Inhalte dieser Vorlesung sind Konzepte und Algorithmen zur Beschreibung und Interpretation von Mustern. Als Schwerpunkt werden Verfahren der statistischen Mustererkennung behandelt. Zusätzlich dazu sollen auch Verfahren aus der strukturellen Musterkennung vorgestellt werden. Zum Vorlesungsinhalt gehören: Klassifikation mit Distanzfunktionen, lineare und nicht lineare Klassifikation, Bayes Klassifikator, Entscheidungsbäume, Support Vector Machines, neuronale Netze, Hidden Markov Models, Ensemble Methoden, Merkmale, Performance Evaluation, und Clustering. Ferner wird auch schwerpunktmäßig auf die neuesten Entwicklungen wie Deep Learning eingegangen. Mustererkennung ist eng mit Maschinellem Learnen verwandt. Mithilfe von Lernverfahren werden Modelle anhand von Trainingsdaten gelernt, die zur Mustererkennung verwendet werden. Im Fokus der Vorlesung steht die Behandlung der verschiedenen Klassifikationsmodelle und der zugehörigen Lernmethoden. Als Anwendungsbeispiele werden in der Vorlesung primär Fragestellungen aus der Bildverarbeitung behandelt.

In der Vorlesung sind Übungen integriert.

Kurs im HIS-LSF