Du befindest dich hier: FSI Informatik » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Lehrstuhl 5 » Prüfung PR – Nöth – Oktober 2019   (Übersicht)

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.

Link zu der Vergleichsansicht

Nächste Überarbeitung		Vorherige Überarbeitung
pruefungen:hauptstudium:ls5:pr-oct-2019-0 [04.10.2019 12:44] – angelegt Muetzipruefungen:hauptstudium:ls5:pr-oct-2019-0 [04.10.2019 12:56] (aktuell) – Muetzi
Zeile 1: Zeile 1:
 ====== Prüfung PR – Nöth – Oktober 2019 ====== ====== Prüfung PR – Nöth – Oktober 2019 ======
  
-Nearest Neighbor +**Nearest Neighbor**\\ 
-**F:** Wir haben hier Daten (aufgezeichnet: Puls Range 30-230 und Temperatur Range 37-40)\\  + 
-und wollen kranke Menschen und gesunde Menschen klassifizieren mit NN. Wie funktioniert\\  +**F:** Wir haben hier Daten (aufgezeichnet: Puls Range 30-230 und Temperatur Range 37-40) und wollen kranke Menschen und gesunde Menschen klassifizieren mit NN. \\ 
-das denn?\\ +Wie funktioniert das denn?\\ 
 **A:** Zuerst Achsen normalisieren, dann Abstand zu allen anderen Daten berechnen und die\\  **A:** Zuerst Achsen normalisieren, dann Abstand zu allen anderen Daten berechnen und die\\ 
 Klasse wählen, zu der der naheste Nachbar gehört.\\  Klasse wählen, zu der der naheste Nachbar gehört.\\ 
Zeile 13: Zeile 13:
 **A:** Durch Verwendung von Matrix Multiplikationen statt doppelter for-Schleifen.\\ **A:** Durch Verwendung von Matrix Multiplikationen statt doppelter for-Schleifen.\\
  
-**F:** NN verwenden wir gerne weil er sehr einfach mit 5 Zeilen Code geschrieben werden kann. \\Was macht ihn denn noch interessant im Bezug zu einem anderen Classifier aus der Vorlesung?\\ +**F:** NN verwenden wir gerne weil er sehr einfach mit 5 Zeilen Code geschrieben werden kann. Was macht ihn denn noch interessant im Bezug zu einem anderen Classifier aus der Vorlesung?\\ 
 **A:** Der loss von NN ist höchstens doppelt so groß wie der Bayes loss und Bayes ist optimal bzgl 0/1-loss.\\ **A:** Der loss von NN ist höchstens doppelt so groß wie der Bayes loss und Bayes ist optimal bzgl 0/1-loss.\\
  
 **F:** Ist der 0/1-loss hier in unserem Beispiel sinnvoll?\\  **F:** Ist der 0/1-loss hier in unserem Beispiel sinnvoll?\\ 
-**A:** Nein, weil es schlimmer ist einen Kranken als gesund zu klassifizieren als anders herum\\  +**A:** Nein, weil es schlimmer ist einen Kranken als gesund zu klassifizieren als anders herum und (0,1) bestraft alle gleich stark.\\
-und (0,1) bestraft alle gleich stark.\\+
  
 **F:** Wie funktioniert denn der Bayes Classifier?\\ **F:** Wie funktioniert denn der Bayes Classifier?\\
 **A:** Formel hingeschrieben und erklärt, wichtig war ihm auch die Umformung mit log\\ **A:** Formel hingeschrieben und erklärt, wichtig war ihm auch die Umformung mit log\\
  
-**** Hier weiß ich nicht mehr genau wie wir darauf gekommen sind, aber es ging um die Kovarianz Matrix, und dass sie für NN der Identity Matrix entspricht. +Hier weiß ich nicht mehr genau wie wir darauf gekommen sind, aber es ging um die Kovarianz Matrix, und dass sie für NN der Identity Matrix entspricht.  
 + 
 +**F:** Welche Annahme treffen wir, damit wir MLE zum abschätzen der Kovarianz Matrix verwenden können?\\ 
 +**A:** Die Punkte/Featurevektoren sind unabhängig von einander\\ 
  
-**F:** Welche Annahme treffen wir, damit wir MLE zum abschätzen der Kovarianz Matrix verwenden können? +**Gaussian Mixture Models**\\
-**A:** Die Punkte / Featurevektoren sind unabhängig von einander+
  
