Fakultät Statistik - Einführung in das statistische Lernen SS22

Sie sind hier:

Fakultät Statistik >
Fakultät >
Lehrstühle >
Mathematische Statistik und biometrische Anwendungen >
Mitarbeiter/innen >
Dr. Alexander Munteanu >
Einführung in das statistische Lernen SS22

Fakultät

Vorlesung

Einführung in das statistische Lernen

im Sommersemester 2022

Veranstalter:	Dr. Alexander Munteanu
Vorlesung:	Montags	14-16 Uhr	Mathematik - E 28
	Donnerstags	12-14 Uhr	CT Zentralbereich - HS ZE 02
Übung:	Mittwochs	14-16 Uhr	Online via Zoom
	Mittwochs	16-18 Uhr	CDI - R 121 (max. 32 Personen)

[Aktuelles] [Themen] [Literatur] [Lehrmaterial] [Bewertungskriterien]

Aktuelle Ankündigungen

Prüfungen finden zum vereinbarten Termin in Raum M/E16b statt und dauern ca. 30min.

Bei der Veranstaltung Einführung in das statistische Lernen handelt es sich um eine Einführung in die statistische Modellierung. In Abhängigkeit von der Zielvariable (stetig vs. diskret; beobachtbar vs. nicht beobachtbar) werden drei grundlegende Verfahrensklassen unterschieden und vorgestellt: Regression, Klassifikation und Clusterverfahren. Für jede dieser Verfahrensklassen werden verschiedene Modellierungskonzepte vorgestellt

Grundlagen

Grundbegriffe des statistischen Lernens
Einfache Modelle für Regression und Klassifikation
Performance Maße und Resampling
Regressions- und Klassifikationsbäume
Random Forests
Hyperparameter Optimierung
Einführung in unüberwachtes Lernen

Weiterführende Themen

Fluch der hohen Dimensionalität
Dimensionsreduktion
Regularisierung
Neuronale Netze

Benötigte Vorkenntnisse:

Mathematische Grundlagen: lineare Algebra, Analysis,
Wahrscheinlichkeitsrechnung: Wahrscheinlichkeit, Zufallsvariablen, Verteilungen
Statistikkenntnisse: Deskriptive Statistik, Schätzer.
(Generalisierte) lineare Modellierung ist hilfreich, aber nicht erforderlich.
Grundkenntnisse in R für die Übungen

Literatur

Primärliteratur:

G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning. MIT Press, 2010.

Weiterführende Literatur:

T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning. Springer, 2009.
K. Murphy. Machine Learning: a Probabilistic Perspective. MIT Press, 2012
E. Alpaydin. Introduction to Machine Learning. MIT Press, 2010.
C. M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.

Lehrmaterial

Vorlesung und Übung werden in deutscher Sprache gehalten. Lehrmaterialien sind in englischer Sprache verfasst.

Folien & Übungsblätter werden donnerstags nach der Vorlesung zur Verfügung gestellt.
Das Zugangspasswort wird in der Vorlesung und in den Übungen bekannt gegeben.

Bewertungskriterien

Modulprüfung: Benotete mündliche Prüfung.
Studienleistung: Es ist keine Studienleistung vorgesehen. Sollten in Ihrem Studiengang Studienleistungen erforderlich sein, sprechen Sie bitte den Veranstalter persönlich an.

Letzte Änderung am 14.09.2022

Servicenavigation