Revision history for CIPythonMaster
Additions:
In der zweiten Tutoriumssitzung behandeln wir
Additions:
Die Folien und Beispieldaten zu dem Perzeptron können Sie hier herunterladen: **__{{files download="Python_5.rar" text="Neuronale Netze"}}__**
Deletions:
Additions:
{{image url="Betragsspektrum.PNG" width="535"}} {{image url="Phasenspektrum.PNG" width="560"}}
Deletions:
Additions:
{{image url="Betragsspektrum.PNG" width="535"}} {{image url="Phasenspektrum.PNG" width="630"}}
Deletions:
Additions:
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="Python_4_1.rar" text="DFT"}}__**
Deletions:
Additions:
Die Folien und Beispieldaten zu dem Gustafson-Kessel-Algorithmus können Sie hier herunterladen: **__{{files download="Python_4.rar" text="Fuzzy k-Means und Erweiterung"}}__**
Deletions:
Additions:
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="knn.rar" text="KNN"}}__**
Deletions:
Additions:
{{files}}
No Differences
Additions:
=====Databaseconnection=====
Deletions:
Additions:
{{image url="Abbknn.PNG" width="250"}}
Deletions:
Additions:
{{image url="Betragsspektrum.PNG" width="565"}} {{image url="Phasenspektrum.PNG" width="650"}}
Deletions:
Additions:
{{image url="Betragsspektrum.PNG" width="565"}} {{image url="Phasenspektrum.PNG" width="590"}}
Deletions:
Additions:
{{image url="MathematischeFormel1.PNG" width="450"}}
Deletions:
Additions:
{{image url="euklidischeDistanzmass.PNG" width="600"}}
{{image url="Abbknn.PNG" width="300"}}
{{image url="Abbknn.PNG" width="300"}}
Deletions:
Additions:
{{image url="euklidischeDistanzmass.PNG" width="600"}} {{image url="Abbknn.PNG" width="300"}}
{{image url="Betragsspektrum.PNG" width="765"}} {{image url="Phasenspektrum.PNG" width="790"}}
{{image url="Betragsspektrum.PNG" width="765"}} {{image url="Phasenspektrum.PNG" width="790"}}
Deletions:
{{image url="Abbknn.PNG" width="300"}}
{{image url="Betragsspektrum.PNG" width="765"}}{{image url="Phasenspektrum.PNG" width="790"}}
Additions:
In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die Version und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling.
{{image url="euklidischeDistanzmass.PNG" width="600"}}
{{image url="Abbknn.PNG" width="300"}}
Bevor wir zum Gustafson-Kessel Algorithmus kommen wird vom Herrn Häuser eine weitere Klassifikationsmethode, der k-Means, dargestellt. Hier zeigt ihn Herr Häuser eine Eigenimplementierung, welche eine Farbskalierung an einem Bild trifft,je nach dem was für ein k man wählt. Schauen sie auf seiner Hochschulwikiseite vorbei: **__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]__**
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser:**__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]__**
{{image url="Gustafson.PNG" width="600"}}
{{image url="Betragsspektrum.PNG" width="765"}}{{image url="Phasenspektrum.PNG" width="790"}}
{{image url="euklidischeDistanzmass.PNG" width="600"}}
{{image url="Abbknn.PNG" width="300"}}
Bevor wir zum Gustafson-Kessel Algorithmus kommen wird vom Herrn Häuser eine weitere Klassifikationsmethode, der k-Means, dargestellt. Hier zeigt ihn Herr Häuser eine Eigenimplementierung, welche eine Farbskalierung an einem Bild trifft,je nach dem was für ein k man wählt. Schauen sie auf seiner Hochschulwikiseite vorbei: **__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]__**
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser:**__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]__**
{{image url="Gustafson.PNG" width="600"}}
{{image url="Betragsspektrum.PNG" width="765"}}{{image url="Phasenspektrum.PNG" width="790"}}
Deletions:
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
{{image url="euklidischeDistanzmass.PNG" width="600"}} {{image url="Abbknn.PNG" width="300"}}
Bevor wir zum Gustafson-Kessel Algorithmus kommen wird vom Herrn Häuser ein weitere Klassifikationsmethode, der k-Means, dargestellt. Hier zeigt ihn Herr Häuser eine Eigenimplementierung, welche eine Farbskalierung an einem Bild trifft. Schauen sie auf seiner Hochschulwikiseite vorbei:__===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]===__
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: __===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]===__
{{image url="Gustafson.PNG" width="700"}}
{{image url="Betragsspektrum.PNG" width="775"}} {{image url="Phasenspektrum.PNG" width="790"}}
Additions:
In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die Version und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
{{image url="euklidischeDistanzmass.PNG" width="600"}} {{image url="Abbknn.PNG" width="300"}}
Bevor wir zum Gustafson-Kessel Algorithmus kommen wird vom Herrn Häuser ein weitere Klassifikationsmethode, der k-Means, dargestellt. Hier zeigt ihn Herr Häuser eine Eigenimplementierung, welche eine Farbskalierung an einem Bild trifft. Schauen sie auf seiner Hochschulwikiseite vorbei:__===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]===__
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: __===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]===__
{{image url="Gustafson.PNG" width="700"}}
{{image url="Betragsspektrum.PNG" width="775"}} {{image url="Phasenspektrum.PNG" width="790"}}
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
{{image url="euklidischeDistanzmass.PNG" width="600"}} {{image url="Abbknn.PNG" width="300"}}
Bevor wir zum Gustafson-Kessel Algorithmus kommen wird vom Herrn Häuser ein weitere Klassifikationsmethode, der k-Means, dargestellt. Hier zeigt ihn Herr Häuser eine Eigenimplementierung, welche eine Farbskalierung an einem Bild trifft. Schauen sie auf seiner Hochschulwikiseite vorbei:__===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]===__
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: __===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]===__
{{image url="Gustafson.PNG" width="700"}}
{{image url="Betragsspektrum.PNG" width="775"}} {{image url="Phasenspektrum.PNG" width="790"}}
Deletions:
{{image url="euklidischeDistanzmass.PNG" width="600"}}
{{image url="Abbknn.PNG" width="300"}}
Bevor wir zum Gustafson-Kessel Algorithmus kommen wird vom Herrn Häuser eine weitere Klassifikationsmethode, der k-Means, dargestellt. Hier zeigt ihn Herr Häuser eine Eigenimplementierung, welche eine Farbskalierung an einem Bild trifft,je nach dem was für ein k man wählt. Schauen sie auf seiner Hochschulwikiseite vorbei: **__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]__**
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser:**__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]__**
{{image url="Gustafson.PNG" width="600"}}
{{image url="Betragsspektrum.PNG" width="765"}} {{image url="Phasenspektrum.PNG" width="790"}}
Additions:
{{image url="Gustafson.PNG" width="600"}}
Deletions:
Additions:
Bevor wir zum Gustafson-Kessel Algorithmus kommen wird vom Herrn Häuser eine weitere Klassifikationsmethode, der k-Means, dargestellt. Hier zeigt ihn Herr Häuser eine Eigenimplementierung, welche eine Farbskalierung an einem Bild trifft,je nach dem was für ein k man wählt. Schauen sie auf seiner Hochschulwikiseite vorbei: **__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]__**
Deletions:
Additions:
{{image url="Betragsspektrum.PNG" width="765"}} {{image url="Phasenspektrum.PNG" width="790"}}
Deletions:
No Differences
Additions:
In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die Version und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling.
