Du befindest dich hier: FSI Informatik » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Lehrstuhl 5 » Pattern Recognition
Unterschiede
Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.
Beide Seiten, vorherige ÜberarbeitungVorherige ÜberarbeitungNächste Überarbeitung | Vorherige ÜberarbeitungLetzte ÜberarbeitungBeide Seiten, nächste Überarbeitung | ||
pruefungen:hauptstudium:ls5:pr_februar_2014 [18.02.2014 10:32] – runet | pruefungen:hauptstudium:ls5:pr_februar_2014 [18.02.2014 11:00] – runet | ||
---|---|---|---|
Zeile 6: | Zeile 6: | ||
===== Allgemeines ===== | ===== Allgemeines ===== | ||
- | Sehr entspannt, | + | Sehr entspannt, |
- | Als Hinweis noch: Dieses Jahr wird scheinbar immer eine Frage zu den Matlab-Übungen eine frage gestellt. Es ging auf demjenigen | + | Als Hinweis noch: Dieses Jahr wird scheinbar immer eine Frage zu den Matlab-Übungen eine frage gestellt. Es ging auf demjenigen der nach mir geprüft wurde auch so ! |
+ | ---- | ||
- | Hier die gestellten Fragen: | + | ===== Hier die gestellten Fragen:===== |
+ | * Big Picture geben (Ich hab nicht viel gezeichnet, aber beim reden schon viel neben Informationen reinfließen lassen.(z.b. hab ich den Zusammenhang Bayes-Gaussian-Naive Bayes - NN schonmal angereissen)) | ||
+ | * Dann kamen fragen zur Logistic Regression -> sigmoid function - parametrized - optimierung mit Newton. Welche ableitungen werden benötigt? | ||
+ | * Dann kam SVM, wie ist die objective function vom Hard-margin und Soft-, | ||
+ | * Woran erkennt man das die Margin maximiert wird? | ||
+ | * Wann wäre der Abstand zur dB der eukilidsche Abstand? | ||
+ | * ->Sie sagten ja die SVM erzeugt unique Lösungen, die soft Margin SVM auch? -> nein, mit µ gewichtet man den einfluss. | ||
+ | * Was passiert wenn µ groß wird, also eher gegen unendlich? -> wird zu hard margin | ||
+ | * Beschreiben Sie wie sie die soft - margin SVM in matlab implementieren müssen. | ||
+ | * -> O.o keine Ahnung, matlab hat eine optimierungs function da müssen die constraints rein. | ||
+ | * beschreiben sie mal wie diese aussehen müssen? | ||
+ | * keine Ahnung. Dann hat er mir das Blatt mit der Lösung aus den Übungen hingelegt. | ||
+ | * Erklären sie wie die Matrix A (welche der optimierungs function von matlab übergeben wird) aufgebaut ist. | ||
+ | * -> versucht das ein bisschen zu erklären und die Struktur der Matrix auf den Block zu schreiben, das hab ich nicht so wirklich hinbekommen. | ||
- | - Big Picture geben (Ich hab nicht viel gezeichnet, aber beim reden schon viel neben Informationen reinfließen lassen.(z.b. hab ich den Zusammenhang Bayes-Gaussian-Naive Bayes - NN schonmal angereissen)) | ||
- | - Dann kamen fragen zur Logistic Regression -> sigmoid function - parametrized - optimierung mit Newton. Welche ableitungen werden benötigt? | ||
- | - Dann kam SVM, wie ist die objective function vom Hard-margin und Soft-, | ||
- | - Woran erkennt man das die Margin maximiert wird? | ||
- | - ->Sie sagten ja die SVM erzeugt unique Lösungen, die soft Margin SVM auch? -> nein, mit µ gewichtet man den einfluss. | ||
- | -Was passiert wenn µ groß wird, also eher gegen unendlich? -> wird zu hard margin | ||
- | - Beschreiben Sie wie sie die soft - margin SVM in matlab implementieren müssen. | ||
- | -> O.o keine Ahnung, matlab hat eine optimierungs function da müssen die constraints rein. | ||
- | - beschreiben sie mal wie diese aussehen müssen? | ||
- | -> keine Ahnung. Dann hat er mir das Blatt mit der Lösung aus den Übungen hingelegt. | ||
- | - Erklären sie wie die Matrix A (welche der optimierungs function von matlab übergeben wird) aufgebaut ist. | ||
- | -> versucht das ein bisschen zu erklären und die Struktur der Matrix auf den Block zu schreiben, das hab ich nicht so wirklich hinbekommen. | ||
+ | |||
+ | |||
+ | |||
+ | |||
+ | ---- | ||
Dann war die Zeit auch rum, bei dem Übungsteil bin ich ganz schön geschlingert, | Dann war die Zeit auch rum, bei dem Übungsteil bin ich ganz schön geschlingert, | ||
- Die Matrix A und B werden da mit -1 multipliziert da die inequalities <= 0 sein müssen (1. KKT) | - Die Matrix A und B werden da mit -1 multipliziert da die inequalities <= 0 sein müssen (1. KKT) | ||
- | War schon etwas unangenehm :), er sagte dann auch der Theorie teil war sehr gut, der matlab teil eher das genaue gegenteil. Er hätte mir eine 1,7 gegeben, der beisitzer konnte ihn wohl zu einer 1,3 Überreden. (Danke nochmal, falls er das liest ;) ). | + | War schon etwas unangenehm :), er sagte dann auch der Theorie teil war sehr gut, der matlab teil eher das genaue gegenteil. Er hätte mir eine 1,7 gegeben, der beisitzer konnte ihn wohl zu einer 1,3 bewegen. (Danke |