Universität Wien
Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

050035 VU Machine Learning (2014S)

3.00 ECTS (2.00 SWS), SPL 5 - Informatik und Wirtschaftsinformatik
Prüfungsimmanente Lehrveranstaltung

URL http://vda.univie.ac.at/Teaching/ML/14s
CEWebs

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 25 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Freitag 07.03. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 14.03. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 21.03. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 28.03. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 04.04. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 11.04. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 02.05. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 09.05. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 16.05. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 23.05. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 30.05. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 06.06. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 13.06. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 20.06. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 27.06. 15:00 - 16:30 PC-Unterrichtsraum 6, Währinger Straße 29 2.OG

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Grundlegende Techniken des Machine Learning: Supervised Learning (Klassifikationsverfahren): Naive Bayes, Classification Trees, Combination Methods, Support Vector Machine, Neural Networks, Genetic Algorithms; Unsupervised Learning (Clusteranalyse): K-Means, SOM, Isomap, Model based Clustering

Art der Leistungskontrolle und erlaubte Hilfsmittel

Anwesenheit, Abgabe von Übungsaufgaben (60%), Abschlussgespräch (40%)

Mindestanforderungen und Beurteilungsmaßstab

Vermittlung einiger grundlegenden Prinzipien des Machine Learning und Anwednung der Methoden mit R und Python.

Prüfungsstoff

Vorlesung mit integrierten praktischen Übungen, hauptsächlich unter Verwendung der Software R und Python.

Literatur

Stephen Marsland: Machine Learning, An Algorithmic Perspective,Chapman & Hall/CRC. 2009.
X. Wu, V. Kumar: The Top Ten Algorithms in Data Mining, Chapman&Hall/CRC Data Mining and Knowledge Discovery Series, 2009
Hastie-Tibshirani-Friedman: The Elements of Statistical Learning, Springer 2009
Cherkassky-Mulier: Learning from Data, IEEE Press, Wiley 2007

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:29