Prüfung Pattern Analysis, SS 2015 (Sept)

• Prüfer: Dr.-Ing. Christian Riess
• Stimmung: sehr entspannt
• Vorbereitung:
  • Videos angesehen
  • Die Herleitungen von Problemen durchgearbeitet, dann meist nur das Optimierungsproblem gelernt und die Herleitung selbst nachvollzogen
• Ergebnis: sehr gut

1. Introduction:

Mindmap hinmalen

2. Hidden Markov Models

• Einfaches HMM hinzeichnen und die Komponenten (Wahrscheinlichkeiten) nennen
• Was sind die 3 Hauptprobleme bei HMM?
  • 3 Hauptprobleme nennen
    • Forward / Backward-Algorithmus: Motivation? Komplexität?
      • Brute Force Ansatz: n-stellige Kombination, N-stelliges Vokabular → N^n
      • Forward / Backward Algo: n*N^2, hier wusste ich nicht, dass das zweite N von N^2 aus den Übergangswahrscheinlichkeiten a_sisi+1 kommt
    • Viterbi-Algorithmus (nur erwähnt)
    • Training des HMMs (Baum Welch erwähnt)

2. Manifold Learning

• Wie funktioniert MDS?
  • Dabei nur auf die „Quintessenz“ eingegangen, ohne komplette Herleitung
• Bei meiner MindMap habe ich Isomap vergessen →
  • Christian malt Swiss Role
  • Funktioniert hier MDS auch? Nein, da Distanzmatrix bei MDS nur mit euklidschen Distanzen arbeitet
  • Lösung:
    • Graph aufbauen
    • für eine Nachbarschaft ist die euklidische Distanz eine gute Approximation
    • für weiter entfernte Knoten muss z.B. der Dijkstra-Algorithmus den kürzesten Pfad finden
    • Die Gewichtungen der Kanten dann für MDS verwenden
• Was ist das Optimierungsproblem von Laplacian Eigenmaps?
  • Optimierungsproblem der Herleitung nennen, inkl. Nebenbedinugung x'^T D x' = 1 und Skalierungsmatrix D
  • Woher kommt denn das Laplacian im Namen Laplacian Eigenmaps und woher das Eigenmaps?
    • → Graph Laplacian nennen (D-W) Matrix
    • → Berechnung der Eigenvektoren und die daraus resultierenden Koordinaten nennen

4. Clustering Es wurde ein Bild mit zwei Männchen aufgemalt. Beide hatten einen roten Kopf und einen blauen Bauch.

• Wie segmentiere ich die blauen Teile (Bauch) voneinander?
  • meine Anwort: K-Means mit zwei Clustern auf x/y Koordinaten der blauen Pixel, alternative auf 5 Dimensionen: X-Koordinate, Y-Koordinate, R-, G-, B-Wert
• Was muss man noch machen, damit der Algorithmus stabil ist?
  • Hier wollte Christian auf das Problem aus der Übung hinaus, dass man die Feature Vektoren skalieren muss, da sonst die großen euklidschen Distanzen der Koordinaten die RGB Werte „übertrumpfen“ und das Farbclustering nicht richtig funktioniert. Ich hab die Fragestellung nicht verstanden und somit das Problem nicht gelöst, war aber auch nicht soooo tragisch

Zeit rum.