Mustererkennung (CS4220/CS4220 T)

2 SWS Vorlesung mit 1 SWS Übung.

Ab WS 2014/2015 für:

• Master MIW Wahlpflicht
• Master MI Wahlpflicht
• Master MML Pflicht
• Für SS20 auf Antrag: Master Medieninformatik Wahlpflicht
• Master RAS Wahlpflicht
• Modulteil zum Modul Signalanalyse CS4510 für Master MIW, Master Informatik, Master EdT, Master Biophysik, Master IT-Sicherheit
• Modulteil zum Modul Aktuelle Themen der Robotik und Automation CS4290 für Master Informatik im Anwendungsfach Robotik und Automation
• Modulteil zum Modul Fortgeschrittene Signalverarbeitung CS5274-KP08 für Master HAT

 

Update 03.04.2020: 
Wegen des Coronavirus kann die Vorlesung vorerst nicht als Präsenzveranstaltung stattfinden. 
Siehe auch Uni-Seite.
Stattdessen werden Sie gebeten, das bereitgestellte Skript abschnittsweise durchzuarbeiten. Zur Ergänzung werden während der Vorlesungszeiten virtuelle WebEx-Treffen stattfinden, die für Fragen und Erläuterungen genutzt werden können. Beginn ist jeweils 12:15 Uhr. Das Ende können wir nach Bedarf flexibel halten. 
Die Übungen werden in entsprechender Weise durchgeführt, wobei dann zu den Übungszeiten ebenfalls WebEx-Treffen stattfinden.

Bitte kommen Sie zur Vorbesprechung am Donnerstag, den 09.04.2020, um 12:15 Uhr in den virtuellen Raum:

https://uni-luebeck.webex.com/meet/alfred.mertins

Klausur

1. Klausurtermin: 04.08.2020, 8:00 - 10:00 Uhr, AM 1

2. Klausurtermin: 16.10.2020, 14:00 - 16:00 Uhr, AM 4

 

WICHTIG:

Die HAT Studenten schreiben Fortgeschrittene Signalverarbeitung (=AMSAV und Mustererkennung) am 04.08.2020 bzw. 16.10.2020.
Anmeldung dafür im Moodle bei Mustererkennung.

1. Termin für die HAT Studenten: Fortgeschrittene Signalverarbeitung: 04.08.2020, 8:00 - 11:00 Uhr, AM S4

2. Termin für die HAT Studenten: Fortgeschrittene Signalverarbeitung: 16.10.2020, 14:00 - 17:00 Uhr, AM S4

Zugelassene Hilfsmittel:

• handgeschriebene zweiseitige Formelsammlung (DIN A4)
• Taschenrechner und Zeichenmaterial

Übung

Die Übung findet alle 14 Tage statt.

Für weitere Infos auf Grund der Coronakrise finden Sie hier im Moodle: https://moodle.uni-luebeck.de/course/view.php?id=4889#section-4

 

Während der Präsenzzeit:

Folgende Termine stehen zur Verfügung:

1.   Mi,  12:00 - 14:00 Uhr, Seminarraum Mathematik 1 (Hilbert)
2.   Do, 14:00 - 16:00 Uhr, AM S2

Inhalte

Grundlagen der Wahrscheinlichkeitstheorie
Grundlagen der Merkmalsextraktion und Mustererkennung
Bayes’sche Entscheidungstheorie
Diskriminanzfunktionen
Neyman-Pearson-Test
Receiver Operating Characteristic
Parametrische und nichtparametrische Dichteschätzung
kNN-Klassifikator
Lineare Klassifikatoren
Support-vector-machines und kernel trick
Merkmalsreduktion und -transformation
Bewertung von Klassifikatoren durch Kreuzvalidierung

Empfohlene Literatur zur Vorlesung

R. O. Duda, P. E. Hart, and D. G. Storck: Pattern Classification - 2nd Ed., New York: Wiley
N. Cristianini and J. Shawe-Taylor: An Introduction to Support Vector Maschines (and other kernel-based learning methods) - Cambridge University Press 2000
C. M. Bishop: Pattern Recognition and Machine Learning – Springer 2009