TU Wien:Einführung in die Mustererkennung UE (Hladuvka)

From VoWi
Jump to navigation Jump to search
Similarly named LVAs (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-mustererkennungRegisterMattermost-Infos
Links tiss:186840, Homepage
Zuordnungen
Bachelor Medieninformatik und Visual Computing Pflichtmodul Einführung in die Mustererkennung
Bachelor Medizinische Informatik Wahlmodul Einführung in die Mustererkennung
Bachelor Technische Informatik Wahlmodul Einführung in die Mustererkennung
Masterstudium Biomedical Engineering Wahlmodul Modul: Advances in Medical Physics & Imaging


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

Attachments

This page has no attachments yet but you can add some.