Lehrende: Prof. Ph. D. Stefan Roth; Dr. Simone Schaub-Meyer
Veranstaltungsart: Integrierte Veranstaltung
Orga-Einheit: FB20 Informatik
Anzeige im Stundenplan: Statistisches Maschi
Fach:
Anrechenbar für:
Semesterwochenstunden: 4
Unterrichtssprache: Englisch
Min. | Max. Teilnehmerzahl: - | -
Lehrinhalte: - Statistische Methodik für das Maschinelle Lernen - Auffrischung zu Statistik, Optimierung und Linearer Algebra - Bayes’sche Entscheidungstheorie - Wahrscheinlichkeitsdichtenschätzung - Nichtparametrische Modelle - Mixtur Modelle und der EM-Algorithmus - Lineare Modele zur Klassifikation und Regression - Grundlagen künstlicher neuronaler Netzwerke - Statistische Lerntheorie - Kernel Methoden zur Klassifikation und Regression
Literatur: 1. C.M. Bishop, Pattern Recognition and Machine Learning (2006), Springer 2. K.P. Murphy, Machine Learning: a Probabilistic Perspective (2012), MIT Press 3. D. Barber, Bayesian Reasoning and Machine Learning (2012), Cambridge University Press 4. T. Hastie, R. Tibshirani, and J. Friedman (2003), The Elements of Statistical Learning, Springer Verlag 5. D. MacKay, Information Theory, Inference, and Learning Algorithms (2003), Cambridge University Press 6. R.O. Duda, P.E. Hart, and D.G. Stork, Pattern Classification (2nd ed. 2001), Willey-Interscience 7. T.M. Mitchell, Machine Learning (1997), McGraw-Hill
Online-Angebote: moodle