Deletions:
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
No Differences
Additions:
Bevor wir zum Gustafson-Kessel Algorithmus kommen wird vom Herrn Häuser ein weitere Klassifikationsmethode, der k-Means, dargestellt. Hier zeigt ihn Herr Häuser eine Eigenimplementierung, welche eine Farbskalierung an einem Bild trifft. Schauen sie auf seiner Hochschulwikiseite vorbei: **__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]__**
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser:**__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]__**
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser:**__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]__**
Deletions:
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: __===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]===__
Additions:
Bevor wir zum Gustafson-Kessel Algorithmus kommen wird vom Herrn Häuser ein weitere Klassifikationsmethode, der k-Means, dargestellt. Hier zeigt ihn Herr Häuser eine Eigenimplementierung, welche eine Farbskalierung an einem Bild trifft. Schauen sie auf seiner Hochschulwikiseite vorbei:__===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]===__
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: __===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]===__
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: __===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor PythonTutoriumBA]]===__
Deletions:
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: __===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor]]===__
Additions:
Bevor wir zum Gustafson-Kessel Algorithmus kommen wird vom Herrn Häuser ein weitere Klassifikationsmethode, der k-Means, dargestellt. Hier zeigt ihn Herr Häuser eine Eigenimplementierung, welche eine Farbskalierung an einem Bild trifft. Schauen sie auf seiner Hochschulwikiseite vorbei:__===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor ]]===__
Deletions:
Additions:
Bevor wir zum Gustafson-Kessel Algorithmus kommen wird vom Herrn Häuser ein weitere Klassifikationsmethode, der k-Means, dargestellt. Hier zeigt ihn Herr Häuser eine Eigenimplementierung, welche eine Farbskalierung an einem Bild trifft. Schauen sie auf seiner Hochschulwikiseite vorbei:__===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor]]===__
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: __===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor]]===__
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: __===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor]]===__
Deletions:
Additions:
======Python Programmierung (Masterstudiengang)======
====Die Vorbereitung====
=====Klassifizierungen=====
====k-Nearest Neighbors (KNN)====
====Gustafson-Kessel====
=====Diskrete Fourier Tarnsformation=====
=====Neuronale Netze=====
====Noch mögliche Vorlesungspunkte in kommenden Semestern====
====Die Vorbereitung====
=====Klassifizierungen=====
====k-Nearest Neighbors (KNN)====
====Gustafson-Kessel====
=====Diskrete Fourier Tarnsformation=====
=====Neuronale Netze=====
====Noch mögliche Vorlesungspunkte in kommenden Semestern====
Deletions:
**{{color text="Vorbereitung" c="#00386a"}}**
==**{{color text="Klassifikationsverfahren "c="#00386a"}}** ==
**{{color text="k-Nearest-Neighbors (KNN)" c="#00386a"}}**
**{{color text="Gustafson-Kessel" c="#00386a"}}**
**{{color text="Diskrete Fourier Tarnsformation" c="#00386a"}}**
**{{color text="Neuronale Netze" c="#00386a"}} **
**{{color text="Noch mögliche Vorlesungspunkte in kommenden Semestern" c="#00386a"}} **
Additions:
==**{{color text="Klassifikationsverfahren "c="#00386a"}}** ==
Deletions:
Additions:
In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die Version und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
Die Folien und Beispiele zu den Grundlagen können Sie hier herunterladen: **__{{files download="Vorlesung1.rar" text="Vorlesung 1 mit Aufgaben}}__**
=**{{color text="Klassifikationsverfahren "c="#00386a"}}** =
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
Die Folien und Beispiele zu den Grundlagen können Sie hier herunterladen: **__{{files download="Vorlesung1.rar" text="Vorlesung 1 mit Aufgaben}}__**
=**{{color text="Klassifikationsverfahren "c="#00386a"}}** =
Deletions:
@@In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die Version und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.@@
@@Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.@@
Die Folien und Beispieldaten zu den Grundlagen sowie Multiprocessing können Sie hier herunterladen: **__{{files download="Vorlesung_1_und_2.rar" text="Vorlesung 1 & 2 mit Aufgaben}}__**
Additions:
@@@@
@@In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die Version und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.@@
@@Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.@@
@@In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die Version und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.@@
@@Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.@@
Deletions:
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
Additions:
{{image url="euklidischeDistanzmass.PNG" width="600"}}
Deletions:
Additions:
{{image url="MathematischeFormel1.PNG" width="500"}}
Deletions:
Additions:
{{image url="MathematischeFormel1.PNG" width="600"}}
Deletions:
Additions:
{{image url="MathematischeFormel1.PNG" width="700"}}
Deletions:
Additions:
{{files}}
{{image url="Betragsspektrum.PNG" width="775"}} {{image url="Phasenspektrum.PNG" width="790"}}
{{image url="Betragsspektrum.PNG" width="775"}} {{image url="Phasenspektrum.PNG" width="790"}}
Deletions:
Additions:
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: **__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor TutoriumPythonBA]]__**
Deletions:
Additions:
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: **__[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungBachelor]]__**
Deletions:
Additions:
===**{{color text="Tutorium: Python Programmierung (Masterstudiengang) "c="#00386a"}}** ===
In diesem Tutorium für den Masterstudiengang wird eine Einführung in Python stattfinden. Im spatäteren Verlauf werden wir ein bisschen auf die Vorverarbeitung und verschiedenen Klassifizierungsmethoden, sowie Neuronale Netze eingehen und die Kenntnisse von der Vorlesung Mustererkennung, gehalten von Herrn Porf. Golz, gefestigt.
