General information

Course name	Exercises: Musterklassifikation - Übung
Semester	WS 2010/11
Current number of participants	1
Home institute	Leitung des Instituts für Informatik
participating institutes	Bioinformatik, Leitung des Instituts für Mathematik
Courses type	Exercises in category Offizielle Lehrveranstaltungen
First date	Friday, 08.10.2010 12:15 - 13:45
Participants	- 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
Learning organisation	__Zugehörige Veranstalltungen__: - [Übung 'Musterklassifikation']https://studip.uni-halle.de/goto.php?id=d61e1e4d08bd83a9048c925462a2aa01
Performance record	durch aktive Teilnahme an den Übungen und Lösung der Aufgaben
SWS	2

Lehrende

Rooms and times

No room preference: Friday: 12:15 - 13:45, weekly(15x)

Fields of study

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

Comment/Description

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.

Exercises: Musterklassifikation - Übung - Details