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.
Abonnieren
Posts (Atom)