Somit ist es für dieses Tutorium wichtig gewisse Vorkenntnisse von Mustererkennung mitzubringen.
**{{color text="Vorbereitung" c="#00386a"}}**
In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die VErsion und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
Die Folien und Beispieldaten zu den Grundlagen sowie Multiprocessing können Sie hier herunterladen: **__{{files download="Vorlesung_1_und_2.rar" text="Vorlesung 1 & 2 mit Aufgaben}}__**
**{{color text="Diskrete Fourier Tarnsformation" c="#00386a"}}**
In diesem Abschnitt des Tutoriums wird die Vorverarbeitung durch die Diskrete Fourier Transformation grundlegend erläutert. Durch dieses tutorium soll das Verständnis der DFT und die Wichtigkeit der Vorverarbeitung dargestellt werde, sowie Verständniss für die mathematischen Abbildungen und der Formel der DFT. Wodurch folgende Gliederung gewählt wurde:
1) Aufgabe der DFT
2) Mathematische Darstellung
1) Signal
2) Frequenzspektrum
3) Phasenspektrum
4) Betragsspektrum
3) DFT als Programm
1) Beispiel für DFT
Die DFT hat den Zweck ein Siganl/Funktion, welches Zeitabhängig ist, in eine periodische Funktion welche Frequenzabhängig ist umzuwandeln. Durch diese Transformationen sind mehr Daten vorhanden, weil diese Funktion eine Komplexwertige Funktion ist. Dies ist in sofern wichtig, da fürs Maschinelle Lernen sehr viele Datensätze enorm wichtig sind. Die verschiedenen Abbildungsformen zeigen wir an einem Beispiel. Das Betragsspektrum stellt den Realteil der Komplexwertigen Funktion da. Das Phasenwinkel hingegen den Imaginär Teil der Funktion.
Hier sind Beispielabbildungen des Phasen- und Betragsspektrums, sowie die Mathemtische Formel.
{{image url="MathematischeFormel.PNG" width="700"}}
{{image url="Unbenannt2.PNG" width="775"}} {{image url="Phasenspektrum.PNG" width="790"}}
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="DFT.zip" text="DFT"}}__**
**{{color text="k-Nearest-Neighbors (KNN)" c="#00386a"}}**
k-Nearest Neighbors ist ein Klassifikationsverfahren, welches aufgrund der k nächsten Nachbarn eine Klassifizierung vornimmt. Diese Bestimmung wird anhand eines Distanzmaßes vorgenommen, das meist gewählt ist das euklidische Distanzberechnung.
{{image url="euklidischeDistanzmass.PNG" width="700"}}
{{image url="Abbknn.PNG" width="300"}}
Vorgestellt wird eine Eigenimplimentierung und ein Packages, welches diese Klassifizierungsmethode vorimplimentiert enthält.
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="knn.zip" text="KNN"}}__**
**{{color text="Gustafson-Kessel" c="#00386a"}}**
Der Gustafson-Kessel-Algorithmus ist eine Erweiterung des Fuzzy k-Means. Durch diese Erweiterung ist es möglich den Richtungssinn von Daten zu erfassen.
Aber was heißt das ?
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: **__[[http://wiki.hs-schmalkalden.de/CIPythonB Tutorium Python - Bachelor]]__**
Um dies zu realisieren wird beim Gustafson-Kessel-Algorithmus ein besonderes Distanzmaß, die Skalierte Mahalanobis Distanz.
{{image url="Gustafson.PNG" width="700"}}
Nach der Theorie wird wieder eine Eigenimplementierung dieses Algorihtmuses vorgestellt, um das Verständnis zu festigen.
Die Folien und Beispieldaten zu dem Gustafson-Kessel-Algorithmus können Sie hier herunterladen: **__{{files download="Python_4_2.zip" text="Fuzzy k-Means und Erweiterung"}}__**
**{{color text="Neuronale Netze" c="#00386a"}} **
In diesem Kapitel behandelen wir als erstes das einfachste Neuronale Netz. Das Neuronale Netz hat seinen Namen von den menschlichen Neuronalen Netzten, da wir ein solches Netz simulieren. Dieses nennt sich Pperzeptron. In diesen Neuronalen Netz gibt es keine Hidden-Neurone. Mit diesen Netzwerk können einfache Funktion wie and/or gelernt werden. Im Neuronalen Netz hat jedes Neuron eine eigene wichtung, durch eine Summenbildung des Eingangswertes und das Gewicht dieses Neurons werden Entscheidungen getroffen. Bei komplexeren Neuronalen Netzen kommt es auch drauf an welche Neuronen angesprochen werden.
Das Perzeptron haben wir an dem Beispiel der or-Funktion Vorgestellt. Desweitern haben wir eine Projektaufgabe bei der das Perzeptron auf eine and-Funktion umzuprogrammieren.
Hier ist der Aufbau des Perzeptrons dargestellt:
{{image url="Perzeptron.PNG"}}
Die Folien und Beispieldaten zu dem Perzeptron können Sie hier herunterladen: **__{{files download="NeuronaleNetze.zip" text="Neuronale Netze"}}__**
**{{color text="Noch mögliche Vorlesungspunkte in kommenden Semestern" c="#00386a"}} **
- Random Forest
- Vertiefende Beispiele Neuronale Netzte (z.B. Bild Unterscheidung Katze/Hund)
- Vertiefende Beispiele SVM
In diesem Tutorium für den Masterstudiengang wird eine Einführung in Python stattfinden. Im spatäteren Verlauf werden wir ein bisschen auf die Vorverarbeitung und verschiedenen Klassifizierungsmethoden, sowie Neuronale Netze eingehen und die Kenntnisse von der Vorlesung Mustererkennung, gehalten von Herrn Porf. Golz, gefestigt.
