Revision history for TutoriumMustererkennung2SS18
Additions:
===**[[Lernverfahren Zu den Inhalten...]]**===
===**[[Lernverfahren Zu den Inhalten...]]**===
===**[[Lernverfahren Zu den Inhalten...]]**===
Deletions:
===**[[Zu den Inhalten...]]**===
Additions:
===**[[Zu den Inhalten...]]**===
===**[[Zu den Inhalten...]]**===
===**[[Zu den Inhalten...]]**===
Deletions:
===**[[Rechnerbasierte Lernverfahren Zu den Inhalten..]]**===
Additions:
===**[[Rechnerbasierte Lernverfahren Zu den Inhalten..]]**===
===**[[Rechnerbasierte Lernverfahren Zu den Inhalten..]]**===
===**[[Rechnerbasierte Lernverfahren Zu den Inhalten..]]**===
Additions:
Data Mining, 2. edition, 2016:
- Autoren: Jürgen Cleve und Uwe Lämmel
- Verlag: De Gruyter Oldenburg
An Introduction to Support Vector Machines and other kernel-based learning methods, 2002:
- Autoren: Nello Cristianini und John Shawe-Taylor
- Verlag: Cambridge University Press
- Autoren: Jürgen Cleve und Uwe Lämmel
- Verlag: De Gruyter Oldenburg
An Introduction to Support Vector Machines and other kernel-based learning methods, 2002:
- Autoren: Nello Cristianini und John Shawe-Taylor
- Verlag: Cambridge University Press
Deletions:
De Gruyter Oldenburg, 2. edition, 2016.
Nello Cristianini und John Shawe-Taylor. An Introduction to Support Vector Machines and other kernel-based learning methods.
Cambridge University Press, 2002.
Additions:
Jürgen Cleve und Uwe Lämmel. Data Mining.
De Gruyter Oldenburg, 2. edition, 2016.
Nello Cristianini und John Shawe-Taylor. An Introduction to Support Vector Machines and other kernel-based learning methods.
Cambridge University Press, 2002.
De Gruyter Oldenburg, 2. edition, 2016.
Nello Cristianini und John Shawe-Taylor. An Introduction to Support Vector Machines and other kernel-based learning methods.
Cambridge University Press, 2002.
Additions:
Inhalte der Vorlesung "Mustererkennung", besonders die Klassifikationsverfahren K-Nearest Neighbour und die Stützvektormethode, sollen zusammengefasst und an praktischen Beispielen erläutert werden. Die praktischen Beispiele dienen dem besseren Verständnis der besprochenen Methode und sollen gleichzeitig als Assoziation für Prüfungsrelevante Problemstellungen dienen.
- Studenten der Vorlesung Mustererkennung
- Interessenten aus dem Fachbereich Informatik
- Rechnerbasiertes Lernen
- Überwachtes Lernen
- Klassifikation
- Instanzbasierte Verfahren
- Modellbasierte Verfahren
- k-Nearest Neighbour
- Verfahrensbeschreibung
- Vor- & Nachteile
- Stützvektormethode
- Allgemeines
- Lineare Stützvektormethoden
- Prinzip der maximalen Separation
- Nichtlineare Stützvektormethoden
- Kernfunktionen
- Prinzip der weichen Separation
- Studenten der Vorlesung Mustererkennung
- Interessenten aus dem Fachbereich Informatik
- Rechnerbasiertes Lernen
- Überwachtes Lernen
- Klassifikation
- Instanzbasierte Verfahren
- Modellbasierte Verfahren
- k-Nearest Neighbour
- Verfahrensbeschreibung
- Vor- & Nachteile
- Stützvektormethode
- Allgemeines
- Lineare Stützvektormethoden
- Prinzip der maximalen Separation
- Nichtlineare Stützvektormethoden
- Kernfunktionen
- Prinzip der weichen Separation
Deletions:
**{{color text="5. Veranstaltungsdatum/-zeit/-ort:" c="#00386a"}}**
**{{color text="8. Aufgaben:" c="#00386a"}} **
Deletions:
CategoryInfoTutorien
