Mustererkennung
Dr.-Ing. Heiko Münkel
Organisatorisches
Fachnr: 3615
Übungsbetreuung:
Termine (jeweils im Wintersemester, 3 Semesterwochenstunden):
Prüfung:
- Die Klausur findet im WS 2016/2017 zum letzten Mal statt. Die Prüfung findet am 17.02.2017 im Zeitraum 10-12 Uhr im Raum 250 des eNIFEs (Gebäude 3702) statt.
- schriftlich
- Anmeldung für Nachweis erfolgt über Eintragung in Listen im Flur 13. Stock.
- Dauer: 90min
- Hilfsmittel: nicht-programmierbarer Taschenrechner, andere Hilfsmittel sind nicht zugelassen.
- 3-4 Aufgaben, davon 1 Aufgabe als Kurzfragenteil.
Material:
- Vorlesung: siehe
- Übung: siehe
Inhaltsverzeichnis
- Einführung
- Grundlagen der Mustererkennung
- Verfahren der Wissensrepräsentation
- Bildbeschreibung und Merkmalsauswahl
- Ähnlichkeitsmaße
- Strategien der Mustererkennung
- Numerische Klassifikation
- Entscheidungstabelle, Entscheidungsbaum
- Nahester Nachbar Klassifikation, Prototypbasierte Klassifikation
- Naïve Bayes Klassifikator
- Support Vector Maschinen
- Neuronale Netze
- Random Forest
- Strukturelle Klassifikation
- Graphvergleichende Verfahren: Relaxation, Dynamische Programmierung, Heuristische Suche
- Modellauswertende Verfahren: Wissensbasierte Verfahren
- Erfahrungsbasierte Klassifikation
- Sichere Klassifikation
- Heuristische Klassifikation
- Clusteranalyse
Gegenstand der Vorlesung
Der Gegenstand der Vorlesung sind die Konzepte und Verfahren zur
Beschreibung und zur Interpretation von Mustern. Die Erläuterungen erfolgen
mehrheitlich an Beispielen bildlicher Muster. Für die Beschreibung und
Klassifikation der Muster werden sowohl die klassischen Verfahren der
statistisch-numerischen Mustererkennung erläutert, als auch Verfahren, die
auf der Verwendung komplexer symbolischer Methoden der Wissensrepräsentation
und Wissensnutzung basieren.
In der Übung werden die dargelegten Verfahren an Übungsaufgaben
vertieft. Wegen der hohen numerischen Komplexität bei den meisten
angewandten Problemstellungen gibt es neben dem Rechnen per Hand immer
auch Lösungsbeispiele in der Programmiersprache Matlab bzw. Octave (freie Variante
von Matlab). Mithilfe des zur Verfügung gestellten Matlab-Codes können
die Algorithmen an eigenen Mustererkennungsaufgaben zuhause vertieft
werden. Eine Einführung in die Sprache Matlab wird in der ersten Übungsstunde
durchgeführt.
Voraussetzungen
- Kenntnisse der Mathematik: Grundlagen der linearen Algebra, Grundlagen der Statistik
- praktische Übungsaufgaben: MATLAB oder Octave
Ergänzende Literatur
- Bishop, Pattern Recognition and Machine Learning [English], Springer, 2007
- Liedtke, Ender: Wissensbasierte Bildverarbeitung, Springer-Verlag, 1989
- Puppe: Problemlösungsmethoden in Expertensystemen, Springer-V, 1990
- Winston: Artificial Intelligence, Addison-Wesley, 1992
- Niemann: Pattern Analysis and Understanding, Springer-Verlag, 1989
- Niemann: Klassifikation von Mustern, 2003 (pdf)
Ergänzende Vorlesungen