Somit ist es für dieses Tutorium wichtig gewisse Vorkenntnisse von Mustererkennung mitzubringen.
**{{color text="Vorbereitung" c="#00386a"}}**
In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die VErsion und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
Die Folien und Beispieldaten zu den Grundlagen sowie Multiprocessing können Sie hier herunterladen: **__{{files download="Vorlesung_1_und_2.rar" text="Vorlesung 1 & 2 mit Aufgaben}}__**
**{{color text="Diskrete Fourier Tarnsformation" c="#00386a"}}**
In diesem Abschnitt des Tutoriums wird die Vorverarbeitung durch die Diskrete Fourier Transformation grundlegend erläutert. Durch dieses tutorium soll das Verständnis der DFT und die Wichtigkeit der Vorverarbeitung dargestellt werde, sowie Verständniss für die mathematischen Abbildungen und der Formel der DFT. Wodurch folgende Gliederung gewählt wurde:
1) Aufgabe der DFT
2) Mathematische Darstellung
1) Signal
2) Frequenzspektrum
3) Phasenspektrum
4) Betragsspektrum
3) DFT als Programm
1) Beispiel für DFT
Die DFT hat den Zweck ein Siganl/Funktion, welches Zeitabhängig ist, in eine periodische Funktion welche Frequenzabhängig ist umzuwandeln. Durch diese Transformationen sind mehr Daten vorhanden, weil diese Funktion eine Komplexwertige Funktion ist. Dies ist in sofern wichtig, da fürs Maschinelle Lernen sehr viele Datensätze enorm wichtig sind. Die verschiedenen Abbildungsformen zeigen wir an einem Beispiel. Das Betragsspektrum stellt den Realteil der Komplexwertigen Funktion da. Das Phasenwinkel hingegen den Imaginär Teil der Funktion.
Hier sind Beispielabbildungen des Phasen- und Betragsspektrums, sowie die Mathemtische Formel.
{{image url="MathematischeFormel.PNG" width="700"}}
{{image url="Unbenannt2.PNG" width="775"}} {{image url="Phasenspektrum.PNG" width="790"}}
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="DFT.zip" text="DFT"}}__**
**{{color text="k-Nearest-Neighbors (KNN)" c="#00386a"}}**
k-Nearest Neighbors ist ein Klassifikationsverfahren, welches aufgrund der k nächsten Nachbarn eine Klassifizierung vornimmt. Diese Bestimmung wird anhand eines Distanzmaßes vorgenommen, das meist gewählt ist das euklidische Distanzberechnung.
{{image url="euklidischeDistanzmass.PNG" width="700"}}
{{image url="Abbknn.PNG" width="300"}}
Vorgestellt wird eine Eigenimplimentierung und ein Packages, welches diese Klassifizierungsmethode vorimplimentiert enthält.
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="knn.zip" text="KNN"}}__**
**{{color text="Gustafson-Kessel" c="#00386a"}}**
Der Gustafson-Kessel-Algorithmus ist eine Erweiterung des Fuzzy k-Means. Durch diese Erweiterung ist es möglich den Richtungssinn von Daten zu erfassen.
Aber was heißt das ?
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: **__[[http://wiki.hs-schmalkalden.de/CIPythonB Tutorium Python - Bachelor]]__**
Um dies zu realisieren wird beim Gustafson-Kessel-Algorithmus ein besonderes Distanzmaß, die Skalierte Mahalanobis Distanz.
{{image url="Gustafson.PNG" width="700"}}
Nach der Theorie wird wieder eine Eigenimplementierung dieses Algorihtmuses vorgestellt, um das Verständnis zu festigen.
Die Folien und Beispieldaten zu dem Gustafson-Kessel-Algorithmus können Sie hier herunterladen: **__{{files download="Python_4_2.zip" text="Fuzzy k-Means und Erweiterung"}}__**
**{{color text="Neuronale Netze" c="#00386a"}} **
In diesem Kapitel behandelen wir als erstes das einfachste Neuronale Netz. Das Neuronale Netz hat seinen Namen von den menschlichen Neuronalen Netzten, da wir ein solches Netz simulieren. Dieses nennt sich Pperzeptron. In diesen Neuronalen Netz gibt es keine Hidden-Neurone. Mit diesen Netzwerk können einfache Funktion wie and/or gelernt werden. Im Neuronalen Netz hat jedes Neuron eine eigene wichtung, durch eine Summenbildung des Eingangswertes und das Gewicht dieses Neurons werden Entscheidungen getroffen. Bei komplexeren Neuronalen Netzen kommt es auch drauf an welche Neuronen angesprochen werden.
Das Perzeptron haben wir an dem Beispiel der or-Funktion Vorgestellt. Desweitern haben wir eine Projektaufgabe bei der das Perzeptron auf eine and-Funktion umzuprogrammieren.
Hier ist der Aufbau des Perzeptrons dargestellt:
{{image url="Perzeptron.PNG"}}
Die Folien und Beispieldaten zu dem Perzeptron können Sie hier herunterladen: **__{{files download="NeuronaleNetze.zip" text="Neuronale Netze"}}__**
**{{color text="Noch mögliche Vorlesungspunkte in kommenden Semestern" c="#00386a"}} **
- Random Forest
- Vertiefende Beispiele Neuronale Netzte (z.B. Bild Unterscheidung Katze/Hund)
- Vertiefende Beispiele SVM
Deletions:
__===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungMaster Zu den Inhalten]]===__
**{{color text="Tutor" c="#00386a"}}**
Chris Gerlach
**{{color text="Ziel des Tutoriums:" c="#00386a"}}**
Ziel ist das Erlernen der Programmiersprache Python in den Grundbausteinen, sowie in Bezug auf die Computerbasierte Intelligenz.
Wir werden anfäglich die Grundbausteine der Programmiersprache legen. Anschließend werden wir Bezug auf die Übungen, von der Veranstaltung Computerbasierte Intelligenz, nehmen und diese Aufgaben, sowie weiteres, in Python nachprogrammieren.
