Lehrmodule

Im Bereich Informatik müssen mindestens 4 und höchsten 8 Module aus den Katalogen A oder B gewählt werden. Module des Katalogs C werden im Nebenfach eingeordnet, von diesen sind die Module Allgemeine Psychologie II und Learning and Memory verpflichtend, dazu ist ein weiteres Modul zu wählen. Die Summer School findet zwischen dem 2. und 3. Semester statt. Im Rahmen der Summer School erfolgt (durch Einzelvorträge, evtl. auch von Externen) eine Einordnung der angebotenen Themen in das Profil (was will man eigentlich, was braucht man dazu, wie hängen Informatik, Neurobiologie und Psychologie zusammen, welche Betätigungsfelder gibt es usw.). Außerdem werden einige grundlegende Techniken vorgestellt und eingeübt. Die Summer School findet als Blockveranstaltung statt.

IT-Projekte werden über eine zentrale Seite des Profils angeboten. Im Rahmen der Praktika werden in der Regel interdisziplinär angelegte Projekte aus dem Bereich Lernende Systeme / Biocomputing ausgeschrieben. Das Praxissemester mit der BSc-Thesis behandelt ein (in der Regel ebenfalls interdisziplinär definiertes) Thema aus den Forschungsarbeiten zu Lernenden Systemen/Biocomputing.

Für genauere Informationen kann auch der Regelstudienplan (Dokument am Ende dieser Seite) hilfreich sein.

Ziele

Das Profil verknüpft den Schwerpunkt Lernen und Gedächtnis in der Neurobiologie und Psychologie mit dem Schwerpunkt Wissen in der Informatik. Im BSc-Studium Informatik werden den Studierenden grundlegende Techniken und theoretische Kenntnisse auf diesem interdisziplinären Gebiet vermittelt. Im Nebenfachangebot werden Fragestellungen, Herangehensweisen und Wissenschaftskultur der Neurobiologie und der Psychologie an angehende Informatiker/innen vermittelt. In den Wahlpflichtfächern der Informatik geht es um das Verständnis von computergestützten Methoden, mit denen Messungen in der Neurobiologie ausgewertet werden, sowie um Grundkenntnisse zu adaptiven bzw. lernenden Systemen in der Informatik. Der Profilstudiengang wird mit einer Summer School gestartet, in der Orientierung und grundlegende Techniken vermittelt werden.

Ergänzt wird das Profil durch praktische Arbeiten im IT-Praktikum und das abschließende Praxissemester mit BSc-Arbeit. Studierende haben hier Gelegenheit ihre Kenntnisse in einer forschungsnahen Fragestellung aus dem Bereich Lernende Systeme anwenden (z.B. bei der Analyse neurophysiologischer Daten zum menschlichen Lernen oder auch bei der Umsetzung von Erkenntnissen zum menschlichen Lernen in einem automatischen Analyse- oder Entscheidungssystem).

BSc-Absolventen mit Profil „Lernende Systeme / Bio-Computing“ sind besonders geeignet, ihre Kenntnisse in den wissenschaftlichen Master-Studiengängen Informatik, Data and Knowledge Engineering, Computervisualistik oder Integrative Neuroscience zu vertiefen und so die Eignung zum eigenständigen wissenschaftlichen Arbeiten in Spannungsfeld von neurobiologischer Analyse und algorithmisch geprägter Synthese von Lernen und Meta-lernen zu erwerben.

Katalog A: Lernende Systeme in der Informatik

Neuronale Netze

(Künstliche) neuronale Netze ist ein Modell, welches auf Basis des menschlichen Gehirns entwickelt wurde. Sie werden in vielen Bereichen eingesetzt, z.B. zur Mustererkennung, Klassifikation, Diagnose, Optimierung, Steuerung und in wissensbasierten Systemen. Die Vorlesung führt in die Grundlagen der (künstlichen) neuronalen Netze aus der Sicht der Informatik ein. Lernparadigmen und -algorithmen werden ebenso behandelt wie verschiedene, auf diesen Paradigmen aufsetzende Netzmodelle, z.B. Schwellenwertelemente, mehrschichtige Perzeptren, Radiale-Basisfunktionen-Netze, selbstorganisierende Karten, Hopfield-Netze und rückgekoppelte Netze.

Natürlichsprachliche Systeme I und II

Diese Lehrveranstaltung ist eine Einführung in das Gebiet der Verarbeitung der natürlichen Sprache. Sprachverarbeitung wird zum Beispiel benötigt für die sprachbasierte Steuerung von Anwendungen, die automatische Übersetzung von Texten (oder auch von Suchergebnissen) oder den Telefondialog mit einem automatischen Auskunftssystem. Grosse Korpora, also  elektronisch verfügbare Sammlungen von Texten und anderem sprachlichen Material, ermöglichen neben traditionallen Ansätzen zur Sprachanalyse auch statistische Verfahren und Verfahren des maschinellen Lernens. Studierende dieser Lehrveranstaltung sollen die wichtigsten Eigenschaften natürlicher Sprache und die Probleme bei ihrer automatisierten Verarbeitung in unterschiedlichen Anwendungen kennen lernen, die wichtigsten Verfahren zur Verarbeitung natürlicher Sprache (z.B. POS-Tagging, Chunking, Parsing, semantische Analyse) sicher beherrschen und ein fundiertes Verständnis für deren Möglichkeiten und Begrenzungen entwickeln.

