| Popis: |
Diese Arbeit präsentiert maschinelles Lernen in Bezug auf Computervision und enthält die wichtigsten theoretischen Prinzipien von künstlicher Intelligenz, die zur Mustererkennung verwendet werden. Die Motivation dieser Forschung ist einen geeigneten Algorithmus für zukünftige Arbeiten im Bereich der Bilderkennung herauszufinden. Die Bachelorarbeit beginnt mit einer Einleitung, in der der aktuelle Stand und die Wichtigkeit von künstlicher Intelligenz und maschinellem Lernen gezeigt werden. Es werden überwachte und unüberwachte Lernalgorithmen, die in der jetzigen Zeit für Computervision verwendet werden, wie Support Vector Machine, K-Nächster-Nachbar, Naive Bayes Classifier, Entscheidungsbaum, Clustering und Hauptkomponentenanalyse beschrieben. Bestärkendes Lernen und Q-Learning Algorithmus werden auch kurz erklärt. Aufgrund des Erfolgs der überwachten Lernmethode für neuronale Netze für Objekterkennung, wird diese ausführlich beschrieben. Convolution Neural Networks werden oft erwähnt, weil diese Untergruppe eine einfache und gleichzeitig mächtige Methode für komplexe Probleme bezüglich Bilderkennung lösen kann. Die Bachelorarbeit 2 wird die Ergebnisse von praktischen Versuchen für die Klassifizierung von Bildern mittels Convolution Neural Networks beschreiben. This work presents machine learning applied for computer vision and contains the most important theoretical principles of artificial intelligence applied to pattern recognition. The motivation of this research is the study of different algorithms so that the most suitable one can be applied for future works regarding image classification. The bachelor thesis starts with an introduction of the current status of artificial intelligence and shows the importance of machine learning nowadays. It describes the algorithms of machine learning for both supervised and unsupervised learning tasks such as Support Vector Machine, K-Nearest-Neighbour, Naive Bayes Classifier, Decision Tree, Clustering and Principal Component Analysis, which are currently used in the computer vision field. The reinforcement learning algorithm Q-learning is also briefly explained. The supervised learning method Neural Networks is detailed described due to the success and precision of this technique in areas such as object recognition and detection. Convolution Neural Networks are frequently mentioned: even though this method is relatively simple compared to other methods, it is still very powerful for the solution of difficult problems regarding image recognition. Further works (bachelor thesis 2) will present practical trials to classify images using Convolution Neural Networks. |