**{{color text="Adressaten des Lehrangebotes:" c="#00386a"}}**
Master Medieninformatik
Master Applied Computer Since
Master Informatik und IT-Management
**{{color text="Teilnahme:" c="#00386a"}}**
Benachrichtigung über Stud-IP Veranstaltung
Voraussetzungen:
Grundkenntnisse in der allgemeinen Programmierung
Bei Fragen können Sie sich gerne an mich wenden:
c.gerlach@stud.fh-sm.de
**{{color text="6. Veranstaltungsinhalte:" c="#00386a"}}**
- Allgemeine Einführung
- Datentypen, Abfragen, Schleifen, Exception etc.
- OOP, Multithreading
- Funktionen, Module, Klassen, Multithreading
- Databasconnection
- Klassifizierungsverfahren
- k-Nearest Neighbors (kNN)
- k-Means
- Fuzzy k-Means
- Neuronales Netz
===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungMaster >> Zu den Inhalten]]===
Additions:
===**{{color text="Tutorium: Python Programmierung (Bachelorstudiengang) "c="#00386a"}}** ===
__===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungMaster Zu den Inhalten]]===__
**{{color text="Tutor" c="#00386a"}}**
Chris Gerlach
**{{color text="Ziel des Tutoriums:" c="#00386a"}}**
Ziel ist das Erlernen der Programmiersprache Python in den Grundbausteinen, sowie in Bezug auf die Computerbasierte Intelligenz.
Wir werden anfäglich die Grundbausteine der Programmiersprache legen. Anschließend werden wir Bezug auf die Übungen, von der Veranstaltung Computerbasierte Intelligenz, nehmen und diese Aufgaben, sowie weiteres, in Python nachprogrammieren.
**{{color text="Adressaten des Lehrangebotes:" c="#00386a"}}**
Master Medieninformatik
Master Applied Computer Since
Master Informatik und IT-Management
**{{color text="Teilnahme:" c="#00386a"}}**
Benachrichtigung über Stud-IP Veranstaltung
Voraussetzungen:
Grundkenntnisse in der allgemeinen Programmierung
Bei Fragen können Sie sich gerne an mich wenden:
c.gerlach@stud.fh-sm.de
**{{color text="6. Veranstaltungsinhalte:" c="#00386a"}}**
- Allgemeine Einführung
- Datentypen, Abfragen, Schleifen, Exception etc.
- OOP, Multithreading
- Funktionen, Module, Klassen, Multithreading
- Databasconnection
- Klassifizierungsverfahren
- k-Nearest Neighbors (kNN)
- k-Means
- Fuzzy k-Means
- Neuronales Netz
===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungMaster >> Zu den Inhalten]]===
__===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungMaster Zu den Inhalten]]===__
**{{color text="Tutor" c="#00386a"}}**
Chris Gerlach
**{{color text="Ziel des Tutoriums:" c="#00386a"}}**
Ziel ist das Erlernen der Programmiersprache Python in den Grundbausteinen, sowie in Bezug auf die Computerbasierte Intelligenz.
Wir werden anfäglich die Grundbausteine der Programmiersprache legen. Anschließend werden wir Bezug auf die Übungen, von der Veranstaltung Computerbasierte Intelligenz, nehmen und diese Aufgaben, sowie weiteres, in Python nachprogrammieren.
**{{color text="Adressaten des Lehrangebotes:" c="#00386a"}}**
Master Medieninformatik
Master Applied Computer Since
Master Informatik und IT-Management
**{{color text="Teilnahme:" c="#00386a"}}**
Benachrichtigung über Stud-IP Veranstaltung
Voraussetzungen:
Grundkenntnisse in der allgemeinen Programmierung
Bei Fragen können Sie sich gerne an mich wenden:
c.gerlach@stud.fh-sm.de
**{{color text="6. Veranstaltungsinhalte:" c="#00386a"}}**
- Allgemeine Einführung
- Datentypen, Abfragen, Schleifen, Exception etc.
- OOP, Multithreading
- Funktionen, Module, Klassen, Multithreading
- Databasconnection
- Klassifizierungsverfahren
- k-Nearest Neighbors (kNN)
- k-Means
- Fuzzy k-Means
- Neuronales Netz
===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungMaster >> Zu den Inhalten]]===
Deletions:
In diesem Tutorium für den Masterstudiengang wird eine Einführung in Python stattfinden. Im spatäteren Verlauf werden wir ein bisschen auf die Vorverarbeitung und verschiedenen Klassifizierungsmethoden, sowie Neuronale Netze eingehen und die Kenntnisse von der Vorlesung Mustererkennung, gehalten von Herrn Porf. Golz, gefestigt.
Somit ist es für dieses Tutorium wichtig gewisse Vorkenntnisse von Mustererkennung mitzubringen.
**{{color text="Vorbereitung" c="#00386a"}}**
In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die VErsion und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
Die Folien und Beispieldaten zu den Grundlagen sowie Multiprocessing können Sie hier herunterladen: **__{{files download="Vorlesung_1_und_2.rar" text="Vorlesung 1 & 2 mit Aufgaben}}__**
**{{color text="Diskrete Fourier Tarnsformation" c="#00386a"}}**
In diesem Abschnitt des Tutoriums wird die Vorverarbeitung durch die Diskrete Fourier Transformation grundlegend erläutert. Durch dieses tutorium soll das Verständnis der DFT und die Wichtigkeit der Vorverarbeitung dargestellt werde, sowie Verständniss für die mathematischen Abbildungen und der Formel der DFT. Wodurch folgende Gliederung gewählt wurde:
1) Aufgabe der DFT
2) Mathematische Darstellung
1) Signal
2) Frequenzspektrum
3) Phasenspektrum
4) Betragsspektrum
3) DFT als Programm
1) Beispiel für DFT
Die DFT hat den Zweck ein Siganl/Funktion, welches Zeitabhängig ist, in eine periodische Funktion welche Frequenzabhängig ist umzuwandeln. Durch diese Transformationen sind mehr Daten vorhanden, weil diese Funktion eine Komplexwertige Funktion ist. Dies ist in sofern wichtig, da fürs Maschinelle Lernen sehr viele Datensätze enorm wichtig sind. Die verschiedenen Abbildungsformen zeigen wir an einem Beispiel. Das Betragsspektrum stellt den Realteil der Komplexwertigen Funktion da. Das Phasenwinkel hingegen den Imaginär Teil der Funktion.
