.03.2019]
|
Literatur:
Bishop, Christopher M.: Pattern recognition and machine learning, Springer, 10. Aufl., ISBN 978-0-387-31073-2 Burger, Wilhelm; Burge, Mark James: Digitale Bildverarbeitung: eine Einführung mit Java und ImageJ, Springer Vieweg, (akt. Aufl.) Duda, Richard O.; Hart, Peter E.; Stock, David G.: Pattern Classification, Wiley, 2001, 2. Aufl., ISBN 978-0471056690 Gonzalez, Rafael C.; Woods, Richard E.: Digital Image Processing, Pearson, (akt. Aufl.) Hastie, Trevor; Tinshirani, Robert; Friedman, Jerome H.: The elements of statistical learning: data mining, inference, and prediction, Springer, (akt. Aufl.)
[letzte Änderung 18.07.2019]
|