Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     
Logout in [min] [minutetext]

Machine learning using MATLAB - Einzelansicht

Grunddaten
Veranstaltungsart Vorlesung Kurztext
Veranstaltungsnummer INF-13510-20171 Rhythmus keine Übernahme
Semester SS 2017 Studienjahr
Erwartete Teilnehmer/-innen 20 Max. Teilnehmer/-innen
SWS 4 Sprache englisch
Credits 6
Hyperlink
Belegungsfrist Informatik II    18.04.2017 - 22.05.2017   
Termine: Vorlesung iCalendar Export
  Tag Zeit Rhythmus Dauer Raum Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Di. 10:00 bis 11:30 wöchentl. 25.04.2017 bis 25.07.2017  M - M 631     Vorlesung   24
Vorlesung:
 
Termine: Gruppe A iCalendar Export
  Tag Zeit Rhythmus Dauer Raum Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Do. 13:30 bis 15:00 wöchentl. 27.04.2017 bis 27.07.2017  Z - Z 613     Übung   12
Gruppe A:
 
Termine: Gruppe B iCalendar Export
  Tag Zeit Rhythmus Dauer Raum Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Do. 15:15 bis 16:45 wöchentl. 27.04.2017 bis 27.07.2017  Z - Z 613     Übung   12
Gruppe B:
 


Zugeordnete Lehrpersonen
Zugeordnete Lehrpersonen Zuständigkeit
Lin, Hanhe, Dr. begleitend
Saupe, Dietmar, Prof. Dr. verantwortlich
StudIS-Prüfungen / Module
Prüfungsnummer Prüfungstext
INF-13510 Machine learning using MATLAB
StudIS-Prüfungsorganisationssätze
Semester Termin Prüfer/-in Datum Beginn Dauer Raum Bemerkung Leistungsanmeldung Rücktritt bis StudIS-
Status
SS 2017 01 Saupe, Dietmar , Prof. Dr.
Lin, Hanhe , Dr.
Präsentation nach Vereinbarung 01.06.2017 bis
17.07.2017
17.07.2017 StudIS-Prüfungsanmeldung beendet
_______________
Nicht/noch nicht für die StudIS-Prüfungsanmeldung freigeschaltetNicht/noch nicht für die StudIS-Prüfungsanmeldung freigeschaltet
Für die StudIS-Prüfungsanmeldung freigeschaltet - Prüfungsanmeldung läuft noch nichtFür die StudIS-Prüfungsanmeldung freigeschaltet - Prüfungsanmeldung läuft noch nicht
Für die StudIS-Prüfungsanmeldung freigeschaltet - Prüfungsanmeldung läuft derzeitFür die StudIS-Prüfungsanmeldung freigeschaltet - Prüfungsanmeldung läuft derzeit
Anmeldezeitraum abgelaufen - Rücktritt noch möglichAnmeldezeitraum abgelaufen - Rücktritt noch möglich
StudIS-Prüfungsanmeldung beendetStudIS-Prüfungsanmeldung beendet
Zuordnung zu Einrichtungen
LS Multimedia Signalverarbeitung
FB Informatik und Informationswissenschaft
Inhalt
Kommentar

This one-semester course provides the following topics:

  • Linear regression
  • Logistic regression
  • Neural network
  • Support vector machines
  • Principal component analysis
  • Clustering: k-means and Gaussian mixture model
  • Anomaly detection

Complemented by a lab session of practical Matlab exercises. 

Literatur

Alpaydin, Ethem. Introduction to machine learning. MIT press, 2014.

Christopher M .. Bishop. Pattern recognition and machine learning. Springer, 2006.

Stanford University  CS229 Machine Learning .

Voraussetzungen

None, if taken as a master course. If taken as an advanced course in the bachelor program:

  • Basic math courses available in our bachelor programs
  • Algorithms and data structures
  • Introduction to computer science including programming
Leistungsnachweis

In the course you are required to complete a small project alone or with other classmates. You could choose a project which is related to your study. Or you can choose some interesting topics. For example, face recognition / detection, object classification, etc. 

(30%) and a technical report (70%, including source code). The presentation should include motivation, data collection, design of the framework. The technique report should include the framework you implement, analysis of experimental results. 

Lerninhalte

Supervised Learning:

  • Linear regression
  • Logistic regression
  • Neural network
  • Support vector machines
  • ...

Unsupervised Learning:

  • Clustering
  • Dimensionality reduction
  • Anomaly Detection
  • ...
Lernziel

You will

  • Have an insight of the fundamentals of machine learning,
  • Have the ability to design your own machine learning algorithm to solve some specific problems,
  • Have the ability to improve the performance of your algorithm. 
Arbeitsaufwand

2 hours lectures and 2 hours lab session

Weitere Links
Links
Course webpage

Strukturbaum
Die Veranstaltung wurde 4 mal im Vorlesungsverzeichnis SS 2017 gefunden:
4230 Vorlesungen  - - - 2
5100 Vertiefungsmodule  - - - 4
STUDIS    Anzahl aktueller Nutzer/-innen: 96 Haben Sie Anregungen, Fragen, Lob oder Kritik zum LSF?
Dann schreiben Sie uns!
Impressum
Datenschutzerklärung