Hier sind Beispielabbildungen des Phasen- und Betragsspektrums, sowie die Mathemtische Formel.
{{image url="MathematischeFormel.PNG" width="700"}}
{{image url="Unbenannt2.PNG" width="775"}} {{image url="Phasenspektrum.PNG" width="790"}}
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="DFT.zip" text="DFT"}}__**
**{{color text="k-Nearest-Neighbors (KNN)" c="#00386a"}}**
k-Nearest Neighbors ist ein Klassifikationsverfahren, welches aufgrund der k nächsten Nachbarn eine Klassifizierung vornimmt. Diese Bestimmung wird anhand eines Distanzmaßes vorgenommen, das meist gewählt ist das euklidische Distanzberechnung.
{{image url="euklidischeDistanzmass.PNG" width="700"}}
{{image url="Abbknn.PNG" width="300"}}
Vorgestellt wird eine Eigenimplimentierung und ein Packages, welches diese Klassifizierungsmethode vorimplimentiert enthält.
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="knn.zip" text="KNN"}}__**
**{{color text="Gustafson-Kessel" c="#00386a"}}**
Der Gustafson-Kessel-Algorithmus ist eine Erweiterung des Fuzzy k-Means. Durch diese Erweiterung ist es möglich den Richtungssinn von Daten zu erfassen.
Aber was heißt das ?
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: **__[[http://wiki.hs-schmalkalden.de/CIPythonB Tutorium Python - Bachelor]]__**
Um dies zu realisieren wird beim Gustafson-Kessel-Algorithmus ein besonderes Distanzmaß, die Skalierte Mahalanobis Distanz.
{{image url="Gustafson.PNG" width="700"}}
Nach der Theorie wird wieder eine Eigenimplementierung dieses Algorihtmuses vorgestellt, um das Verständnis zu festigen.
Die Folien und Beispieldaten zu dem Gustafson-Kessel-Algorithmus können Sie hier herunterladen: **__{{files download="Python_4_2.zip" text="Fuzzy k-Means und Erweiterung"}}__**
**{{color text="Neuronale Netze" c="#00386a"}} **
In diesem Kapitel behandelen wir als erstes das einfachste Neuronale Netz. Das Neuronale Netz hat seinen Namen von den menschlichen Neuronalen Netzten, da wir ein solches Netz simulieren. Dieses nennt sich Pperzeptron. In diesen Neuronalen Netz gibt es keine Hidden-Neurone. Mit diesen Netzwerk können einfache Funktion wie and/or gelernt werden. Im Neuronalen Netz hat jedes Neuron eine eigene wichtung, durch eine Summenbildung des Eingangswertes und das Gewicht dieses Neurons werden Entscheidungen getroffen. Bei komplexeren Neuronalen Netzen kommt es auch drauf an welche Neuronen angesprochen werden.
Das Perzeptron haben wir an dem Beispiel der or-Funktion Vorgestellt. Desweitern haben wir eine Projektaufgabe bei der das Perzeptron auf eine and-Funktion umzuprogrammieren.
Hier ist der Aufbau des Perzeptrons dargestellt:
{{image url="Perzeptron.PNG"}}
Die Folien und Beispieldaten zu dem Perzeptron können Sie hier herunterladen: **__{{files download="NeuronaleNetze.zip" text="Neuronale Netze"}}__**
**{{color text="Noch mögliche Vorlesungspunkte in kommenden Semestern" c="#00386a"}} **
- Random Forest
- Vertiefende Beispiele Neuronale Netzte (z.B. Bild Unterscheidung Katze/Hund)
- Vertiefende Beispiele SVM
Additions:
===**{{color text="Tutorium: Python Programmierung (Masterstudiengang) "c="#00386a"}}** ===
In diesem Tutorium für den Masterstudiengang wird eine Einführung in Python stattfinden. Im spatäteren Verlauf werden wir ein bisschen auf die Vorverarbeitung und verschiedenen Klassifizierungsmethoden, sowie Neuronale Netze eingehen und die Kenntnisse von der Vorlesung Mustererkennung, gehalten von Herrn Porf. Golz, gefestigt.
Somit ist es für dieses Tutorium wichtig gewisse Vorkenntnisse von Mustererkennung mitzubringen.
**{{color text="Vorbereitung" c="#00386a"}}**
In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die VErsion und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
Die Folien und Beispieldaten zu den Grundlagen sowie Multiprocessing können Sie hier herunterladen: **__{{files download="Vorlesung_1_und_2.rar" text="Vorlesung 1 & 2 mit Aufgaben}}__**
**{{color text="Diskrete Fourier Tarnsformation" c="#00386a"}}**
In diesem Abschnitt des Tutoriums wird die Vorverarbeitung durch die Diskrete Fourier Transformation grundlegend erläutert. Durch dieses tutorium soll das Verständnis der DFT und die Wichtigkeit der Vorverarbeitung dargestellt werde, sowie Verständniss für die mathematischen Abbildungen und der Formel der DFT. Wodurch folgende Gliederung gewählt wurde:
1) Aufgabe der DFT
2) Mathematische Darstellung
1) Signal
2) Frequenzspektrum
3) Phasenspektrum
4) Betragsspektrum
3) DFT als Programm
1) Beispiel für DFT
Die DFT hat den Zweck ein Siganl/Funktion, welches Zeitabhängig ist, in eine periodische Funktion welche Frequenzabhängig ist umzuwandeln. Durch diese Transformationen sind mehr Daten vorhanden, weil diese Funktion eine Komplexwertige Funktion ist. Dies ist in sofern wichtig, da fürs Maschinelle Lernen sehr viele Datensätze enorm wichtig sind. Die verschiedenen Abbildungsformen zeigen wir an einem Beispiel. Das Betragsspektrum stellt den Realteil der Komplexwertigen Funktion da. Das Phasenwinkel hingegen den Imaginär Teil der Funktion.
Hier sind Beispielabbildungen des Phasen- und Betragsspektrums, sowie die Mathemtische Formel.
