TU Wien:Machine Learning for Visual Computing VU (Reiter)
Daten[edit | edit source]
Lecturers | Marvin Burges• Michael Reiter• Robert Sablatnig• Lisa 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-computing • Register • Mattermost-Infos |
Links | tiss:183605, Homepage |
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.