Difference between revisions of "TU Wien:Machine Learning VU (Mayer, Musliu)"
- Machine Learning VU (Mayer, Musliu) (TU Wien, 13 Resources)
- Machine Learning for Visual Computing VU (Reiter) (TU Wien, 1 Resource)
~ondelette~ (talk | contribs) |
~ondelette~ (talk | contribs) |
||
| 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 22:17, 15 November 2019
Contents
Daten
| Lecturers | Musliu, Nysret, Mayer, Rudolf |
|---|---|
| ECTS | 4,5 |
| Department | Forschungsbereich Databases and Artificial Intelligence |
| Language | English |
| Links | tiss:184702 , Mattermost-Channel |
Mattermost: Channel "machine-learning" • Register • 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
