Universität Wien

050035 VU Machine Learning (2012S)

3.00 ECTS (2.00 SWS), SPL 5 - Informatik und Wirtschaftsinformatik
Continuous assessment of course work
Moodle

Details

max. 25 participants
Language: German

Lecturers

Classes (iCal) - next class is marked with N

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

Information

Aims, contents and method of the course

Basic methods in machine learning: Supervised Learning (classification), Unsupervised Learning (Cluster analysis), Incomplete Data Problems (EM-Algorithm), Assoziation rules, Page Rank,

Assessment and permitted materials

Attandence of lectures, solving and presentation of practical exercises (50%), final test (50%)

Minimum requirements and assessment criteria

getting familiar with basic ideas in machine learning and application of the methods wit R and Weka.

Examination topics

Lectures with parctical exercises, mainly by using R and Weka.

Reading list

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

Association in the course directory

Last modified: Mo 07.09.2020 15:29