Difference between revisions of "TU Wien:Machine Learning VU (Mayer, Musliu)"

From VoWi
Jump to navigation Jump to search
Similarly named LVAs (Resources):
Line 47: Line 47:
 
== Prüfung, Benotung ==
 
== Prüfung, Benotung ==
 
Invest some time in looking at old exams. Try to find some of the true/false questions and make sure you know the most current ones.
 
Invest some time in looking at old exams. Try to find some of the true/false questions and make sure you know the most current ones.
 +
 
Also see that you know how to calculate the basic examples using e.g. Naive Bayes, etc. I think there's always one of those in each exam.
 
Also see that you know how to calculate the basic examples using e.g. Naive Bayes, etc. I think there's always one of those in each exam.
  

Revision as of 21:17, 15 November 2019

Daten

Lecturers Musliu, Nysret, Mayer, Rudolf
ECTS 4,5
Department Forschungsbereich Databases and Artificial Intelligence
Language English
Links tiss:184702
Zuordnungen
Master Data Science Pflichtmodul MLS/FD - Machine Learning and Statistics - Foundations
Master Logic and Computation Wahlmodul Knowledge Representation and Artificial Intelligence
E066933 Wahlmodul Knowledge Engineering
Master Software Engineering & Internet Computing Wahlmodul Algorithmik

Mattermost: Channel "machine-learning" Team invite & account creation link Mattermost-Infos

Inhalt

kNN, decision trees, bayesian networks, random forests, SVM, WEKA API

Ablauf

2 Übungsaufgaben in 3er Gruppen: kleinere Beispiele in WEKA Programmieren

Schriftliche Prüfung am Ende

WS 2015: drei Übungsaufgaben; (1) Regression an selbstgewählten Datensets mit verschiedenen Regressions-Algorithmen, (2) das gleiche mit Klassifikation, (3) Implementierung eines einfachen Szenarios mit der Weka API (z.B. Finde optimales k für kNN, automatische Model Selection, ...).

WS18/19: 3 Aufgaben, Regression, Klassifikation. Für das 3. gabs ein paar Optionen zur Auswahl, z.B. Neuronale Netze, u.A. auch CNN (deep learning) für Klassifikation von Bildern.

Benötigte/Empfehlenswerte Vorkenntnisse

In Java sollte man sattelfest sein.

Grundsätzlich sollte man selbstständig Daten visualisieren und präsentieren können.

WS18/19: Man konnte die Sprachen in denen man was programmiert im Grunde frei wählen. R und/oder Python Kenntnisse sind z.B. recht hilfreich.

Vortrag

in Englisch

Mayer, Rudolf: guter Vortrag mit vielen Beispielen, trotzdem recht langweilig und oberflächlich

Musliu, Nysret: schlechter Vortragsstil, eher einschläfernd, hat keine eigenen Folien

Übungen

Mit einer guten Gruppe leicht schaffbar, je nach dem welches Thema man wählt

Die Punktevergabe (besonders beim zweiten Bsp.) war allerdings nicht wirklich nachvollziehbar. Man hat im TUWEL seine Punkte eingetragen bekommen und das wars. Allgemein hab ich das Gefühl eine ansprechende Dokumentation ist ihnen wichtiger als die Arbeit selbst.

Prüfung, Benotung

Invest some time in looking at old exams. Try to find some of the true/false questions and make sure you know the most current ones.

Also see that you know how to calculate the basic examples using e.g. Naive Bayes, etc. I think there's always one of those in each exam.

Dauer der Zeugnisausstellung

WS10: etwas mehr als 5 Wochen
SS13: Prüfung 26.06., Zeugnis 29.07.
WS18: Prüfung 18.10.19, Zeugnis 14.11.19

Benotung der Übungen

WS18: Hat für jede Übung durchschnittlich 2 Monate gebraucht

Zeitaufwand

noch offen

Unterlagen

Folien im TUWEL

imho sehr gute Erklärung der Classifiers unter:

http://chem-eng.utoronto.ca/~datamining/dmc/data_mining_map.htm

Und zusätzliche Vorlesungen:

https://class.coursera.org/ml-003/lecture

Tipps

noch offen

Verbesserungsvorschläge / Kritik

noch offen

Wikipedia-Links