Zur Modulseite PDF generieren

#41068 / #1

WiSe 2022/23 - WiSe 2022/23

Deutsch, Englisch

Machine Learning and Inverse Problems in Neuroimaging
Maschinelles Lernen und inverse Probleme in der Neurobildgebung

3

Keine Angabe

Benotet

Portfolioprüfung

Englisch

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML)

Keine Angabe

Kontakt


MAR 4-4

Haufe, Stefan

haufe@tu-berlin.de

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.

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

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Machine Learning and Inverse Problems in NeuroimagingSEMWiSe/SoSeen2

Arbeitsaufwand und Leistungspunkte

Machine Learning and Inverse Problems in Neuroimaging (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)
Der Aufwand des Moduls summiert sich zu 90.0 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.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

NamePunkteKategorieDauer/Umfang
Referat50mündlich30 min
Themenzusammenfassungen50schriftlich7-12 Seiten

Notenschlüssel

Notenschlüssel »Notenschlüssel 1: Fak IV (1)«

Gesamtpunktzahl1.01.31.72.02.32.73.03.33.74.0
100.0pt86.0pt82.0pt78.0pt74.0pt70.0pt66.0pt62.0pt58.0pt54.0pt50.0pt

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%).

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 25.

Anmeldeformalitäten

Die Studierenden können sich in MOSES für den Kurs registrieren.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Keine Angabe