Einführung und Motivation Merkmalsextraktion Einfache Klassifikatoren: Perceptron, Margin Statistische Grundlagen, Parameterschätzung Multivariate Statistik: multivariate Normalverteilung, Kovarianzmatrix, Transformation von Zufallsvariablen Bayes Theorem Loss und Risk Regression und Pseudo-Inverse Optimale Klassifikation für multivariat normalverteilte Merkmale, Lineare Merkmalsextraktion: Diagonalisierung, Eigenwertzerlegung, Rayleigh-Quotient, KLT, PCA, LDA Dichteschätzung: parametrische (Bayes, ML) und nichtparametrische (Parzen, k-NN) Verfahren
Schriftliche Prüfung
ECTS Breakdown: 3 ECTS = 75h
28h 14 VO-Einheiten
47h Erarbeiten des Stoffs aus dem Skriptum, Lektüre von Fachliteratur
-----
75h
Der vorhergehende Besuch einer Statistik-Vorlesung wird empfohlen. Grundkenntnisse in linearer Algebra (Invertierbarkeit, Rang, lineare Unabhängigkeit) sind von Vorteil.