Statistical Learning
Fakultät für Informatik und Mathematik ©
Name Statistical Learning
Verantwortlich Prof. Dr. Andreas Zielke
SWS 4
ECTS 5
Sprache(n) Deutsch
Lehrform SU mit Praktikum
Angebot in jedem Wintersemester
Aufwand

30 Präsenzstunden Vorlesung, 30 Präsenzstunden Praktikum, 45 Stunden Vor-/Nachbereitung des Praktikums, 45 Stunden Anfertigung der Studienarbeit, Nachbereitung der Vorlesung und Prüfungsvorbereitung

Voraussetzungen

Analysis, Lineare Algebra, Wahrscheinlichkeitstheorie und Statistik auf Bachelor-Niveau, Affinität zu Computeralgebrasystemen wie R oder Mathematica

Ziele

Einsicht in grundlegende Ideen und Konzepte maschinellen Lernens; realistische Vorstellung über Wirkungsweisen und Nutzen; Erwerb von Fertigkeiten in der praktischen Anwendung von Modellen des Statistical Learnings; Kompetenz und Erfahrung im Einsatz der Konzepte und Methoden bei der Analyse konkreter Daten.

Inhalt

Techniken und Algorithmen überwachten Lernens von linearen Regressions- und Klassifikationsmethoden bis hin zu neueren Methoden wie Support Vector Machines oder Bayesschen Ansätzen (etwa die Inhalte der Kapitel 1-4 und 7 des unter Literatur angegebenen Lehrbuchs).

Medien und Methoden

Tafel, Beamer, Statistiksoftware

Literatur

primär: T.Hastie, R.Tibshirani, J.Friedman: The Elements of Statistical Learning, Springer 2009 (auch online verfügbar) Weitere Referenzen in der Vorlesung

Zuordnungen Curricula
SPO Fachgruppe Code ab Semester Prüfungsleistungen
IS Version 2009 WPF Weitere Anwendungen IF-S-M-A07 1 benotete mündliche Prüfung (60%)
benotete Studienarbeit (40%)
IS Version 2017 WPF Weitere Anwendungen IF-S-M-A07 1 benotete mündliche Prüfung (60%)
benotete Studienarbeit (40%)