Servicenavigation

Statistik: mehr als Erbsen zählen

Sie sind hier:

Vorlesung

Einführung in das statistische Lernen

im Sommersemester 2022



Veranstalter:Dr. Alexander Munteanu
Vorlesung: Montags14-16 UhrMathematik - E 28
  Donnerstags12-14 UhrCT Zentralbereich - HS ZE 02
Übung: Mittwochs14-16 UhrOnline via Zoom
  Mittwochs16-18 UhrCDI - R 121 (max. 32 Personen)


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


Aktuelle Ankündigungen

Achtung:
- Die Anmeldefristen zu regulären Prüfungsterminen im SoSe22 sind abgelaufen.
  Es werden wenige Termine mitte Oktober angeboten.
  Um den Bedarf abzuschätzen, melden Sie sich ggf. umgehend beim Veranstalter.
  Anmeldungen nach dem 30.9. können nicht mehr berücksichtigt werden.

- Die Prüfungsanmeldung im BOSS müsste noch einige Zeit möglich sein.
  Der genaue Termin ist mit dem Dozenten individuell abzusprechen (mit 14tägiger Anmeldefrist).
  Prüfungen finden zum vereinbarten Termin in Raum M/E16b statt und dauern ca. 30min.



Themen

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:

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