Vorlesung: Neuronale Netze und Mustererkennung (Sommersemester 1999)
Informationen zur Vorlesung (Prof.
Dr. Joachim M. Buhmann)
-
Die Vorlesung findet Mi. und Fr. von 9.00 - 10.30
Uhr in Hörsaal 1 (Altbau) statt!
Praktikum zur Vorlesung
Behandelte Themen
-
I) Problem der Mustererkennung
-
Literatur
-
1) a) Taxonomie von Daten
-
1) b) Repräsentation von Daten: Datentypen
-
2) Datenquellen
-
3) Fragen der Mustererkennung (überwachtes Lernen)
-
4) Unüberwachtes Lernen
-
5) Schwach überwachte Lernprobleme
-
II) Bayessche Entscheidungstheorie (14.04.99)
-
Problemstellung
-
Fall bekannter Dichten
-
Verlustfunktion, Risiko eines Klassifikators
-
optimaler Klassifikator
-
Ausreißer
-
Bayessche Regel
-
2 Klassen Problem (16.04.99)
-
Diskriminanzfunktion
-
für Gaussglocken
-
für Poisson-Verteilung
-
Maximum likelihood Methode (21.04.99)
-
ML Schätzer für Normalverteilung
-
Bayessche Schätzung
-
Rekursive Bayes-Schätzung
-
Theorie von Schätzfunktionen (23.04.99)
-
Plug-in Prinzip
-
Konsistenz, Erwartungstreue,
-
erschöpfende Schätzfunktionen
-
Faktorisierungssatz
-
Satz von Rao/Blackwell
-
Hierarchie von Schätzfunktionen
-
Stein-Schätzer des Mittelwertes einer Normalverteilung (30.4.99)
-
Numerische Schätztechniken (5.5.99)
-
Cross validation
-
Bootstrap
-
Jacknife (Tukey)
-
Debiasing
-
Hypothesentests
-
Bayesscher Klassifikationsfehler
-
Neyman-Pearson Test
-
Diskriminanzanalyse
-
Lineare Diskriminanzanalyse
-
Fischers Lineare Diskriminanzanalyse
-
Multiple Diskriminanzanalyse
-
Verallgemeinerte lineare Diskriminanzanalyse
-
der lineare separable 2 Klassenfall
-
Perteptron Kriterium
-
Konvergenzbeweis
-
Winnow Algorithmus
-
Abstiegsalgorithmen
-
Algorithmen zur Minimierung des quadratischen Fehlers
-
Lerntheorie
-
Algorithmische Lerntheorie (PAC)
-
VC Theorie
-
Chebyshevs Ungleichung
-
Hoeffding
-
Fehlerschranke bei endlichen Klassifikatormengen
-
Empirische Risikominimierung für Hyperebenen
-
VC Theorie der Klassifikation
-
Vapnik Chervonenkis Satz
-
Support-Vektormaschinen
-
SVM-Lernen
-
Soft-Margin Hyperplanes
-
Nichtlineare SVM
-
Funktionenzählen
-
Vapnik-Chervonenkis Bound
-
Mehrschichtige
Perzeptrone (11.06.99)
-
Nichtparametrische Methoden
-
Dichteschätzung
-
Parzenfenster
-
nächste Nachbarregel
-
Fehlerrate des K NN Klassifikators
-
Unüberwachtes Lernen
Literatur
-
Ripley, Brian D.: Pattern recognition and neural networks
Cambridge University Press, Cambridge; New York York, 1996
-
Bishop, Christopher M.: Neural networks for pattern recognition
Clarendon Press ; New York : Oxford University Press, 1995
-
Fukunaga, Keinosuke: Introduction to statistical pattern recognition
Academic Press, New York, 1990
-
Duda, Richard O.; Hart, Peter E.: Pattern Classification and Scene Analysis
John Wiley and Sons, New York, 1973. Eine Neuauflage
ist derzeit in Arbeit.
-
Cover, Thomas M.; Thomas, Joy A.: Elements of information theory
Wiley, New York, 1991
Vapnik, Vladimir N.: The nature of statistical learning theory
Springer, Berlin, 1995
Ansprechpartner
-
Mit Fragen zur Vorlesung könnt Ihr Euch an
Links
|