20-00-0449-iv Probabilistische Graphische Modelle

Lehrende: Prof. Dr. rer. nat. Kristian Kersting; M.Sc. Wolfgang Stammer

Veranstaltungsart: Integrierte Veranstaltung

Orga-Einheit: FB20 Informatik

Anzeige im Stundenplan: PGM

Fach:

Anrechenbar für:

Semesterwochenstunden: 4

Unterrichtssprache: Deutsch

Min. | Max. Teilnehmerzahl: - | -

Lehrinhalte:
- Auffrischung Wahrscheinlichkeits- & Bayes’sche Entscheidungstheorie
- Gerichtete und ungerichtete graphische Modelle und deren Eigenschaften
- Inferenz in Baumgraphen
- Approximative Inferenz in allgemeinen Graphen: Message Passing und Mean Field
- Lernen von gerichteten und ungerichteten Modellen
- Sampling-Methoden für Inferenz und Lernen
- Modellierung in Beispielanwendungen, inkl. Topic-Modelle
- Tiefe Netze
- Halb-überwachtes Lernen

Literatur:
Literaturempfehlungen werden regelmäßig aktualisiert und beinhalten beispielsweise:
- D. Barber: “Bayesian Reasoning and Machine Learning”, Cambridge University Press 2012
- D. Koller, N. Friedman: “Probabilistic Graphical Models: Principles and Techniques”, MIT Press 2009

Voraussetzungen:
Besuch von “Statistisches Maschinelles Lernen” ist empfohlen.

Online-Angebote:
moodle