TU Wien:Einführung in die Mustererkennung UE (Hladuvka)
- Einführung in die Mustererkennung UE (Hladuvka) (TU Wien, 0 Resources)
- Einführung in die Mustererkennung VO (Hladuvka) (TU Wien, 10 Resources)
- Einführung in die Mustererkennung UE (Artner) (TU Wien, veraltet, 0 Resources)
- Einführung in die Mustererkennung UE (Haxhimusa) (TU Wien, veraltet, 0 Resources)
- Einführung in die Mustererkennung VO (Artner) (TU Wien, veraltet, 12 Resources)
- Einführung in die Mustererkennung VO (Haxhimusa) (TU Wien, veraltet, 23 Resources)
Daten[edit | edit source]
Lecturers | Jiri Hladuvka |
---|---|
ECTS | 3 |
Alias | Introduction to Pattern Recognition (en) |
Department | Forschungsbereich Pattern Recognition and Image Processing |
When | winter semester |
Last iteration | 2021WS |
Language | Deutsch |
Mattermost | einfuehrung-in-die-mustererkennung • Register • Mattermost-Infos |
Links | tiss:186840, Homepage |
Inhalt[edit | edit source]
Diese Lehrveranstaltung ist die begleitende Übung zur Vorlesung "Einführung in die Mustererkennung". Der Inhalt überschneidet sich überwiegend mit dieser LVA.
Ablauf[edit | edit source]
2020W: Wieder vier Übungen (Übung 1 10 Punkte, Übung 2, 3 und 4: je 30 Punkte + je 2 Bonuspunkte). Die Beispiele werden direkt über JupyterHub abgegeben und auch dort bewertet.
2018W: Vier Übungen, die erste zu 10 Punkten, alle weiteren zu 30 Punkten. Die Jupyter Notebooks werden zirka vier Wochen vor der Deadline zur Verfügung gestellt. Die gelösten Beispiele müssen in Tuwel hochgeladen werden, wo auch das Feedback und die Punkte eingetragen werden. Übungsgruppen oder Abgabegespräche gibt es keine. Es werden mindestens 51 von 100 Punkten benötigt, um die LVA positiv abzuschließen.
Benötigte/Empfehlenswerte Vorkenntnisse[edit | edit source]
Es kann hilfreich sein, die begleitende Vorlesung zu besuchen.
Vortrag[edit | edit source]
Einführung in die Mustererkennung VO
Übungen[edit | edit source]
2020W
Übung 1 (10 Punkte)
- Einführung in numpy und matplotlib
- Feature extraction
Übung 2 (30 Punkte + 2 Bonuspunkte)
- kNN
- Bayes theorem
Übung 3 (30 Punkte + 2 Bonuspunkte)
- Discriminant functions
- PCA
- Perceptron
Übung 4 (30 Punkte + 2 Bonuspunkte)
- Logistic Regression
- Clustering
Prüfung, Benotung[edit | edit source]
Notenschlüssel:
Sehr Gut: ab 88 Punkten
Gut: ab 75 Punkten
Befriedigend: ab 63 Punkten
Genügend: ab 51 Punkten
Nicht Genügend: unter 51 Punkten
Dauer der Zeugnisausstellung[edit | edit source]
Semester | Letzte Leistung | Zeugnis | |
---|---|---|---|
2018W | 14.01.2019 | 04.02.2019 | |
2020W | 18.01.2021 | 21.01.2021 |
Zeitaufwand[edit | edit source]
noch offen
Unterlagen[edit | edit source]
noch offen
Tipps[edit | edit source]
noch offen
Verbesserungsvorschläge / Kritik[edit | edit source]
noch offen