Übung: Musterklassifikation - Übung - Details

Allgemeine Informationen

Veranstaltungsname	Übung: Musterklassifikation - Übung
Semester	WS 2010/11
Aktuelle Anzahl der Teilnehmenden	1
Heimat-Einrichtung	Leitung des Instituts für Informatik
beteiligte Einrichtungen	Bioinformatik, Leitung des Instituts für Mathematik
Veranstaltungstyp	Übung in der Kategorie Offizielle Lehrveranstaltungen
Erster Termin	Freitag, 08.10.2010 12:15 - 13:45
Teilnehmende	- wahlobl. für das 5. Semester Informatik - wahlobl. für das 5. Semester Bioinformatik - geeignet für Mathematik - geeignet für Physik - wahlobl. für das 9. Semester Bioinformatik-Aufbaustudiengang
Lernorganisation	__Zugehörige Veranstalltungen__: - [Übung 'Musterklassifikation']https://studip.uni-halle.de/goto.php?id=d61e1e4d08bd83a9048c925462a2aa01
Leistungsnachweis	durch aktive Teilnahme an den Übungen und Lösung der Aufgaben
SWS	2

Lehrende

• PD Dr. Birgit Möller
• Prof. Dr.-Ing. Stefan Posch

Räume und Zeiten

Keine Raumangabe

Freitag: 12:15 - 13:45, wöchentlich(15x)

Studienbereiche

• Naturwissenschaftliche Fakultät III - Agrarwiss., Geowiss. und Informatik > Informatik > Institut für Informatik > Themen > Mustererkennung

Kommentar/Beschreibung

Mustererkennung befasst sich mit mathematisch-technischen Aspekten der Wahrnehmung oder
(A)perzeption, wie wir sie sonst von natürlichen Vorbildern kennen. Prominente Anwendungsfelder sind das
Erkennen von Schrift, das Verstehen gesprochener Sprache und die Interpretation von Bildern. In
verschiedenen Bereichen wie der Ökologie, der Biologie und der Robotik werden Mustererkennungsverfahren
zunehmend zur Analyse von Messdaten eingesetzt.

In der Vorlesung wird die Klassifikation von Mustern
detailliert untersucht. Klassifikation bedeutet dabei, dass ein Muster - Sensordaten physikalischer Größen
eines Ausschnittes der Umwelt - als Gesamtheit einem Begriff, d. h. einer Klasse, zugewiesen wird. Nach der
Klärung von Begriffen und Einführung in Anwendungen wird kurz auf die Vorverarbeitung von Mustern und
die Gewinnung von geeigneten Merkmalen solcher Muster eingegangen. Dann werden verschiedene Klassen
von Klassifikatoren behandelt: wahrscheinlichkeitstheoretische Ansätze (Bayes-Klassifikator, Bayes-Netze,
Markov-Random-Fields, Hidden Markov Models), der Polynomklassifikator, die support vector machine sowie das Multilayer-Perzeptron
als Methode aus dem Bereich der künstlichen neuronalen Netze.