inf1210 - Practical multimodal-multisensor data analysis pipelines (Vollständige Modulbeschreibung)

Modulbezeichnung	Practical multimodal-multisensor data analysis pipelines
Modulkürzel	inf1210
Kreditpunkte	3.0 KP
Workload	90 h
Einrichtungsverzeichnis	Department für Informatik
Verwendbarkeit des Moduls	Master Informatik (Master) > Praktische Informatik
Zuständige Personen	Sonntag, Daniel (Modulverantwortung) Lehrenden, Die im Modul (Prüfungsberechtigt)
Teilnahmevoraussetzungen	Grundlegende Vertrautheit mit Python und Konzepten des maschinellen Lernens
Kompetenzziele	die aktuelle Literatur zur Analyse multimodaler und multisensorischer Daten zu sichten unerforschte Forschungsthemen zu identifizieren bewährte Verfahren und praktische Aspekte aller Schritte im Datenanalyseprozess zu erkennen praktische Erfahrungen mit Pipelines zur Analyse multimodaler und multisensorischer Daten sammeln Fachkompetenzen Die Studierenden: die grundlegenden Konzepte der Datenanalyse erkennen die grundlegenden Schritte von Datenanalyse-Pipelines zu identifizieren Methodenkompetenzen Die Studierenden: bereinigen Daten nach den Grundsätzen von Tidy Data visualisieren Daten mit Hilfe verschiedener Bibliotheken und Frameworks identifizieren relevante Datenfragen und implementieren maschinelle Lernmodelle wenden Versionskontrolle für Daten und Modelle an entwerfen und implementieren eine Benutzerschnittstelle zur Interaktion mit den Daten und Modellen. Sozialkompetenzen Die Studierenden: stellen ihre Lösungen der Gruppe vor diskutieren miteinander verschiedene Lösungsansätze für ein bestimmtes Problem werden relevante Forschungsarbeiten zur Datenanalyse durchsehen und diskutieren Selbstkompetenzen Die Studierenden: die Grenzen ihrer Fähigkeit zu erkennen, mit nahenden Abgabeterminen umzugehen über die Grenzen ihrer Fähigkeit zur Strukturierung ihres Projektpensums nachzudenken
Modulinhalte	Multimodale und multisensorische Daten unterscheiden sich grundlegend von bisherigen Datenquellen. Es handelt sich um extrem reichhaltige und dichte Daten, die in der Regel mehrere zeitsynchronisierte Datenströme umfassen und auf mehreren Ebenen analysiert werden können, z. B. auf Signal-, Aktivitätsmuster-, Darstellungs- und Transaktionsebene usw. Wenn multimodale und multisensorische Daten auf mehreren Ebenen analysiert werden, bilden sie einen riesigen mehrdimensionalen Raum für die Entdeckung wichtiger neuer Phänomene mit Methoden der künstlichen Intelligenz. Dieser Kurs konzentriert sich auf Datenanalyse-Pipelines und deckt bewährte Praktiken und praktische Aspekte aller Prozessschritte ab: Umgang mit Dateieingaben, Organisation des Projektcodes, Umwandlung der Daten mit spektralen und maschinellen Lernmethoden und Erstellung von Modellen und Visualisierungen, die relevante Strukturen in den Daten erfassen.
Literaturempfehlungen
Links
Unterrichtsprachen	Deutsch, Englisch
Dauer in Semestern	1 Semester
Angebotsrhythmus Modul	jedes Wintersemester
Aufnahmekapazität Modul	unbegrenzt
Lehr-/Lernform	V + Ü oder S + Ü
Vorkenntnisse	Grundlegende Vertrautheit mit Python und Konzepten des maschinellen Lernens

Prüfung	Prüfungszeiten	Prüfungsform
Gesamtmodul	am Ende der Vorlesungszeit	mündl. Prüfung oder praktische Arbeit oder Hausarbeit

Lehrveranstaltungsform	Seminar
SWS
Angebotsrhythmus	SoSe oder WiSe
Workload Präsenzzeit	4 h