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

053613 VU Introduction to Machine Learning (2020W)

6.00 ECTS (4.00 SWS), SPL 5 - Informatik und Wirtschaftsinformatik
Prüfungsimmanente Lehrveranstaltung
Moodle

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: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Freitag 02.10. 13:15 - 14:45 Digital
  • Montag 05.10. 15:00 - 16:30 Digital
  • Freitag 09.10. 13:15 - 14:45 Digital
  • Montag 12.10. 15:00 - 16:30 Digital
  • Freitag 16.10. 13:15 - 14:45 Digital
  • Montag 19.10. 15:00 - 16:30 Digital
  • Freitag 23.10. 13:15 - 14:45 Digital
  • Freitag 30.10. 13:15 - 14:45 Digital
  • Freitag 06.11. 13:15 - 14:45 Digital
  • Montag 09.11. 15:00 - 16:30 Digital
  • Freitag 13.11. 13:15 - 14:45 Digital
  • Montag 16.11. 15:00 - 16:30 Digital
  • Freitag 20.11. 13:15 - 14:45 Digital
  • Montag 23.11. 15:00 - 16:30 Digital
  • Freitag 27.11. 13:15 - 14:45 Digital
  • Montag 30.11. 15:00 - 16:30 Digital
  • Freitag 04.12. 13:15 - 14:45 Digital
  • Montag 07.12. 15:00 - 16:30 Digital
  • Freitag 11.12. 13:15 - 14:45 Digital
  • Montag 14.12. 15:00 - 16:30 Digital
  • Freitag 18.12. 13:15 - 14:45 Digital
  • Freitag 08.01. 13:15 - 14:45 Digital
  • Montag 11.01. 15:00 - 16:30 Digital
  • Freitag 15.01. 13:15 - 14:45 Digital
  • Montag 18.01. 15:00 - 16:30 Digital
  • Freitag 22.01. 13:15 - 14:45 Digital
  • Montag 25.01. 15:00 - 16:30 Digital
  • Freitag 29.01. 13:15 - 14:45 Digital

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Ziele:
Studierende haben nach Abschluss des Moduls Kenntnis über moderne konzeptionelle Prinzipien zur Lösung verschiedener Probleme des Maschinellen Lernens, sowie deren praktische Implementierung.

Inhalte:
* What is Machine Learning?
* Basic Machine Learning pipelines
* Linear models for regression
* Linear models for classification
* Model validation and model selection
* Kernels
* Neural networks
* Dimensionality reduction
* Probabilistic modeling
* Generative modeling
* Deep generative models

Methode:
Vortrag (aufgezeichnete Vorträge werden über Moodle zur Verfügung gestellt) + Rechenübungen + Programmierübungen

Art der Leistungskontrolle und erlaubte Hilfsmittel

Schriftliche Prüfung am Semesterende
Programmierübungen

Mindestanforderungen und Beurteilungsmaßstab

50% Schriftliche Prüfung
50% Programmierübungen
Freiwillige Rechenübungen

P = Gemittelte erreichte Prozentpunktezahl aus der schriftlichen Prüfungen und den Programmierübungen.

85% <= P <= % Sehr Gut (1)
74% <= P < 85% Gut (2)
62% <= P < 74% Befriedigend (3)
50% <= P < 62% Genügend (4)
0% <= P < 50% Nicht Genügend (5)

Sowohl auf die schriftliche Prüfung als auch bei den Programmierübungen müssen mindestens 50% der maximal erreichbaren Punkte erreicht werden.

Prüfungsstoff

Prüfungsrelevant ist immer jener Stoff, der im aktuell durchgeführten Lehrveranstaltungszyklus Gegenstand der Lehrveranstaltung ist.

Die Unterlagen zu dieser Lehrveranstaltung bestehen zum einen aus den Lehrveranstaltungsunterlagen wie zum Beispiel Folien und Übungen, zum anderen aus der Literatur wie auf den Vorlesungsfolien angegeben.

Literatur

* Christopher Bishop, 2006, "Pattern Recognition and Machine Learning", Springer; available online: https://www.microsoft.com/en-us/research/publication/pattern-recognition-machine-learning/
* Trevor Hastie, Robert Tibshirani, Jerome Friedman, 2009, "The Elements of Statistical Learning: Data Mining, Inference, and Prediction", Springer; available online: https://web.stanford.edu/~hastie/ElemStatLearn/
* Tom Mitchell, 1997, "Machine Learning", McGraw Hill
* Shai Shalev-Shwartz and Shai Ben-David, 2014, "Understanding Machine Learning: From Theory to Algorithms", Cambridge University Press; available online: https://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Fr 12.05.2023 00:13