Website
Modulhandbuch ab WS 2014/15

Modul CS4220-KP04, CS4220

Mustererkennung (Muster)

Dauer:


1 Semester
Angebotsturnus:


Jedes zweite Semester
Leistungspunkte:


4
Studiengang, Fachgebiet und Fachsemester:
  • Master Medizinische Ingenieurwissenschaft 2020 (Wahlpflicht), Medizinische Ingenieurwissenschaft, Beliebiges Fachsemester
  • Master Medieninformatik 2020 (Wahlpflicht), Informatik, Beliebiges Fachsemester
  • Master Medizinische Ingenieurwissenschaft 2014 (Wahlpflicht), Medizinische Ingenieurwissenschaft, Beliebiges Fachsemester
  • Master Robotics and Autonomous Systems 2019 (Wahlpflicht), Wahlpflicht, 1. oder 2. Fachsemester
  • Master Mathematik in Medizin und Lebenswissenschaften 2016 (Pflicht), Mathematik, 2. Fachsemester
  • Master Medizinische Informatik 2019 (Wahlpflicht), Medical Data Science / Künstliche Intelligenz, 1. oder 2. Fachsemester
  • Master Medizinische Informatik 2014 (Wahlpflicht), Medizinische Bildverarbeitung, 1. oder 2. Fachsemester
Lehrveranstaltungen:
  • CS4220-Ü: Mustererkennung (Übung, 1 SWS)
  • CS4220-V: Mustererkennung (Vorlesung, 2 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:
  • Klausur oder mündliche Prüfung nach Maßgabe des Dozenten
Modulverantwortlicher:
Lehrende:
Literatur:
  • R. O. Duda, P. E. Hart, D. G. Storck: Pattern Classification - New York: Wiley
Sprache:
  • Wird nur auf Deutsch angeboten
Bemerkungen:

Zulassungsvoraussetzungen zum Modul:
- Keine

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

Letzte Änderung:
22.11.2019

Modulhandbuch online

Zur Liste aller Module