Mustererkennung

Die Vorlesung behandelt Grundlagen und Methoden der Mustererkennung, insbesondere aus probabilistischer Sicht. Die folgenden Themen werden behandelt: Grundlagen (einschließlich Stochastik, Modellauswahl, Verlauf der Dimensionalität, Entscheidungs- und Informationstheorie), Verteilungen (ua Multinomial-, Dirichlet-, Gauß- und Studentenverteilung, nichtparametrische Schätzung), lineare Modelle für die Regression, lineare Modelle für die Klassifikation , gemischte Modelle und Erwartungsmaximierung, Approximative Inferenz, Kombination von Modellen, statistische Lerntheorie (Support Vector Machines), Anwendungsbeispiele (Online-Clustering, Anomalie-Erkennung, etc.)