 +**F:** *zeichnet zwei feature wolken von denen eine drei "mittelpunkte" hat* wie können wir damit umgehen?\\
 +**A:** Man nimmt für die erste Wolke ein GMM mit 3 Gauss-Verteilungen an, wichtig war ihm hier dass man die andere Wolke erstmal ignoriert.\\
  
-Gaussian Mixture Models +**F:** Erklären Sie mal wie GMM funktioniert.\\ 
-**F:** *zeichnet zwei feature wolken von denen eine drei "mittelpunkte" hat* wie können wir damit umgehen? +**A:** Intuition hinter GMM und EM Algorithmus erklärt und EM-Schritte im Detail erklärt, jeweils mit Formeln. Hier hat ihn gestört dass ich sehr unstrukturiert vorgegangen bin, wichtig war ihm \\ 
-**A:** Man nimmt für die erste Wolke ein GMM mit 3 Gauss-Verteilungen an, wichtig war ihm hier dass man die andere Wolke erstmal ignoriert.+die Initialisierung (Random + evtl mehrfach samplen und bestes ergebnis um lokale Maxima zu umgehen; K-means für Initialwerte die sehr wahrscheinlich zum globalen Maximum führen) und \\ 
 +p(x) vor den E und M Schritten zu erklären\\
  
-**F:** Erklären Sie mal wie GMM funktioniert. +**SVM**\\
-**A:** Intuition hinter GMM und EM Algorithmus erklärt und EM-Schritte im Detail erklärt, jeweils mit Formeln. Hier hat ihn gestört dass ich sehr unstrukturiert vorgegangen bin, wichtig war ihm die Initialisierung (Random + evtl mehrfach samplen und bestes ergebnis um lokale Maxima zu umgehen; K-means für Initialwerte die sehr wahrscheinlich zum globalen Maximum führen) und p(x) vor den E und M Schritten zu erklären+
  
-SVM 
 **F:** Gut dann hatten wir ja noch eine andere Art von Classifier kennen gelernt, erklären Sie mir bitte die SVM\\  **F:** Gut dann hatten wir ja noch eine andere Art von Classifier kennen gelernt, erklären Sie mir bitte die SVM\\ 
-**A:** SVM -> hard margin erklärt, was dabei herauskommt, Zeichnung gemacht wo was ist,\\  +**A:** SVM -> hard margin erklärt, was dabei herauskommt, Zeichnung gemacht wo was ist, Optimierungsproblem aufgeschrieben\\
-Optimierungsproblem aufgeschrieben+
  
 **F:** Was sagen denn die Constraints aus?\\  **F:** Was sagen denn die Constraints aus?\\ 
-**A:** Wollen keine Punkte innerhalb des margins (deswegen die -1), ax+a0 gibt positive oder negative Distanz zur decision boundary => Vorzeichen bestimmt die Klasse, slack variables setzen die samples auf den Rand des margins => support vektoren+**A:** Wollen keine Punkte innerhalb des margins (deswegen die -1), ax+a0 gibt positive oder negative Distanz zur decision boundary => Vorzeichen bestimmt die Klasse, slack variables setzen \\ 
 +die samples auf den Rand des margins => support vektoren\\
  
  
-**Fazit:** Er bewertet sehr fair, ich hatte aber auch immer wieder Schwierigkeiten zu verstehen worauf er hinaus will, war teilweise etwas verwirrend. +**Fazit:** Er bewertet sehr fair, ich hatte aber auch immer wieder Schwierigkeiten zu verstehen worauf er hinaus will, war teilweise etwas verwirrend. Ihm ist sehr wichtig dass man die Formeln wirklich \\ 
-Ihm ist sehr wichtig dass man die Formeln wirklich verstanden hat, entprechend will er teilweise auch die einzelnen Bestandteile genauer erklärt haben, aber trotzdem legt er auch sehr viel Wert auf eine gute intuitive Erklärung davor wert, die ohne die Formeln auskommt.+verstanden hat, entprechend will er teilweise auch die einzelnen Bestandteile genauer erklärt haben, aber trotzdem legt er auch sehr viel Wert \\ 
 +auf eine gute intuitive Erklärung davor wert, die ohne die Formeln auskommt. \\
 Die wichtigsten Themen sind ziemlich sicher SVM/SVR, AdaBoost, GMM/EM und NN/Bayes, was vor allem aus den anderen Protokollen ja auch hervorgeht. Die wichtigsten Themen sind ziemlich sicher SVM/SVR, AdaBoost, GMM/EM und NN/Bayes, was vor allem aus den anderen Protokollen ja auch hervorgeht.