Differences

This shows you the differences between two versions of the page.

--- lehrkraefte:ks:efcomputergrafik2022 [2022/04/07 10:55]
Simon Knaus
+++ lehrkraefte:ks:efcomputergrafik2022 [2022/05/17 13:54]
Simon Knaus
@@ Line 8: / Line 8: @@
     * Selbst implementieren oder mit ''sklearn'' implementieren
     * Das optimale $k$ feststellen.
+===== KW 20 =====
+Neuronale Netze: Woher, wohin. {{lehrkraefte:ks:storyslides_2022_ef_inf.pdf|Slides}}
+===== KW 19 =====
+Weiterarbeit am Projekt, siehe auch [[lehrkraefte:ks:efcomputergrafik2022|Ziele]].
+Bitte Mails lesen.
+Zusätzliche Fragestunde: Donnerstag, 12. Mai, 12:15 im H23.
+===== KW 18 =====
+  * Slides: {{lehrkraefte:ks:efcomputergrafik2022:intro_2022.pdf|Geschichte Machine Learning / AI}}.
+  * Padlet mit Fragen (A) und was als nächstes ansteht (B) [[https://padlet.com/simon_knaus1/qw0imwgi44rcgy65|Bitte hier]]
+===== KW 17 =====
+=== Ziel ===
+Jede:r startet sein eigenes Projekt.
+=== Auftrag ===
+  - Lies den Beschrieb des Projekts durch
+  - Wähle aus, was du machen möchtest. Bei Interesse können auch weitere resp. andere Daten gewählt werden.
+  - Strukturiere dein Projekt in Teilziele
+  - Versuche die Struktur deines Projekts auch im Code abzubilden, das heisst, defiere Zwischenschritte, Funktionen, o.ä. welche deinen Code lesbar und übersichtlich machen.
+    * Definere bereits Funktionen ohne diese bereits Zeile für Zeile definier zu haben, das heisst, definiere, welche Argumente sie hat und was die Rückgabewerte sind
+    * Definiere wie du Zwischenschritte überprüfen kannst.
+  - Besprich die Punkte 3 und 4 mit Ks
 ==== Projekt =====
@@ Line 15: / Line 45: @@
   * Auf den Evaluationsdaten wird die Güte der Klassifikation wie auch die Konfusionsmatrix ausgewiesen.
   * Hat der Klassifikationsalgorithmus einen **Hyperparameter** (oder **Tuningparameter**, wie Baumtiefe oder Anzahl Nachbarn) wird der optimale Hyperparameter ebenfalls auf dem Evaluationsset  bestimmt.
-  * Es können bekannte Algorithmen ($k$ nearest neighbor, trees) oder eigene (<<averaging>>) verwendet werden.
+  * Es können bekannte Algorithmen ($k$ nearest neighbor, trees) oder eigene Algorithmen (<<averaging>>) verwendet werden.
   * Es können die Daten der BU, die Bilddateien des Unterrichts o.ä. verwendet werden.
 Abzugeben ist ein Markdown-Dokument mit
-  * kurzem Beschrieb, welches Problem gelöst worden ist
+  * kurzem Beschrieb, welches Problem gelöst worden ist.
-  * den wichtigsten Code-Zeilen in Markdown mit ggf. Erklärungen
+  * den wichtigsten Code-Zeilen in Markdown mit ggf. Erklärungen.
-  * einem sinnvollen Bild als Illustration
+  * einem sinnvollen Bild als Illustration.
-Das ganze ist in einer ZIP-Datei mit Code und Daten als lauffähiges Programm in [[https://github.com/monsieurknos/efmachinelearning]] abzulegen
+  * der Antwort auf die Frage <<Was wäre ich froh gewesen, hätte ich schon vorm Projektende gewusst>> (<<I wish I had known before>>).
+Das ganze ist in einer mit Code und Daten als lauffähiges Programm in [[https://github.com/monsieurknos/efmachinelearning]] in einem Ordner mit Bezeichnung ''Nachname'' abzulegen.
-===== KW14-18 =====
+Relevant für die Bewertung sind:
+  * Eigenleistung (eigene Implementation wird höher bewertet)
+  * Korrektheit des Codes
+  * Kommentare und Struktur des Codes
+  * Saubere Darstellung im Markdown-Dokument.
+===== KW14 =====
 Jede:r implementiert $k$-nearest neighbors für ein $p$-dimensionales Problem. Die $p$ Dimensionen können
   * die Features der Buchstaben aus der BU sein oder
@@ Line 31: / Line 68: @@
 {{ :lehrkraefte:ks:img_20220405_151107541.jpg?400 |}}
 Für beide Probleme ist es **zentral**, dass alle Features normiert werden, dass heisst, die Werte der Features werden so skaliert und verschoben, dass sie auf das Intervall $[-1,1]$ zu liegen kommen.
 === Hinweise Features BU ===
 Der Datensatz kann aus der BU von git [[https://github.com/ivo-bloechliger/kaien/tree/main/data|übernommen]] werden.