Mustererkennung

Aktuelles

  • 16.04.2019: Die Ergebnisse der Nachklausur sind nun online und können >>hier<< eingesehen werden. Die Klausureinsicht findet am Mittwoch, 17.04.2019, von 9:00 Uhr bis 11:00 Uhr in den Räumen der VSI statt.
  • 27.02.2019: Die Ergebnisse der Hauptklausur sind nun online und können >>hier<< eingesehen werden. Die Klausureinsicht findet am Freitag, 29.02.2019, von 9:00 Uhr bis 10:00 Uhr in den Räumen der VSI statt.

Prüfungsform

Im Wintersemester 2018/2019 erfolgt die Prüfung in Form einer schriftlichen Klausur (Bearbeitungszeit von 120 Minuten).

Haupklausur-Termin: 21.02.2019, 13:00 Uhr                        Ort:  Hörsaaltrakt Bockenheim – H VI

Nachklausur-Termin: 11.04.2019, 13:00 Uhr                        Ort: Hörsaaltrakt Bockenheim – H III

Terminplan

DatumTypThemaDozent
18.10.2018DoppelvorlesungEinführung und StochastikProf. Mester
25.10.2018Vorlesung & ÜbungZufallsvektoren und NormalverteilungDr. Freytag
01.11.2018Vorlesung & ÜbungPCA und LDADr. Freytag
08.11.2018Vorlesung & ÜbungEntscheidungstheorieProf. Mester
15.11.2018DoppelvorlesungBayes-KlassifikatorProf. Mester
22.11.2018Vorlesung & Übungk-nearest neighborsDr. Freytag
29.11.2018Vorlesung & ÜbungDecision Tree / Random ForestDr. Freytag
06.12.2018Vorlesung & ÜbungSupport Vector Machines IProf. Mester
13.12.2018Vorlesung & ÜbungSupport Vector Machines IIDr. Freytag
20.12.2018Vorlesung & ÜbungSingle Layer Perceptron IDr. Freytag
17.01.2019Vorlesung & ÜbungSingle Layer Perceptron IIDr. Freytag
24.01.2019Vorlesung & ÜbungMulti Layer PerceptronDr. Freytag
31.01.2019Vorlesung & ÜbungConvolutional Neural Networks IDr. Freytag
07.02.2019DoppelvorlesungConvolutional Neural Networks II & WiederholungDr. Freytag
14.02.2019DoppelübungBesprechung Übung 13 und Übung 14

Beschreibung

Inhalt

Grundlagen der Statistik, Entscheidungstheorie, Bayes-Klassifikation, überwachte Klassifikation, statistische und neuronale Klassifikationsverfahren, geometrische Klassifikation, Support Vector Machines, batch learning and incremental learning, Merkmalsextraktion, Klassifikation von Zeitreihen und Bildsignalen, Clusteranalyse, Kontextgesteuerte Methoden, moderne Verfahren wie z.B. Boosting, aktuelle neue Trends in der Mustererkennung. In der Übung werden die grundlegenden Verfahren der Mustererkennung anhand von Übungsaufgaben behandelt, deren Lösungen zu Hause vorzubereiten und in der Übung vorzustellen sind. Darüber hinaus sind zu einzelnen Übungsaufgaben auch kleinere Programmieraufgaben zu lösen.

Voraussetzungen und Vorkenntnisse

Teilnahmevoraussetzungen / erforderliche Kenntnisse: keine Nützliche Vorkenntnisse: Mathematik-Grundvorlesung, insbesondere Lineare Algebra (B-M1), Programmier Grundkenntnisse: B-PRG-PR.

Materialien

Übungsblätter

Zu den Übungen wird ein Übungsblatt hier auf dieser Internet-Seite verfügbar sein, das den Stoff der jeweiligen Woche vertieft. Die Übungsaufgaben werden in der Regel am Donnerstag nach der Vorlesung ins Netz gestellt; Lösungen werden in der darauffolgenden Woche besprochen. Zum Öffnen der Dateien benötigen Sie ein Passwort, welches in der Vorlesung bekannt gegeben wurde. Sollten Sie das Passwort erneut benötigen, schreiben Sie uns bitte eine Email.

Übersicht

  • Lehrform: Vorlesung mit Übung
  • Kürzel: ME
  • Credit Points: 6
  • Typ: Angewandte Informatik
  • Semester: WiSe 2018/2019
  • QIS: Link
  • Dozent: Prof. Dr.-Ing. Mester & Dr. Freytag
  • Kontakt: @

Ort und Termine

Vorlesung:

  • Ort: Hörsaaltrakt Bockenheim – H 9
  • Zeit: Donnerstags, 10:00 – 12:00 Uhr

Übung:

  • Ort: Hörsaaltrakt Bockenheim – H 9
  • Zeit: Donnerstags, 12:00 – 14:00 Uhr
Computer Vision for Autonomous Driving
Statistische und numerische Verfahren der Datenanalyse
Menu