@phdthesis{Fischer,
  type      = {Bachelor Thesis},
  author    = {Simon Fischer},
  title     = {Vergleich maschineller Lernalgorithmen in Anwendung auf die 3D-Gestenerkennung per Leap Motion},
  url       = {https://nbn-resolving.org/urn:nbn:de:bsz:fn1-opus4-17849},
  pages     = {40},
  abstract  = {Die Gestensteuerung erm{\"o}glicht eine intuitive sowie nat{\"u}rliche Interaktion zwischen Mensch und Maschine. Um die Bewegungen des Nutzers im dreidimensionalen Raum erkennen und klassifizieren zu k{\"o}nnen, sind Sensoren n{\"o}tig, deren Signale es gilt zu verarbeiten. Diese Verarbeitung geschieht mittlerweile {\"u}berwiegend durch Algorithmen des maschinellen Lernens, welche mit Hilfe von eingelernten Daten selbstst{\"a}ndig Vorhersagen {\"u}ber neue Eingabesignale treffen k{\"o}nnen. In dieser Arbeit werden die Eigenschaften und die damit zusammenh{\"a}ngende Erkennungsgenauigkeit solcher Algorithmen untersucht und verglichen. Dabei sollen die Support Vector Machine und das neuronale Netz ber{\"u}cksichtigt werden, welche mit Hilfe der Open Source Bibliotheken TensorFlow und scikit-learn implementiert wurden. Als Untersuchungsgegenstand dienen die Positionskoordinaten von insgesamt 350 dynamischen Gesten. Diese wurden mit dem Tiefenensor Leap Motion mittels einer eigens entwickelten Software aufgezeichnet und entsprechend vorverarbeitet. Auf diese Software, sowie den Prozess der Datensammlung, der Vorverarbeitung und letztendlich der Klassifizierung wird in der Arbeit ausf{\"u}hrlicher eingegangen. Die durchgef{\"u}hrten Tests zeigen, dass beide Algorithmen in der Lage waren eine Erkennungsgenauigkeit von bis zu 93,40\% zu erreichen. Die Support Vector Machine schnitt durchschnittlich mit 87,15\%, gegen{\"u}ber dem neuronalen Netz mit 80,47\%, besser ab.},
  language  = {de}
}