Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage...

• geeignete Methoden für eine gegebene Problemstellung auszuwählen
• angemessene Technologien, Software-Werkzeuge und Standards zur Lösung einer gestellten Aufgabe zu benutzen
• Zusammenhänge und Prinzipien des maschinellen Lernens zu verstehen

- 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
- Clustering und Vektor Quantisierung (e.g., k-means)
- Überblick über Deep Learning Modelle 

• Vorlesung (wird in diesem Semester online abgehalten)
• Erstellen von Programmen, die vorgestellte Methoden implementieren, unter schriftlicher Anleitung
• Vertiefung mittels Durchführen von Experimenten unter Verwendung der erstellten Programme
• Erstellung eines Dokuments mit der Beschreibung und Interpretation der Resultate
• mündliches Feedback

ECTS Breakdown: 

4.5 ECTS = 112.5 Stunden

30     Vorlesung

70     2 Übungsrunden (inklusive Befassen mit grundlegenden Methoden und 

       Literatur, Erstellen von Programmcode in MATLAB oder einem ähnlichen Framework und Dokumentation)

2.5    2 Abgabegespräche (inklusive Vorbereitung)

10     Schriftliche Prüfung mit Vorbereitung

• Abgabe zweier Aufgabenblätter
• zwei Abgabegespräche (online)
• eine schriftliche Prüfung (ACHTUNG: wegen Covid-19 Maßnahmen wird die Prüfung im Semester 2020W mündlich und online abgehalten)

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

Kenntnisse in linearer Algebra und Wahrscheinlichkeitsrechnung