650.025 (20W) Machine Learning and Deep Learning

Wintersemester 2020/21

Anmeldefrist abgelaufen.

Erster Termin der LV
28.10.2020 14:00 - 18:00 , online Off Campus
Nächster Termin:
20.01.2021 14:00 - 18:00 , online Off Campus

Überblick

Bedingt durch die COVID-19-Pandemie können kurzfristige Änderungen bei Lehrveranstaltungen und Prüfungen (z.B. Absage von Präsenz-Lehreveranstaltungen und Umstellung auf Online-Prüfungen) erforderlich sein.

Weitere Informationen zum Lehrbetrieb vor Ort finden Sie unter: https://www.aau.at/corona.
Lehrende/r
LV-Titel englisch
Machine Learning and Deep Learning
LV-Art
Vorlesung-Kurs (prüfungsimmanente LV )
LV-Modell
Onlinelehrveranstaltung
Semesterstunde/n
4.0
ECTS-Anrechnungspunkte
6.0
Anmeldungen
20 (30 max.)
Organisationseinheit
Unterrichtssprache
Englisch
LV-Beginn
28.10.2020
eLearning
zum Moodle-Kurs

Zeit und Ort

Beachten Sie bitte, dass sich aufgrund von COVID-19-Maßnahmen die derzeit angezeigten Termine noch ändern können.
Liste der Termine wird geladen...

LV-Beschreibung

Intendierte Lernergebnisse

The course provides a practical introduction into machine learning methods with the focus on deep learning. 

Lehrmethodik inkl. Einsatz von eLearning-Tools

Lectures with practical sessions and a student's project applying machine learning to a practical problem.

Inhalt/e

  • Introduction to AI and machine learning
  • Machine learning preliminaries
  • Basic ML approaches 
  • Artificial Neural Networks
  • Deep Learning Architectures
  • Applications

Erwartete Vorkenntnisse

The course assumes the basic prior knowledge of the probability theory, linear algebra, and optimization methods. Knowledge of Python programming language is a plus.

Curriculare Anmeldevoraussetzungen

No prerequisites

Literatur

Course book:

Extra literature for beginners:

  • James, G., Witten, D., & Hastie, T. (2014). An Introduction to Statistical Learning: With Applications in R. Springer
  • Raschka, S. (2015). Python machine learning. Packt Publishing Ltd.

Extra literature - classics:

  • Mitchell, T. (1997) Machine Learning. McGraw Hill. (a bit old, but still the best intro to ML for computer scientists)
  • Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
  • Friedman, J., Hastie, T., & Tibshirani, R. (2009). The elements of statistical learning.  2nd edition, Springer.


Prüfungsinformationen

Geänderte Prüfungsinformationen (COVID-19 Ausnahmeregelung)

Presentations of projects are done online

Prüfungsmethode/n

Grades are given based on a project:

  • implement a practical project applying machine learning techniques presented in the course
  • the project is to be accomplished by a group of student comprising max. 2 participants
  • each group prepares only one final presentation of their project, during which every student must be ready to answer any question regarding the presented work
  • expected and accomplished tasks of every student in the project should be clearly indicated in both project proposal and report, respectively - each group participant should submit a separate report describing his/her work 
  • every student must accomplish at least one task which is clearly related to machine learning

Prüfungsinhalt/e

Theoretical and practical aspects of techniques used in the project report and the presentation. 

Beurteilungskriterien/-maßstäbe

Grades are given based on the project presentation (50%) and the report (50%).

Beurteilungsschema

Note/Grade Benotungsschema

Position im Curriculum

  • Masterstudium Artificial Intelligence and Cybersecurity (SKZ: 993, Version: 20W.1)
    • Fach: Artificial Intelligence (Pflichtfach)
      • 2.2 Machine Learning and Deep Learning ( 0.0h VC / 6.0 ECTS)
        • 650.025 Machine Learning and Deep Learning (4.0h VC / 6.0 ECTS)
          Absolvierung im 1. Semester empfohlen

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Diese Lehrveranstaltung ist keiner Kette zugeordnet