Pattern Recognition and Machine Learning

150 Zeitstunden, davon 45 Kontaktzeit

• Kenntnisse in mindestens einer höheren Programmiersprache
• Grundlegende Machine Learning Kenntnisse
• Kenntnisse in Linearer Algebra
• Hilfreich: Grundlegende Kenntnisse in Computergrafik

Lernziele:

• Die Studierenden erwerben die Kompetenzen, moderne Verfahren aus dem Bereich der Mustererkennung als Lösungsstrategie in verschiedenen Anwendungsszenarien methodisch korrekt einsetzen zu können.
• Zudem sollen die Studierenden befähigt werden, sich eigenständig in neue und aktuelle Algorithmen und Methoden einzuarbeiten.

Fach- & Methodenkompetenzen:

Die Studierenden

• wählen geeignete Repräsentationen zwei- und dreidimensionaler Daten sowie passende Vorverarbeitungsschritte problemspezifisch und begründet aus.
• können den Merkmalsbegriff mit eigenen Worten erklären und klassische Verfahren der Mustererkennung von modernen Methoden abgrenzen.
• können moderne Deep-Learning-Architekturen zur Mustererkennung mit eigenen Worten erklären, problemorientiert auswählen und praktisch einsetzen.
• setzen Lernparadigmen im Trainingsprozess ausgewählter Verfahren sinnvoll und begründet ein.
• können die Ergebnisse der eingesetzten Verfahren mittels geeigneter Interpretationsmethoden erklären und anhand praktischer Leistungsmetriken bewerten.
• ordnen konkreten Anwendungsproblemen den passenden Problemkategorien zu.
• können die Funktionsprinzipien generativer Verfahren erklären und entsprechende Methoden praktisch einsetzen.

Überfachliche Kompetenzen:

Die Studierenden

• erarbeiten in Kleingruppen Vorlesungsinhalte und setzen eigenständig praktische Aufgabenstellungen um.

• sind in der Lage Resultate nachvollziehbar und überprüfbar aufzubereiten und darzustellen.

In diesem Modul werden angewandte Methoden der Mustererkennung in Signalen behandelt. Der Fokus liegt dabei auf visuellen zwei- und dreidimensionalen Daten:

• Grundlagen der Repräsentation zwei- und dreidimensionaler Daten unterschiedlicher Modalität.
• Verfahren zur Aufbereitung visueller Daten.
• Der Merkmalsbegriff und klassische Verfahren der Mustererkennung.
• Paradigmen des Lernens: Supervised Learning, Unsupervised Learning, Self-Supervised Learning und Transfer Learning.
• Moderne Deep-Learning-Architekturen zur Mustererkennung wie Convolutional Neural Networks (CNNs) und Vision Transformers (ViTs).
• Visuelle Interpretation von und Fehlersuche in komplexen Modellen.
• Problemkategorien wie die Klassifikation, Segmentierung und Detektion von Objekten und kategoriespezifische Metriken.
• Aktuelle Verfahren zur generativen Datensynthese wie Variational Autoencoder (VAEs), Generative Adversarial Networks (GANs) und Diffusion-Modelle.

• Seminaristischer Unterricht und Praktikum.
• Live-Coding-Sessions zur Demonstration vorgestellter Algorithmen.

Literaturliste wird zu Beginn der Vorlesung bekannt gegeben.

Beispiel-Literatur: 

• Szeliski R., Computer Vision: Algorithms and Applications, Springer, 2022
• Prince S. J. D., Understanding Deep Learning, The MIT Press, 2023
• Bishop C., Bishop H., Deep Learning Foundation and Concepts, Springer Cham, 2024
• Ergänzende aktuelle wissenschaftliche Artikel und Online-Dokumentationen.