Mustererkennung und maschinelles Lernen

Die Veranstaltung führt in die Verfahren zur Mustererkennung unter besonderer Berücksichtigung des maschinellen Lernens ein. Sie lernen typische Vorgehensweisen zum Umgang mit Daten und zum Aufbau von datengetriebenen Mustererkennungssystemen kennen. Wir betrachten und diskutieren typische Methoden und Algorithmen.

Im Praktikum setzen Sie ausgewählte Verfahren exemplarisch um. Dazu werden in Absprache mit den Studierenden Problemstellungen definiert und betrachtet. Eine Vorstellung geeigneter Toolkits, Bibliotheken, … wird angestrebt.

Mit dem Abschluss der Veranstaltung verstehen Sie die Prinzipien der Mustererkennung und des maschinellen Lernens und haben sich damit mit wesentlichen Verfahren der künstlichen Intelligenz vertraut gemacht. Sie sind in der Lage, grundlegende Verfahren einzusetzen.

Die Veranstaltung gibt einen Überblick über typischen Verfahren der Mustererkennung und des maschinellen Lernen. Die Themen der Veranstaltung umfassen:

• Grundlagen:
  Definition Mustererkennung und maschinelles Lernen, Bestandteile eines Mustererkennungssystems, Klassifikation, Vorgehensweisen des maschinellen Lernens, Training, überwachtes und unüberwachtes Lernen, Sammlung und Verwendung von Daten, Kreuzvalidierung, Bewertung von Klassifikationsverfahren bzw. Mustererkennungssystemen, Merkmalsextraktion, mathematische Grundlagen
• Ferner werden aus den nachfolgenden Bereichen ausgewählte Themen behandelt und ggf. durch aktuelle Fragestellungen ergänzt:
  Bayessche Entscheidungstheorie, Parameterschätzung, Dimensionalitätsreduktion, Principal Component Analysis, Hidden Markov Modelle
• Nichtparametrische Methoden, Nächste-Nachbarn-Klassifikation, Klassifikation mit Fuzzy Logic, Entscheidungsbäume, grammatikalische Ansätze
• Lineare Diskriminanz, Entscheidbarkeit, Support Vector Machines
• Neuronale Netzwerke
• Stochastische Methoden
• Dimensionalitätsreduktion des Merkmalsraumes
• Realisierung typischer Methoden und Vorgehensweisen im Praktikum,
  ggf. Einsatz vorhandener Programmpakete wie Weka, Rapid-Miner, Knime

(Auswahl)

• R.O. Duda, P.E. Hart, D.G. Stork: Pattern Classification, Wiley, 2nd Edition, 2000
• C.M. Bishop: Pattern Recognition and Machine Learning, Springer, 2006
• M. Mohri, A. Rostamizadeh, A. Talwalkar: Foundations of Machine Learning, MIT Press, 2012