Grundlegende Mathematische Methoden für Imaging und Visualisierung (IN2124)
Basic Mathematical Methods for Imaging and Visualization (IN2124)
Lehrveranstaltung 240918393 im WS 2020/1
Basisdaten
| LV-Art | Vorlesung mit integrierten Übungen |
|---|---|
| Umfang | 4 SWS |
| betreuende Organisation | Informatik 16 - Lehrstuhl für Anwendungen in der Medizin (Prof. Navab) |
| Dozent(inn)en |
Tobias Lasser Mitwirkende: Theodor Cheslerean-Boghiu Josue Page Vizcaino Erdal Pekel Anca-Elena Stefanoiu |
| Termine |
Mo, 16:00–18:00, Interims I 102 sowie 1 einzelner oder verschobener Termin |
Zuordnung zu Modulen
-
IN2124: Grundlegende Mathematische Methoden für Imaging und Visualisierung / Basic Mathematical Methods for Imaging and Visualization
Dieses Modul ist in den folgenden Katalogen enthalten:- Fokussierungsrichtung Bildgebende Verfahren im M.Sc. Biomedical Engineering and Medical Physics
- Allgemeiner Katalog der nichtphysikalischen Wahlfächer
weitere Informationen
Lehrveranstaltungen sind neben Prüfungen Bausteine von Modulen. Beachten Sie daher, dass Sie Informationen zu den Lehrinhalten und insbesondere zu Prüfungs- und Studienleistungen in der Regel nur auf Modulebene erhalten können (siehe Abschnitt "Zuordnung zu Modulen" oben).
| ergänzende Hinweise | Grundlegende, oft angewandte Techniken werden in der Vorlesung präsentiert und anhand von Anwendungen aus Image Processing und Computer Vision demonstriert. Dieselben mathematischen Methoden kommen aber auch in anderen Ingenieurs-Disziplinen wie Künstliche Intelligenz, Machine Learning, Computergrafik, Robotik etc. zum Einsatz. Folgende Inhalte werden beispielhaft behandelt: - Lineare Algebra ++ Vektorräume und Basen ++ Lineare Abbildungen und Matrizen ++ Lineare Gleichungssysteme, Lösen von linearen Gleichungssystemen ++ Methode der kleinsten Quadrate ++ Eigenwertprobleme und Singulärwertzerlegung - Analysis ++ Metrische Räume und Topologie ++ Konvergenz, Kompaktheit ++ Stetigkeit und Differenzierbarkeit im Mehrdimensionalen, Taylor-Entwicklung - Optimierung ++ Existenz und Eindeutigkeit von Minimierern, Identifikation von Minimierern ++ Gradientenabstieg, Conjugate Gradient ++ Newton-Verfahren, Fixpunktiterationen - Wahrscheinlichkeitstheorie ++ Wahrscheinlichkeitsräume, Zufallsvariablen ++ Erwartungswert und bedingte Erwartung ++ Schätzer, Expectation Maximization Methode In den Übungen gibt es die Möglichkeit für die Teilnehmer bei der Implementation oder Anwendung der Methoden zur Lösung von realen Problemstellungen ein tieferes Verständnis zu erlangen und praktische Erfahrung zu sammeln. |
|---|---|
| Links |
LV-Unterlagen E-Learning-Kurs (z. B. Moodle) TUMonline-Eintrag |