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

From VoWi
Jump to navigation Jump to search

Daten[edit | edit source]

Lecturers Marvin BurgesMichael ReiterRobert SablatnigLisa Magdalena Weijler
ECTS 4,5
Alias Machine Learning for Visual Computing (en)
Department Forschungsbereich Computer Vision
When winter semester
Last iteration 2022WS
Language Deutsch
Mattermost machine-learning-for-visual-computingRegisterMattermost-Infos
Links tiss:183605, Homepage
Zuordnungen
Masterstudium Biomedical Engineering Wahlmodul Modul: Advances in Mathematical & Computational Biology
Master Data Science Wahlmodul MLS/EX - Machine Learning and Statistics - Extension
Master Business Informatics Wahlmodul DA/EXT - Data Analytics Extension
Master Visual Computing Pflichtmodul Computer Vision
Master Medizinische Informatik Wahlmodul Informationsverarbeitung


Inhalt[edit | edit source]

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[edit | edit source]

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[edit | edit source]

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[edit | edit source]

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

Übungen[edit | edit source]

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[edit | edit source]

50% Prüfung, 50% Übung

Dauer der Zeugnisausstellung[edit | edit source]

noch offen

Zeitaufwand[edit | edit source]

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

Unterlagen[edit | edit source]

noch offen

Tipps[edit | edit source]

noch offen

Verbesserungsvorschläge / Kritik[edit | edit source]

  • 2017W war der Visual Computing - Bezug eigentlich recht gering. Hat sich teilweise eher wie eine allgemeine Machine Learning Vorlesung angefühlt.