Home  | Impressum | Sitemap | KIT

Mustererkennung

Mustererkennung
Typ: Vorlesung
Semester: Hauptdiplom / Master
Ort:

Geb. 50.34 HS -101

Zeit: Mi 14:00 - 15:30
Beginn: 26.04.2017
Dozent: Prof. Dr.-Ing. Jürgen Beyerer
SWS: 2
ECTS: 3
LVNr.: 24675
Prüfung:

Prüfungsmöglichkeiten

Die Mustererkennung ist ein Teilgebiet der Informatik. Sie beschäftigt sich mit der maschinellen Erkennung und Klassifikation von Objekten anhand von Bildern und anderen Signalen. Während das kognitive System des Menschen in der Lage ist, selbst komplexe Muster in gestörten Signalen intuitiv zu erfassen, muss diese Fähigkeit einem maschinellen System erst in einem problemangepassten Verfahren beigebracht werden. Beispiele für die Anwendung von Verfahren der Mustererkennung sind die Spracherkennung, Identifikation durch Biometrie, optische Zeichenerkennung (OCR) sowie die automatische Sichtprüfung.

Bei Fragen wenden Sie sich an Prof. Beyerer oder die betreuenden Mitarbeiter Miro Taphanel (miro.taphanel@iosb.fraunhofer.de ) und Matthias Richter (matthias.richter@kit.edu).

Inhalt der Vorlesung

Mustererkennung arbeitet im Wesentlichen mit vier grundlegenden Konzepten: Klassen, Mustern, Merkmalen und Klassifikatoren. Klassen partitionieren die betrachtete Domäne in Teilmengen äquivalenter Objekte. Muster sind durch Beobachtung oder Messung gewonnene Daten über Objekte. Merkmale dienen zur Beschreibung charakteristischer Eigenschaften von Objekten und Klassen. Sie werden aus den Mustern extrahiert. Klassifikatoren sind Entscheidungsverfahren für die Festlegung der mutmaßlichen Klassenzugehörigkeit von Objekten anhand ihrer Merkmale.

Der erste Teil der Vorlesung behandelt die Auswahl, Gewinnung und Eigenschaften von Merkmalen. Ausführlich wird auf mathematische Methoden eingegangen, die zu geeigneten Merkmale führen. Der zweite Teil der Vorlesung befasst sich mit verschiedenen Klassifikatoren und Klassifikationsmethoden. Schwerpunkte sind die Leistung von Klassifikatoren und die Verarbeitungskette Problemstellung – Muster – Merkmal – Klassifikator. Darüber hinaus werden grundsätzliche Fragestellungen wie: Parameterschätzung, Klassifikation auf der Basis von qualitativen Merkmalen, die Problematik zu hoher Dimension des Merkmalsraumes, Overfitting, Rückweisungskriterien und der Zusammenhang mit der statistischen Lerntheorie behandelt.

Klausur Mustererkennung

Klausur Mustererkennung

Studierende der Informatik können sich je nach SPO online über QISPOS oder CAS anmelden. Studierende anderer Fakultäten, die sich nicht online anmelden können, müssen sich bei ihrer Fakultät anmelden. In diesem Fall muss am Tag der Prüfung ein Nachweis der Prüfungsberechtigung (blauer Zettel) mitgebracht werden. Zusätzlich bitten wir um eine formlose Meldung per E-Mail an gabriele.gross∂kit.edu und matthias.richter∂kit.edu.
Wichtig: Die E-Mail ist keine bindende Anmeldung und ersetzt nicht die Anmeldung bei der Fakultät, sondern dient dazu die Gesamtzahl der Anmeldungen zu ermitteln.

Musterlösungen

Klausurergebnisse Mustererkennung
Sobald die Klausuren korrigiert sind, werden die Klausurergebnisse an der Eingangstür (Glastür) zum Lehrstuhl IES (Geb 50.21) ausgehängt. Die Noten der Klausur Mustererkennung werden auch im Online-Portal eingetragen.

Material zur Vorlesung

Die Vorlesungsfolien werden semesterbegleitend zur Verfügung gestellt. Zum Herunterladen der PDF-Dateien benötigen Sie die Zugangsdaten, die in der Vorlesung genannt werden.
GrößeStand
Kapitel 18.01 MB   04.05.2017
Kapitel 25.53 MB   26.07.2017
0.01 MB   10.01.2011
Kapitel 33.20 MB   24.05.2017
Kapitel 41.18 MB   26.07.2017
Kapitel 51.97 MB   26.07.2017
Kapitel 61.07 MB   26.07.2017
Kapitel 73.66 MB   26.07.2017
Kapitel 81.40 MB   26.07.2017
Kapitel 90.63 MB   26.07.2017

Bewertungen der Vorlesung