TU Wien:Machine Learning for Visual Computing VU (Reiter)

Daten

Zuordnungen

Masterstudium Biomedical Engineering	Modul Modul: Advances in Mathematical & Computational Biology
Masterstudium Data Science	Modul MLS/EX - Machine Learning and Statistics - Extension
Masterstudium Business Informatics	Modul DA/EXT - Data Analytics Extension
Masterstudium Visual Computing	Modul Computer Vision (Pflichtfach)
Masterstudium Medizinische Informatik	Modul Informationsverarbeitung (Gebundenes Wahlfach)

Inhalt

Die Vorlesung gibt einen Überblick über die Grundlagen maschinelles Lernen und verschiedene Lernverfahren, welche im Visual Computing Anwendung finden. Deep learning wird allerdings nicht behandelt, dazu gibt es die VU "Deep Learning for Visual Computing".

• Grundlagen, Polynomielle Regression
• Linear Basis Function Models, Perceptron
• Neuronale Netzwerke: Multilayer Perceptrons, Radial Basis Function Networks
• VC Dimension, Bias-Variance...
• Support Vector Machines
• Principal Component Analysis
• Associative Memories, Hopfield Networks
• Unüberwachte Lernverfahren: Clustering & Vector Quantization, k-Means, Neural Gas, Self-organizing Maps...
• Bayesian Regression, Expectation Maximization

Ablauf

Wöchentliche Vorlesung mit einer schriftlichen Vorlesungsprüfung am Ende. Dazu 2 Übungen welche in 3er-Gruppen zu lösen sind. Nach jeder Übung gibt es ein Abgabegespräch.

Benötigte/Empfehlenswerte Vorkenntnisse

Es wird zwar vieles wiederholt, doch um wirklich mitzukommen, empfiehlt es sich, Grundlagen von maschinellem Lernen bzw. Mustererkennung bereits zu kennen, zB aus Einführung in die Mustererkennung. Statistik-Wissen ist auch von Vorteil.

Vortrag

Eher trocken. Teilweise etwas durcheinander. Bei Bedarf in englisch.

Übungen

In jeder Übung gibt es ein paar Dinge zu programmieren (in einer Sprache nach Wahl: Matlab, Python oder R) und diese zu dokumentieren und Theoriefragen zu beantworten. Über die Abgabe wird in einem Abgabegespräch recht locker diskutiert.

In der ersten Übung gings um Linear Basis Function Models und Perceptron. In der zweiten Übung um Support Vector Machines.

Prüfung, Benotung

50% Prüfung, 50% Übung

Prüfung ähnlich zu der Sample-Prüfung aus dem TUWEL Kurs (teils gleiche Beispiele).

Dauer der Zeugnisausstellung

noch offen

Zeitaufwand

Die Übungen sind zwar etwas knifflig, aber nicht allzu aufwendig. Für die Vorlesungsprüfung empfiehlt es sich, doch etwas Lernzeit einzuplanen.

Unterlagen

noch offen

• Materialien

Tipps

noch offen

Highlights / Lob

noch offen

Verbesserungsvorschläge / Kritik

• 2017W war der Visual Computing - Bezug eigentlich recht gering. Hat sich teilweise eher wie eine allgemeine Machine Learning Vorlesung angefühlt.
• 2022W Inhalt und Slides sind durcheinander, Prüfungsinhalt wurde teilweise unzureichend oder gar nicht erklärt. Programmierübung war relativ low effort gestaltet.
• 2022W Ich rate stark davon ab diese VU zu machen. Der Inhalt ist sehr durcheinander/chaotisch. Ein roter Faden ist nicht wirklich ersichtlich. Der Zusammenhang mit "Visual computing" ist nicht ersichtlich. Die Prüfung ist recht schwierig und relativ theoretisch. Diese Meinung hatten alle meiner MitstudentInnen, die diesen Kurs belegt haben. Keiner von uns hätte den Kurs nochmal gewählt.
• 2023W The class is very mathematical, and you don't really learn applied ML, especially not for Visual Computing.

Die Veranstaltung wird außerdem nicht benötigt für Deep Learning for Visual Computing und bereitet einen darauf auch nicht wirklich vor.

Materialien

Neues Material hinzufügen

M

• MLVC-Zusammenfassung-01.pdf (details)

S

• sample exam 2023WS.pdf (details)