Support Vector Machine with RBF Kernel and varying C parameter © Universität Augsburg
Soft-margin Support Vector Machine © Universität Augsburg
Übersicht
Veranstaltungsart: Vorlesung + Übung (Master)
Modulsignatur: INF-0367
Credits: 2 + 2 SWS, 5 LP
Turnus: Jedes Wintersemester
Empfohlenes Semester:
ab 2. Semester
Prüfung: Schriftliche Klausur, jedes Semester
Sprache: Deutsch, Vorlesungsmaterialien in Englisch

>> Diese Veranstaltung wird neu ab dem Wintersemester 2020/2021 angeboten <<

 

Inhalte

Die Vorlesung gibt einen vertieften Einblick in alle Aspekte des maschinellen Lernens und des maschinellen Sehens. Die erlernten Konzepte werden in den Übungenanhand von erfolgreichen Beispielen aus der Praxis ausprobiert, geübt, analyisiert undbewertet. Die Inhalte der Vorlesung umfassen: Support Vector Machines, Grundbausteine von tiefen Neuronalen Netzen (Layerstrukturen, Normalisierung, Attention-Mechanismen), sowie aktuelle Referenzarchitekturen und -system für  Bild-, Text-, Videoverarbeitung und deren Kombination mit weiteren Sensorsignalen.

 

Geplante Inhalte sind unter anderem:

 

  • ML-Tools: Support Vector Machines, Bipartite Graph Matching, Distance Transforms
  • Aktuelle Standardarchitekturen des Deep Learnings (ResNe(X)t, MobileNet, HRNet)
  • Embedding Learning, (Visual) Word Embeddings
  • Generative Adversarial Networks, Cycle GANs
  • Attention Mechanismen und Transformer Networks
  • Semantische und Instanzsegmentierung in Bildern
  • Human Pose Estimation

 

Hinweis: Diese Veranstaltung baut auf der Vorlesung INF-0316 „    Machine Learning and Computer Vision“ bzw. INF-0092     Multimedia II: Machine Learning and Computer Vision“ auf. Der erfolgreiche Abschluss eines dieser Module ist deshalb zwingende Teilnahmevoraussetzung.

 

Übungen

Es erscheint jede zweite Woche ein Übungsblatt zu den behandelten Vorlesungsinhalten. In den Übungen wird jeweils abwechseln online Hilfestellung zur Bearbeitung gegeben bzw. das vorige Übungsblatt besprochen. Der genaue Ablauf des Übungsbetriebs wird zu Beginn der Vorlesungszeit bekannt gegeben.

 

 

Literatur

Die relevante Literatur wird jedes Semester neu festgelegt.

 

 

 

Suche