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:

Data Mining, 2. edition, 2016:

• Autoren: Jürgen Cleve und Uwe Lämmel

• Verlag: De Gruyter Oldenburg

An Introduction to Support Vector Machines and other kernel-based learning methods, 2002:

• Autoren: Nello Cristianini und John Shawe-Taylor

• Verlag: Cambridge University Press