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: Überblick über gängige Neuronale Netzmodelle (Architekturen und Lernverfahren)
• 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
• Unüberwachte Methoden und Self-Organizing Maps (SOM)
• Hebb-Lernregel und Hauptkomponentenanalyse (Principal Component Analysis)
• Assoziativspeicher