Summer Term 2019

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
  • Modulteil zum Modul Signalanalyse CS4510 für Master MIW, Master Informatik, Master EdT
  • 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

Klausur

1. Klausurtermin: 29.07.2019, 10-12 Uhr, Z 1/2

2. Klausurtermin: 10.10.2019, 10-12 Uhr, AM S4

WICHTIG:

Die HAT Studenten schreiben Fortgeschrittene Signalverarbeitung (=AMSAV und Mustererkennung) am 29.07. bzw. 10.10.
Anmeldung dafür im Moodle bei Mustererkennung.

1. Termin für die HAT Studenten: Fortgeschrittene Signalverarbeitung: 29.07.2019, 10-13 Uhr, AM S2

2. Termin für die HAT Studenten: Fortgeschrittene Signalverarbeitung: 10.10.2019, 10-13 Uhr, ISIP Seminarraum

Zugelassene Hilfsmittel:

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

Übung

Die Übung findet alle 14 Tage statt. 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