Tutorium: Mustererkennung

1. Tutoren:

Torben Geißhirt

2. Ziel des Tutoriums:

Inhalte der Vorlesung "Mustererkennung", besonders die Klassifikationsverfahren K-Nearest Neighbour und die Stützvektormethode, sollen zusammengefasst und an praktischen Beispielen erläutert werden. Die praktischen Beispiele dienen dem besseren Verständnis der besprochenen Methode und sollen gleichzeitig als Assoziation für Prüfungsrelevante Problemstellungen dienen.

3. Adressaten des Lehrangebotes:

- Studenten der Vorlesung Mustererkennung
- Interessenten aus dem Fachbereich Informatik

6. Veranstaltungsinhalte:

• Rechnerbasiertes Lernen

• Überwachtes Lernen

• Klassifikation

• Instanzbasierte Verfahren

• Modellbasierte Verfahren

• k-Nearest Neighbour

• Verfahrensbeschreibung

• Vor- & Nachteile

• Stützvektormethode

• Allgemeines

• Lineare Stützvektormethoden

• Prinzip der maximalen Separation

• Nichtlineare Stützvektormethoden

• Kernfunktionen

• Prinzip der weichen Separation

7. Literaturhinweise:

Jürgen Cleve und Uwe Lämmel. Data Mining.
De Gruyter Oldenburg, 2. edition, 2016.

Nello Cristianini und John Shawe-Taylor. An Introduction to Support Vector Machines and other kernel-based learning methods.
Cambridge University Press, 2002.