Pipeline hinmalen (Am besten auch gleich ein paar Worte dazu sagen)
Kapitel A/D: Nyquist Sampling-Theorem → Hinschreiben und kurz erklären das wenn es eingehalten wird keine Information verloren geht
3 verschiedene Pre-Processing Methoden: Hystogram Equalisation, Thresholding, Filtering…
Hystogram Equalisation erklärt: Signal→
PDF(Histogram)→CDF→Mapping (Tipp: Wenn man mit Hystogram Equalisation fit ist dann auf jeden Fall bei Pre-Processing Methoden erwähnen)
Feature Extraction (analytic und heuristic erklären)
Walsh-Hadamard-Transform erklären (Zunächst hinzeichnen und erklären das die Walsh Functions approximationen von Sinus und Cosinus sind und deshalb die Trafo die Fouriertranformation nachbildet, aber wesentlich schneller zu berechnen ist → Dann Hadamard Matrix und Kronecker Produkt erklären und Formel c=\Phi*f hinschreiben)
PCA: Will den Spread aller Features maximieren! Formel hinschreiben und erklären (Constraint mit Frobenius Norm nicht vergessen!)
Feature Selection: Warum Selection? (Redundanz des feature Vektors beseitigen; Dimension verkleinern; Informationsgehalt beibehalten)
Feature Selection: Mutual Information Objective Function hinschreiben und sagen das, dass auch die KL-Divergence darstellt
Bayes Decision Rule: \lamba = argmax{\kappa} p(\Omega_{\kappa} | c)
Wie kommt man auf die posterior probability? → Gaussian distribution annehmen → Decision Rule auf Gaussian umgeformt und auch Gauss-Formel für die class conditional eingesetzt.
Was machen wenn keine Normalverteilung: K-NN oder Parzen-Windows (keine Formeln)
wann ist Bayes optimal? (0,1)-cost function und noch erklären was das bedeutet (Die richtige Klasse bekommt Kosten 0 und alle falsche Entscheidungen bekommen Kosten 1)