{{image url="MathematischeFormel.PNG" width="700"}}
{{image url="Unbenannt2.PNG" width="775"}} {{image url="Phasenspektrum.PNG" width="790"}}
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="DFT.zip" text="DFT"}}__**
**{{color text="k-Nearest-Neighbors (KNN)" c="#00386a"}}**
k-Nearest Neighbors ist ein Klassifikationsverfahren, welches aufgrund der k nächsten Nachbarn eine Klassifizierung vornimmt. Diese Bestimmung wird anhand eines Distanzmaßes vorgenommen, das meist gewählt ist das euklidische Distanzberechnung.
{{image url="euklidischeDistanzmass.PNG" width="700"}}
{{image url="Abbknn.PNG" width="300"}}
Vorgestellt wird eine Eigenimplimentierung und ein Packages, welches diese Klassifizierungsmethode vorimplimentiert enthält.
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="knn.zip" text="KNN"}}__**
**{{color text="Gustafson-Kessel" c="#00386a"}}**
Der Gustafson-Kessel-Algorithmus ist eine Erweiterung des Fuzzy k-Means. Durch diese Erweiterung ist es möglich den Richtungssinn von Daten zu erfassen.
Aber was heißt das ?
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: **__[[http://wiki.hs-schmalkalden.de/CIPythonB Tutorium Python - Bachelor]]__**
Um dies zu realisieren wird beim Gustafson-Kessel-Algorithmus ein besonderes Distanzmaß, die Skalierte Mahalanobis Distanz.
{{image url="Gustafson.PNG" width="700"}}
Nach der Theorie wird wieder eine Eigenimplementierung dieses Algorihtmuses vorgestellt, um das Verständnis zu festigen.
Die Folien und Beispieldaten zu dem Gustafson-Kessel-Algorithmus können Sie hier herunterladen: **__{{files download="Python_4_2.zip" text="Fuzzy k-Means und Erweiterung"}}__**
**{{color text="Neuronale Netze" c="#00386a"}} **
In diesem Kapitel behandelen wir als erstes das einfachste Neuronale Netz. Das Neuronale Netz hat seinen Namen von den menschlichen Neuronalen Netzten, da wir ein solches Netz simulieren. Dieses nennt sich Pperzeptron. In diesen Neuronalen Netz gibt es keine Hidden-Neurone. Mit diesen Netzwerk können einfache Funktion wie and/or gelernt werden. Im Neuronalen Netz hat jedes Neuron eine eigene wichtung, durch eine Summenbildung des Eingangswertes und das Gewicht dieses Neurons werden Entscheidungen getroffen. Bei komplexeren Neuronalen Netzen kommt es auch drauf an welche Neuronen angesprochen werden.
Das Perzeptron haben wir an dem Beispiel der or-Funktion Vorgestellt. Desweitern haben wir eine Projektaufgabe bei der das Perzeptron auf eine and-Funktion umzuprogrammieren.
Hier ist der Aufbau des Perzeptrons dargestellt:
{{image url="Perzeptron.PNG"}}
Die Folien und Beispieldaten zu dem Perzeptron können Sie hier herunterladen: **__{{files download="NeuronaleNetze.zip" text="Neuronale Netze"}}__**
**{{color text="Noch mögliche Vorlesungspunkte in kommenden Semestern" c="#00386a"}} **
- Random Forest
- Vertiefende Beispiele Neuronale Netzte (z.B. Bild Unterscheidung Katze/Hund)
- Vertiefende Beispiele SVM
In diesem Tutorium für den Masterstudiengang wird eine Einführung in Python stattfinden. Im spatäteren Verlauf werden wir ein bisschen auf die Vorverarbeitung und verschiedenen Klassifizierungsmethoden, sowie Neuronale Netze eingehen und die Kenntnisse von der Vorlesung Mustererkennung, gehalten von Herrn Porf. Golz, gefestigt.
Somit ist es für dieses Tutorium wichtig gewisse Vorkenntnisse von Mustererkennung mitzubringen.
**{{color text="Vorbereitung" c="#00386a"}}**
In der ersten Tutoriumssitzung gehen wir auf die auf die Besonderheiten, sowie die Installation der Entwicklungsumgebung und das Erstellen von Projekten und Umgebungen. Bei der Insterllation und Erstellung der Umgebung muss darauf geachtet werden, mit welcher Python-IDE-Version programmiert wird. Das liegt daran das manche packages nicht mit jeder Version funktionieren. Deshalb muss man gut überlegen, was man vorhart und sich über die VErsion und deren dazugehörigen packages infomieren. Desweiteren werden Besonderheiten der Skriptsprache Vorgestellt, sowie der Umgang mit Schleifen, Variablen, Listen, wichtigen Datenstrukturen & Exception Handling. In der zweiten Sitzung wird Multithreading & Multiprocessing und Objektorientiertes Programmieren in Python. Dabei stellt sich der interessante Fakt herraus, dass Multithreading nur einen Kern des Prozessors nutzt. Aus diesem Grund kann keine große Effizientssteigerung entstehen.
Beim Multiprocessing werden mehrere Kerne des Prozessors genutzt auf denen dann visuelle Threads erstellt werden.
Die Folien und Beispieldaten zu den Grundlagen sowie Multiprocessing können Sie hier herunterladen: **__{{files download="Vorlesung_1_und_2.rar" text="Vorlesung 1 & 2 mit Aufgaben}}__**
**{{color text="Diskrete Fourier Tarnsformation" c="#00386a"}}**
In diesem Abschnitt des Tutoriums wird die Vorverarbeitung durch die Diskrete Fourier Transformation grundlegend erläutert. Durch dieses tutorium soll das Verständnis der DFT und die Wichtigkeit der Vorverarbeitung dargestellt werde, sowie Verständniss für die mathematischen Abbildungen und der Formel der DFT. Wodurch folgende Gliederung gewählt wurde:
1) Aufgabe der DFT
2) Mathematische Darstellung
1) Signal
2) Frequenzspektrum
3) Phasenspektrum
4) Betragsspektrum
3) DFT als Programm
1) Beispiel für DFT
Die DFT hat den Zweck ein Siganl/Funktion, welches Zeitabhängig ist, in eine periodische Funktion welche Frequenzabhängig ist umzuwandeln. Durch diese Transformationen sind mehr Daten vorhanden, weil diese Funktion eine Komplexwertige Funktion ist. Dies ist in sofern wichtig, da fürs Maschinelle Lernen sehr viele Datensätze enorm wichtig sind. Die verschiedenen Abbildungsformen zeigen wir an einem Beispiel. Das Betragsspektrum stellt den Realteil der Komplexwertigen Funktion da. Das Phasenwinkel hingegen den Imaginär Teil der Funktion.
