8. Zusammenfassung

Folien.

7. Hypothesenbewertung

Risikobegriff, Risikoschätzung, Holdout- Testing, Cross-Validation, Konfidenzintervalle, ROC-Kurve, AUC. Folien.

6. Lineare Klassifikatoren / Kernel-Maschinen

Lineare Entscheidungsfunktionen, Rocchio, Fisher-Diskriminante, KNN, (Margin-) Perceptron, SVM, LogReg, BPM, Representer Theorem, Kernel-Verfahren, Multiklassen-SVM, Klassifikation mit Taxonomien, Strukturierte Ein- und Ausgabe (Wortarterkennung, NLP, Sequence Alignment), Cutting Plane Algorithmus, Stochastic Gradient Descend Ansatz, Semisupervised Learning. Folien.

5. Bayes'sches Lernen

Wahrscheinlichkeiten, Zufallsvariablen, Unabhängigkeit, Erwartungswert, Varianz. MAP Modell, Bayes'sche Vorhersage. Parameterschätzungen von Wahrscheinlichkeitsverteilungen. Bayes'sche Lineare Regression, Naive Bayes. Folien.

4. Entscheidungsbäume

Entscheidungsbäume zur Klassifikation & Regression mit binären und kontinuierlichen Merkmalen: Lernen aus Daten, Ableiten von Regeln, Entropie & Information Gain, ID3, C4.5, SLIQ, Modelbäume, Pruning, Lineare Regression, Bootstrapping. Folien.

3. Grundlagen des Maschinellen Lernens

Lernen, Hypothesenräume, Version Spaces, Verlustfunktion, Regularisierer. Folien vom 01.11.2011.

2. Mathematische Grundlagen

Lineare Algebra: Vektoren, Matrizen, Matrixprodukt, Inverse. Gradientenabstieg. Folien vom 25.10.2011.