Du befindest dich hier: FSI Informatik » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Lehrstuhl 5 » pr_februar_15_7 (Übersicht)

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.

Link zu der Vergleichsansicht

--- pruefungen:hauptstudium:ls5:pr_februar_15_7 [01.04.2015 08:36] – angelegt mmuuuuhh
+++ pruefungen:hauptstudium:ls5:pr_februar_15_7 [04.04.2015 10:30] (aktuell) – mmuuuuhh
@@ Zeile 1: / Zeile 1: @@
 Prüfer: Prof. Nöth
-(Werd am Wochenende eine schöne Formatierung machen, gerade keine Zeit):
 Die Klausur war am 1.April. Nachdem ich nach der Prüfung kurz vor der Tür gewartet hab, und dann wieder hereingebeten wurde, um meine Note zu erfahren, hat er erstmal gemeint... Na das müssen wir nochmal machen... Haha April,April...
+Die tatsächliche Note nach dem Scherz war dann allerdings durchaus angemessen. Sehr faire Benotung iMo.
 **Performance Evaluation am Beispiel Viola Jones**
-Er hat eine Confusionmatrix aufgezeichnet
+Er hat eine Confusionmatrix aufgezeichnet:
 Ref\Hyp | A | B
@@ Zeile 16: / Zeile 14: @@
 B|  2 |     98
-Was sieht man hier, was bedeuten die Einträge?
+  * Was sieht man hier, was bedeuten die Einträge?
-Wir haben den Violoa Jones Algorithmus kennen gelernt, wie funktionert der?
+  * Wir haben den Violoa Jones Algorithmus kennen gelernt, wie funktionert der?
-Woran kann man an der Confusion-Matrix erkennen, dass dies für einen Viola Jones Algorithmus verwendet wurde? Welche der beiden Klassen entspricht (vermutlich) einem Gesicht?
+  * Woran kann man an der Confusion-Matrix erkennen, dass dies für einen Viola Jones Algorithmus verwendet wurde? Welche der beiden Klassen entspricht (vermutlich) einem Gesicht?
-Was passiert mit den 4098 Einträgen in der nächsten Stufe des VJ-Algorithmus?
+  * Was passiert mit den 4098 Einträgen in der nächsten Stufe des VJ-Algorithmus?
-**Bayes**
+**(Naiive) Bayes & Linear Discriminant Analysis**
-Wann ist ein Bayes-Classifikator optimal?
+  * Wann ist ein Bayes-Classifikator optimal?
-Ist die obige Confusion-Matrix an einem Bayes-Klassifikator erstellt worden?
+  * Ist die obige Confusion-Matrix an einem Bayes-Klassifikator erstellt worden?
-Wie lautet die Formel für Bayes, was heißen die einzelnen Terme, und warum kann p(x) vernachlässigt werden?
+  * Wie lautet die Formel für Bayes, was heißen die einzelnen Terme, und warum kann p(x) vernachlässigt werden?
-Wie kann man p(x|y) bestimmen?
+  * Wie kann man p(x|y) bestimmen?
-Welche Verteilung nimmt man an, wieviele Rechenoperationen sind dafür von Nöten bei einem 50Dimensionalem Feature-Vektor?
+  * Welche Verteilung nimmt man an, wieviele Rechenoperationen sind dafür von Nöten bei einem 50Dimensionalem Feature-Vektor?
-Wie sieht die Cov bei einem Naiiven Bayes aus?
+  * Wie sieht die Cov bei einem Naiiven Bayes aus?
-Was passiert mit einer (voll besetzen) Cov, wenn man LDA anwendet?
+  * Was passiert mit einer (voll besetzen) Cov, wenn man LDA anwendet?
-Angenommen sie arbeiten in einem Krankenhaus. Der Chefarzt kommt zu ihnen und sagt:
+  * Angenommen sie arbeiten in einem Krankenhaus. Der Chefarzt kommt zu ihnen und sagt: "Wenn wir von einem Patienten stündlich über 50 Stunden die Temperatur messen, so können wir danach sagen, ob er nun gesund ist, oder nicht." Kann hier Naiive Bayes angewendet werden?
-"Wenn wir von einem Patienten stündlich über 50 Stunden die Temperatur messen, so können wir danach sagen, ob er nun gesund ist, oder nicht." Kann hier Naiive Bayes angewendet werden?
 **EM-Algorithmus**
-Er hat eine unförmige Menge aufs Blatt gezeichnet, wie kann man hier die Parameter bestimmen?
+  * Er hat eine unförmige Menge aufs Blatt gezeichnet, wie kann man hier die Parameter bestimmen?
-Wieviele k Gausskurven benötigt mann, kann man das irgendwie berechnen, oder ist da try-and-error das besste. Was passiert, wenn man k gegen unendlich gehen lässt?
+  * Wieviele k Gausskurven benötigt mann, kann man das irgendwie berechnen, oder ist da try-and-error das Beste. Was passiert, wenn man k gegen unendlich gehen lässt?
-Wie geht ein E und ein M step, was wird jeweils berechnet.
+  * Wie geht ein E und ein M step, was wird jeweils berechnet (Formeln + zeigen, wo die \mu's hinwandern)
 **Perceptrons und SVM**
-Er hat zwei sich überlappende Mengen gezeichnet. Geht hier ein einfaches Perceptron? Wenn nicht, was passiert mit dem Lernalgorithmus, wenn man's trozdem versucht?
+Er hat zwei sich überlappende Mengen gezeichnet:
+  * Geht hier ein einfaches Perceptron? Wenn nicht, was passiert mit dem Lernalgorithmus, wenn man's trozdem versucht?
-Nun zwei getrennte Mengen aufgezeichnet, funktioniert's nun? Ist die Lösung des Perceptrons optimal? Wovon hängt das ab?
+Nun zwei getrennte Mengen aufgezeichnet:
+  * Funktioniert's nun?
+  * Ist die Lösung des Perceptrons optimal? Wovon hängt die ausgegebene Lösung des Percetprons ab?
-Mit welchem Algorithmus kann man eine optimale Lösung finden? Wie lautet das Optimierungsproblem? (d.h. Formeln)
+  * Mit welchem Algorithmus kann man eine optimale Lösung finden? Wie lautet das Optimierungsproblem? (d.h. Formeln)
-Wie kann man den SVM doch auf das sich überlappende Problem anwenden?
+  * Wie kann man den SVM doch auf das sich überlappende Problem anwenden?
-Kernels, und soft-Margin. Wollte aber dann nurnoch hören wie sich das opt. Problem bei soft-margin ändert, zu Kernels nicht's mehr.
+  * Wie lautet das Optimierungsproblem für Softmargins.