VU Machine Learning for Visual Computing

Prüfungsinformationen

Lernaufwand

Beschreibung

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
- 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
- Principal Component Analysis und Hebb Lernregel, Canonical Correlation Analysis, nicht lineare Kernel-Erweiterungen, Anwendungen für Visual Computing
- Bayessche Sicht der behandelten Modelle, Bayesian Regression, Relevance Vector Machine
- Clustering und Vektor Quantisierung (e.g., k-means)

Beispiele

Möchtest du die Beispiele bewerten musst du dich einloggen. Derzeit funktioniert das über Facebook, wir arbeiten an einem Login über TISS! Facebook Login

Alle Beispiele als ZIP Datei
Add files...