Pattern Recognition (PR)5 ECTS
(englische Bezeichnung: Pattern Recognition)

Lehrveranstaltungen:

• • Pattern Recognition
    (Vorlesung, 3 SWS, Elmar Nöth, Mo, 10:15 - 11:45, H4; Di, 14:15 - 15:45, C2 - Chemikum; ab 15.10.2019)
  • Pattern Recognition Exercises
    (Übung, 1 SWS, Stephan Seitz et al.)

Empfohlene Voraussetzungen:

• Well grounded in probability calculus, linear algebra/matrix calculus

• The attendance of our bachelor course 'Introduction to Pattern Recognition' is not required but certainly helpful.
  

• Gute Kenntnisse in Wahrscheinlichkeitsrechnung und Linearer Algebra/Matrizenrechnung

• Der Besuch der Bachelor-Vorlesung 'Introduction to Pattern Recognition' ist zwar keine Voraussetzung, aber sicherlich von Vorteil.

Inhalt:

Mathematical foundations of machine learning based on the following classification methods:

• Bayesian classifier

• Logistic Regression

• Naive Bayes classifier

• Discriminant Analysis

• norms and norm dependent linear regression

• Rosenblatt's Perceptron

• unconstraint and constraint optimization

• Support Vector Machines (SVM)

• kernel methods

• Expectation Maximization (EM) Algorithm and Gaussian Mixture Models (GMMs)

• Independent Component Analysis (ICA)

• Model Assessment

• AdaBoost
  

Mathematische Grundlagen der maschinellen Klassifikation am Beispiel folgender Klassifikatoren:

• Bayes-Klassifikator

• Logistische Regression

• Naiver Bayes-Klassifikator

• Diskriminanzanalyse

• Normen und normabhängige Regression

• Rosenblatts Perzeptron

• Optimierung ohne und mit Nebenbedingungen

• Support Vector Maschines (SVM)

• Kernelmethoden

• Expectation Maximization (EM)-Algorithmus und Gaußsche Mischverteilungen (GMMs)

• Analyse durch unabhängige Komponenten

• Modellbewertung

• AdaBoost

Lernziele und Kompetenzen:

Die Studenten

• verstehen die Struktur von Systemen zur maschinellen Klassifikation einfacher Muster

• erläutern die mathematischen Grundlagen ausgewählter maschineller Klassifikatoren

• wenden Klassifikatoren zur Lösung konkreter Klassifikationsproblem an

• beurteilen unterschiedliche Klassifikatoren in Bezug auf ihre Eignung

• verstehen in der Programmiersprache Python geschriebene Lösungen von Klassifikationsproblemen und Implementierungen von Klassifikatoren
  

Students

• understand the structure of machine learning systems for simple patterns

• explain the mathematical foundations of selected machine learning techniques

• apply classification techniques in order to solve given classification tasks

• evaluate various classifiers with respect to their suitability to solve the given problem

• understand solutions of classification problems and implementations of classifiers written in the programming language Python

Literatur:

• Richard O. Duda, Peter E. Hart, David G. Stock: Pattern Classification, 2nd edition, John Wiley&Sons, New York, 2001

• Trevor Hastie, Robert Tobshirani, Jerome Friedman: The Elements of Statistical Learning - Data Mining, Inference, and Prediction, 2nd edition, Springer, New York, 2009

• Christopher M. Bishop: Pattern Recognition and Machine Learning, Springer, New York, 2006

Weitere Informationen:

Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:
Das Modul ist im Kontext der folgenden Studienfächer/Vertiefungsrichtungen verwendbar:

