20-00-0358-iv Machine Learning: Statistical Approaches

Lehrende: Prof. Ph. D. Jan Peters

Veranstaltungsart: Integrierte Veranstaltung

Orga-Einheit: FB20 Informatik

Anzeige im Stundenplan: Machine Learning

Fach:

Anrechenbar für:

Semesterwochenstunden: 4

Unterrichtssprache: Englisch

Min. | Max. Teilnehmerzahl: - | -

Lehrinhalte:
Lernziele:
Einfuehrung in statistische Verfahren des maschinellen Lernens

Stoffplan:
Die Vorlesung gibt eine systematische Einfuehrung in statistische Verfahren des maschinellen Lernens. Die Vorlesung behandelt folgende Themen (beispielhaft): Probability Distributions, Linear Models for Regression and Classification, Kernel Methods, Gaphical Models, Mixture Models and EM, Approximate Inference, Continuous Latent Variables, Hidden Markov Models

Diploma Supplement:
Statistical Methods for Machine Learning, Bayes Decision Theory, Density Estimation, Linear Models for Classification and Regression, Statistical Learning Theory, Kernel Methods and Support Vector Machines, Graphical Models for Learning, Approximate Inference

Literatur:
Main Book:

• C.M. Bishop, Pattern Recognition and Machine Learning (2006), Springer

• R.O. Duda, P.E. Hart, and D.G. Stork, Pattern Classification (2nd ed. 2001)m Willey-Interscience
• T.M. Mitchell, Machine Learning (1997), McGraw-Hill
• T. Hastie, R. Tibshirani, and J. Friedman (2003), The Elements of Statistical Learning, Springer

Voraussetzungen:
Vorwissen: statistisches und mathematisches Grundwissen, lineare Algebra, algorithmische Grundlagen