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 |