Sprungmarken

Service navigation

Hauptnavigation

You are here:

Bereichsnavigation

Hauptinhalt

Vorlesung Mustererkennung im WS 2016/17


Hinweise:
  • Ab 15.11. findet die Vorlesung im Raum OH 16, 205 statt.
  • Am 3. und 10.11. findet die Vorlesung im Raum SRG1, 2008 statt.
  • Am 25. und 27.10. sowie am 8.11. findet die Vorlesung im Raum OH 14, E04 statt.
  • Am 20.10. finden zwei Instanzen der Vorlesung zu je 1 Stunde Dauer um 10 Uhr c.t. und um 11 Uhr c.t. statt.

Praktische Übungen:
Gruppe A: 13.-17. Februar 2017 (ca. 9-17 Uhr)
Gruppe B: 20.-24. Februar 2017 (ca. 9-17 Uhr)
Ort: OH 16, R.U08

Beachte: Anmeldung erforderlich

Einführung:

Mustererkennung gehört zu den Bemühungen der modernen Informationstechnik, Wahrnehmungsleistungen zu automatisieren, wie sie sonst von natürlichen Vorbildern bekannt sind. Prominente Anwendungsfelder sind das Erkennen von Schrift, das Verstehen gesprochener Sprache und die Interpretation von Bildern. In verschiedenen Bereichen wie der Ökologie, der Mikrobiologie und der Robotik werden Mustererkennungsverfahren zunehmend zur Analyse von Messsequenzen eingesetzt.

In diesem Kontext wird in der Vorlesung die Klassifikation von Mustern detailliert untersucht. Klassifikation bedeutet dabei, dass ein Muster als Gesamtheit einem Begriff - d.h. einer Klasse - zugewiesen wird. Im Gegensatz zu verwandten Forschungsdisziplinen (z.B. Künstliche Intelligenz) liegt der behandelte Schwerpunkt auf wahrscheinlichkeitstheoretischen Familien von Klassifikatoren, wie z.B. dem Bayes-Klassifikator oder Mischverteilungsklassifikatoren, und sogenannten verteilungsfreien Klassifikatoren. Darüber hinaus werden aktuelle diskriminative Methoden (z.B. kernelbasierte Verfahren wie Support Vector Machines) vorgestellt.

Die Veranstaltung richtet sich an Studierende zu Beginn ihres Haupt- bzw. Masterstudiums und dient v.a. als Grundlage (Basismodul) für weitergehende Veranstaltungen im Forschungsbereich "Intelligente Systeme". Beispiele für darauf aufbauende Veranstaltungen sind u.a. die Vorlesungen/Module "Spracherkennung" oder "Computer Vision". Darüber hinaus stellen die vermittelten Kenntnisse wichtige Voraussetzungen für ein weites Anwendungsfeld von statistischen Analysen realer Daten dar (z.B. Robotik, Bildinterpretation, Bioinformatik, Chemoinformatik etc.).

Basismodul (INF-MSc-232) im Master (Angewandte) Informatik

fachliche Schwerpunkte: Algorithms; Bioinformatics; Cyber-Physical Systems; Data Science; Logics, Information and Knowledge

Literatur:

  • Niemann, H.: Klassifikation von Mustern, Springer-Verlag, Berlin 1983
  • Duda, R. O.; Hart, P. E.; Stork, D. G.: Pattern Classification, Wiley, New York, 2. Auflage, 2001
  • Burges, Ch.: A Tutorial on Support Vector Machines for Pattern Recognition, Data Mining and Knowledge Discovery, Bd. 2, 1998, S. 121-167.
  • Hastie T. et al.: The Elements of Statistical Learning, Springer, 2001
  • Fukunaga, K.: Introduction to Statistical Pattern Recognition, Academic Press, Boston, 2. Auflage, 1990
  • Fink, G. A.: Markov Models for Pattern Recognition, From Theory to Applications, Springer, 2. Auflage, 2014
  • Fink, G. A.: Mustererkennung mit Markov-Modellen, Teubner, 2003

Materialien zur Vorlesung: