Hinweis:
Kurzeinführung in Wahrscheinlichkeitsrechnung und Statistik
am
8.12.2020 (F. Moya)
Praktische
Übungen:
Februar 2021 (siehe gesonderte Ankündigung,
Anmeldung erforderlich )
Veranstaltungsformat:
Wegen der anhaltenden Einschränkungen durch die Corona-Pandemie wird die Vorlesung online stattfinden. Dabei soll - soweit möglich - ein traditionelles Vorlesungsformat mit bestmöglicher Interation aufrecht erhalten werden. Auf der technischen Seite wird die Videokoferenz-Software Zoom eingesetzt. Für eine Veranstaltungsteilnahme empfiehlt sich die Installation des Zoom-Clients, der für alle gängigen Betriebssysteme verfügbar ist.
Alle angemeldeten Studierenden (s.u.) erhalten die Meeting-IDs für die Vorlesung per EMail sowie - bei Bedarf - weitere Informationen zur Veranstaltung.
Anmeldung
Alle an einer Veranstaltungsteilnahme interessierten Studierenden melden sich bitte über das LSF-System an.
ACHTUNG: Die Anmeldung ist für eine Teilnahme an den online Vorlesungen erforderlich!
Kontakt
Fragen zu technischen und administrativen Aspekten können direkt an Kai Brandenbusch gerichtet werden.
Einführung:
Mustererkennung gehört zu den Bemühungen der modernen Informationstechnik, Wahrnehmungsleistungen zu automatisieren, wie sie sonst von natürlichen Vorbildern bekannt sind. Prominente Anwendungsfelder sind das Erkennen von Schrift, das Verstehen gesprochener Sprache und die Interpretation von Bildern. In verschiedenen Bereichen wie der Ökologie, der Mikrobiologie und der Robotik werden Mustererkennungsverfahren zunehmend zur Analyse von Messsequenzen eingesetzt.
In diesem Kontext wird in der Vorlesung die Klassifikation von Mustern detailliert untersucht. Klassifikation bedeutet dabei, dass ein Muster als Gesamtheit einem Begriff - d.h. einer Klasse - zugewiesen wird. Im Gegensatz zu verwandten Forschungsdisziplinen (z.B. Künstliche Intelligenz) liegt der Schwerpunkt auf der Behandlung numerischer Klassifikationsverfahren. Behandelt werden hier insbesonders statistische Klassifikatoren wie z.B. der Bayes-Klassifikator oder Mischverteilungsklassifikatoren, sogenannte Support-Vektor-Maschinen und neuronale Netzwerke, wie z.B. Mehrschichtperzeptren und die aktuellen tiefen neuronalen Netze (sog. deep learning). Die Veranstaltung richtet sich an Studierende zu Beginn ihres Masterstudiums und dient v.a. als Grundlage (Basismodul) für weitergehende Veranstaltungen im Forschungsbereich "Intelligente Systeme". Darüber hinaus stellen die vermittelten Kenntnisse wichtige Voraussetzungen für ein weites Anwendungsfeld von statistischen Analysen realer Daten dar (z.B. Robotik, Bildinterpretation, Bioinformatik, Chemoinformatik etc.).
Basismodul (INF-MSc-232) im Master (Angewandte) Informatik
fachliche Schwerpunkte: Algorithms; Bioinformatics; Cyber-Physical Systems; Data Science; Logics, Information and Knowledge
Literatur:
Materialien zur Vorlesung: