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
Probabilistische Graphische Modelle - Übung
Prof. Dr. rer. nat. Kristian Kersting; M.Sc. Wolfgang Stammer
Fr, 22. Okt. 2021 [11:40]-Fr, 18. Feb. 2022 [13:20]