Modulbeschreibung

Modul: Mustererkennung und Datenkompression

Lehrveranstaltungen:

TitelTypSWSZeitraum
Mustererkennung und DatenkompressionVorlesung4Sommersemester

Modulverantwortlich:

Prof. Rolf-Rainer Grigat

Zulassungsvoraussetzungen:

Keine

Empfohlene Vorkenntnisse:

Lineare Algebra (einschl. Hauptachsentransformation, Unitäre Transformationen), Stochastik und Statistik, binäre Arithmetik

Modulziele / angestrebte Lernergebnisse:

Fachkompetenz

Wissen

Studierende können die grundlegenden Begriffe der Musterkennung und Datenkompression benennen.

Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten der Veranstaltung zu diskutieren und anhand von Beispielen zu erläutern.

Fertigkeiten

Studierende können Methoden der Statistik auf Klassifikationsprobleme in der Mustererkennung und auf die Prädiktion in der Datenkompression anwenden. Sie können theoretisch und methodisch fundiert Merkmalsbewertungen und Klassifikationen analysieren sowie Datenkompression und Videosignalcodierung darstellen. Sie können sehr anspruchvolle Methoden und Verfahren des Fachgebietes anwenden. Studierende können unterschiedliche Lösungsansätze in mehrdimensionalen Entscheidungsräumen bewerten.

Personale Kompetenzen

Sozialkompetenz

k.A.

Selbstständigkeit

Studierende sind in der Lage, Probleme selbständig zu erkennen und wissenschaftlich mit den gelernten Methoden zu lösen.

Leistungspunkte Modul:

6 LP

Studienleistung:

Klausur

Arbeitsaufwand in Stunden:

Eigenstudium: 124, Präsenzstudium: 56


Lehrveranstaltung: Mustererkennung und Datenkompression (Vorlesung)

Dozent:

Rolf-Rainer Grigat

Sprache:

Englisch

Zeitraum:

Sommersemester

Inhalt:

Struktur eines Mustererkennungssystems, statistische Entscheidungstheorie, Klassifikation mit statistischen Modellen, polynomiale Regression, Dimensionsreduktion, Regression mit mehrlagigen Perzeptrons, radiale Basisfunktionen, Support Vector Maschinen, unüberwachtes Lernen und Clusteranalyse, algorithmen-unabhängiges Training, Mischmodelle und Erwartungsmaximierung, Adaptive Basisfunktionen und Boosting, Markov Zufallsfelder

Information, Entropie, Redundanz, Transinformation, Markov-Prozesse, Grundlegende Kodierverfahren (Kodelänge, Lauflängenkodierung, Präfixfreie Kodes), Entropiecodierung (Huffman, arithmetische Kodierung) Wörterbuch-Verfahren (LZ77/Deflate/LZMA2, LZ78/LZW), Prädiktion, DPCM, CALIC, Quantisierung (skalare Quantisierung, Vektorquantisierung), Transformationscodierung, Prädiktion, Dekorrelation  (DPCM, DCT, hybride DCT, JPEG, JPEG-LS), Bewegungsschätzung, Teilbandcodierung, Wavelets, HEVC (H.265,MPEG-H)

Literatur:

Schürmann: Pattern Classification, Wiley 1996
Murphy, Machine Learning, MIT Press, 2012
Barber, Bayesian Reasoning and Machine Learning, Cambridge, 2012
Duda, Hart, Stork: Pattern Classification, Wiley, 2001
Bishop: Pattern Recognition and Machine Learning, Springer 2006

Salomon, Data Compression, the Complete Reference, Springer, 2000
Sayood, Introduction to Data Compression, Morgan Kaufmann, 2006
Ohm, Multimedia Communication Technology, Springer, 2004
Solari, Digital video and audio compression, McGraw-Hill, 1997
Tekalp, Digital Video Processing, Prentice Hall, 1995