Universität Wien

040976 UK Classification, Clustering and Discrimination (2019S)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung
Moodle

An/Abmeldung

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

Details

max. 50 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

The lecture will start on 07.03.2019

  • Donnerstag 07.03. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 14.03. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 21.03. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 28.03. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 04.04. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 11.04. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 02.05. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 09.05. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 16.05. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 23.05. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 06.06. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 13.06. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Freitag 21.06. 13:15 - 16:30 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 27.06. 16:45 - 20:00 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

The course presents basic and advanced methods used in the areas of classification, clustering and discrimination. Rather than on classical statistical procedures, the focus is on modern techniques of machine learning which also enable applications to “big data” and business analytics. The topics of this course include neural networks, introduction to deep learning, support vector machines, feature selection, and main clustering algorithms.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Exercises/projects will include the implementation of basic techniques and comparison/evaluation of discussed techniques on diverse real-life data sets.

There will be one final exam.

The final grade will be computed as follows:
0.5Exercises+0.5FinalExam

Mindestanforderungen und Beurteilungsmaßstab

For a positive grade students must obtain at least
- 50% of points and in the final exam and
- 50% of points in exercises.

Prüfungsstoff

The whole material discussed in the class is relevant for the final exam.
Exercises will include the implementation of basic techniques and the comparison of discussed techniques on well known data sets in the literature.

Literatur

The literature will include different scientific papers and book chapters.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:29