| Lerninhalte |
Inhalte der Vorlesung "Mustererkennung":
- Diskretisierung (Abtastung, Quantisierung) und Filterung (Lineare Systeme, Fourier-Transformation)
- Normierung (Amplituden, Grauwertegalisierung) und Merkmalgewinnung (Reihenentwicklungen, Spektralmerkmale, Hauptachsen)
- Numerische Klassifikatoren (statistische, diskriminative, nicht-parametrische) und Normalverteilungsklassifikatoren (Verteilungsdichte, Prüfgrößen, Schätzverfahren)
- Künstliche neuronale Netze (Modellneuron, Perzeptron, Netzwerktopologien) und Supportvektormaschinen (Binäre Klassifikatoren, Lernen mit Kernen)
- Unüberwachtes Lernen (Vektorquantisierung, EM und GMM) und Klassifikatorübergreifendes (ROC/AUC, binär vs. mehrere Klassen, Ensembles, Bootstrapping)
|
