Paul Bodesheim, Joachim Denzler

Klausur (100%) oder mündliche Prüfung (100%)
Festlegung erfolgt zu Semesterbeginn

keine

Grundkenntnisse in
- Programmierung (Module etwa FMI-IN0025 „Grundlagen informatischer Problemlösung“ oder FMI-IN1009 „Strukturiertes Programmieren“)
- Algorithmen und Datenstrukturen (Module etwa FMI-IN0001 „Algorithmen und Datenstrukturen“ oder FMI-IN10001 „Algorithmische Grundlagen“)
- Automaten (Module etwa FMI-IN0005 „Automaten und Berechenbarkeit“ oder FMI-IN0006 „Berechenbarkeit und Komplexität“)
- Analysis und Linearer Algebra (Module etwa FMI-MA0022 „Lineare Algebra“ + FMI-MA0017 „Grundlagen der Analysis“ oder FMI-IN3004 „Mathematik für das Lehramt Informatik“)

- 079 LA Regelschule Informatik: Wahlpflichtmodul (Intelligente Systeme)
- 079 LA Gymnasium Informatik: Wahlpflichtmodul (Intelligente Systeme)
- 079 LA RS (Erweiterung) Informatik (PO-V. 2020; PO-V. 2024): Wahlpflichtmodul (Intelligente Systeme)
- 079 B.A. Informatik: Wahlpflichtmodul
- 079 B.Sc. Informatik: Wahlpflichtmodul (INT; Konto C: Mathematik/Informatik)
- 079 M.Sc. Informatik (PO-V. 2016): Wahlpflichtmodul (INT)
- 105 B.Sc. Mathematik: Wahlpflichtmodul (ASQ; NF Informatik)
- 105 M.Sc. Mathematik (PO-V. 2010): Wahlpflichtmodul (NF Informatik)
- 128 M.Sc. Physik: Wahlpflichtmodul (Nicht-physikalische Module)
- 184 B.Sc. Wirtschaftswissenschaften: Wahlpflichtmodul (IMS: Vertiefungsmodule d. FMI)
- 200 M.Sc. Computational and Data Science: Wahlpflichtmodul
- 221 B.Sc. Bioinformatik: Wahlpflichtmodul (Informatik)
- 221 M.Sc. Bioinformatik: Wahlpflichtmodul (Informatik; Bioinformatisch relevante Informatik)
- 679 B.Sc. Angewandte Informatik: Wahlpflichtmodul (INT)

3 SWS Vorlesung
1 SWS Übung

Einführung in die Methoden der Mustererkennung zur maschinellen Modellierung und Simulation komplexer Informationsverarbeitungsprozesse, wie sie insbesondere bei der Wahrnehmung und Auswertung visueller, akustischer oder taktiler Sinneseindrücke durch den Menschen auftreten.

Diskretisierung/Filterung/Normierung; Merkmalauswahl und Merkmaltransformation;  statistische, diskriminative und nichtparametrische Klassifikatoren; unüberwachtes Lernen; Zeitreihen

Umfassendes Verständnis von Musteranalysetechniken und deren fachübergreifendem Einsatz und Nutzen

Einblick in einschlägige Anwendungsgebiete der Mustererkennung

Vertiefte Kenntnisse des Gebietes „Numerische Klassifikatoren"

Fähigkeit Modelle und Systeme der Mustererkennung zu entwickeln

Bearbeitung der Übungsaufgaben

Mindestens 50% der erzielbaren Punkte erreicht