Website
Modulhandbuch ab WS 2014/15

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:

(Ist gleich CS4220SJ14)
(Ist Modulteil von CS4510, CS4290, CS5274-KP08)

Für Details siehe Hauptmodul.

Zulassungsvoraussetzungen zum Modul:
- Keine

Zulassungsvoraussetzungen zur Prüfung:
- Erfolgreiche Bearbeitung von Übungsaufgaben während des Semesters

Letzte Änderung:
5.11.2019

Modulhandbuch online

Zur Liste aller Module