Universität Wien

050035 VU Machine Learning (2012S)

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

Details

max. 25 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Freitag 09.03. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 16.03. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 23.03. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 30.03. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 20.04. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 27.04. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 04.05. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 11.05. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 18.05. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 25.05. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 01.06. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 08.06. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 15.06. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 22.06. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
  • Freitag 29.06. 16:30 - 18:00 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Grundlegende Techniken des Machine Learning: Supervised Learning (Klassifikationsverfahren), Unsupervised Learning (Clusteranalyse), Incomplete Data Problems (EM-Algorithm), Assoziationsmaße, Page Rank,

Art der Leistungskontrolle und erlaubte Hilfsmittel

Anwesenheit, Abgabe und Präsenttaion von Übungsaufgaben (50%), Abschlussprüfung (50%)

Mindestanforderungen und Beurteilungsmaßstab

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

Prüfungsstoff

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

Literatur

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
S. Marsland: Machine Learning - An Algorithmic Perpective. CRC Press 2009

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:29