Modul Intelligente Systeme, Informatik (Master) (SPO 5)
Für intelligente Systeme ist die Gewinnung von Informationen aus Daten Voraussetzung für eine optimale Zielerreichung. Diese Fähigkeiten besitzen kognitive und lernende Systeme.
Studierende beherrschen sowohl die theoretischen Grundlagen der Gestaltung solcher Systeme, sind aber auch kompetent, diese Theorien in praktischen Anwendungen aktueller Themengebiete wie Data Mining, Interaktive Systeme etc. anzuwenden.
Die Übung setzt sich aus einem Theorie- und einem Praxisübungsteil zusammen.
- Übungen zur Theorie: Zusammenfassung, Wiederholung und Verfestigung relevanter mathematischer Inhalte.
- Praktischer Teil: Implementierung von Algorithmen der Vorlesungen und Anwendung der Verfahren auf Realdaten.
- Theorieteil: Skriptum zur Übung mit Übungsaufgaben
- Praxisteil: Aufgabenblätter
Theorieteil in Form von Inverted Classroom ca. 30%, praktischer Teil ca. 70%
Methoden zur automatischen Erkennung von Objekten, Vorgängen, Ereignissen und Zuständen (z.B. Personen, Gesten, Dokumententhemen, Interessensgruppen, Emotionen, Bilder/Musik/Video, ...).
- Mustererkennung im Kontext intelligenter Systeme
- Vorbereitung: Formale Darstellung der Erkennungsaufgabe
- Risikominimierung
- Bayes´sche Entscheidungstheorie
- Entscheidungsfunktionen
- Hidden Markov Modelle (Problemformulierung als Wskt-Max, Querverweis DTW)
- Erkennungsmethoden und maschinelles Lernen
- Perzeptrons
- Lineare Maschinen
- Mehrschicht-Perzeptrons
- k-Nächste-Nachbar-Klassifikatoren
- Support-Vektor-Maschinen
- Auswahl und Gewinnung guter Erkennungsmerkmale
- Merkmalsbewertung durch Abstands- und Trennbarkeitsmaße
- Merkmalstransformationen
Der Stoff wird mit PowerPoint-Folien und umfangreichen Entwicklungen an der Tafel präsentiert.
- Foliensammlung
- Jürgen Schürmann, "Pattern classification: a unified view of statistical and neural approaches", New York [u.a.], Wiley & Sons, 1996
- Richard O. Duda ; Peter E. Hart ; David G. Stork, "Pattern classification", 2. ed. New York, Weinheim [u.a.], Wiley, 2001
- Sergios Theodoridis, Konstantinos Koutroumbas, "Pattern recognition", 3. ed. Amsterdam, Heidelberg[u.a.], Elsevier Academic Press, 2006
- Bernhard Schölkopf ; Alexander J. Smola, "Learning with Kernels : support vector machines, regularization, optimization, and beyond", Cambridge, Mass. [u.a.], MIT Press, 2002
Vorlesungsteilnahme, selbstständige Übung, Optionale Übung: Anwendung der Methoden auf konkrete Beispiele.
Anwendungen
- Data Mining
- Künstliche Intelligenz
- Interaktive und Intelligente Systeme
Verarbeitungsprozesse
- KDD
- CRISP-DM
Daten
- Merkmalstypen und -werte
- Datenqualität (deterministische vs. stochastische Störungen)
- Datenvorverarbeitung: manuell, datengetrieben (PCA)
- Distanzen, Metriken und Ähnlichkeiten (Minkowski, Cosinus-Ähnlichkeit, Mahalanobis, Dynamic Time Warping etc.)
- Statistiken und Visualisierung
Algorithmen des unüberwachten Lernens, eine Auswahl aus
- Cluster-Algorithmen: K-Means, PAM, CLARA, CLARANS, DBSCAN, C-Means, EM, SOM
- Assoziationsanalyse, z.B. Apriori, FP-Growth
- Graphbasierte Ansätze zur Bildung von Clustern, z.B. Normalized Cut
- Ranking Algorithmen, z.B. Google Page Rank
- Skript in Folienform und angekündigte Literaturliste