FSI Informatik/pruefungen/hauptstudium/ls5/pa-2015-09

Du befindest dich hier: FSI Informatik » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Lehrstuhl 5 » Prüfung Pattern Analysis, SS 2015 (Sept) (Übersicht)

Diese Seite ist nicht editierbar. Du kannst den Quelltext sehen, jedoch nicht verändern. Kontaktiere den Administrator, wenn du glaubst, dass hier ein Fehler vorliegt.

====== Prüfung Pattern Analysis, SS 2015 (Sept) ======
===== Allgemeines =====
  * Prüfer: Dr.-Ing. Christian Riess
  * Stimmung: relativ locker
  * Vorbereitung:
      * alle Vorlesungsfolien per Video angeschaut und Tafelbild mitgeschrieben
      * alte Prüfungsprotokolle stichpunktartig in einem Dokument zusammengefasst (nach Kapitel geordnet)
      * Daher konnte ich wissen welche Themen besonders wichtig waren und wie detailliert die Fragen waren.
      * Wichtiges im Skript markiert
      * Wichtiges erneut abgeschrieben (= Merk-Zettel)
      * Merkzettel auswendig gelernt
   * Ergebnis: Ziemlich gut ;)

===== Prüfungsfragen und Antworten =====


1. Introduction:

Mindmap hinmalen

2. Manifold Learning
  * Welche Algorithmen gibt es?
  * Was sind Manigfaltigkeiten und Wie funktionieren ISO-Maps?
          * swiss role in 3D hingemalt
          * daneben eine ISOMAP in 2D (aufgerollte swiss roll)
          * Distanzmatrix beinhaltet geodätische Distanzen
          * für eine Nachbarschaft ist die euklidische Distanz eine gute Approximation
          * für weiter entfernte Knoten muss der Dijkstra-Algorithmus den kürzesten Pfad finden
  * Was ist das Optimierungsproblem von Laplacian Eigenmaps und wie funktioniert der Algorithmus.
          * In der Vorlesung wurde dieses Thema 2x (einmal von Christian und einmal von Prof. Hornegger) behandelt.
          * Ich habe Christians Version vom Kapitel Random Forests beschreiben. Er wollte         eigentlich die analytische Herleitung der Laplacian-Matrix (von Prof. Hornegger) wissen.
          * Nach der Nebenbedingung wurde auch gefragt: s.th. x'^T D x' = 1 
     

3. Hidden Markov Models
  * Bitte ein einfaches HMM hinzeichnen (und ganz kurz erklären).
  * Was sind die 3 Hauptprobleme bei HMM?
          * 3 Hauptprobleme kurz benannt
          * dann Lösungen bennenen:
                * Forward / Backward-Algorithmus: Motivation? Komplexitäten aufgeschrieben
                * Viterbi-Algorithmus (nur erwähnt, nicht erklärt)
                * Training des HMMs (Baumwelch-Formulas erwähnt)

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

  * Wie kann ich hier Siegmentierung betreiben?
          * 3 Algorithmen zu nennen: Hard-Clustering (aka K-Means), Soft-Clustering, MSA
  * Wie funktioniert MSA, wie funktioniert K-Means (im Bezug auf das Beispielproblem)

  * MSA, welche Kernel haben wir kennengelernt?
          * 2 Kernel erwähnt: Epanechnikov, Gaussian

  * Wann wählt man K-Means, wann MSA? Bzw. Was sind die Parameter?
          * K-Means wählt man wenn die Anzahl der Maxima bekannt ist. Parameter ist also k, die Anzahl der Maxima.
          * Wenn die Anzahl der Maxima unbekannt ist, kann man sehr viele MS-Vorgänge initialisieren. Viele werden gegen gleiche Maxima konvergieren. So findet man k Maxima. Parameter ist die Fenstergröße.

  * Wie segmentiere ich die blauen Teile (Bauch) voneinander?
          * meine Anwort: Bump Hunting im 5D-Raum. Dimensionen: X-Koordinate, Y-Koordinate, R-, G-, B-Wert
          * besser wäre gewesen: ich betrachte im Bild nur blaue Feature-Vektoren (Pixel) und finde dann die zwei Körper im Bild durch Clustering.


  * Zeit war um. Die nächste Frage wäre über Unterschiede in der Implementierung von MSA und K-Means gegangen.