Praxiswerkstatt Mustererkennung

Die Veranstaltung dient der intensiven Auseinandersetzung mit einzelnen Verfahren und Methoden der Mustererkennung und des maschinellen Lernens im Kontext eines Gesamtsytems.

Sie lernen ein typisches Anwendungsszenario der Mustererkennung kennen und setzen sich mit den Herausforderungen und Problemen der Einbettung in ein Gesamtsystem auseinander. So bedingen beispielsweise stochatische Ansätze während der Interaktion mit dem Benutzer die Berücksichtigung einer Unsicherheit im Ergebnis.

Im Praxisprojekt identifizieren Sie eigenständig geeignete Verfahren zu einer gemeinsam definierten Problemstellung und entwickeln ein prototypisches Gesamtsystem. Im Verlauf der Veranstaltung informieren Sie über ihren Lösungsfortschritt und motivieren ihre Entscheidungen. Sie erarbeiten eigenständig die theoretischen Grundlagen der gewählten Methoden und stellen diese vor.

Zur Realisierung des Gesamtsystems ist sowohl die eigenständige Implementierung geeigneter Algorithmen als auch die Verwendung vorhandener Bibliotheken und Tools in Abhängigkeit von der gewählten Problemlösung möglich.

Sie verstehen die üblichen Elemente zur Realisierung eines Mustererkennungssystems und setzen diese um. Das Vorgehen orientiert sich an üblichen Phasen eines Projektes oder eines Vorgehensmodells der Softwareentwicklung. Übliche Elemente sind die Datensammlung und -aufbereitung, das maschinelle Lernen, die Erstellung eines Systems zur Mustererkennung und die Einbettung dieses Systems in ein geeignetes Gesamtsystem.

Die Veranstaltung setzt sich exemplarisch mit einzelnen ausgewählten Verfahren der Mustererkennung und des maschinellen Lernens auseinander. Die Wahl des Verfahrens wird in Abhängigkeit von einer gegebenen Problemstellung durchgeführt. Im Verlauf der Veranstaltung realisieren Sie einen lauffähigen Protoypen, in welchem der Mustererkennung zentrale Bedeutung zukommt.

Während die Veranstaltung "Mustererkennung und maschinelles Lernen" einen Überblick verschiedener Verfahren der Mustererkennung und des maschinellen Lernens gibt, steht in diesem Modul die konkrete Anwendung eines oder weniger ausgewählter Verfahren zur Lösung einer Problemstellung in einem Gesamtsystem im Vordergrund.

Dem bzw. den Verfahren der Mustererkennung kommt eine zentrale Bedeutung zu. Dementsprechend wird angestrebt, dass die Arbeiten im Kontext der Mustererkennung mindestens die Hälfte des Arbeitsaufwandes einnehmen.

Sie legen gemeinsam mit dem Dozenten in Projektteams die Aufgabenstellung fest. Als Team analysieren Sie die Problemstellung und erarbeiten einen Lösungsplan. Ausgehend von diesem Lösungsplan realisieren Sie einen Protoypen. Anhand des Prototypen demonstriert ihr Team den Einsatz der Verfahren der Mustererkennung.

Im Verlaufe der Veranstaltung stellen die Projektteams während der einzelnen Phasen ihren Fortschritt vor. Die notwendigen theoretischen Grundlagen werden im Rahmen des seminaristischen Unterrichts vorgestellt und diskutiert.

Themen und Verfahren, die im Rahmen dieser Veranstaltung Anwendung finden können, sind beispielsweise:
Überwachtes und unüberwachtes Lernen, Sammlung, Aufbereitung und Verwendung von Daten, Merkmalsextraktion, 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

Beispiele für Bibliotheken und Tools, deren Nutzung sich im Rahmen dieses Moduls anbieten, sind OpenCV, Matlab, Weka, Rapid-Miner, Knime und R.

Die Definition der Problemstellung orientiert sich an aktuellen Produkten und Forschungsprojekten. Exemplarisch sei ein System zur Erkennung von Verkehrsschildern genannt, welches bei der Überschreitung der Geschwindigkeit ein Warnsignal ausgibt. Ein komplexeres Beispiel ist ein selbstfahrendes Modellauto, das mit Hilfe geeigneter Sensorik Kollisionen vermeidet. Als drittes Beispiel sei ein natürlichsprachliches Dialogsystem genannt, welches der Interaktion und Kontrolle von Geräten der Unterhaltungselektronik dient.