Kursinformation

Lehrinhalte
Lineare Gleichungssysteme und Ausgleichsrechnung, lineare Regression, Eigenwert- und Singulärwertzerlegung, Hauptkomponentenanalyse, Bayessche Statistik, Ridge Regression, Dimensionsreduktion, Niedrigrang-Approximation, nichtlineare Ausgleichs- und Minimierungsprobleme, Newton-Verfahren, nichtlineare Regression, LASSO, Regularisierungen, Interpolation und numerische Integration, Funktionsapproximation, radiale Basisfunktionen, Monte-Carlo Verfahren, Netzwerke für Regression, Faltungsnetzwerke, Training von Netzwerken, Deep Learning

Literatur
Ethem Alpaydin: Maschinelles Lernen, de Gruyter Studium, 2019;
Gilbert Srang: Linear Algebra and Learning from Data, Wellesley Cambridge Press, 2019;
Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer , 2008

Voraussetzungen
Mathematik I-III empfohlen

Online-Angebote
moodle