Signal- und Musterverarbeitung

Dozent:        Prof. Dr.-Ing. Gerhard Rigoll

Assistent:	Fabian Herzog, M.Sc.
Turnus:	SS
Zielgruppe:	Wahlmodul zur fachlichen Ergänzung
ECTS:	5 ECTS
Umfang:	3 Std. Vorlesunf und Übung
Prüfung:	schriftlich 90 Minuten
Zeit & Ort:	Vorlesung: Montag, 14:00 - 15:30 Uhr; Übung: Mo. 15:45 - 16:30; Raum 0360; Beginn am 17.04.2023
Termine:	lecture free on 01.05.23 and on 29.05.2023

 

Inhalt

Anwendungen der Mustererkennung, Signalverarbeitung und Merkmalsextraktion, Frequenz-Transformationen und Wavelet-Transformation, Performanz-Kriterien für Klassifikatoren, Deterministische Klassifizierungsverfahren, Abstandsbasierte Klassifikation, Entscheidungsfunktionen, Polynomklassifikator, Parameterschätzung für Klassifikatoren, Statistische Klassifikation, Bayes-Klassifikator, Maximum-Likelihood-Verfahren, Cluster-Verfahren, Self-Organizing Maps und Neural Gas, Entscheidungsbäume und Random Forests, Support Vector Machines, Klassifikator-Ensembles, Perzeptron, Multilayer-Perzeptron und Deep Learning.

Als Lehrmethoden werden Vorlesungen im Vortragsstil mit ausführlichem begleitenden Videomaterial angeboten. Es erfolgt darüber hinaus eine Vertiefung des Unterrichtsstoffs durch Vortragsübungen.

Folgende Medienformen finden Verwendung:
- Präsentationen
- Videos
- Übungsaufgaben mit Lösungen

Nach der Lehrveranstaltung können die Studierenden die verschiedenartigsten Mustererkennungsverfahren bei realen Erkennungsaufgaben anwenden und dabei sowohl Probleme der Merkmalsextraktion für Muster als auch die Auswahl von typischen Klassifikatoren bearbeiten. Sie verfügen über umfassende Kenntnisse von überwachten und unüberwachten Verfahren des Maschinellen Lernens für das Training der Klassifikatoren.

Prüfung

Die Anmeldung zur schriftlichen Prüfung erfolgt in TUMOnline. Die Prüfungstermine werden im Juni vergeben.