1. 123#67#H
   (Po-Vers. 2008 | TechFak | Computational Engineering (Master of Science with Honours) | Masterprüfung | Wahlpflichtbereich Informatik | Pattern Recognition)
2. 123#67#H
   (Po-Vers. 2008 | TechFak | Computational Engineering (Master of Science with Honours) | Masterprüfung | Wahlpflichtbereich Angewandte Mathematik | Pattern Recognition)
3. Advanced Optical Technologies (Master of Science)
   (Po-Vers. 2018w | TechFak | Advanced Optical Technologies (Master of Science) | Gesamtkonto | Major Topics | Computational Optics | Pattern Recognition)
4. Advanced Signal Processing & Communications Engineering (Master of Science)
   (Po-Vers. 2016w | TechFak | Advanced Signal Processing & Communications Engineering (Master of Science) | Gesamtkonto | Wahlmodule | Technical Electives | Pattern Recognition)
5. Communications and Multimedia Engineering (Master of Science)
   (Po-Vers. 2011 | TechFak | Communications and Multimedia Engineering (Master of Science) | Gesamtkonto | Wahlpflichtmodule | Technische Wahlpflichtmodule | Pattern Recognition)
6. Communications and Multimedia Engineering (Master of Science)
   (Po-Vers. 2011 | TechFak | Communications and Multimedia Engineering (Master of Science) | Gesamtkonto | Wahlmodule | Technische Wahlmodule | Pattern Recognition)
7. Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)
   (Po-Vers. 2008 | TechFak | Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) | Gesamtkonto | Wahlpflichtbereich Informatik | Pattern Recognition)
8. Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)
   (Po-Vers. 2008 | TechFak | Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) | Gesamtkonto | Wahlpflichtbereich Angewandte Mathematik | Pattern Recognition)
9. Digital Humanities (Master of Arts): 3. Semester
   (Po-Vers. 2019w | PhilFak | Digital Humanities (Master of Arts) | Gesamtkonto | Daten analysieren und verstehen | Pattern Recognition)
10. Informatik (Bachelor of Science)
    (Po-Vers. 2009s | TechFak | Informatik (Bachelor of Science) | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsrichtung Mustererkennung | Pattern Recognition)
11. Informatik (Bachelor of Science)
    (Po-Vers. 2009w | TechFak | Informatik (Bachelor of Science) | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsrichtung Mustererkennung | Pattern Recognition)
12. Informatik (Master of Science)
    (Po-Vers. 2010 | TechFak | Informatik (Master of Science) | Wahlpflichtbereich | Säule der anwendungsorientierten Vertiefungsrichtungen | Vertiefungsrichtung Mustererkennung | Pattern Recognition)
13. Information and Communication Technology (Master of Science)
    (Po-Vers. 2019s | TechFak | Information and Communication Technology (Master of Science) | Pflicht- und Wahlpflichtmodule der Studienschwerpunkte | Schwerpunkt Networks and Digital Communication | Wahlpflichtmodul aus INF im Schwerpunkt Networks and Digital Communication | Pattern Recognition)
14. Information and Communication Technology (Master of Science)
    (Po-Vers. 2019s | TechFak | Information and Communication Technology (Master of Science) | Pflicht- und Wahlpflichtmodule der Studienschwerpunkte | Schwerpunkt Media Processing Systems | Pflichtmodule | Pattern Recognition)
15. Informations- und Kommunikationstechnik (Master of Science)
    (Po-Vers. 2010 | TechFak | Informations- und Kommunikationstechnik (Master of Science) | Schwerpunkte im Masterstudium | Schwerpunkt Multimediasysteme | Pflichtmodule | Pattern Recognition)
16. Informations- und Kommunikationstechnik (Master of Science)
    (Po-Vers. 2016s | TechFak | Informations- und Kommunikationstechnik (Master of Science) | Schwerpunkte im Masterstudium | Schwerpunkt Multimediasysteme | Pflichtmodule | Pattern Recognition)
17. International Information Systems (IIS) (Master of Science)
    (Po-Vers. 2014w | ReWiFak | International Information Systems (IIS) (Master of Science) | Informatics | Informatics Electives | Extension Courses | Pattern Recognition)
18. International Information Systems (IIS) (Master of Science)
    (Po-Vers. 2017w | ReWiFak | International Information Systems (IIS) (Master of Science) | Gesamtkonto | Informatics | Informatics Electives | Extension Courses | Pattern Recognition)
19. Mathematik (Bachelor of Science)
    (Po-Vers. | NatFak | Mathematik (Bachelor of Science) | Module des Nebenfachs | Nebenfach Informatik | Vertiefungsmodule | Vertiefungsrichtung Mustererkennung | Pattern Recognition)
20. Mathematik (Bachelor of Science)
    (Po-Vers. 2019w | NatFak | Mathematik (Bachelor of Science) | Gesamtkonto | Module des Nebenfachs | Nebenfach Informatik | Vertiefungsmodule | Vertiefungsrichtung Mustererkennung | Pattern Recognition)
21. Medizintechnik (Master of Science)
    (Po-Vers. 2011 | TechFak | Medizintechnik (Master of Science) | alte Prüfungsordnungen | Modulgruppen M2 - M8 | Fachrichtung 'Medizinische Bild- und Datenverarbeitung' | M2 Ingenieurswissenschaftliche Kernfächer I | Pattern Recognition)
22. Medizintechnik (Master of Science)
    (Po-Vers. 2013 | TechFak | Medizintechnik (Master of Science) | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV) | Pattern Recognition)
23. Medizintechnik (Master of Science)
    (Po-Vers. 2018w | TechFak | Medizintechnik (Master of Science) | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV) | Pattern Recognition)
24. Medizintechnik (Master of Science)
    (Po-Vers. 2019w | TechFak | Medizintechnik (Master of Science) | Modulgruppen M1, M2, M3, M5, M7 nach Studienrichtungen | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV) | Pattern Recognition)
25. Medizintechnik (Master of Science)
    (Po-Vers. 2019w | TechFak | Medizintechnik (Master of Science) | Modulgruppen M1, M2, M3, M5, M7 nach Studienrichtungen | Study Field Health and Medical Data Analytics | M2 Engineering Core Modules (HMDA) | Pattern Recognition)

Studien-/Prüfungsleistungen:

Pattern Recognition (Prüfungsnummer: 41301)

(englischer Titel: Pattern Recognition)

Prüfungsleistung, mündliche Prüfung, Dauer (in Minuten): 30, benotet, 5 ECTS

Anteil an der Berechnung der Modulnote: 100.0 %

weitere Erläuterungen:
30-minütige mündliche Prüfung über den Stoff der Vorlesung und der Tafelübung
30 minute oral exam about the lecture and the corresponding exercises

Prüfungssprache: Deutsch oder Englisch

Erstablegung: WS 2019/2020, 1. Wdh.: SS 2020

1. Prüfer:

Elmar Nöth

Ort: Erlangen, Martensstr. 3, 09.136Ort: Erlangen, Martensstr. 3, 09.136