Dienstag, 13. Dezember 2011
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.
Dienstag, 22. November 2011
5. Bayes'sches Lernen
Wahrscheinlichkeiten, Zufallsvariablen, Unabhängigkeit, Erwartungswert, Varianz. MAP Modell, Bayes'sche Vorhersage. Parameterschätzungen von Wahrscheinlichkeitsverteilungen. Bayes'sche Lineare Regression, Naive Bayes. Folien.
Dienstag, 8. November 2011
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.
Dienstag, 1. November 2011
3. Grundlagen des Maschinellen Lernens
Lernen, Hypothesenräume, Version Spaces, Verlustfunktion, Regularisierer. Folien vom 01.11.2011.
Dienstag, 25. Oktober 2011
2. Mathematische Grundlagen
Lineare Algebra: Vektoren, Matrizen, Matrixprodukt, Inverse. Gradientenabstieg. Folien vom 25.10.2011.
Dienstag, 18. Oktober 2011
Abonnieren
Posts (Atom)