|
Pattern Recognition (lecture + exercises) (PR)7.5 ECTS (englische Bezeichnung: Pattern Recognition (lecture + exercises))
Modulverantwortliche/r: Andreas Maier Lehrende:
Elmar Nöth, Sebastian Käppler, Christine Martindale
Startsemester: |
WS 2015/2016 | Dauer: |
1 Semester | Turnus: |
jährlich (WS) |
Präsenzzeit: |
80 Std. | Eigenstudium: |
145 Std. | Sprache: |
Englisch |
Lehrveranstaltungen:
Empfohlene Voraussetzungen:
- Well grounded in probability calculus, linear algebra/matrix calculus
A pattern recognition system consists of the following steps: sensor data acquisition, pre-processing, feature extraction, and classification. Our bachelor course 'Introduction to Pattern Recognition' focuses on the first three steps; this course on the final step of the pipeline, i.e. classification/machine learning. Knowledge about feature extraction is not required for studying the mathematical foundations of machine learning, but it is certainly helpful to get a better understanding of the whole picture.
Gute Kenntnisse in Wahrscheinlichkeitsrechnung und Linearer Algebra/Matrizenrechnung
Ein Mustererkennungssystem besteht aus den folgenden Verarbeitungsstufen: Aufnahme der Sensordaten, Vorverarbeitung, Merkmalsextraktion und Klassifikation. Unsere Bachelor-Vorlesung 'Introduction to Pattern Recognition' behandelt hauptsächlich die ersten drei Stufen, während diese Veranstaltung sich mit den mathematischen Grundlagen der Klassifikation/des maschinellen Lernens beschäftigt. Wissen über die Merkmalsextraktion ist für das Verständnis der mathematischen Grundlagen der automatischen Klassifikation zwar nicht notwendig, aber es hilft sicherlich, das Gesamtbild besser zu verstehen.
Es wird empfohlen, folgende Module zu absolvieren, bevor dieses Modul belegt wird:
Introduction to Pattern Recognition (lectures + exercises) (WS 2014/2015)
Introduction to Pattern Recognition (lecture only) (WS 2014/2015)
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 Studierenden
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
lösen Klassifikationsprobleme in der Programmiersprache MATLAB
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
solve classification problems in the programming language MATLAB
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:
Schlüsselwörter: Mustererkennung, Klassifikation
www: http://www5.informatik.uni-erlangen.de/lectures/ws-1516/pattern-recognition-pr/
Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan: Das Modul ist im Kontext der folgenden Studienfächer/Vertiefungsrichtungen verwendbar:
- Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)
(Po-Vers. 2013 | Wahlpflichtbereich Technisches Anwendungsfach | Medical Engineering)
- Informatik (Master of Science)
(Po-Vers. 2010 | Wahlpflichtbereich | Säule der anwendungsorientierten Vertiefungsrichtungen | Vertiefungsmodul Mustererkennung)
- Medizintechnik (Master of Science)
(Po-Vers. 2013 | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV))
Studien-/Prüfungsleistungen:
Pattern Recognition (Lecture + Exercises) (Prüfungsnummer: 456863)
- Prüfungsleistung, mündliche Prüfung, Dauer (in Minuten): 30, benotet
- Anteil an der Berechnung der Modulnote: 100.0 %
- weitere Erläuterungen:
30-minütige mündliche Prüfung über den Stoff der Vorlesung und der Übungen
- Erstablegung: WS 2015/2016, 1. Wdh.: SS 2016, 2. Wdh.: keine Wiederholung
|
|
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|