Website
Modulhandbuch

Modul CS4220 T

Modulteil: Mustererkennung (MEa)

Dauer:
1 Semester
Angebotsturnus:
Jedes Sommersemester
Leistungspunkte:
4
Studiengang, Fachgebiet und Fachsemester:
  • Master Informatik 2019 (Modulteil eines Wahlmoduls), Modulteil, Beliebiges Fachsemester
  • Master Medizinische Ingenieurwissenschaft 2020 (Modulteil eines Wahlmoduls), Informatik/Elektrotechnik, Beliebiges Fachsemester
  • Master Entrepreneurship in digitalen Technologien 2020 (Modulteil eines Wahlmoduls), Modulteil, Beliebiges Fachsemester
  • Master Biophysik 2019 (Modulteil eines Wahlmoduls), Vertiefung, 2. Fachsemester
  • Master Hörakustik und Audiologische Technik 2017 (Modulteil eines Pflichtmoduls), Hörakustik und Audiologische Technik, 2. Fachsemester
  • Master IT-Sicherheit 2019 (Modulteil eines Wahlmoduls), Modulteil, 1. oder 2. Fachsemester
  • Master Informatik 2014 (Modulteil eines Wahlmoduls), Vertiefung, Beliebiges Fachsemester
  • Master Entrepreneurship in digitalen Technologien 2014 (Modulteil eines Wahlmoduls), Modulteil, Beliebiges Fachsemester
  • Master Medizinische Ingenieurwissenschaft 2014 (Modulteil eines Wahlmoduls), Informatik/Elektrotechnik, 1. Fachsemester
  • Master Informatik 2014 (Modulteil eines Pflichtmoduls), Anwendungsfach Robotik und Automation, Beliebiges Fachsemester
Lehrveranstaltungen:
  • CS4220-V: Mustererkennung (Vorlesung, 2 SWS)
  • CS4220-Ü: Mustererkennung (Übung, 1 SWS)
Workload:
  • 20 Stunden Prüfungsvorbereitung
  • 45 Stunden Präsenzstudium
  • 55 Stunden Selbststudium
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:
17.7.2019