| Allgemeine Angaben |
|
| Maschinelles Lernen für Computersehen (IN2357) | | |
|
|
|
|
| Vorlesung mit integrierten Übungen |
|
|
|
|
|
|
|
|
|
|
|
| |
| Angaben zur Abhaltung |
|
Maschinelle Lernmethoden sind ein wesentlicher Bestandteil zur Lösung wichtiger Probleme aus dem Bereich Computersehen, wie
z.B. Objektklassifikation und -lageschätzung, Objektverfolgung, Bildsegmentierung, Entrauschen von Bildern, oder Kamerakalibrierung. In dieser Vorlesung werden daher die wichtigsten Methoden des maschinellen Lernens vorgestellt und mathematisch hergeleitet. Diese umfassen vor allem:
- Kernel Methoden, insbes. Gaußprozesse
- Lernen von Metriken
- Clusteringmethoden wie GMM oder Spektrales Clustern
- Boosting und Bagging
- Hidden Markov Modelle
- Neuronal Netze und Deep Learning *
- Sampling Methoden, insbes MCMC
Der Fokus liegt hierbei in einem breiten Verständnis dieser Methoden
und nicht in der Vertiefung einzelner Ansätze. Praktische Erfahrung
wird anhand von Programmieraufgaben gesammelt.
*Das Thema Deep Learning wird nur am Rande behandelt. Für eine
ausführliche Behandlung des Themas wird auf andere
Veranstaltungen verwiesen, z.B. IN2346 |
|
|
Grundlagen der linearen Algebra, Analysis und Wahrscheinlichkeitsrechnung.
Statistical modeling and machine learning (IN2332) |
|
|
| Nach erfolgreicher Teilnahme an diesem Modul beherrschen die Studierenden die Grundlagen der wichtigsten maschinellen Lernmethoden, wie sie im Bereich Computersehen angewendet werden. Sie sind dann in der Lage, die zugrundeliegende mathematische Formulierung von Verfahren wie z.B. Boosting, Bagging, HMMs, Gaußprozessen oder MCMC anzugeben, sowie diese Methoden einem Anwendugskontext in Bereich Computersehen zuzuordnen. Außerdem können sie einfache Implementierungen dieser Methoden entwickeln und auf konkrete Datensätze anwenden. |
|
|
|
|
In der Vorlesung werden Folien präsentiert und wichtige mathematische Formulierungen an der Tafel entwickelt. In den begleitenden Übungen werden praktische und theoretische Aufgaben bearbeitet. Diese Aufgaben werden auch zur Heimarbeit rechtzeitig vor den Übungsterminen zur Verfügung gestellt. |
|
|
|
|
| Für die Anmeldung zur Teilnahme müssen Sie sich in TUMonline als Studierende/r identifizieren. |
|
| |
| Zusatzinformationen |
|
Christopher Bishop: Pattern Recognition and Machine Learning
Kevin Murphy: Machine Learning: A Probabilistic Perspective
Carl Edward Rasmussen and Christopher Williams: Gaussian Processes for Machine Learning |
|
|
|
|
|
