Machine Learning Anwendungen Gedächtnisprotokoll WiSe20/21

    Hi Leute,


    ich wollte mal anstoßen, dass wir die Aufgaben aus der Prüfung Machine Learning Anwendungen zusammentragen und daraus ein Gedächtnisprotokoll entwickeln.


    Woran ich mich noch erinnere:

    - Konfusionsmatrix Präzision bestimmen

    - Lineare Regression : 7 Dimensionen y 15 Dimensionen x : Gleichung aufstellen + Parameteranzahl

    - Ransac: Datensatz 100k Bilddaten 2D, 7 Iterationen: Wie hoch ist die Wahrscheinlichkeit mindestens ein mal einen Outliner freien Datensatz zu bestimmen

    - Diagramm aus dem Skript zu Präzision / Genauigkeit mit den Begriffen (High Variance, High Bias, Low Variance, Low Bias) beschriften und Kreise zuordnen

    - Energy Load Forecastin: Autokorrelationsdiagramm mit der Korrelationsfaktor sowie den Time Lags gegeben. Es sollten daraus die Features abgleitet werden und auch konkrete Werte berechnet werden.

    - Exploitation vs. Exploration

    - Overfitting vs Underfitting und Diagramme zuordnen

    - Ein Datensatz mit gleichverteilten Daten wird zum Training eines ML Algorithmus genutzt (wurde auch genannt welcher das war). Es war die Accuracy

    auf den Testdaten und auf dem Validierungsdatensatz gegeben und man sollte eine Möglichkeit angeben wie man die Genauigkeit des Algorithmus erhöhen könnte

    - Verschiedene (ehr wenige) Multiple-Choice Aufgaben zum Verständnis und es gab jeweils zwei richtige Antworten wobei beide richtig sein mussten, ansonsten keine Punkte


    Habt Ihr noch mehr?

    Servus,


    hab noch was hinzuzufügen:


    - convolutional layer network: Anzahl der zu lernenden Parameter bestimmen. Geg.: Input: 28x28, filter: 5x5, Anzahl der Filter: 6

    - machine learning subtypes in einem Baumdiagramm wiedergeben: 1 Machine Learning - 1.1. unsupervised... 1.2. supervised... 1.3. reinforcement ........

    - Was sind slack variablen bei Support Vector Machines?



    kann einer von euch eigentlich einen neuen Thread Machine Learning Applications in der Filebase erstellen? Hab da iwie nix gefunden.

    Zitat von YuzhiGao

    hi, gibt es keine Lernmaterial z.b. Zusammenfassung von MLA?


    An Lernmaterial wurde in der letzten Vorlesung eine Zusammenfassung des gesamten Stoffes (Lecture 15: Recap), sowie Beispielfragen für Klausuraufgaben gegeben. Zusätzlich wurden die Klausuren vom WiSe 19/20 und WiSe 20/21 zur Verfügung gestellt. Das sind aus meiner Sicht die relevantesten Lernmaterialien. Diese sind alle im VL-moodle Kurs ganz unten zu finden :)


    (Alle VL Aufzeichnungen wurden auch nochmal freigeschaltet und finden sich im Link, ebenfalls im moodle Kurs ganz unten.)

    Vielen Dank!

    Zitat von ganhura

    An Lernmaterial wurde in der letzten Vorlesung eine Zusammenfassung des gesamten Stoffes (Lecture 15: Recap), sowie Beispielfragen für Klausuraufgaben gegeben. Zusätzlich wurden die Klausuren vom WiSe 19/20 und WiSe 20/21 zur Verfügung gestellt. Das sind aus meiner Sicht die relevantesten Lernmaterialien. Diese sind alle im VL-moodle Kurs ganz unten zu finden :)


    (Alle VL Aufzeichnungen wurden auch nochmal freigeschaltet und finden sich im Link, ebenfalls im moodle Kurs ganz unten.)

    Zitat von Aldmor

    Könnte jemand bitte die Klausur vom WiSe 19/20 hochladen, da ich im jetztigen moodle nur die von 20/21 finde? @ganhura

    bei mir stehen beide Altklausuren im aktuellen moodle drin.

    Habe die WiSe 19/20 Altklausur hier mit angehängt. Für die Filebase habe ich leider keinen passenden Eintrag gefunden, wo das hochzuladen wäre...

    Hallo Zusammen,

    kann mir jemand vlt mit der Aufgabe 1 Teil II a) der Prüfung vom WiSe 19/20 helfen. Es ist eine Kleinigkeit aber die macht mich fertig hahahah. Es geht um die trainierbaren Parameter eines neuronalen Netzes. Da die Aufgabe des NNs eine Klassifikation zwischen zwei Kategorien ist (fehlerhafte und nicht fehlerhafte Bilder), sollte die Ausgabe nicht eher 2dimensional sein?. In der Musterlösung steht, dass die Ausgabe e1dimensional ist. Ich verstehe das hier leider nicht. Ich bedanke mich schon im voraus.