Data Mining

Viele Fragestellungen im Bereich 'Lernende Systeme / Biocomputing' werden mit Unterstützung der Informationstechnologie untersucht. Dazu gehören unter anderem Fragen zur Erkennung von Ursachen und zur Vorhersage von gefährlichen Situationen. An welchen Symptomen oder Messwerte lässt sich die Verschlechterung einer neurodegenerativen Krankheit wie Alzheimers erkennen? Was sind die notwendigen Informationen zum Zustand eines zu Hause betreuten Patienten, die regulär erfasst werden müssen, damit Gefahr im Verzug rechtzeitig erkannt wird und Fehlalarme vermieden werden? Die Methoden für solche Vorhersagen kommen aus dem Bereich des Data Mining.

In dieser Vorlesung betrachten wir Data Mining als einen Werkzeugkasten, auf dem Empfehlungssysteme oder Entscheidungsunterstützungssysteme ihre Lösungen bauen. Wir besprechen Werkzeuge zur Klassifikation (für die Vorhersage), Clustering (für die Ableitung von Profilen und die Erkennung von Ausnahmesituationen) und Assoziationsregeln (für die Formulierung von Empfehlungen). Wir besprechen die methodischen Grundlagen dieser Methoden und die Schritte für ihre sachgemäße Anwendung und für die Evaluation ihrer Ergebnisse. In dieser Vorlesung werden vorwiegend Werkzeuge aus der Java-Bibliothek Weka genutzt. Als Beispiele werden einfache, öffentlich zugängliche Datenmengen genutzt. 

Evolutionäre Algorithmen

Evolutionäre Algorithmen orientieren sich an der biologischen Evolution. Anhand zufälliger Mutationen, Verschmelzungen (die die sexuelle Reproduktion nachbilden) und gezielter Selektion wird versucht, Funktionen zu optimieren und (kombinatorische) Optimierungsprobleme zu lösen. Die Vorlesung gibt, ausgehend von einer kurzen Einführung in die biologischen Grundlagen, einen Überblick der verschiedenen Arten evolutionärer Algorithmen. Vor- und Nachteile dieser Algorithmen werden untersucht und an Beispielen erläutert. Außerdem werden verwandte Verfahren und Metaheuristiken, wie z.B. das simulierte Ausglühen, behandelt.

Information Retrieval

Information Retrieval (IR) beschäftigt sich mit der Informationssuche in nicht oder wenig strukturierten Datenbeständen wie z.B. Text- oder multimedialen Datenbanken. Beispiele für Anwendungen sind Internet-Suchmaschinen, Digitale Bibliotheken und Multimedia-Archive wie z.B. Bild- oder Videodatenbanken. Im Rahmen dieser Vorlesung sollen die grundlegenden IR-Konzepte eingeführt und anhand spezieller Anwendungsbereiche illustriert werden. Da die inhaltsorientierte Suche im Vordergrund steht, werden außerdem spezielle Verfahren zur Repräsentation des Inhaltes von Texten und multimedialen Objekten vorgestellt.

Maschinelles Lernen

Diese Lehrveranstaltung gibt eine Einführung in die Prinzipien, Techniken und Anwendungen des Maschinellen Lernens. Es wird ein grundlegender Überblick über Methoden und Algorithmen vermittelt und anhand von einigen Programmieraufgaben gefestigt. Es werden hierbei u.a. folgende Themen besprochen: Instanzbasiertes Lernen, Clustering, Entscheidungsbäume, Neuronale Netze, Bayesches Lernen, Reinforcement Learning, Assoziationsregeln und Genetische Algorithmen. 

Grundlagen der Computer Vision

Computer Vision leitet sich aus dem Begriff Human Vision (d.h. visuelle Wahrnehmung des Menschen) ab. Methoden der Computer Vision versuchen auf verschiedenen Ebenen Prozesse der visuellen Wahrnehmung algorithmisch zu beschreiben oder durch gleichwertige Prozesse zu ersetzen, so dass aufgenommene Kamerabilder automatisch interpretiert oder analysiert werden können. Das gelingt naturgemäß leichter im Bereich der frühen Bildverarbeitung (Early Vision), über die viel aus der neurophysiologischen Forschung bekannt ist. Aber auch für komplexere Aufgaben der Bilderkennung wurden Prozesse gefunden, deren Resultate denen der Human Vision vergleichbar sind. Ziel der Veranstaltung ist eine Darstellung grundlegender Methoden aus den Bereichen Early Vision und High Level Vision, die die Basis vieler Methoden zur automatischen Bilderkennung in Industrie und Forschung sind.

