Lehrinhalte
- Auffrischung Wahrscheinlichkeits- & Bayessche 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.
Bemerkung Webportal
[b]Gebiet:[/b] Human Computer Systems<br /> <br />
Online-Angebote
moodle
- Auffrischung Wahrscheinlichkeits- & Bayessche 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.
Bemerkung Webportal
[b]Gebiet:[/b] Human Computer Systems<br /> <br />
Online-Angebote
moodle
- Lehrende: Kristian Kersting
Semester: WiSe 2019/20