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

Lehrveranstaltungen:

• • Pattern Recognition
    (Vorlesung, 3 SWS, Andreas Maier et al., Mo, 14:15 - 15:45, H4; Di, 08:15 - 09:45, H4)
  • Pattern Recognition Exercises
    (Übung, 1 SWS, Paul Stöwer 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 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

• 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. International Information Systems (IIS) (Master of Science)
   (Po-Vers. 2021w | ReWiFak | International Information Systems (IIS) (Master of Science) | Gesamtkonto | Informatics | Data and knowledge - Informatics | Pattern Recognition)

Studien-/Prüfungsleistungen:

Pattern Recognition (Prüfungsnummer: 41301)

(englischer Titel: Pattern Recognition)

Prüfungsleistung, Klausur, Dauer (in Minuten): 90, benotet, 5 ECTS

Anteil an der Berechnung der Modulnote: 100.0 %

Prüfungssprache: Englisch

Erstablegung: WS 2022/2023, 1. Wdh.: SS 2023

1. Prüfer:

Andreas Maier

Termin: 11.10.2022