Lern- und Qualifikationsziele (Kompetenzen):
- Die Studierenden lernen Grundprinzipien und Verfahren der Klassifikation und Regression in hochdimensionalen Räumen sowie der Clusterung
- erwerben Fähigkeiten zur praktischen Realisierung von Algorithmen zur Mustererkennung,
- werden mit wichtigen Beweismethoden für die Konvergenz von Algorithmen vertraut gemacht.
Lehrinhalte:
- Klassifikations-, Regressions- und Clusterungsprobleme: Definition, Beispiele, Merkmalsextraktion
- Lineare und nichtlineare Trennbarkeit: Einfache Lernalgorithmen
- Quadratische Optimierung und Fishers Diskriminante: Theorie und Algorithmen
- Quadratische Optimierung und Support Vektor Maschinen: Theorie und Algorithmen
- Nichtlineare Optimierung und neuronale Netze: Feed Forward Netze, Backpropagation und Varianten
- Unüberwachtes Lernen: Clusteralgorithmen
- Dynamische Optimierung und Hidden Markov Modelle: Theorie und Algorithmen |
