183.605 Machine Learning for Visual Computing
Diese Lehrveranstaltung ist in allen zugeordneten Curricula Teil der STEOP.
Diese Lehrveranstaltung ist in mindestens einem zugeordneten Curriculum Teil der STEOP.

2021W, VU, 3.0h, 4.5EC

Merkmale

  • Semesterwochenstunden: 3.0
  • ECTS: 4.5
  • Typ: VU Vorlesung mit Übung
  • Format der Abhaltung: Hybrid

Lernergebnisse

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

Inhalt der Lehrveranstaltung

In diesem Einführungskurs werden die Grundlagen des maschinellen Lernens anhand von Beispielen aus der Computer Vision vermittelt. Er konzentriert sich auf einige wenige Schlüsselbereiche, auf deren Grundlage die wesentlichen Gesetze des maschinellen Lernens vermittelt werden. Ein tieferes Verständnis der Methoden erlangen die Studierenden durch die eigenständige Implementierung der Modelle in den Laborübungen. Schwerpunkte sind lineare Modelle mit festen Basisfunktionen und deren Kernelerweiterungen sowie Optimierungsverfahren in überwachten und unüberwachten Lernszenarien. Modelle mit adaptiven Basisfunktionen und neuronale Netze werden vorgestellt. Die grundlegenden Gesetzmäßigkeiten, die auch in den Übungen behandelt werden, sind: Fluch der Dimensionalität, Bias-Varianz-Tradeoff und theoretische Grenzen des Generalisierungsfehlers und die Beziehung zur Modellkomplexität. Wir werden Aspekte und Herausforderungen des Lernens aus hochdimensionalen Daten wie Bildern beleuchten.

Im Einzelnen befasst sich die Vorlesung mit:

  • lineare Modelle für Regression und Klassifikation (Perceptron, lineare Basisfunktionsmodelle, polynomiale und radiale Basisfunktionen, historischer Überblick), Anwendungen in der Computer Vision
  • Neuronale Netze
  • Fehlerfunktionen und Optimierung (z.B. Pseudo-Inverse, Gradientenabstieg, Newton-Methode)
  • Modellkomplexität, Regularisierung, Modellauswahl, VC-Dimension 
  • Kernel-Methoden: Dualität, sparsity, Support-Vektor-Maschine
  • Hauptkomponentenanalyse (linearer Kodierer) und Hebb'sche Regel
  • Bayes'sche Betrachtung der oben genannten Modelle, Bayes'sche Regression
  • Gaußsche Prozesse für die Regression
  • Clustering und Vektorquantisierung, latente Variablen (z. B. k-means)
  • Überblick über Deep-Learning-Modelle

Methoden

Durch die Implementierung grundlegender Klassifizierungs- und Regressionsmethoden, deren Weiterentwicklung und Bewertung anhand von Bilddaten wird ein tiefgreifendes Verständnis der wichtigsten Methoden vermittelt.

Methoden sind:

  • 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 während der Abgabegespräche

Prüfungsmodus

Prüfungsimmanent

Weitere Informationen

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

Vortragende Personen

Institut

LVA Termine

TagZeitDatumOrtBeschreibung
Di.13:00 - 15:0005.10.2021 - 18.01.2022 (LIVE)Online Vorlesung
Machine Learning for Visual Computing - Einzeltermine
TagDatumZeitOrtBeschreibung
Di.05.10.202113:00 - 15:00 Online Vorlesung
Di.12.10.202113:00 - 15:00 Online Vorlesung
Di.19.10.202113:00 - 15:00 Online Vorlesung
Di.09.11.202113:00 - 15:00 Online Vorlesung
Di.16.11.202113:00 - 15:00 Online Vorlesung
Di.23.11.202113:00 - 15:00 Online Vorlesung
Di.30.11.202113:00 - 15:00 Online Vorlesung
Di.07.12.202113:00 - 15:00 Online Vorlesung
Di.14.12.202113:00 - 15:00 Online Vorlesung
Di.11.01.202213:00 - 15:00 Online Vorlesung
Di.18.01.202213:00 - 15:00 Online Vorlesung

Leistungsnachweis

  • Abgabe zweier Aufgabenblätter
  • zwei Abgabegespräche (online)
  • eine schriftliche Prüfung (ACHTUNG: wegen Covid-19 Maßnahmen kann sich der Prüfungsmodus ändern und wird zu Beginn des Semesters angekündigt).

LVA-Anmeldung

Von Bis Abmeldung bis
20.09.2021 09:00 13.10.2021 23:59 13.10.2021 23:59

Anmeldemodalitäten

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

Curricula

Literatur

Es wird kein Skriptum zur Lehrveranstaltung angeboten.

Vorkenntnisse

Kenntnisse in linearer Algebra und Wahrscheinlichkeitsrechnung

Vertiefende Lehrveranstaltungen

Weitere Informationen

Sprache

Deutsch