Kursinformation

Digitale Lehre
[url]https://moodle.tu-darmstadt.de/course/view.php?id=39220[/url]

Lehrinhalte
Diese Lehrveranstaltung wird im SoSe 2024 im SELBSTSTUDIUM angeboten. Sie können auf die entsprechenden Unterlagen im verlinkten Moodlekurs zugreifen. [url]http://moodle.informatik.tu-darmstadt.de/course/view.php?id=595[/url]

- 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

Weitere Informationen
[url=http://moodle.informatik.tu-darmstadt.de/course/view.php?id=595][url]https://moodle.tu-darmstadt.de/course/view.php?id=39220[/url][/url]

Online-Angebote
moodle