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
- Statistische Lerntheorie
- Kernel Methoden zur Klassification und Regression

Literatur
1. C.M. Bishop, Pattern Recognition and Machine Learning (2006), Springer
2. K.P. Murphy, Machine Learning: a Probabilistic Perspective (expected 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

Bemerkung Webportal
[b]Gebiet:[/b] Human Computer Systems

[b]Anmeldung:[/b]
Mittwoch, 15.04.09 09.50 - 11.20 S3 05/073

[b]Vorbesprechung:[/b]
Mittwoch, 15.04.09 09.50 - 11.20 S3 05/073

Online-Angebote
moodle

Semester: SoSe 2023