Mustererkennung und Klassifikation (Wintersemester 2007/2008)

Dozent: Prof. Dr. Matthias O. Franz
Vorlesung: Donnerstag, 8:00-9:30, Hörsaal F022
Offizielle Vorlesungsseite: Modulseiten Fakultät für Informatik

Die Vorlesung führt in die Grundlagen der automatischen Mustererkennung ein. Das mathematische Rüstzeug hierzu bilden Wahrscheinlichkeitsrechnung und Statistik, die beide im Laufe der Vorlesung aufgefrischt und vertieft werden. Grundlegende Konzepte in der Klassifikation werden im Rahmen der Entscheidungstheorie nach Bayes eingeführt, gefolgt von verschiedenen Klassifikationstechniken (Entscheidungsfunktionen bei Gaußverteilungen, lineare und nichtlineare Entscheidungsfunktionen, Nächste-Nachbarn-Klassifikation) und einfachen Verfahren des unüberwachten Lernens (Hauptkomponentenanalyse, k-Means, agglomeratives Clustern).

Ziele:

• Kenntnis der grundlegenden Verfahren zur Automatisierung menschlicher Erkennungs- und Wahrnehmungsprozesse mit Rechnern.
• Klassifikation als Basis für die Bildverarbeitung und die Schrift- und Spracherkennung, die semantische Interpretation von digitalisierten Daten
• Entwurf von Mustererkennungsverfahren und Klassifikatoren für konkrete industrielle Anwendungen

Voraussetzung:

Vorherige oder nachfolgende Teilnahme an der Vorlesung Industrielle Bildverarbeitung. Die Prüfung erfolgt gemeinsam für beide Vorlesungen. Im Rahmen des Masterprogrammes besteht die Möglichkeit, an einer Folgeveranstaltung teilzunehmen, bei der der Stoff in Richtung Computer Vision (Rechnersehen) erweitert wird, z.B. Rekonstruktion von dreidimensionalen Merkmalen aus Bildern, Bewegungsanalyse, Tracking und Objekterkennung.

Vorlesungsplan