Inhalt

Die Vorlesung gibt eine Einführung in die statistische Mustererkennung, wobei auch neuronale Netze und deren Zusammenhang mit statistischen Klassifikatoren vorgestellt werden. Im einzelnen werden behandelt:

• Statistische Grundlagen
• Training und Lernen
• Modellfreie Verfahren
• Neuronale Netze und diskriminatives Training
• Fehlerintegral: Eigenschaften und Abschätzungen
• Mischverteilungen und Clusteranalyse
• EM-Algorithmus und Hidden Markov Modelle
• Merkmalsextraktion und lineare Abbildungen

Contents

The lecture gives an introduction into statistical pattern recognition and discusses also artificial neural networks and their relation to statistical classifiers. Main topics are:

• statistical basics
• training and learning
• model-free approaches
• artificial neural networks and discriminative training
• error integrals: properties and estimation
• mixture densities and cluster analysis
• EM algorithm and hidden markov models
• feature extractions and linear transformations

Literatur

• R. O. Duda, P. E. Hart, D. G. Storck: "Pattern Classification", 2nd ed.,
  J. Wiley & Sons, New York, NY, 2001.
• K. Fukunaga: "Introduction to Statistical Pattern Recognition",
  Academic Press, San Diego, CA, 1990.
• B. D. Ripley: "Pattern Recognition and Neural Networks",
  Cambridge University Press, Cambridge, UK, 1996.
• C. M. Bishop: "Neural Networks for Pattern Recognition",
  Oxford University Press, Oxford, UK, 1995.
• H. A. Bourlard, N. Morgan: "Connectionist Speech Recognition",
  Kluwer Academic Publishers, Boston, MA, 1994.

Zuordnung

Praktische Informatik, Informatik Vertiefung

Voraussetzungen

Vordiplom

Folgeveranstaltungen

Vorlesung "Spracherkennung und Suchverfahren"

Wiederholung dieser Veranstaltung

evtl. Wintersemester 2003/04

Sonstiges

Der Lehrstuhl bietet ergänzend ein Seminar und ein Lehrstuhl-Praktikum an. In beiden Veranstaltungen werden Themen aus der Sprach- und Mustererkennung bearbeitet.