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.