Verstehen der Prinzipien des maschinellen Lernens. Fähigkeit, die Methoden für Probleme im Bereich Visual Computing einzusetzen.

- Lineare Modelle für Regression und Klassifikation (inkl. Perceptron, Linear Basis Function Models, RBF, historische Entwicklung), Anwendungen in Visual Computing
- Neuronale Netze
- Fehlerfunktionen und Verfahren zur Parameteroptimierung (e.g., Pseudo-Inverse, Gradient Descent, Newton Methode)
- Modellkomplexität, Regularisierung, Model Selektion, VC Dimension 
- Kernel Methoden: Dualität, Sparsity, Support Vector Machine
- Principal Component Analysis und Hebb Lernregel, Canonical Correlation Analysis, nicht lineare Kernel-Erweiterungen, Anwendungen für Visual Computing
- Bayessche Sicht der behandelten Modelle, Bayesian Regression, Relevance Vector Machine
- Clustering und Vektor Quantisierung (e.g., k-means)
- Überblick über Deep Learning Modelle 

ECTS Breakdown: 

4.5 ECTS = 112.5 Stunden

30     Vorlesung

70     2 Übungsrunden (inklusive Befassen mit grundlegenden Methoden und 

       Literatur, Erstellen von MATLAB Code und Dokumentation)

2.5    2 Abgabegespräche (inklusive Vorbereitung)

Die Anmeldung erfolgt im TISS. Die Einteilung in Kleingruppen mit je 3 Studierenden ist in den Tagen nach der Anmeldung in TUWEL möglich.