Mustererkennung
Informationen
Beginn der Veranstaltung: 13.10.2026
Anmeldung
Alle an einer Veranstaltungsteilnahme interessierten Studierenden melden sich bitte über das LSF-System an.
ACHTUNG: Die Anmeldung ist aus organisatorischen Gründen unbedingt erforderlich!
Kontakt
Fragen zu technischen und administrativen Aspekten können direkt an Tim Raven gerichtet werden.
Vorlesungsskript, Folien zu Einführung / Organisation , Demos (nur aus dem Uninetz erreichbar)
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
Sonstiges
- Niemann, H.: Klassifikation von Mustern, Springer-Verlag, Berlin 1983
- Duda, R. O.; Hart, P. E.; Stork, D. G.: Pattern Classification, Wiley, New York, 2. Auflage, 2001
- Burges, Ch.: A Tutorial on Support Vector Machines for Pattern Recognition, Data Mining and Knowledge Discovery, Bd. 2, 1998, S. 121-167.
- Platt, John C.: Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines, Technical Report MSR-TR-98-14, Microsoft, 1998.
- Hastie T. et al.: The Elements of Statistical Learning, Springer, 2001
- Fukunaga, K.: Introduction to Statistical Pattern Recognition, Academic Press, Boston, 2. Auflage, 1990
- Fink, G. A.: Markov Models for Pattern Recognition, From Theory to Applications, Springer, 2. Auflage, 2014
- Fink, G. A.: Mustererkennung mit Markov-Modellen, Teubner, 2003
- Fink, G. A.: "Foundations of Mathematical Statistics", In Markov Models for Pattern Recognition, From Theory to Applications, Kapitel 3, S. 37-15, Springer, 2. Auflage, 2014
- Fink, G. A.: "Vector Quantization and Mixture Estimation", In Markov Models for Pattern Recognition, From Theory to Applications, Kapitel 4, S. 53-70, Springer, 2. Auflage, 2014
- Fink, G. A.: SchnellkursMustererkennung aus Ringvorlesung Data Literacy ,TU Dortmund, SS 2021
- Brandenbusch, K; Matei, A; und Moya Rueda, F.: "Foundations of Mathematical Statistics" November, 2023.
- Moya Rueda, F.: "Recurrent Neuronal Networks (A Brief Overview)", January, 2022.
- Foliensatz zu Deep Learning
- Fink, G. A.: Deep Learning for Word Spotting Tutorial presented at Int. Conf. on Frontiers in Handwriting Recognition (ICFHR), Niagara Falls, USA, 2018.
- Fink, G. A.; Sudholt, S.: Word Spotting: From Bag-of-Features to Deep Learning Tutorial presented at Int. Conf. on Document Analysis and Recognition (ICDAR), Kyoto, Japan, 2017.
- Fink, G. A.:Markov Models for Handwriting Recognition, Tutorial (invited) presented at Int. Workshop on Document Analysis Systems, Gold Coast, Australia, 2012.
- Bilmes, J.: A Gentle Tutorial of the EM algorithm and its application to Parameter Estimation for Gaussian Mixture and Hidden Markov Models, TR-97-021, International Computer Science Institute, Berkeley, 1997.