EN
Modul
Mustererkennung [M-INFO-100825]
Leistungspunkte
6Turnus
Jedes SommersemesterDauer
1 SemesterSprache
DeutschLevel
4Version
2Einrichtung
- KIT-Fakultät für Informatik
Bestandteil von
Teilleistungen
Identifier | Name | LP |
---|---|---|
T-INFO-101362 | Mustererkennung | 6 |
Erfolgskontrolle(n)
Siehe Teilleistung.
Qualifikationsziele
- Studierende haben fundiertes Wissen zur Auswahl, Gewinnung und Eigenschaften von Merkmalen, die der Charakterisierung von zu klassifizierenden Objekten dienen. Studierende wissen, wie der Merkmalsraum gesichtet werden kann, wie Merkmale transformiert und Abstände im Merkmalsraum bestimmt werden können. Des weiteren können Sie Merkmale normalisieren und Merkmale konstruieren. Darüber hinaus wissen Studierende wie die Dimension des Merkmalsraumes reduziert werden kann.
- Studierende haben fundiertes Wissen zur Auswahl und Anpassung geeigneter Klassifikatoren für unterschiedliche Aufgaben. Sie kennen die Bayes’sche Entscheidungstherorie, Parameterschätzung und parameterfreie Methoden, lineare Diskriminanzfunktionen, Support Vektor Maschine und Matched Filter. Außerdem beherrschen Studierende die Klassifikation bei nominalen Merkmalen.
- Studierende sind in der Lage, Mustererkennungsprobleme zu lösen, wobei die Effizienz von Klassifikatoren und die Zusammenhänge in der Verarbeitungskette Objekt – Muster – Merkmal – Klassifikator aufgabenspezifisch berücksichtigt werden. Dazu kennen Studierende das Prinzip zur Leistungsbestimmung von Klassifikatoren sowie das Prinzip des Boosting.
Voraussetzungen
Siehe Teilleistung.
Inhalt
Merkmale:
- Merkmalstypen
- Sichtung des Merkmalsraumes
- Transformation der Merkmale
- Abstandsmessung im Merkmalsraum
- Normalisierung der Merkmale
- Auswahl und Konstruktion von Merkmalen
- Reduktion der Dimension des Merkmalsraumes
Klassifikatoren:
- Bayes’sche Entscheidungstherorie
- Parameterschätzung
- Parameterfreie Methoden
- Lineare Diskriminanzfunktionen
- Support Vektor Maschine
- Matched Filter, Templatematching
- Klassifikation bei nominalen Merkmalen
Allgemeine Prinzipien:
- Vapnik-Chervonenkis Theorie
- Leistungsbestimmung von Klassifikatoren
- Boosting
Empfehlungen
Siehe Teilleistung.
Arbeitsaufwand
Gesamt: ca. 180h, davon
Präsenzzeit Vorlesung 31h
Vor-Nachbereitung 40h
Präsenzzeit Übung 10h
Vorbereitung, Lösung der Übungsaufgaben, Nachbereitung 40h
Klausurvorbereitung und Präsenz 59h