MU Wien:Maschinelles Lernen und Data Mining VO/UE (Flexer)

Aus VoWi
Wechseln zu: Navigation, Suche
In der Studienplanänderung 2006 der Technischen Universität Wien wurde "Maschinelles Lernen und Data Mining" aus dem Studienplan gestrichen.
  • Studierende der TU, die im WS06 oder später mit ihrem Studium begonnen haben, können diese LVA nicht mehr für ihr Studium als Pflicht oder Wahlfach verwenden.
  • Studierende der TU, die bereits vor dem WS06 inskribiert waren, können, sofern sie für diese LVA ein Zeugnis haben, dieses Fach gemäß den Übergangsbestimmungen verwenden.
    • Ist dieses Fach eine Vorlesung, so muss es (wie immer) noch 3 weitere Semester Prüfungen geben.
  • Studierende der Uni Wien haben einen eigenen Banner mit Hinweisen ueber oder unter diesem Banner.

Für Details siehe bitte auch das FAQ Der Übergang vom alten auf den neuen Studienplan (2006).


Diese LVA wird nicht mehr von dieser Person angeboten, ist ausgelaufen, oder läuft aus und befindet sich daher nur noch zu historischen Zwecken im VoWi. Eventuell findest du über dieser Meldung noch andere Vortragende, oder Links für dieselbe LVA.


Daten[Bearbeiten]


Inhalt[Bearbeiten]

  • The very basics of statistical Pattern Recognition
  • Bayes and all that
  • Probability Density Estimation
  • Advanced Classification
  • Statistical Evaluation of Machine Learning Experiments
  • Unsupervised Learning I: Visualization
  • Unsupervised Learning II: Clustering
  • Supervised Learning

Ablauf[Bearbeiten]

Die VO findet wöchentlich statt. Für die Übung sind zwei umfangreiche Beispiele in Matlab zu programmieren (Genreklassifikation von Musikstücken, sehr interessant!) und abzugeben, eines gegen Mitte, eines gegen Ende des Semesters. Anwesenheitspflicht gibt es keine.

Benötigte/Empfehlenswerte Vorkenntnisse[Bearbeiten]

Wer von Statistik eine Ahnung hat wird sich leichter tun, denn eigentlich basiert all das auf Statistik.

Vortrag[Bearbeiten]

Arthur hat einen guten, amüsanten Vortragsstil. In die Vorlesung zu kommen zahlt sich aus, weil viele Dinge, die auf den Folien nur mathematisch formuliert sind, so viel verständlicher sind.

Übungen[Bearbeiten]

In den Übungen werden die Konzepte der Vorlesung in Matlab ausprogrammiert. Es gibt zwei Beispiele zu lösen:

  • Genreklassifikation von Musikstücken mithilfe von GMMs, dazu deren Kreuzvalidierung und ein T-Test, der zwei Methoden vergleicht.
  • Erweiterte Genreklassifikation von Musikstücken mit Outlier-rejection und ROC-Kurve.

Prüfung[Bearbeiten]

Die Prüfung ist schriftlich, es sind keine Unterlagen erlaubt. Sie dauert eine Stunde lang und umfasst 8 Fragen, eine aus jedem Kapitel (exklusive Intro). Ausser dem Bayes-Satz braucht man keine Formeln können, es kommt hauptsächlich auf das Verständnis an.

Literatur[Bearbeiten]

Keine spezielle.

Zeitaufwand[Bearbeiten]

Für jede Übung sicher ein arbeitsreiches Wochenende. Zum Lernen für die Prüfung auch bis zu einer guten Woche.

hilfreiche Links[Bearbeiten]

Wo gibts Mitschriften, Skripten, Folien...[Bearbeiten]

Tipps[Bearbeiten]

  • Am Besten gleichzeitig MU Wien:Neural Computation 1 VO/UE (Dorffner) besuchen, dadurch dass der Stoff sich stark überschneidet spart man sich nicht nur Arbeit, sondern versteht auch alles viel besser!
  • Diese LVA ist für fortgeschrittene Methoden Maschinellen Lernens anrechenbar, solange letztere nicht angeboten wird!