Embedded Intelligence

Die Vorlesung beschäftigt sich mit den grundlegenden Techniken mit den eingebettete Systeme die Umwelt und menschliche Aktivitäten erfassen und modellieren können und den darauf aufbauenden Anwendungen. Klassen und Beispiele der Problemstellung an Hand konkreter Anwendungen Eigenschaften und Nutzungsmöglichkeiten verschiedener Sensoren im Hinblick auf unterschiedliche Problemstellungen Eignung verschiedener Methoden der Signalverarbeitung

Einführung in die Statistische Künstliche Intelligenz

Anwendung von Lernmethoden zur Lösung von Problemen, wie Wahrnehmung und Steuerung, Bildverarbeitung, Multimediale Datenbanken, Data Mining, Informationssicherheit, Agentensysteme und autonome Systeme. Verständnis von grundlegenden Konzepten des maschinellen Lernens, der neuronalen Netze, der Bildverarbeitung, Mustererkennung, Entscheidungstheorie und Bayesschen Methoden, Fourietransformationen. Bayesian Methods, Maximum Likelihood Methods, Nearest Neighbor Classification, Feature Extraction, Neural

Übung – Einführung in die Statistische Künstliche Intelligenz

Grundlagen von Python, Einsatz von Python für Datenverarbeitung und maschinelles Lernen, Vertiefung der in der Vorlesung gelernten Methoden durch Anwendung, Implementierung und Diskussionen, Sprechstunde für offene Fragen Unterlagen und Vorlesungsfolien sind unter dem Link verfügbar:

Formal Modelling of Complex Systems II

Amount of SWS: 2V + 1Ü Amount of ECTS: 4 credits Language: English Lecture Number: INF-57-51-V-6 Credits: 4 Content: mathematical problem formulation phase space concept of equilibrium, types of equilibria attractors, strange attractors concept of bifurcation analyzation of system properties requirements for the transition towards chaotic systems In the tutorial