Mustererkennung / Maschinelles Lernen - Interaktive Studienpläne der TU Ilmenau

Die Studierenden kennen nach den Vorlesungen und Übungen die wesentlichen Grundlagen, Theorien und Methoden der Signalanalyse, Mustererkennung und des Maschinellen Lernens sowohl für determinierte als auch für stochastische Signale und Prozesse. Sie sind mit, bei der praktischen Umsetzung auftretenden Fragen und Problemen, der Merkmalsextraktion, der Clusterbildung, der Klassifikation und der Optimierung des Klassifikationssystems vertraut und in der Lage, die vermittelten Methoden und Erkenntnisse auf praxisrelevante Aufgabenstellungen anzuwenden.

- Prinzipien, Begriffe und Beispiele der Signalanalyse, der Mustererkennung und des Maschinellen Lernens - Grundlagen der Wahrscheinlichkeitstheorie (Wiederholung)
- Grundlagen und Methoden zu Kennfunktionen, Kennwerten (Merkmalen) und Kennwertextraktion

• Bestimmung von Kennfunktionen und Kennwerten mittels Orthogonaltransformationen,
• Zeit-Frequenz-Repräsentationen,
• wahrscheinlichkeitstheoretischer Ansätze u.a..

- Methoden des Machinellen Lernens zur Klassifikation und Trendanalyse/Prozessüberwachung (unüberwachte und überwachte Verfahren):

• Grundbegriffe, statistische Klassifikatoren (Bayes), geometrische Klassifikatoren (NNK, MSK), Diskriminanzanalyse, Support Vector Machine
• Neuronale Netze (Grundlagen, Historisches, Kohonen-Feature-Map, Backpropagation-Netz, Convolutional Neural Network u.a.)
• Fuzzy-Theorie (Grundbegriffe, Fuzzy-Mengen, Relationen, Approximatives Schließen, Anwendungen in der Mustererkennung)

- Klassifikatorbewertung und Optimierung von Mustererkennungssystemen (Merkmalsreduktion und -transformation, Dimensionsreduktion, z.B. PCA)
- Anwendungsbeispiele aus den Bereichen aktueller Forschungthemen, z.B. akustische Daten- und Prozessanalyse, Sprachverarbeitung, Bildverarbeitung, Werkstoffprüfung werden herangezogen

Handschriftliche Entwicklung der analytischen Zusammenhänge untersetzt mit Abbildung und Animationen und Einsatz interaktiver Mathematica-Dokumente für Simulationen

Bräunig, S.: Arbeitsblätter, multimediale Präsentation, Mathematica-Notebooks
Hoffmann, R.: Signalanalyse und -erkennung, Springer
Duda, R.; u.a. : Pattern Classification, Wiley
Theodoridis, S.; u.a.: Pattern Recognition, Elsevier
Niemann, H.: Klassifikation von Mustern, Springer

Dr. Sylvia Bräunig