623.714 (22S) Selected Topics in Distributed Multimedia Systems – Machine Learning: From Theory to Practice

Sommersemester 2022

Anmeldefrist abgelaufen.

Erster Termin der LV
30.05.2022 14:00 - 18:00 Online Off Campus
... keine weiteren Termine bekannt

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 Selected Topics in Distributed Multimedia Systems – Machine Learning: From Theory to Practice
LV-Art Vorlesung-Kurs (prüfungsimmanente LV )
LV-Modell Präsenzlehrveranstaltung
Semesterstunde/n 2.0
ECTS-Anrechnungspunkte 4.0
Anmeldungen 21 (30 max.)
Organisationseinheit
Unterrichtssprache Englisch
LV-Beginn 30.05.2022
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 indented teaching goals can be summarized as follows:

  • The students are able to understand the theoretical foundations and how these are related to the practical implementations.
  • The students are able to describe and interpret the theoretical foundations.
  • The students are able to apply existing tools for pre-defined tasks.
  • The students are able to configure/adopt presented methods for different applications of their interest.

Lehrmethodik

  • Lecture
  • Interactive Training (in the course)
  • Practical Assignments (offline, individual training)

Inhalt/e

To cover the overall topics, there will be three blocks:

Block I – Preliminaries:

  • Mathematical principals
  • Introduction to Python and Tensorflow

Block II – Machine Learning:

  • Introduction to Machine Learning
  • Machine Learning Paradigms
  • Linear Classification and Support Vector Machines
  • Decisions Trees and Random Forests
  • Neural Networks and Deep Learning

Block III – Practical Applications:

  • Medical imaging
  • Interpretation of remote sensing data
  • Image segmentation and classification
  • Interactive ML in practice
  • etc.

Erwartete Vorkenntnisse

Mathematical Background:

  • Linear Algebra
  • Linear and Convex Optimization

Programming Skills:

  • Basic Python skills would be beneficial, but are not necessary

Literatur

Pattern Recognition and Machine Learning

The Elements of Statistical Learning

An Introduction to Statistical Learning with Applications in R

Deep Learning

Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow

Prüfungsinformationen

Im Fall von online durchgeführten Prüfungen sind die Standards zu beachten, die die technischen Geräte der Studierenden erfüllen müssen, um an diesen Prüfungen teilnehmen zu können.

Prüfungsmethode/n

The are three independent evaluation criteria:

  1. Written (online) exam: 50%
  2. Flipped classroom: 10%
  3. Practical assignment: 40% 

Prüfungsinhalt/e

The course content will be recapitulated via flipped classroom sessions, which also defines the content of the exam. The practical assignments are assigned in the end of the course based on the interests of the students.

Beurteilungskriterien/-maßstäbe

The grading can be seen in Moodle at any time, where the following overall scheme will be used:

  • Sehr Gut: 92,00% – 100,00%
  • Gut: 83,00% – 91,99%  
  • Befriedigend: 74,00 – 82,99% %
  • Genügend: 60,00% – 73,99%
  • Nicht Genügend: 0% – 59,99%:


Beurteilungsschema

Note Benotungsschema

Position im Curriculum

  • Doktoratsprogramm Informatics (SKZ: ---, Version: 17W.1)
    • Fach: Informatics (Pflichtfach)
      • Informatics ( 0.0h XX / 0.0 ECTS)
        • 623.714 Selected Topics in Distributed Multimedia Systems – Machine Learning: From Theory to Practice (2.0h VC / 4.0 ECTS)
  • Masterstudium Informatics (SKZ: 911, Version: 19W.2)
    • Fach: Distributed Systems (Wahlfach)
      • Weitere LVen aus dem gewählten Spezialisierungsfach ( 0.0h XX / 12.0 ECTS)
        • 623.714 Selected Topics in Distributed Multimedia Systems – Machine Learning: From Theory to Practice (2.0h VC / 4.0 ECTS)
          Absolvierung im 1., 2. Semester empfohlen
  • Doktoratsstudium Doktoratsstudium der Technischen Wissenschaften (SKZ: 700, Version: 18W.1)
    • Fach: Studienleistungen gem. § 3 Abs. 2a des Curriculums (Pflichtfach)
      • Studienleistungen gem. § 3 Abs. 2a des Curriculums ( 0.0h XX / 32.0 ECTS)
        • 623.714 Selected Topics in Distributed Multimedia Systems – Machine Learning: From Theory to Practice (2.0h VC / 4.0 ECTS)
  • Doktoratsstudium Doktoratsstudium der Technischen Wissenschaften (SKZ: 700, Version: 12W.4)
    • Fach: Studienleistungen gem. § 3 Abs. 2a des Curriculums (Pflichtfach)
      • Studienleistungen gem. § 3 Abs. 2a des Curriculums ( 16.0h XX / 32.0 ECTS)
        • 623.714 Selected Topics in Distributed Multimedia Systems – Machine Learning: From Theory to Practice (2.0h VC / 4.0 ECTS)

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Es liegt keine gleichwertige Lehrveranstaltung im Sinne der Prüfungsantrittszählung vor.