Sprungmarken

Service navigation

Hauptnavigation

You are here:

Bereichsnavigation

Hauptinhalt

Vorlesung Mustererkennung im WS 2017/18


Praktische Übungen: Februar 2018 (n.V., siehe gesonderte Ankündigung)

Besondere Termine:

  • Di. 14.11.: Repetitorium zur mathematischen Statistik
  • Do. 16.11.: Einf¨hrung in Python

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 Schwerpunkt auf der Behandlung numerischer Klassifikationsverfahren. Behandelt werden hier insbesonders statistische Klassifikatoren wie z.B. der Bayes-Klassifikator oder Mischverteilungsklassifikatoren, sogenannte Support-Vektor-Maschinen und neuronale Netzwerke, wie z.B. Mehrschichtperzeptren und die aktuellen tiefen neuronalen Netze (sog. deep learning). Die Veranstaltung richtet sich an Studierende zu Beginn ihres Masterstudiums und dient v.a. als Grundlage (Basismodul) für weitergehende Veranstaltungen im Forschungsbereich "Intelligente Systeme". 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: