SoSe 2025
Fehlend (Krankschreibung): 8Fehlend (ohne Grund): 7Gemeldet am 15.10.2026
FB18 Elektrotechnik und Informationstechnik · 6 CP · Angeboten in SoSe 2026
Mittel der Semesterschnitte
2.54
Jedes Semester zählt gleich, unabhängig von seiner Größe.
Gewichteter Gesamtschnitt
2.54
Nach Kohortengröße gewichtet — der Schnitt über alle Ergebnisse hinweg.
Bestehensquote
92%
Anteil der Ergebnisse von 4,0 oder besser. 4,0 ist die letzte bestandene Note.
Semester mit Daten
1
Die deutsche Skala reicht von 1,0 (beste) bis 4,0 (letzte bestandene Note), 5,0 ist nicht bestanden. Eine 4,3 gibt es nicht.
Fehlend (Krankschreibung): 8Fehlend (ohne Grund): 7Gemeldet am 15.10.2026
Noch keine Bewertungen — mach den Anfang.
Deine Bewertung hängt an einer zufälligen ID in diesem Browser. Kein Konto, nichts, was dich identifiziert.
Das Modul bietet eine Einführung in das aufstrebende Feld des maschinellen Lernens aus einer ingenieurwissenschaftlichen Perspektive. Die wichtigsten Modelle und Lernverfahren werden vorgestellt und anhand von Problemen aus der Informations- und Kommunikationstechnik veranschaulicht. Grundlagen der Wahrscheinlichkeitstheorie und der multivariaten Statistik Taxonomie von maschinellen Lernproblemen und von Modellen (überwacht, unüberwacht, generativ, diskriminativ) Regression und Klassifikation: Theorie, Methoden und ICT Anwendungen Dimensionalitätsreduktion, Gruppierung und Analyse großer Datensätze: Methoden und Anwendungen in Kommunikation und Signalverarbeitung Probabilistische graphische Modelle: Kategorien, Inferenz und Parameterschätzung Grundlagen der Bayes’schen Inferenz, Monte Carlo Methoden, nicht-parametrische Bayes’sche Ansätze Grundlagen der konvexen Optimierung: Lösungsmethoden und Anwendungen in der Kommunikation Approximative Algorithmen für skalierbare Bayes’sche Inferenz; Anwendungen in der Signalverarbeitung und Informationstheorie (z.B. Dekodierung von LDPC Kodes) Hidden Markov Modelle (HMM): Theorie, Algorithmen und ICT Anwendungen (z.B. Viterbi Dekodierung von Faltungskodes) Hochdimensionale Statistik (“large p small n” setting), Lernen von Abhängigkeitsgraphen in hochdimensionalen Daten, Lernen von Kausalitätsgraphen von Beobachtungsdaten. Schätzverfahren für dünnbesetzte Probleme, Zufallsprojektionen, compressive sensing: Theorie und Anwendungen in der Signalverarbeitung Tiefe neuronale Netze (deep learning): Modelle, Lernalgorithmen, Programmbibliotheken und ICT Anwendungen
Termine, Räume und Angaben stammen aus TUCaN und können veraltet sein. Falsche Angabe melden