Website
Modulhandbuch

Modul CS4220 T

Modulteil: Mustererkennung (MEa)

Dauer:
1 Semester
Angebotsturnus:
Jedes Sommersemester
Leistungspunkte:
4
Studiengang, Fachgebiet und Fachsemester:
  • Master Hörakustik und Audiologische Technik (Modulteil eines Pflichtmoduls), Hörakustik und Audiologische Technik, 2. Fachsemester
  • Master IT-Sicherheit (Modulteil eines Wahlmoduls), Modulteil, Beliebiges Fachsemester
  • Master Robotics and Autonomous Systems in Planung (Modulteil eines Wahlmoduls), Robotik und Autonome Systeme, 1. oder 2. Fachsemester
  • Master Informatik ab 2014 (Modulteil eines Wahlmoduls), Vertiefung, Beliebiges Fachsemester
  • Master Entrepreneurship in digitalen Technologien (Modulteil eines Wahlmoduls), Modulteil, Beliebiges Fachsemester
  • Master MIW ab 2014 (Modulteil eines Wahlmoduls), Informatik/Elektrotechnik, 1. Fachsemester
  • Master Informatik ab 2014 (Modulteil eines Pflichtmoduls), Anwendungsfach Robotik und Automation, Beliebiges Fachsemester
  • Master Biophysik in Planung (Modulteil eines Wahlmoduls), Vertiefung, 2. Fachsemester
Lehrveranstaltungen:
  • Mustererkennung (Vorlesung, 2 SWS)
  • Mustererkennung (Übung, 1 SWS)
Workload:
  • 55 Stunden Selbststudium
  • 45 Stunden Präsenzstudium
  • 20 Stunden Prüfungsvorbereitung
Lehrinhalte:
  • Grundlagen der Wahrscheinlichkeitstheorie
  • Grundlagen der Merkmalsextraktion und Mustererkennung
  • Bayes’sche Entscheidungstheorie
  • Diskriminanzfunktionen
  • Neyman-Pearson-Test
  • Receiver Operating Characteristic
  • Parametrische und nichtparametrische Dichteschätzung
  • kNN-Klassifikator
  • Lineare Klassifikatoren
  • Support-vector-machines und kernel trick
  • Random Forest
  • Neuronale Netze
  • Merkmalsreduktion und -transformation
  • Bewertung von Klassifikatoren durch Kreuzvalidierung
  • Ausgewählte Anwendungsszenarien: Akustische Szenenklassifikation für die Steuerung von Hörgeräte-Algorithmen, akustische Ereigniserkennung, Aufmerksamkeitserkennung auf EEG-Basis, Sprecher- und Emotionserkennung
Qualifikationsziele/Kompetenzen:
  • Die Studierenden können die Grundlagen von Merkmalsextraktion und Klassifikation erklären.
  • Sie können die Grundlagen statistischer Modellierung darstellen.
  • Sie können Merkmalsextraktions-, Merkmalsreduktions- und Entscheidungsverfahren in der Praxis anwenden.
Vergabe von Leistungspunkten und Benotung durch:
  • Prüfungsform hängt vom übergeordneten Modul ab
Modulverantwortlicher:
Lehrende:
Literatur:
  • R. O. Duda, P. E. Hart, D. G. Storck: Pattern Classification - New York: Wiley
Sprache:
  • Wird nur auf Deutsch angeboten
Bemerkungen:

Prüfungsvorleistungen können zu Beginn des Semesters festgelegt werden. Sind Vorleistungen definiert, müssen diese vor der Erstprüfung erbracht und positiv bewertet worden sein. (Ist gleich CS4220SJ14) (Ist Modulteil von CS4510, CS4290, CS5274-KP08) Für Details siehe Hauptmodul.

Letzte Änderung:
27.9.2018