====== Mustererkennung 2009 ======

==== 17. März: Me1 & Me2 ====
**Bemerkungen**\\
  * Prüfer: Frau Angelopoulou, Herr Hornegger 
  * Atmosphäre: typische Prüfungssituation - entspannte Prüfer, angespannter Prüfling :)

**Fragen** \\
  * Big Picture 
  * Pre-Processing: Erklären Sie mal __Histogram Equalization__.
  * Feature Extraction: 
    * Was ist __PCA__? \\ Bildchen
    * Was ist __LDA__? \\ Bildchen\\ auf Nachfrage: Optimierungsproblem anhand von Fisher LDA erklärt (Formeln waren ihnen wichtig!)
  * Pre-Processing: Welche __nicht-linearen Filter__ kennen Sie? \\ Morphologische Filter/Rank-Order Filter: Erosion und Dilation
  * Erklären Sie mal __Homomorphic Transformation__ \\  Bild multiplikativ mit Störsignal verrauscht ->-> Logarithmus ->-> Gauss-Filterung ->-> exp()


  * Erklären Sie mal __SVM__ \\ Bildchen (Schlauch)
  * Optimierungsfunktion hinschreiben\\ max C und wollte dann wohl noch a*c + a_0 >= C
  * Constraints beachten? Wie? \\ Lagrange Multiplier nach Umformung bzgl. Normierung ->-> lambda(a*c + a_0 - 1)
  * Was wird bei nicht trennbaren Klassen gemacht? \\ Slack-Variablen; Optimierungsfunktion erweitern 
  * __Rosenblatt's Perceptron__ erklären
  * Was für andere Klassifikationsansaetze gibt es noch, bei denen eine lineare Entscheidungsfunktion 'herauskommt'? \\ Optimaler und Gauss'scher Klassifikator, Logistic Regression. 
  * Was sind das jeweils fuer Optimierungsprobleme? \\ lineare, nicht lineare, quadratische ... 
  * Wie würden sie diese bzgl. des Optimierungsproblems sortieren? \\ Wollte auf ... < SVM < Rosenblatt's Perceptron raus, da letzterer mit sich ändernder Menge an falsch klassifizierten Features 'zu kämpfen' hat

==== 17. März: Me1 & Me2 ====
**Bemerkungen**\\
  * Prüfer: Frau Angelopoulou, Herr Hornegger 

**Fragen** \\

  * Big Picture
  * Sampling: \\ __Nyquist__ Theorem erklären \\ '>' oder '>=' bzgl. wie hohe Abtastrate?
  * Feature Extraction: \\ __Walsh-Transformation__ erklären (Funktionen, Kronecker-Produkt) \\ PCA: objective function hinschreiben
  * Classification: \\ __Bayes,__ optimal? \\ Ist jeder Klassifikator, der den Bayes approximiert optimal? AV-Loss, ... 
  
  * __SVM__ \\ //objective function// aufschreiben 
  * __Rosenblatt's Perceptron__
  * __HMM__\\ Ausgabewahrscheinlichkeiten \\ Forward-Algorithmus (Bildchen war ihm zu wenig; Formel mit 'rausziehen') \\ Komplexität
  * __Deleted Interpolation__


==== Me1 & Me2 ====

  * Big Picture
  * A/D-Conversion: keine Fragen zu diesem Thema
  * Preprocessing: "Welche Filter kennen Sie?" - Man konnte beliebige Filter aufzählen und musste diese dann erklären.
  * Feature Extraction: PCA, LDA
  * Classification: HMMs