Pattern Recognition and Machine Learning

40 Präsenzstunden Vorlesung, 20 Präsenzstunden Übung, 35 Stunden Vor-/Nachbereitung der Übungen, 55 Stunden Nachbereitung der Vorlesung und Prüfungsvorbereitung

Fundierte Kenntnisse der Wahrscheinlichkeitstheorie, der linearen Algebra, der Differentialrechnung im R^n und der Optimierungstheorie in Mathematik und Numerik auf Bachelor-Niveau

Nützlich: einschlägige Kenntnisse der Digitalen Bildverarbeitung.

Lernziele

Die Studierenden

• verstehen die grundlegenden Konzepte des Fachgebietes, einschließlich der theoretischen und mathematischen Grundlagen nebst Herleitungsansätzen.
• erreichen eine kritische Urteilsfähigkeit über Konzepte, sowie die Kompetenz, selbst wissenschaftlich neue Konzepte zu erarbeiten.

Fach- und Methodenkompetenzen

Die Studierenden

• verstehen wesentliche Verfahrensansätze,
• können konkrete Verfahrenstypen selbstständig umsetzen,
• sind in der Lage zu einem kritischen zielführenden Umgang mit Sammlungen vorgefertigter Lösungsbibliotheken.

Überfachliche Kompetenzen

Die Studierenden

• vollziehen in Kleingruppen die Vorlesungsinhalte nach und erarbeiten sich eigenständig Umsetzungskompetenz an praktischen Aufgabenstellungen.
• können selbständig ein Literaturstudium durchführen und entwickeln Lösungsstrategien im Team zur Schulung der Teamfähigkeit.
• verstehen Aspekte der Ethik und des Risikos am Beispiel medizinischer Entscheidungen.

Muster (Patterns) können in unterschiedlichsten Signalen vorkommen. Das zuverlässige Erkennen und die Klassifikation von Mustern (z.B. Objekterkennung, Recycling-Materialerkennung, Inspektionsaufgaben in der Fertigung, u.v.m) als auch die nicht-analytische Modellbildung ist eine wesentliche weiterführende Schlüsselkompetenz in vielen Anwendungsbereichen.

Gliederung:

• Mathematische Grundlagen (Statistik, Informationstheorie, numerische und konvexe Optimierung)
• der Merkmalsbegriff, Beispiele zur Merkmalsbildung
• Bayes-Entscheidungstheorie
• Überwachtes Lernen
  • Klassifikation: Parametrische Verfahren, Nichtparametrische Verfahren, Neuronale Netze, Support Vector Maschinen, Baumklassifikatoren, u.a.
  • Regression: Lineare und nichtlineare Regression, Support-Vector-Regression
• Abschätzung des Lernerfolges und Generalisierung
• Ansätze und Verfahren zur Merkmalsbewertung und -reduktion
• Unüberwachtes Lernen, Cluster-Verfahren

Tafel, Beamer, selbstgesteuertes Lernen in Kleingruppen, Literaturstudium, praktische Umsetzungen in z.B. Python/jupyter, Matlab

Literaturliste wird zu Beginn der Vorlesung bekannt gegeben.

Beispiel-Literatur: 

• Pattern Classification, R.O. Duda, P.E. Hart, D.G.Stork, Wiley & Sons, 2nd. Ed., 2001
• Support Vector Machines, N. Christianini, J. Shawe- Taylor, Cambridge University Press, 2009
• Pattern Recognition and Machine Learning, C. Bishop, Springer 2006
• Deep Learning, I. Goodfellow, Y. Bengio, A. Courville, MIT Press, 2016
• An Introduction to Statistical Learning, G. James, D. Witten, T. Hastie, R. Tibshirani, J. Taylor, Springer 2023