TU Wien:Statistische Mustererkennung UE (Melzer)
- Statistische Mustererkennung UE (Melzer) (TU Wien, 0 Materialien)
- Statistische Mustererkennung VO (Melzer) (TU Wien, 3 Materialien)
Daten[Bearbeiten | Quelltext bearbeiten]
| Vortragende | Thomas Melzer |
|---|---|
| ECTS | 3 |
| Alias | Statistical Pattern Recognition (en) |
| Abteilung | Visual Computing and Human-Centered Technology |
| Wann | Wintersemester |
| Letzte Abhaltung | 2022WS |
| Sprache | Deutsch |
| Mattermost | statistische-mustererkennung • Register • Mattermost-Infos |
| Links | tiss:183584, Homepage |
| Masterstudium Biomedical Engineering | Wahlmodul Modul: Advances in Medical Physics & Imaging |
| Master Visual Computing | Wahlmodul AI for Visual Computing |
Inhalt[Bearbeiten | Quelltext bearbeiten]
Übung zur Vorlesung TU Wien:Statistische Mustererkennung VO (Melzer).
Ablauf[Bearbeiten | Quelltext bearbeiten]
Die Übungen werden in Gruppen zu drei Personen ausgearbeitet. Über das Semester verteilt gibt es drei Übungen. Nach jeder Abgabe findet ein Abgabegespräch statt. Die Übungen können z.b. in Python oder Matlab implementiert werden. Zusätzlich muss ein kleiner Report pro Übung geschrieben werden, indem die Fragen beantwortet und die Ergebnisse präsentiert werden.
Benötigte/Empfehlenswerte Vorkenntnisse[Bearbeiten | Quelltext bearbeiten]
Es kann von Vorteil sein, wenn man schon einmal mit Matlab/Python gearbeitet hat.
Vortrag[Bearbeiten | Quelltext bearbeiten]
In der dazugehörigen Vorlesung.
Übungen[Bearbeiten | Quelltext bearbeiten]
1. Übung: knn (+ Evaluierung), Wahrscheinlichkeiten (Summenregel, Kontingenztafel, Bernoulli-Versuche), Pareto-Verteilung. Es waren zirka zwei Wochen Zeit für die Ausarbeitung, abzugeben ist ein Report sowie Source files (z.b. .py Files oder jupyter notebooks)
2. Übung: Stichprobenmittel, -varianz, -median; Schätzintervalle; Normalverteilung, ROC-Kurven; Herleitung des Erwartungswert und der Varianz für Binomialverteilung, Eigenschaften eines erwartungstreuen, asymptotischen Schätzers
3. Übung: Kovarianzmatrix, Korrelationsmatrix, Rayleigh-Quotient, LDA
Prüfung, Benotung[Bearbeiten | Quelltext bearbeiten]
Die Benotung findet anhand der Ausarbeitung der Übungsblätter sowie der dazugehörigen Abgabegespräche statt. Es gibt jedoch keine Information über die Verteilung der Punkte auf die Blätter bzw. auf die einzelnen Übungen.
Die Abgabegespräche sind sehr entspannt. Prof. Melzer fragt nur bei Beispielen nach, bei welchen ihm etwas gefehlt hat oder aus der Ausarbeitung nicht ganz eindeutig hervorging. Fragen zur konkreten Theorie dahinter gibt es nicht.
Dauer der Zeugnisausstellung[Bearbeiten | Quelltext bearbeiten]
| Semester | Letzte Leistung | Zeugnis | |
|---|---|---|---|
| WS20 | 25.01.2021 | 17.02.2021 |
Zeitaufwand[Bearbeiten | Quelltext bearbeiten]
Der Zeitaufwand hängt vom Vorwissen und den Kenntnissen mit der jeweiligen Programmiersprache ab. Wenn man sich die Aufgaben jedoch gut aufteilt, bleibt man unter den 75 Stunden Arbeitsaufwand.
Unterlagen[Bearbeiten | Quelltext bearbeiten]
noch offen
Tipps[Bearbeiten | Quelltext bearbeiten]
noch offen
Verbesserungsvorschläge / Kritik[Bearbeiten | Quelltext bearbeiten]
noch offen