Pattern Analysis (PA)5 ECTS (englische Bezeichnung: Pattern Analysis)
(Prüfungsordnungsmodul: Pattern Analysis)
Modulverantwortliche/r: Christian Riess Lehrende:
Christian Riess
Startsemester: |
SS 2022 | Dauer: |
1 Semester | Turnus: |
jährlich (SS) |
Präsenzzeit: |
60 Std. | Eigenstudium: |
90 Std. | Sprache: |
Englisch |
Lehrveranstaltungen:
-
-
Pattern Analysis
(Vorlesung, 3 SWS, Christian Riess, Do, 16:15 - 17:45, H16; Fr, 12:15 - 13:45, Zoom-Meeting)
-
Pattern Analysis Programming
(Übung, 1 SWS, Dalia Rodriguez Salas et al.)
Empfohlene Voraussetzungen:
Es wird empfohlen, folgende Module zu absolvieren, bevor dieses Modul belegt wird:
Pattern Recognition (WS 2021/2022)
Inhalt:
This module introduces the design of pattern analysis systems as well as the corresponding fundamental mathematical methods.
The topics comprise:
clustering methods: soft and hard clustering
classification and regression trees and forests
parametric and non-parametric density estimation: maximum-likelihood (ML) estimation, maximum-a-posteriori (MAP) estimation, histograms, Parzen estimation, relationship between folded histograms and Parzen estimation, adaptive binning with regression trees
mean shift algorithm: local maximization using gradient ascent for non-parametric probability density functions, application of the mean shift algorithm for clustering, color quantization, object tracking
linear and non-linear manifold learning: curse of dimensionality, various dimensionality reduction methods: principal component analysis (PCA), multidimensional scaling (MDS), isomaps, Laplacian eigenmaps
Gaussian mixture models (GMM) and hidden Markov models (HMM): expectation maximization algorithm, parameter estimation, computation of the optimal sequence of states/Viterbi algorithm, forward-backward algorithm, scaling
Markov random fields (MRF): definition, probabilities on undirected graphs, clique potentials, Hammersley-Clifford theorem, inference via Gibbs sampling and graph cuts
Das Modul führt in das Design von Musteranalysesystemen sowie die zugrundeliegenden mathematischen Methoden ein.
Die Vorlesung umfasst im Einzelnen:
Clustering-Methoden: Soft- und Hard-Clustering
Klassifikations- und Regressionsbäume/-wälder
parametrische und nicht-parametrische Dichteschätzung: Verfahren sind ML- und MAP-Schätzung, Histogramme, Parzenschätzung, Zusammenhang gefaltete Histogramme und Parzenschätzung, adaptives Binning mit Regressionsbäumen.
'Mean Shift'-Algorithmus: lokale Maximierung durch Gradientenaufstieg bei nicht-parametrischen Dichtefunktionen, Anwendungen des 'Mean Shift'-Algorithmus zum Clustering, Farbquantisierung und Objektverfolgung
Linear and Non-Linear Manifold Learning: Curse of Dimensionality, Verschiedene Methode zur Dimensionsreduktion: Principal Component Analysis (PCA), Multidimensionsional Scaling (MDS), Isomap, Laplacian Eigenmaps
Gaußsche Mischverteilungsmodelle (GMM) und Hidden-Markov-Modelle (HMM): 'Expectation Maximization'-Algorithmus, Parameterschätzung, Bestimmung der optimalen Zustandsfolge/Viterbi-Algorithmus, Vorwärts-Rückwärts-Algorithmus, Skalierung
Markov-Zufallsfelder: Definition, Wahrscheinlichkeiten auf ungerichteten Graphen, Cliquen-Potenziale, Hammersley-Clifford-Theorem, Inferenz mit Gibbs-Sampling und Graph Cuts
Lernziele und Kompetenzen:
The students
explain the discussed methods for classification, prediction, and analysis of patterns,
compare and analyze methods for manifold learning and select a suited method for a given set of features and a given problem,
compare and analyze methods for probability density estimation and select a suited method for a given set of features and a given problem,
apply non-parametric probability density estimation to pattern analysis problems,
apply dimensionality reduction techniques to high-dimensional feature spaces,
explain statistic modeling of feature sets and sequences of features,
explain statistic modeling of statistical dependencies,
implement presented methods in Python,
supplement autonomously the mathematical foundations of the presented methods by self-guided study of the literature,
discuss the social impact of applications of pattern analysis solutions.
Die Studierenden
erläutern die behandelten Methoden zur Klassifikation, Vorhersage und Analyse von Mustern,
vergleichen und analysieren Methoden des Manifold Learning und wählen für eine vorgegebene Fragestellung eine geeignete Methode aus,
vergleichen und analysieren Methoden zur Dichteschätzung und wählen für eine vorgegebene Fragestellung eine geeignete Methode aus,
wenden nicht-parametrische Dichteschätzung auf Probleme der Musteranalyse an,
wenden Dimensionsreduktion bei hochdimensionalen Merkmalsräumen an,
erläutern statistische Modellierung von Merkmalsmengen und Merkmalsfolgen,
erklären statistische Modellierung abhängiger Größen,
implementieren vorgestellte Verfahren in Python.
ergänzen eigenständig mathematische Grundlagen der präsentierten Methoden durch selbstbestimmtes Studium der Literatur
diskutieren die gesellschaftlichen Auswirkungen von Anwendungen der Musteranalyse
Literatur:
Begleitende Literatur / Accompanying literature:
C. Bishop: Pattern Recognition and Machine Learning, Springer Verlag, Heidelberg, 2006
T. Hastie, R. Tibshirani und J. Friedman: The Elements of Statistical Learning, 2nd Edition, Springer Verlag, 2009
A. Criminisi and J. Shotton: Decision Forests for Computer Vision and Medical Image Analysis, Springer, 2013
Organisatorisches:
Please join the associated studOn class: https://www.studon.fau.de/crs2955878.html
Weitere Informationen:
Schlüsselwörter: pattern recognition, pattern analysis
www: https://www.studon.fau.de/crs2955878.html
Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:
- 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 Analysis)
- 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 Analysis)
Dieses Modul ist daneben auch in den Studienfächern "123#67#H", "Advanced Optical Technologies (Master of Science)", "Advanced Signal Processing & Communications Engineering (Master of Science)", "Artificial Intelligence (Master of Science)", "Communications and Multimedia Engineering (Master of Science)", "Computational Engineering (Master of Science)", "Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)", "Data Science (Master of Science)", "Informatik (Master of Science)", "Information and Communication Technology (Master of Science)", "Informations- und Kommunikationstechnik (Master of Science)", "International Information Systems (IIS) (Master of Science)", "Mechatronik (Bachelor of Science)", "Mechatronik (Master of Science)" verwendbar.
Studien-/Prüfungsleistungen:
Pattern Analysis (Prüfungsnummer: 41201)
(englischer Titel: Oral Examination on Pattern Analysis)
- Prüfungsleistung, Klausur, Dauer (in Minuten): 60, benotet, 5 ECTS
- Anteil an der Berechnung der Modulnote: 100.0 %
- Prüfungssprache: Englisch
- Erstablegung: SS 2022, 1. Wdh.: WS 2022/2023, 2. Wdh.: keine Wiederholung
1. Prüfer: | Christian Riess |
- Termin: 05.10.2022
Termin: 05.10.2022
|
|