Musterklassifikation bei Dr. Franz Kummert
(Fragen aus den Prüfungsprotokollen. Stand: 29.06.2004)
Verständnis und Formalia sind wichtig!
Allgemein
- Was ist Musterklassifikation?
- Was ist ein Klassifikationssytem?
- Warum muss Merkmalsvektor klein sein?
- entscheidungsüberwachtes/überwachtes Lernen
- Unterscheidungsfunktion
- Entscheidungsregel
- Allg. Ansatz mit Formeln (wie p(c), p(w_i), p(...), K, \mu)
allg. Klassifikator (Herleitung) => Warum Dimensionsreduktion?
- Wie bekommt man Stichprobe?
Def. Normalverteilung => Wie lässt sich Klassifikator basteln? => Herleitung Bayesnormalverteilungsklassifikator
- Vektorquantisierung mit NV
Minimierung des Risikos => R_c(g(c)) aus E{V} herleiten
Hidden-Markov-Modelle
- wozu benutzt/eingesetzt
- warum "Hidden"?
wie kann man trotzdem Aussagen treffen? => P(o|\lambda), \alpha_{Ti}
warum "Markov"? -> Markoveigenschaft
wie definiert? (\pi, A,
- seine Stärken
- Berechnung \alpha, was ist das
- Entscheidungsfunktion
Wie berechne ich P(o,s*|\lambda) => max\alpha_{Ti}, \beta, \epsilon
- Wie berechne ich P(o|\lambda)?
- Warum in Sprachverarbeitung?
- was ist diskretes, kontinuierliches HMM?
- Viterbi-Algorithmus
- optimale Zustandsfolge
- Was klassifiziert man mit ihnen?
- Forward-Algorithmus komplett
Polynomklassifikator
- Aufbau Unterscheidungsfunktion
- Optimierungsansatz, Fehlermaß, d(c)
- geschlossene Lösung vom opt. A (bis A=E{...}{...})
- Momentenmatrix
- Was optimiert es?
- Wie klass. man?
- Satz von Weierstraß
- Berechnung von A
- Pivotstrategien, optimale Zeilenauswahl
- Variationsrechnung: A=E{...}{...}
- Probleme falls E{xxT}^-1 nicht existiert
Sonstige
NN-Klassifikator. m/beschränkter Nachbarschaftsklassifikator -> wie sehen die Radien aus?
Radialbasisfunktion -> wie sieht d(c), x(c) aus
- Aufbau
Wie bekommt man y(c) => klass. Stichprobe
- Bayes-Klassifikation: Ansatz (Verlustmatrix, Risikominimierung)
Diskriminatorfunktion -> Wie kommt man da hin?
- d(c) herleiten
- Bayes-NV-Klassifikator
- Bayes-Gemischtverteilungsklassifikator
- Berechnung des Likelihood-Wertes
- RBF
- Vektorquantisierung (hart/weich): anschaulich (mit eukl. Abstand aufmalen)
- Gemischtverteilungsklassifikator
- Schätzung \mu und K
- Was macht man mit einer zu großen Stichprobe?
- LBG-Algorithmus
- k-means für harte VQ
- MLP: Skizzierung eines Neurons/Netzes (das hier ist evtl. falsch einsortiert)
- Lernregel
- Backpropagation
Normalverteilung: Formel, Schätzung der Parameter (Kov.matrix). Was, wenn eine NV nicht reicht => "k-means" für NVs (Prinzip)
Bayes-Gesetz (einzelne Komponenten erklären) -> wie kommt man auf P(w_i) und p(c|w_i) => NV => Schätzen von M und K
Nützliche Links
Hier gibt es eine Kurzfassung der Vorlesungsinhalte von MuKla