Maschinelles Lernen und inverse Modellierung in der NeurobildgebungModulbeschreibung #41068 / Version 5
- 3 LP
- Portfolioprüfung
- Benotet
- Wintersemester
- Englisch
| Modul / Version | #41068 / #5 |
|---|---|
| Gültigkeit | Seit SoSe 2024 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 3 |
| Modulverantwortliche*r | Haufe, Stefan |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML) |
Kontakt
| Sekretariat | MAR 4-3 |
|---|---|
| Ansprechpartner*in | Haufe, Stefan |
| E-Mail-Adresse | haufe@tu-berlin.de |
| Webseite | https://www.tu.berlin/uniml/ |
Lernergebnisse
Wissen: Die Studierenden verstehen die Grundlegenden Konzepte statistischer und physikalischer Vorwärtsprobleme und inverser Probleme. Sie sind mit der physikalischen Vorwärtsmodellierung von Magneto- und Elektroenzephalographie (M/EEG) vertraut. Sie sind mit den grundlegenden mathematischen Ansätzen zur Lösung inverser Problem wie Dipolfits, beamforming, blinder Quellentrennung, und Bayes'scher Modellierung vertraut. Sie kennen sich mit dem Konzept der Regularisierung aus und wissen, wie man Vorwissen in den inversen Formalismus einzubringen kann. Sie lernen mit verschiedenen praktischen Herausforderungen wie der Schätzung des Signal-Rausch-Verhältnisses/Wahl des Regularisierungsparameters umzugehen.
Fertigkeiten: Die Studierenden können inverse Probleme als unüberwachte oder überwachte Lernprobleme modellieren. Sie erwerben oder verfeinern die Fähigkeit, ein inhaltlich klar abgegrenztes Feld anhand vorgegebener Literatur zusammenzufassen, um vorgegebene Fragen zu beantworten. Die Ergebnisse der wissenschaftlichen Recherche werden in einem Fachvortrag präsentiert, wobei Präsentationstechniken erworben oder verfeinert werden und wissenschaftlicher Diskurs geübt wird.
Kompetenzen: Die Studierenden können die Vor- und Nachteile verschiedener Modellierungen in gegebenen `Anwendungskontexten beurteilen und informierte Entscheidung bzgl. der Modellierung treffen.
Fertigkeiten: Die Studierenden können inverse Probleme als unüberwachte oder überwachte Lernprobleme modellieren. Sie erwerben oder verfeinern die Fähigkeit, ein inhaltlich klar abgegrenztes Feld anhand vorgegebener Literatur zusammenzufassen, um vorgegebene Fragen zu beantworten. Die Ergebnisse der wissenschaftlichen Recherche werden in einem Fachvortrag präsentiert, wobei Präsentationstechniken erworben oder verfeinert werden und wissenschaftlicher Diskurs geübt wird.
Kompetenzen: Die Studierenden können die Vor- und Nachteile verschiedener Modellierungen in gegebenen `Anwendungskontexten beurteilen und informierte Entscheidung bzgl. der Modellierung treffen.
Lehrinhalte
- Beispiele für inverse Probleme in der Biomedizin, insbesondere in der Neurobildgebung
- physikalische Grundlagen der Magneto- und Elektroenzephalographie (M/EEG)
- Vorwärtsmodellierung und physikalische Simulation von M/EEG Messungen
- Dipole fits, beamforming, scanning Techniken
- Penalized likelihood Ansatz: Glattheit, structured sparsity, elastic net, total variation denoising
- Bayes'sche Inferenz: maximum a-posteriori Schätzer, hierarchical and empirical Bayes, sparse Bayesian learning
- Verfahren zur Rauschschätzung
- Blinde Quellentrennung als statistisches inverses Problem
- Simulationen und Validierung
- Forschungssoftware
- Anwendungen in Gehirn-Computer Schnittstellen und in der Neurologie
- physikalische Grundlagen der Magneto- und Elektroenzephalographie (M/EEG)
- Vorwärtsmodellierung und physikalische Simulation von M/EEG Messungen
- Dipole fits, beamforming, scanning Techniken
- Penalized likelihood Ansatz: Glattheit, structured sparsity, elastic net, total variation denoising
- Bayes'sche Inferenz: maximum a-posteriori Schätzer, hierarchical and empirical Bayes, sparse Bayesian learning
- Verfahren zur Rauschschätzung
- Blinde Quellentrennung als statistisches inverses Problem
- Simulationen und Validierung
- Forschungssoftware
- Anwendungen in Gehirn-Computer Schnittstellen und in der Neurologie
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Machine Learning and Inverse Modeling in Neuroimaging | Seminar | Unregelmässig | [en] | 2 | ISIS |
Arbeitsaufwand und Leistungspunkte
Machine Learning and Inverse Modeling in Neuroimaging (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 90 Stunden. Damit umfasst das Modul 3 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Das Modul besteht aus einem Seminar. Die Studierenden werden jeweils einen Fachvortrag zu einem vorgegebenen konkreten Thema halten, wofür ein Zusammenstellung von Publikationen bereitgestellt wird. Die studentischen Vorträge werden durch kurze Vorlesungssegmente eingerahmt, die den Zweck haben, die behandelten Forschungsthemen einzuführen, mit Kontext zu versehen und zu verbinden. Teil jedes Veranstaltungstermins sind Diskussionsphasen, in denen die Teilnehmer zu aktiver Mitarbeit aufgefordert sind. Dazu werden die Studierenden vorbereitend Fragen zu jedem Thema ausarbeiten, sowie eine kurze Zusammenfassung.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Empfohlen ist ein abgeschlossenes Bachelorstudium in Informatik, Biomedizinischer Technik oder einer vergleichbaren Disziplin.
Programmierkenntnisse (idealerweise in Python oder Matlab) werden benötigt. Grundlagenwissen in linearer Algebra, Stochastik, und numerischer Optimierung sind von Vorteil.
Programmierkenntnisse (idealerweise in Python oder Matlab) werden benötigt. Grundlagenwissen in linearer Algebra, Stochastik, und numerischer Optimierung sind von Vorteil.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Referat | 50 | mündlich | 30 min |
| Themenzusammenfassungen | 50 | schriftlich | 7-12 Seiten |
Prüfungsbeschreibung (Abschluss des Moduls)
Die Modulnote berechnet sich aus
1. Der Qualität des Seminarvortrags. (50%).
2. Der Qualität von kurzen Zusammenfassungen der einzelnen Themen (50%).
1. Der Qualität des Seminarvortrags. (50%).
2. Der Qualität von kurzen Zusammenfassungen der einzelnen Themen (50%).
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 24.
Anmeldeformalitäten
Die Studierenden können sich in MOSES für den Kurs registrieren.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| WiSe 2025/26 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| SoSe 2026 | Wahlpflicht Studiengebiet B › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| Computer Science (Informatik) StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| WiSe 2025/26 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems |
Sonstiges
Keine Angabe