Pattern Recognition (lecture only) (PR)5 ECTS

Lehrveranstaltungen:

• • Pattern Recognition
    (Vorlesung, 3 SWS, Elmar Nöth, Mo, 10:15 - 11:45, H10; Di, 9:00 - 9:45, H10; ab 7.10.2014)

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 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

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

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. Communications and Multimedia Engineering (Master of Science)
   (Po-Vers. 2011 | Masterprüfung | Wahlpflichtmodule | Technische Wahlpflichtmodule)
2. Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)
   (Po-Vers. 2008 | Masterprüfung | Wahlpflichtbereich Informatik | Pattern Recognition)
3. Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)
   (Po-Vers. 2008 | Masterprüfung | Wahlpflichtbereich Angewandte Mathematik | Pattern Recognition)
4. Informatik (Master of Science)
   (Po-Vers. 2010 | Wahlpflichtbereich | Säule der anwendungsorientierten Vertiefungsrichtungen | Vertiefungsmodul Mustererkennung)
5. Informations- und Kommunikationstechnik (Master of Science)
   (Po-Vers. 2010 | Schwerpunkte im Masterstudium | Schwerpunkt Multimediasysteme | Pflichtmodule | Pattern Recognition)
6. Medizintechnik (Master of Science)
   (Po-Vers. 2011 | Modulgruppen M2 - M8 | Fachrichtung "Medizinische Bild- und Datenverarbeitung" | M2 Ingenieurswissenschaftliche Kernfächer I | Pattern Recognition)
7. Medizintechnik (Master of Science)
   (Po-Vers. 2013 | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV))

Studien-/Prüfungsleistungen:

Pattern Recognition (lecture only) (Prüfungsnummer: 41301)

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 (ohne Übungen)

Erstablegung: WS 2014/2015, 1. Wdh.: SS 2015

1. Prüfer:

Elmar Nöth

Termin: 22.09.2015