Statistische Mustererkennung

Vorlesung, VO 183.425

Durchführungsmodalitäten

Sowohl die VO als auch die begleitende UE werden in deutscher Sprache abgehalten.

Zeit: Montag, 16:15 - 17:45
Sem.R. DA grün 02 A (Freihaus, grüner Bereich, 2ter Stock)

Inhalt

Eine Beschreibung der behandelten Themen finden Sie im TISS. Oder Sie blättern das Skriptum (s.u.) durch, um sich einen Eindruck und Überblick zu verschaffen. Im übrigen ist diese VO garantiert deep learning-frei.

Prüfungen

Nächster regulärer Prüfungstermin: Ende Jänner 2024. Bei Bedarf können wir gerne einen zusätzlichen Prüfungstermin vereinbaren.

Unterlagen

Skriptum

Singular Value Decomposition

Ergänzungen zum Skriptum (kein Prüfungsstoff)

Ergänzendes und weiterführendes Material

Empfehlenswerte Lehrbücher

The Elements of Statistical Learning , Hastie et al., 2nd edition

Pattern Recognition for Machine Learning,Christopher Bishop

Risk Assessment and Decision Analysis with Bayesian Networks, Fenton et al., 2nd edition, 2tes Kapitel (Debunking Bad Statistics)

Bayesian Reasoning and Machine Learning, David Barber

Gaussian Processess for Machine Learning , Rasmussen und Williams

Statistische Tests vs. Bayes-Inferenz

The Null Ritual, Gigerenzer et al.

Beispiel für prosecutor's fallacy

Confounding & Bias

Down Syndrome vs. Maternal Age

Simpson Paradox

Analyse des in der VO diskutierten Beispiels zum Simpson Paradox (UCI Zulassungen 1973), von M. Melcher.

Will Rogers Phänomen

Randomized Controlled Trial (RCT)

RCT am Beispiel der BNT16b2 Zulassungsstudie

Hauptachsentransformation und Korrelation

Anscombe's Quartet

Parametric Eigenspaces (Beispiel)

Harris Corner Detector

Sonstiges

Haller-Kraus-Questionnaire

Python Code für das in der VO besprochene Beispiel für Confounding/partielle Korrelation/Regression

Benötigte Daten für obiges Programm

Übung, UE 183.584

Allgemeine Hinweise

Es gibt 3 Übungsababen pro Semester, die in Übungsgruppen ausgearbeitet werden sollen. Die UE-Gruppeneinteilung erfolgt in einer der ersten VO-Einheiten. Die Übungsbeispiele können dabei in einer beliebigen Sprache/Umgebung gelöst werden, geeignet sind z.B. MATLAB oder python/numpy.

Sofern nicht anders angegeben, sind alle in der Angabe geforderten Funktionen selbst zu implementieren.

Die Abgabe sollte a) ein in PDF vorliegendes Protokoll b) sowie die Source-Dateien enthalten, und erfolgt via e-mail mit der Gruppennummer im Betreff an mich.

Für die Erstellung des PDF-Dokuments wird Latex empfohlen. Dieses muss jedenfalls für jede Teilaufgabe eine Beschreibung des gewählten Lösungsansatzes sowie eine Diskussion der erhaltenen Ergebnisse enthalten.

Bei Unklarheiten führe ich nach erfolgter elektronischer Abgabe ein ca 20-minütiges Abgabegespräch mit der gesamten Gruppe. Jedes Gruppenmitglied sollte in der Lage sein, Fragen zu sämtlichen ausgearbeiteten Beispielen als auch zur relevanten Theorie zu beantworten.

Übungsgruppen

Gruppeneinteilung

1ste Beispielgruppe

2te Beispielgruppe

3te Beispielgruppe