Machine Learning for Visual Computing (VU)

Course Details

Lecturer

Michael Reiter
Robert Sablatnig

LVA-Nr.

183.605

Typ

Vorlesung mit Übung (VU)

Link

TISS

Aktuelle Informationen zu dieser Lehrveranstaltung finden Sie im TISS

Ziel der Lehrveranstaltung

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

Inhalt der Lehrveranstaltung

  • 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