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.