Hier sind Beispielabbildungen des Phasen- und Betragsspektrums, sowie die Mathemtische Formel.
{{image url="MathematischeFormel.PNG" width="700"}}
{{image url="Unbenannt2.PNG" width="775"}} {{image url="Phasenspektrum.PNG" width="790"}}
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="DFT.zip" text="DFT"}}__**
**{{color text="k-Nearest-Neighbors (KNN)" c="#00386a"}}**
k-Nearest Neighbors ist ein Klassifikationsverfahren, welches aufgrund der k nächsten Nachbarn eine Klassifizierung vornimmt. Diese Bestimmung wird anhand eines Distanzmaßes vorgenommen, das meist gewählt ist das euklidische Distanzberechnung.
{{image url="euklidischeDistanzmass.PNG" width="700"}}
{{image url="Abbknn.PNG" width="300"}}
Vorgestellt wird eine Eigenimplimentierung und ein Packages, welches diese Klassifizierungsmethode vorimplimentiert enthält.
Die Folien und Beispieldaten zum k-Nearest-Neighbors (KNN) können Sie hier herunterladen: **__{{files download="knn.zip" text="KNN"}}__**
**{{color text="Gustafson-Kessel" c="#00386a"}}**
Der Gustafson-Kessel-Algorithmus ist eine Erweiterung des Fuzzy k-Means. Durch diese Erweiterung ist es möglich den Richtungssinn von Daten zu erfassen.
Aber was heißt das ?
Beim Fuzzy k-Means wird immer von einer homogenen kreisrunden Form der Datenwolke ausgegangen, weshalb eliptische Formen oder Datensätze mit einem Richtungssinn schwer zu Klassifizieren sind. Um ein besseres Verständnis für den Fuzzy k-Means zu erlangen, verweise ich auf auf das Bachelortutorium vom Herrn Häuser: **__[[http://wiki.hs-schmalkalden.de/CIPythonB Tutorium Python - Bachelor]]__**
Um dies zu realisieren wird beim Gustafson-Kessel-Algorithmus ein besonderes Distanzmaß, die Skalierte Mahalanobis Distanz.
{{image url="Gustafson.PNG" width="700"}}
Nach der Theorie wird wieder eine Eigenimplementierung dieses Algorihtmuses vorgestellt, um das Verständnis zu festigen.
Die Folien und Beispieldaten zu dem Gustafson-Kessel-Algorithmus können Sie hier herunterladen: **__{{files download="Python_4_2.zip" text="Fuzzy k-Means und Erweiterung"}}__**
**{{color text="Neuronale Netze" c="#00386a"}} **
In diesem Kapitel behandelen wir als erstes das einfachste Neuronale Netz. Das Neuronale Netz hat seinen Namen von den menschlichen Neuronalen Netzten, da wir ein solches Netz simulieren. Dieses nennt sich Pperzeptron. In diesen Neuronalen Netz gibt es keine Hidden-Neurone. Mit diesen Netzwerk können einfache Funktion wie and/or gelernt werden. Im Neuronalen Netz hat jedes Neuron eine eigene wichtung, durch eine Summenbildung des Eingangswertes und das Gewicht dieses Neurons werden Entscheidungen getroffen. Bei komplexeren Neuronalen Netzen kommt es auch drauf an welche Neuronen angesprochen werden.
Das Perzeptron haben wir an dem Beispiel der or-Funktion Vorgestellt. Desweitern haben wir eine Projektaufgabe bei der das Perzeptron auf eine and-Funktion umzuprogrammieren.
Hier ist der Aufbau des Perzeptrons dargestellt:
{{image url="Perzeptron.PNG"}}
Die Folien und Beispieldaten zu dem Perzeptron können Sie hier herunterladen: **__{{files download="NeuronaleNetze.zip" text="Neuronale Netze"}}__**
**{{color text="Noch mögliche Vorlesungspunkte in kommenden Semestern" c="#00386a"}} **
- Random Forest
- Vertiefende Beispiele Neuronale Netzte (z.B. Bild Unterscheidung Katze/Hund)
- Vertiefende Beispiele SVM
Deletions:
__===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungMaster Zu den Inhalten]]===__
**{{color text="Tutor" c="#00386a"}}**
Chris Gerlach
**{{color text="Ziel des Tutoriums:" c="#00386a"}}**
Ziel ist das Erlernen der Programmiersprache Python in den Grundbausteinen, sowie in Bezug auf die Computerbasierte Intelligenz.
Wir werden anfäglich die Grundbausteine der Programmiersprache legen. Anschließend werden wir Bezug auf die Übungen, von der Veranstaltung Computerbasierte Intelligenz, nehmen und diese Aufgaben, sowie weiteres, in Python nachprogrammieren.
**{{color text="Adressaten des Lehrangebotes:" c="#00386a"}}**
Master Medieninformatik
Master Applied Computer Since
Master Informatik und IT-Management
**{{color text="Teilnahme:" c="#00386a"}}**
Benachrichtigung über Stud-IP Veranstaltung
Voraussetzungen:
Grundkenntnisse in der allgemeinen Programmierung
Bei Fragen können Sie sich gerne an mich wenden:
c.gerlach@stud.fh-sm.de
**{{color text="6. Veranstaltungsinhalte:" c="#00386a"}}**
- Allgemeine Einführung
- Datentypen, Abfragen, Schleifen, Exception etc.
- OOP, Multithreading
- Funktionen, Module, Klassen, Multithreading
- Databasconnection
- Klassifizierungsverfahren
- k-Nearest Neighbors (kNN)
- k-Means
- Fuzzy k-Means
- Neuronales Netz
===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungMaster >> Zu den Inhalten]]===
Additions:
===[[http://wiki.hs-schmalkalden.de/TutoriumPythonProgrammierungMaster >> Zu den Inhalten]]===
