Achtung:

Sie haben Javascript deaktiviert!
Sie haben versucht eine Funktion zu nutzen, die nur mit Javascript möglich ist. Um sämtliche Funktionalitäten unserer Internetseite zu nutzen, aktivieren Sie bitte Javascript in Ihrem Browser.

Aktuelle Themen aus Mustererkennung und maschinellem Lernen

Bayes Decision Rule

Kurzbeschreibung

In der Veranstaltung Aktuelle Themen aus Mustererkennung und maschinellem Lernen werden zunächst die Grundkonzepte der Mustererkennung und des maschinellen Lernens kurz zusammengefasst. Anschließend werden ausgewählte Themen behandelt. Die Auswahl orientiert sich dabei an aktuellen Forschungsthemen und variiert von Jahr zu Jahr. Beispiele für solche Themen sind

  • Schätzung von Modellen mit verborgenen Variablen, um eine in den Daten vermutete zugrundeliegende innere Struktur zu entdecken
  • Bias-Varianz Dilemma und Abtausch von Detailgenauigkeit der Modelle und Generalisierungsfähigkeit
  • Grafische Modelle
  • Sequentielle Daten und hidden Markov Modelle
  • Spezielle Klassifikationsaufgaben (z.B. automatische Spracherkennung)

Während der erste Teil der Veranstaltung aus dem üblichen Vorlesungs-/Übungsschema besteht, werden die Studenten im zweiten Teil  aktuelle Veröffentlichungen lesen, analysieren und präsentieren. Dies kann häufig auch die Realisierung von Algorithmus in Matlab umfassen.

Vorlesungsinhalte

  • Grundlagen der statistischen Mustererkennung: Bayes’sche Regel, Lernen von Verteilungsdichten, lineare Modelle für Klassifikation und Regression, Kernelmethoden
  • EM-Algorithmus für Maximum-Likelilhood und Bayes’sche Schätzung
  • Modelle mit diskreten und kontinuierlichen verborgenen Variablen: GMM, NMF
  • Bias-Varianz Dilemma und Modellwahl
  • Grafische Modelle
  • Hidden Markov Modelle
  • Tiefe neuronale Netze
  • Aktuelle Veröffentlichungen aus Mustererkennung und maschinellem Lernen

Lernergebnisse und Kompetenzen

Die Studierenden sind nach dem Besuch der Lehrveranstaltung in der Lage,

  • für ein vorgegebenes Mustererkennungsproblem einen geeigneten Klassifikator auszuwählen und zu trainieren
  • für ein gegebenes Regressionsproblem eine geeigneten Ansatz auswählen und die Parameter auf Trainingsdaten zu erlernen
  • nach in Daten verborgener Struktur mit Methoden des maschinellen Lernens zu suchen
  • eine geeignete Wahl für ein Modell treffen, welches einen guten Kompromiss zwischen Detailgrad und Verallgemeinerungsfähigkeit darstellt
  • aktuelle Veröffentlichungen aus dem Bereich der Mustererkennung und des maschinellen Lernens zu verstehen, zu analysieren und zu bewerten

Die Studierenden

  • haben ein Verständnis für die Bedeutung der Wahl der Modellordnung auf die Güte der Klassifikation und Regression
  • haben ein Verständnis dafür, dass man bei der Suche nach verborgenen Variablen von a priori Annahmen ausgeht, die das Ergebnis stark beeinflussen können
  • sind in der Lage, sich eigenständig in den Stand der Forschung in Teilgebieten der Mustererkennung und maschinellen Lernens durch Literaturrecherche und –studium einzuarbeiten
  • können Veröffentlichungen aus diesem Bereich in einen größeren Kontext einordnen
  • können die in diesem Kurse gewonnenen Kenntnisse und Fertigkeiten auf andereDiszipline übertragen

Methodische Umsetzung

  • Vorlesungen mit überwiegendem Tafeleinsatz, vereinzelt Folien-Präsentation
  • Präsenzübungen mit Übungsblättern und Demonstrationen am Rechner
  • Anleitung, wie aktuelle wissenschaftliche Veröffentlichungen zu analysieren sind
  • und anschließend eigenständige Einarbeitung in Fachliteratur durch die Studierenden
  • Präsentation von aktuellen Veröffentlichungen durch die Studierenden

Empfohlene Literatur

  • R.O. Duda, P.E. Hart, D.G.~ Stork,  Pattern   Classification, Wiley, 2001
  • K. Fukunaga, Introduction to Statistical Pattern Recognition, Academic Press, 1990
  • C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006
  • C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006

Einordnung

  • Veranstaltung für Master Studierende in Elektrotechnik, Computer Engineering und Electrical Systems Engineering
  • ECTS: 6
  • Sprache: Deutsch oder Englisch (je nach Wunsch)
  • Semester: Wintersemester

Die Universität der Informationsgesellschaft