Prof. Dr.-Ing. Claudius Schnörr

nach Bekanntmachung

Die Disziplin Pattern Recognition und Machiine Learning stellt Lösungen bereit für das Erkennen von Mustern in unterschiedlichsten Signalen, z.B. Objekten oder Texturen in Bildern, Laute oder Worte in der Sprache, nichtlineare Funktionalzusammenhänge in Ausgaben unbekannter Systeme. Ebenso ist es das Ziel, Theorien und Methoden zur systematischen Verbesserung der Erkennungsleistung bereitzustellen. Diese Lösungen münden in zahlreiche praktische und mächtige Verfahren, welche auf Problemstellungen in ganz unterschiedlichen Fachgebieten anwendbar sind.

Gliederung:

• Einordnung des Gebietes und Querbezüge:
  • Marktentwicklung, Aufgaben;
  • Einordnung zwischen Bildverarbeitung und -analyse, Entscheidungstheorie und Bildverstehen;
• Mathematische Hilfsmittel
• Merkmale und Merkmalsraum:
  • Anwendungsbeispiele von Merkmalsbeschreibungen
• Bayes-Entscheidungstheorie
• Überwachtes Lernen:
  • Klassifikation: Parametrische Verfahren, Nichtparametrische Verfahren, Neuronale Netze, Support Vector Maschinen, Baumklassifikatoren
    
  • Regression: Lineare und nichtlineare Regression, Support-Vector-Regression
    
  • Ansätze und Verfahren zur Merkmalsreduktion
• Lernkomplexität und Generalisierung
• Abschätzung des Lernerfolges und Generalisierung
• Ansätze und Verfahren zur Merkmalsreduktion
• Unüberwachtes Lernen:, Cluster-Verfahren

• Verstehen der grundlegenden Konzepte des Fachgebietes
• Fähigkeit zur selbständigen Umsetzung konkreter Verfahrenstypen
• Befähigung zum kritischen zielführenden Umgang mit Sammlungen vorgefertigter Lösungsbibliotheken.
• das Erreichen einer kritischen Urteilsfähigkeit über Konzepte sowie die Kompetenz, selbst wissenschaftlich neue Konzepte zu erarbeiten

• Pattern Classification, R.O. Duda, P.E. Hart, D.G.Stork, Wiley & Sons, 2nd. Ed., 2001
  
• Support Vector Machines, N. Christianini, J. Shawe- Taylor, Cambridge University Press, 2000
  
• Pattern Recognition and Machine Learning, C. Bishop, Springer, 2006
  
• Deep Learning, I. Goodfellow, Y. Bengio, A. Courville, MIT Press, 2016

Kenntnisse der Mathematik:

• Lineare Algebra (Vektor- und Matrizenrechnung, Eigenwertprobleme)
• Differentialrechnung im R^N

Kentnisse der Statistik:

• Normalverteilung in mehreren Dimensionen
• Wahrscheinlichkeitsdichten

Lineare Algebra (IF-I-B002), Wahrscheinlichkeitstheorie und Statistik (IF-I-B023)

Mathematica für das Praktikum

Operations Research (IF-I-B027), Numerische Mathematik (IF-I-B026), Digitale Bildverarbeitung (IF-IM002)