Wissensmanagement

Die Ergebnisse der jahrelangen Erforschung des menschlichen Gehirns sind zu einem großen Teil in Archiven von wissenschaftlichen Veröffentlichungen erfasst. Natürlich kann so archivierte Information mit Hilfe von Suchmaschinen gefunden und aufgerufen werden, allerdings sollen die Nutzer mit der Terminologie und mit der Semantik der Termini vertraut werden. Terminologie und Semantik werden oft in Ontologien (z.B. The Open Biological and Biomedical Ontologies)  festgehalten, die als Basis für die Informationsgewinnung zu einem Thema genutzt werden können, als Nachschlagwerk oder gekoppelt zu einem klassischen Dokumentenmanagementsystem.

In dieser Vorlesung werden unter anderem Dokumentenmanagement und Ontologien besprochen. Thema der Vorlesung ist Wissensmanagement für die Verwaltung von Wissen in einem Unternehmen und die Nutzung von diesem Wissen für den Unternehmenserfolg. Entsprechend werden Methoden und Werkzeuge von Wissensmanagement vorwiegend aus der Perspektive der Entscheidungsträger im Unternehmen betrachtet. Der Schwerpunkt liegt weniger auf den technischen Aspekte der einzelnen Werkzeuge und eher auf ihre Funktionalitäten und ihrem Potenzial als Teil der IT-Landschaft eines Unternehmens. 

Katalog B: Analysemethoden in der Neurobiologie

Biological Statistics

Die Lehrveranstaltung "Biological Statistics" stellt Prinzipien und Methoden der beschreibenden und schließenden Statisitik vor. Praktische Beispiele aus der Biologie, den Neurowissenschaften und anderen Bereichen werden verwendet, um die verschiedenen Zugänge zu veranschaulichen.

Medizinische Bildverarbeitung

Medizinische Bilder unterscheiden sich in vielerlei Hinsicht von anderen Bildern. Der wichtigste Unterschied ist, dass das abgebildete Objet nicht direkt zugänglich ist und es damit auch schwierig ist, einen Analysealgorithmus zu validieren. In der Veranstaltung werden wir uns mit den unterschiedlichen Arten medizinischer Bilder auseinander setzen, Methoden für die Archivierung und den Zugang zu Bildern in Klinken kennen lernen, und Verfahren zur Bildanalyse (Bildverbesserung, Segmentierungsmethoden, Bildregistrierung) vorstellen, soweit sie nicht bereits in der Grundlagenveranstaltung behandelt wurden.

Katalog C: Physiologie und Psychologie des Lernens

Allgemeine Psychologie I: Wahrnehmung, Kognition

Der erste Teil der Vorlesung gibt einen Einblick in wichtige Theorien, Methoden und Forschungsergebnisse der Wahrnehmungspsychologie. Neben dem Aufbau und der Funktion der Wahrnehmungssysteme mit ihren physiologischen Grundlagen werden menschliche Informationsverarbeitungsprozesse und Organisationsprinzipien behandelt, die unser Bild von der Welt bestimmen. Der zweite Teil gibt eine Einführung in die Kognitionspsychologie, insbesondere in die Bereiche: Höhere visuelle Verarbeitung, Bewußtsein, Denken und Problemlösen, Sprache, Handlungsplanung.

Allgemeine Psychologie II: Lernen, Gedächtnis, Motivation, Emotion

Im ersten Teil der Vorlesung werden die Grundlagen der Lern- und Gedächtnispsychologie behandelt. Die folgenden Themenbereiche werden behandelt: Arbeitsgedächtnis, Langzeitgedächtnis: Akquisition, Konsolidierung und Abruf, Sensorisches Gedächtnis, Experimentelle Lernparadigmen, Mechanismen der Konditionierung, Assoziationsbildung und kognitive Prozesse beim Lernen. Der zweite Teil gibt einen Einblick in wichtige Theorien, Methoden und Forschungsergebnisse der Motivations- und Emotionspsychologie.

Learning and Memory

Die Lehrveranstaltung Learning and Memory fasst unterschiedliche Aspekte im Bezug auf Lernen und Gedächtnis bei Säugetieren zusammen. Neben grundlegenden Definitionen werden auch Einblicke in spezielle Modelle von Gehirn und Lernen aus neurobiologischer und psychologischer Sicht gewährt. Zur Veranschaulichung dienen bekannte Experimente und Fallbeispiele. Zur Unterstützung dieser englischsprachigen Ringvorlesung wird ein deutschsprachiges Tutorium angeboten.

Informatik, Profil Lernende Systeme/Biocomputing (Stand 26.07.2016)

RegelstudienplanLernendeSysteme

Letzte Änderung: 07.05.2020 - Ansprechpartner: Webmaster