|
Pattern Recognition (PR)5 ECTS (englische Bezeichnung: Pattern Recognition)
Modulverantwortliche/r: Andreas Maier Lehrende:
Elmar Nöth, Sebastian Käppler
Start semester: |
WS 2019/2020 | Duration: |
1 semester | Cycle: |
jährlich (WS) |
Präsenzzeit: |
60 Std. | Eigenstudium: |
90 Std. | Language: |
Englisch |
Lectures:
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:
Keywords: pattern recognition, classification, machine learning, Python programming
www: http://www5.cs.fau.de/pr
Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan: Das Modul ist im Kontext der folgenden Studienfächer/Vertiefungsrichtungen verwendbar:
- Digital Humanities (Master of Arts): 3. Semester
(Po-Vers. 2019w | PhilFak | Digital Humanities (Master of Arts) | Gesamtkonto | Daten analysieren und verstehen | 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
- Ort: Erlangen, Martensstr. 3, 09.136Ort: Erlangen, Martensstr. 3, 09.136
|
|
|